本發(fā)明一種基于FHOG特征和Linear SVM的車型識別方法，設(shè)計圖像處理，機器視覺，模式識別等領(lǐng)域。

背景技術(shù)：

車型識別是智能監(jiān)控領(lǐng)域中的關(guān)鍵技術(shù)，基于計算機視覺的車型識別技術(shù)是利用車輛圖像的各項特征，主動的識別車輛目標(biāo)的車型、品牌和型號；基于HOG特征和SVM的目標(biāo)識別技術(shù)已比較成熟，但是HOG特征計算量大，特征維數(shù)較高，另外隨著各種新的車系不斷出現(xiàn)，一個較全面的車型數(shù)據(jù)庫中的數(shù)據(jù)量必然十分龐大，如此一來，對于采用非線性核函數(shù)的SVM分類器來說，其訓(xùn)練和識別速度都無法滿足實時性要求。

技術(shù)實現(xiàn)要素：

本申請的目的在于提供了一種基于FHOG特征和Linear SVM的車型識別方法，其特征在于，包括步驟：a)車輛檢測與車牌檢測，確定車輛目標(biāo)區(qū)域和車牌目標(biāo)區(qū)域；b)填充車牌區(qū)域，將整個車牌區(qū)域用車牌背景色填充；c)提取車輛FHOG特征，構(gòu)建特征矩陣；d)將FHOG特征矩陣按列展開構(gòu)建FHOG特征向量；e)利用FHOG特征向量和訓(xùn)練好的LinearSVM識別目標(biāo)車輛。

優(yōu)選地，所述步驟a的車輛檢測與車牌檢測方法為將背景建模與AdaBoost檢測相結(jié)合。

優(yōu)選地，所述步驟c中構(gòu)建特征矩陣的方法為：

c1)分別用梯度算子[-1,0,1]和[-1,0,1]^T對m×n的輸入圖像做卷積運算，得到x,y方向上的梯度分量G_x(x,y),G_y(x,y)，并計算梯度幅值M(x,y)和相角θ(x,y)，若輸入圖像為多通道圖像，則取幅值最大的梯度值作為該點的梯度；

c2)將圖像分割成若干個邊長為s的正方形cell；

c3)將相角區(qū)間映射為[0,π]，分割為b個bin，利用三線性插值計算每個cell的梯度方向直方圖，將直方圖數(shù)據(jù)存為(m/s)×(n/s)×b的矩陣C₁，矩陣元素C₁(i,j,k)表示第i行第j列個cell中第k個bin的值；

c4)將相角區(qū)間映射為[0,2π]，分割為2b個bin，利用三線性插值計算每個cell的梯度方向直方圖，將直方圖數(shù)據(jù)存為(m/s)×(n/s)×(2b)的矩陣C₂，矩陣元素C₂(i,j,k)表示第i行第j列個cell中第k個bin的值；

c5)構(gòu)建(m/s)×(n/s)×(3b+4)的FHOG特征矩陣F：

其中N_o,p,q(i,j,k),o∈{1,2},p,q∈{-1,1}表示矩陣C_o,o∈{1,2}在位置(i,j,k)處的歸一化因子，定義為

T_α(υ)表示參數(shù)為α的截斷函數(shù)，其定義為

優(yōu)選地，所述步驟e中LinearSVM訓(xùn)練所用目標(biāo)函數(shù)為：

其中ω是分類器的系數(shù)，T表示轉(zhuǎn)置，表示分類器的分類誤差，y_i∈{0,1}為第i個訓(xùn)練樣本的類別標(biāo)簽，C為懲罰因子，表示對分類誤差的重視程度。

應(yīng)當(dāng)理解，前述大體的描述和后續(xù)詳盡的描述均為示例性說明和解釋，并不應(yīng)當(dāng)用作對本發(fā)明所要求保護內(nèi)容的限制。

