[发明专利]一种基于加权非负矩阵分解的套牌车辆检测方法

权利要求书

1.一种基于加权非负矩阵分解的套牌车辆检测方法：其特征在于包括下列步骤：首先，通过摄像头进行车辆图像采集；其次，分割出图像中的车脸区域与车牌区域；再次，获取车牌信息；最后进行车脸对比，比对数据库中车脸图像与采集车脸图像之间的相似性，并作出决策：如果两幅图像车牌相同，但车脸图像不匹配，意味着采集图像中的车辆为套牌车；如果两幅图像车牌信息相同，车脸图像也匹配，意味着采集图像中车辆为正常车；如果数据库中没有包含该车牌信息，则不作任何决策；

所述的车脸比对包括下列步骤：

1)车脸图像初始特征提取；

将HOG特征作为车脸图像的初始特征；首先，将分割后的车脸图像大小归一化为N×N像素；而后，对图像进行分块处理，每一块大小为M×M像素，相邻块覆盖T个像素宽度，因此，图像块的个数K由式(1)得到；

在计算梯度方向直方图时，选择S个角度区间，从而得到车脸图像的初始特征Y_x维度为n，这里，n＝K×S；

2)基于加权非负矩阵分解的特征基建立；

给定一个非负矩阵Y，将其分解成两个非负矩阵U与V的乘积，如式(2)所示；

Y_n×m≈U_n×rV_r×m,s.t.u_ki,v_ij≥0 (2)；

这里，Y的列向量表示训练样本初始特征，即Y＝[Y₁ Y₂…Y_m]，m为训练样本个数，U的列向量表示特征基向量，V的列向量表示分解系数，1≤k≤n，1≤i≤r，1≤j≤m；进而获得目标函数，如式(3)所示；

2.1)特征基加权约束；

将不同的特征基分配不同的权重系数，目标函数改进为式(4)；

式中：U为基向量矩阵，Z为权重矩阵，V为系数矩阵；

2.2)权重稀疏性约束；

对权重矩阵Z加以稀疏性约束，从而目标函数改进为式(5)；

等价于求解矩阵Z的2范数，目标函数改进为式(6)；

2.3)聚类属性约束；分解后同一类别的车脸特征应该尽可能相似，而不同类别的车脸特征应具有较大差异性，将目标函数进一步改进为式(7)；

式中：f_a(V)与f_e(V)分别为特征类内相似性与特征类间区分性的测度；

f_a(V)＝||V-VA||₂ (11)；

f_e(V)＝||VA-VB||₂ (15)；

式中：i＝1,2,...,c，这里，d_i为Y中第i类车脸样本数目，c为车脸样本类别数目；

综上：目标函数(7)进一步改进为式(16)，最优分解结果通过式(17)求得；

其中，式(17)的求解是通过不断迭代优化获得的；

3)特征降维；

假设车脸图像的初始特征向量为Y_q，基于提出的加权非负矩阵分解方法，对初始特征Y_q进行降维处理，形成新的特征向量V_q，如式(18)所示；

V_q＝((U^*Z^*)^TU^*Z^*)^-1(U^*Z^*)^TY_q (18)；

4)特征比对；

分别给出两幅车脸图像，经过初始特征提取与降维后，得到它们的特征向量V_i和V_j，此外，给出相似度阈值g；如果两个特征向量的相似性度量d(V_i,V_j)大于阈值g，表明两幅车脸图像代表同一类车；反之，则代表不同类车；这里，特征相似性计算如式(19)所示；

2.根据权利要求1所述的一种基于加权非负矩阵分解的套牌车辆检测方法，其特征在于下列步骤：

所述的式(17)的求解具体迭代过程如下：

Step 1:给定训练样本，并提取每一样本的初始特征向量，所有样本特征向量按列罗列，形成矩阵Y；此外，给出平衡因子α与β；

Step 2:给定初始化矩阵U⁽⁰⁾，V⁽⁰⁾，Z⁽⁰⁾，矩阵所有元素均在0与1之间，设置最大迭代次数n_max，迭代误差阈值e，计数器初始化t＝0；

Step 3:计数器自增t＝t+1；

Step 4:求解式(16)的值J(U^(t),V^(t),Z^(t))；

如果J(U^(t),V^(t),Z^(t))e或tn_max，则进入Step 6；

否则进入Step.5；

Step 5:对U，Z，V中所有元素按一下规则进行迭代；

迭代后进入Step 3；

Step 6:迭代结束，得到最优解U^*，V^*，Z^*。