[发明专利]一种基于HOG特征和MB-LBP特征的SVM车辆轴数检测方法

权利要求书

1.一种基于HOG特征和MB-LBP特征的SVM车辆轴数检测方法，其特征在于，包括以下步骤：

(a)搭建基于视觉的车辆轴数轴距测量系统；

(b)采集样本图像，其中分别拍摄轮胎图像和非轮胎图像作为正样本和负样本(正样本和负样本下面统称为样本)；

(c)提取出样本的HOG特征向量；

(d)提取出样本的MB-LBP特征向量；

(e)将样本的HOG特征向量和MB-LBP特征向量融合为样本最终的特征向量；

(f)将最终的特征向量作为SVM的训练样本对SVM进行训练，得到轮胎识别的SVM模型；

(g)拍摄待检测车辆的轮胎图像，利用训练好的SVM模型识别出轮胎并统计出车辆的轴数。

2.如权利要求1所述的基于HOG特征和MB-LBP特征的SVM车辆轴数检测方法，其特征在于，所述步骤(a)搭建基于视觉的车辆轴数轴距测量系统具体为在车辆侧面架设一台相机用以拍摄轮胎图像，并在车辆前方架设位置检测相机用以确定车辆位置。

3.如权利要求1所述的基于HOG特征和MB-LBP特征的SVM车辆轴数检测方法，其特征在于，所述步骤(b)采集样本图像时具体为正负样本各采集3300张图片，正样本为不同光照和不同天气情况下的轮胎图像，负样本为车辆除轮胎外的其余部位和行人等易出现在检测视频中的图像。

4.如权利要求1所述的基于HOG特征和MB-LBP特征的SVM车辆轴数检测方法，其特征在于，所述步骤(c)提取样本的HOG特征向量时具体包括以下步骤：

(c1)图像处理。将样本图片转换成64×64大小的灰度图，并利用公式Y(x，y)＝I(x，y)^γ(γ＝0.4)对灰度图进行伽马变换，减小阴影和光照对图像的影响；

(c2)梯度计算：计算图像中每一点的梯度值和梯度方向，首先通过以下公式计算像素点(x，y)的梯度，其水平梯度值G_x和垂直梯度值G_y的值为：

G_x(x，y)＝I(x+1，y)-I(x-1，y)

G_y(x，y)＝I(x，y+1)-I(x，y-1)，

根据水平梯度值G_x和垂直梯度值G_y求出梯度值：

并求出梯度方向θ(x，y)：

(c3)为图像单元构建梯度方向直方图：将图像划分成若干相邻的8×8图像单元，然后对每个图像单元内的梯度方向进行统计构建梯度方向直方图，该直方图的变量为梯度方向，范围为0-180°，组距为10°；频数为梯度值，即当某一像素的梯度方向落在某一分组上时该分组的频数增加该像素的梯度值，以梯度方向直方图的频数作为最终结果，每一个图像单元得到一个18维的梯度方向向量(d₁，d₂...d₁₇，d₁₈)，d_i为每个分组的频数；

(c4)将图像单元组合成图像块：图像块大小为16×16，则每个图像块由4个图像单元组成，将每个图像块内四个图像单元的梯度方向向量串联成一个72维的梯度方向向量(d₁，d₂...d₇₁，d₇₂)作为该图像块的梯度方向向量，并除以该向量的模进行归一化处理；将搜索步长设置维8个像素，将样本图像的所有图像单元合并成图像块并计算出每个图像块的归一化梯度方向向量；

(c5)串联所有图像块的梯度方向向量：将样本图像的所有图像块梯度方向向量串联成最终的HOG特征向量；根据图像大小为64×64，图像单元为8×8，图像块为16×16以及搜索步长为8，每个样本图像得到一个3528维的HOG特征向量。