附圖說明

參考隨附的附圖，本發(fā)明更多的目的、功能和優(yōu)點將通過本發(fā)明實施方式的如下描述得以闡明，其中：

圖1示出了根據(jù)本發(fā)明的一種基于梯度方向直方圖特征的車型識別方法的流程圖。

具體實施方式

通過參考示范性實施例，本發(fā)明的目的和功能以及用于實現(xiàn)這些目的和功能的方法將得以闡明。然而，本發(fā)明并不受限于以下所公開的示范性實施例；可以通過不同形式來對其加以實現(xiàn)。說明書的實質(zhì)僅僅是幫助相關(guān)領(lǐng)域技術(shù)人員綜合理解本發(fā)明的具體細節(jié)。

在下文中，將參考附圖描述本發(fā)明的實施例。在附圖中，相同的附圖標(biāo)記代表相同或類似的部件，或者相同或類似的步驟。

如圖1所示，本發(fā)明提供的一種基于FHOG特征和Linear SVM的車型識別方法的實施步驟為：

步驟110：利用背景建模和目標(biāo)檢測相結(jié)合的方法進行車輛檢測和車牌檢測，確定車輛目標(biāo)和車牌目標(biāo)所在區(qū)域；

根據(jù)本發(fā)明的一個實施例，所述步驟a的車輛檢測與車牌檢測方法為將背景建模與AdaBoost檢測相結(jié)合。

步驟120：為了減小車牌字符的影響，將車牌區(qū)域用車牌背景色填充。

步驟130：提取車輛圖像特征，構(gòu)建FHOG特征矩陣,其步驟為：

步驟131：分別用梯度算子[-1,0,1]和[-1,0,1]^T對m×n的輸入圖像做卷積運算，得到x,y方向上的梯度分量G_x(x,y),G_y(x,y)，并計算梯度幅值M(x,y)和相角θ(x,y)，若輸入圖像為多通道圖像，則取幅值最大的梯度值作為該點的梯度

步驟132：將圖像分割成若干個邊長為s的正方形cell；

步驟133：將相角區(qū)間映射為[0,π]，分割為b個bin，利用三線性插值計算每個cell的梯度方向直方圖，將直方圖數(shù)據(jù)存為(m/s)×(n/s)×b的矩陣C₁，矩陣元素C₁(i,j,k)表示第i行第j列個cell中第k個bin的值；

步驟134：將相角區(qū)間映射為[0,2π]，分割為2b個bin，利用三線性插值計算每個cell的梯度方向直方圖，將直方圖數(shù)據(jù)存為(m/s)×(n/s)×(2b) 的矩陣C₂，矩陣元素C₂(i,j,k)表示第i行第j列個cell中第k個bin的值；

步驟135：構(gòu)建(m/s)×(n/s)×(3b+4)的FHOG特征矩陣F：

其中N_o,p,q(i,j,k),o∈{1,2},p,q∈{-1,1}表示矩陣C_o,o∈{1,2}在位置(i,j,k)處的歸一化因子，定義為

T_α(υ)表示參數(shù)為α的截斷函數(shù)，其定義為

步驟140：將FHOG特征矩陣按列展開構(gòu)建FHOG特征向量；

步驟150：利用FHOG特征向量和訓(xùn)練好的LinearSVM識別目標(biāo)車輛。

根據(jù)本發(fā)明的一個實施例，所述步驟e中LinearSVM訓(xùn)練所用目標(biāo)函數(shù)為：

其中ω是分類器的系數(shù)，T表示轉(zhuǎn)置，表示分類器的分類誤差，y_i∈{0,1}為第i個訓(xùn)練樣本的類別標(biāo)簽，C為懲罰因子，表示對分類誤差的重視程度。

FHOG特征與傳統(tǒng)HOG特征相比，特征維數(shù)大大降低，在識別效果相當(dāng)?shù)那闆r下顯著提高了識別速度；采用線性核函數(shù)構(gòu)建的Linear SVM分類器由于不需要對特征進行非線性映射，訓(xùn)練和識別效率較高，而且實驗表明，在大容量數(shù)據(jù)庫上，采用線性核函數(shù)和采用非線性核函數(shù)的識別效果相差甚微。

結(jié)合這里披露的本發(fā)明的說明和實踐，本發(fā)明的其他實施例對于本領(lǐng)域技術(shù)人員都是易于想到和理解的。說明和實施例僅被認為是示例性的，本發(fā)明的真正范圍和主旨均由權(quán)利要求所限定。