[发明专利]一种基于车型图像的模式集直方图的车型识别方法

说明书

技术领域

本发明属于模式分类和数据挖掘技术领域，特别涉及一种基于车型图像的模式集直方图的车型识别方法。

背景技术

随着当今经济的高速发展，机动车的保有量迅速增加，导致交通状况的不断恶化。现在无论哪个国家都毫无例外的受到不同程度的交通问题的困扰，在中国，这种情况尤为突出并给环境、经济、社会及人类生活带来了严重的影响。为从根本上解决交通拥挤堵塞的问题，人们开始运用各种新技术，如信息技术、计算机技术、通信技术、控制技术等，将人、车、路紧密联系起来，不仅有效地缓解了交通阻塞问题，而且对交通事故的应急处理、环境的保护、能源的节约都有了显著的效果。此时，智能交通系统应运而生。

近年来出现了各种各样的车型识别技术，其中绝大多数是根据检测车辆的某些物理参数来归纳分类以实现车辆的自动识别，这些参数往往是通过线圈、光电感应器等传感器获得的车辆的车宽、车长、轮距、车重、底盘轴粗、底盘高等多种物理数据。这种方法可以较为容易地进行车型识别，算法较为简单。但获得车辆数据的方法比较麻烦，需要架设大量的外部辅助测量设备，增加了系统的不稳定性。通常来说，此方式一般只能判断车辆的大小和类型，而无法通过识别判断车辆更进一步的信息。

而基于图像处理的车型识别技术可以有效地解决这类问题。在图像处理领域，有多种图像表示的方法，例如基本的SIFT特征、词袋模型、费舍尔向量等，运用这类图像表示方法，再使用分类器进行分类，可以很好地实现车型识别，然而这类图像表示方法，特征维数会比较大，面对大规模图像处理会带来维数灾难，在实际大规模车型图像识别问题中往往运算时间长，识别效率低。另一方面，在数据挖掘领域，一种基于跳跃显露模式的数据挖掘方法被广泛运用，使用跳跃显露模式的数据挖掘方法，可以寻找到数据集中的最能表示当前类别的显露模式集，可以高效地以较少的项目集表示原类别数据集。

根据以上所述，本发明提出了一种基于车型图像的模式集直方图的车型识别方法，可以很好地解决上述问题，算法快速高效，提高了识别速度，消耗内存少，具有较高的实用性和鲁棒性。

发明内容

本发明中所述方法是为了克服上述现有技术的缺点，主要针对已经提取的车辆特征对车型进行细分识别的问题，提出了一种基于车型图像的模式集直方图的车型识别方法。具体的技术方案如下所述。

本发明采用的技术方案如下：

一种基于车型图像的模式集直方图的车型识别方法，包括以下步骤：

步骤1：对车型图像数据库，根据词袋模型构建图像的直方图表示；

步骤2：对构建的图像直方图进行多次随机投影，然后进行二值化处理，得到图像的二值化事务项数据集；

步骤3：对图像的二值化事务项数据集进行模式挖掘，构成图像的模式集直方图表示；

步骤4：对所有车型图像的模式集直方图进行onevsrest线性SVM训练，得到每种类别车型图像的分类器，联合后得到车型识别系统；

步骤5：对测试车型图像，提取其基于训练集中每种车型图像的模式集直方图表示，将其导入车型识别系统进行测试，识别出车型。

上述技术方案中，所述步骤1根据词袋模型构建图像的直方图表示,包括以下几个步骤：

步骤1.1：提取所有车型图像的SIFT特征，进行KMeans聚类，得到一个具有D个视觉单词的字典；

步骤1.2：对每个车型图像，由最近邻算法将其SIFT特征分配给离其最近的视觉单词；

步骤1.3：根据每个视觉单词周围的SIFT特征的个数，构建一个基于视觉单词的直方图，归一化后，得到图像的D维直方图表示。

上述技术方案中，所述步骤2中对构建的图像直方图进行多次随机投影，然后进行二值化处理,得到图像的二值化事务项数据集，包括以下几个步骤：

步骤2.1：对图像的直方图表示，随机选取P个视觉单词的直方图,P<D；

步骤2.2：对选取的P个视觉单词的直方图进行二值化处理：

hjp=1⇔hjp≥τ]]>