[发明专利]基于多特征融合的车型分类方法

摘要

本发明涉及一种基于多特征融合的车型分类方法。其步骤为(1)对视频中的车辆进行检测并定位与分割；(2)对分割出的车辆图像进行形态学处理，并提取出车辆图像的三种特征进行有效融合；(3)利用支持向量机对融合特征进行训练形成车型分类器，对实时视频中的车辆进行有效分类。与现有技术相比，本发明可以降低所提取的特征的经验性成分，使得特征提取理论依据更加充足，从而可以提高车型分类的效果。

主权项

基于多特征融合的车型分类方法，其特征在于，该方法包括：步骤1：输入实时视频，对车辆进行检测；步骤2：对检测到的车辆进行定位与分割；步骤3：对提取出的车辆图像进行形态学预处理；步骤4：提取车辆图像的三种特征，对三种特征进行有效融合；步骤5：利用支持向量机对所提取出的融合特征进行训练，生成车型分类器；步骤6：利用车型分类器对实时视频中的车辆进行识别与分类；所述的步骤1利用虚拟线圈进行车辆检测，当视频中检测到车辆时作后续处理；所述的步骤2利用寻找连通域的方法定位到车辆所在位置，利用三帧差法对车辆图像进行分割与提取；所述的步骤3针对所提取的不同特征类型对车辆图像作不同规格的形态学预处理，包括以下步骤：步骤3‑1：针对传统的特征提取，只需对图像进行大小归一化，以及高斯平滑去噪处理；步骤3‑2：针对深度信念网络所提取的特征，在图像大小归一化的基础之上需要对图像的像素值按照公式：x_i^′＝(x_i‑x_min)/(x_max‑x_min)归一化至0～1之间；所述的步骤4提取车辆图像三种类型的特征包括以下步骤：步骤4‑1：提取车辆图像的三层金字塔梯度方向直方图特征；首先提取车辆图片第一层HOG特征，利用两个滤波器(1 0 ‑1)和(1 0 ‑1)T对图片进行水平和垂直方向滤波，得到图像水平和垂直方向的梯度，根据图像中各点在水平和垂直方向上的梯度值DXi,DYi计算出各点梯度的幅值Di和方向θi；将各点的梯度方向归并量化为有限个方向，由于θi∈(‑п/2,п/2)，设定每18度为一个区域，共10个区域，得到一层HOG特征的10维向量；然后提取车辆图片第二层HOG特征，将图像平均划分为4个区域，每个区域提取10维的HOG特征向量，共40维；最后提取车辆图片第三层HOG特征，得到160维的HOG特征向量；三层HOG特征向量总计210维；步骤4‑2：提取车辆图像的基于LBP算子的边缘方向直方图特征；首先利用LBP算子提取车辆的边缘信息，然后利用Sobel算子，计算边缘方向的水平梯度Dx和垂直梯度Dy:Dx＝f(x‑1,y+1)+2f(x,y+1)+f(x+1,y+1)‑f(x‑1,y‑1)‑2f(x,y‑1)‑f(x+1,y‑1)Dy＝‑f(x‑1,y‑1)+f(x+1,y‑1)‑2f(x‑1,y)+2f(x+1,y)‑f(x‑1,y+1)+f(x+1,y‑1)边缘方向：θ(x,y)＝acrtan(Dy/Dx)θ(x,y)∈(‑π/2,π/2)将边缘方向归并量化为有限个方向，设定每18度为一个方向，即共有10个方向；通过对边缘方向直方图的计算，可以得到车辆图片的一个10维的特征向量；加上非边缘的一维向量，共11维特征向量；步骤4‑3：利用深度信念网络深度挖掘出车辆图像底层像素的高阶特征描述符；步骤4‑4：对提取的三种特征进行有效融合；所述的步骤5利用支持向量机对大量的车辆图片样本特征进行训练，得到车型分类器；所述的步骤6利用训练完成的车型分类器对实时视频中的车辆进行识别与分类，得到最终的分类结果。