摘 要: 用決策導(dǎo)向非循環(huán)圖支持向量機(jī)研究了汽車車型的識(shí)別。運(yùn)用圖像像素相減的差分方法去除背景,,獲取車對象,;然后對圖像進(jìn)行均值濾波,以除去噪聲干擾,,再對圖像用“分水嶺”變化的閾值方法,,獲取車的二值圖像;最后提取車的幾何形狀特征,,并將其輸入DDAG支持向量機(jī)進(jìn)行訓(xùn)練和識(shí)別,,以實(shí)現(xiàn)對車型分類的目的。
關(guān)鍵詞: 幾何特征,;DDAG SVM分類器,;車型識(shí)別
隨著社會(huì)的發(fā)展,車輛越來越多,,交通變得非常繁忙,,城市對于公路和交通的管理已成為一個(gè)很重要的問題。交通管理部門要實(shí)現(xiàn)現(xiàn)代化的科學(xué)管理,,必須依靠交通管理系統(tǒng),。汽車是交通系統(tǒng)管理中的主要對象,能否自動(dòng)識(shí)別汽車類型成為對公路和交通實(shí)現(xiàn)現(xiàn)代化管理的關(guān)鍵[1],。
現(xiàn)實(shí)中種類繁多的汽車,,需要實(shí)用而有效的車輛分類方法。SVM作為一種新的學(xué)習(xí)分類方法,,目前在人臉識(shí)別,、對象分類等領(lǐng)域得到了很好的應(yīng)用[2]。本文應(yīng)用一種基于DDAG SVM建立分類識(shí)別模型的車型識(shí)別方法進(jìn)行車型分類,。
1 信息獲取和特征值提取
1.1 車對象獲取
在分類前應(yīng)先獲取一幅如圖1所示的純背景圖像,,再獲取到如圖2所示的同一背景下的車輛圖像后,就可以將兩幅圖像進(jìn)行逐像素“相減”,。背景減法[1],,是將圖像中當(dāng)前幀圖像和背景幀圖像進(jìn)行背景消除,所得差值(圖像中的灰度值)若大于設(shè)定的閾值,,則判斷為運(yùn)動(dòng)對象目標(biāo),,如圖3所示;否則即為背景,。通過對稱比較圖3與對象原始圖2,,存儲(chǔ)圖3中像素點(diǎn)對應(yīng)的圖2中的顏色值,并進(jìn)行截取,,得到圖4所示的對象,,即為差分提取得到的車對象圖像,。此方法提取的目標(biāo)圖像可以克服因攝像機(jī)位置移動(dòng)和光線微弱變化帶來的影響。
1.2 圖像預(yù)處理
由于圖像在攝取過程中常會(huì)受到噪聲干擾,,原本均勻的灰度突然變大或變小,,使得圖像的后續(xù)處理引入誤差。而均值濾波[2]可以去除背景中的這些干擾,。其處理步驟如下:
(1)設(shè)置模板大小,選取在灰度圖像f中以(x,,y)為中心的5像素×5像素的窗口,,濾波次數(shù)為兩次。
(2)使模板在圖像中的每個(gè)像素上移動(dòng),,并使模板中心與該像素位置重合,。
(3)若平均灰度為a時(shí),令f(x,,y)=a,。
(4)把被處理點(diǎn)的某一臨域中所有像素灰度的平均值作為該點(diǎn)灰度的估計(jì)值,則其預(yù)處理后的圖像如圖5所示,。
1.3 圖像分割
預(yù)處理后的圖像中所包含的灰度信息比較多,,還不能容易地進(jìn)行車型識(shí)別,需要將圖像轉(zhuǎn)化為二值圖像,。由于圖像灰度直方圖形狀是多變的,,對預(yù)處理的汽車圖像,不同的目標(biāo)區(qū)域和背景區(qū)域中,,同一區(qū)域內(nèi)的像素,,在位置和灰度級(jí)上同時(shí)具有較強(qiáng)的一致性和相關(guān)性。因此,,本文選用基于“分水嶺”變化的閾值化方法[1],,按以下4個(gè)步驟完成圖像的分割。
(1)用修正過的開,、閉算子進(jìn)行濾波,,消除圖像的亮斑或暗斑,并保持物體的邊界,。
(2)確定同質(zhì)區(qū)域,,同時(shí)為區(qū)域做標(biāo)記。
(3)以區(qū)域標(biāo)記為種子,,用類似于區(qū)域生長的分水嶺算法進(jìn)行區(qū)域分割,。
(4)進(jìn)行分割質(zhì)量評價(jià),確定區(qū)域是否需要繼續(xù)分割,,直至轉(zhuǎn)化為二值圖像,。
原圖像經(jīng)過閾值分割之后,,突出了汽車圖像,其效果如圖6所示,。車身對象被置為“1”,,其他均置為“0”,極大地方便了后期的車型識(shí)別,。
1.4 圖像特征提取
物體的形狀特征對物體的識(shí)別有重要作用[3],。本文選擇的對象形狀特征有:高度、寬度,、車頂寬度,、周長、面積等,。由于這些基本參數(shù)大多是一些絕對特征,,不能直接用來分析,需要轉(zhuǎn)換成相對值,,本文轉(zhuǎn)化為頂長比(頂蓬長度與車輛高度之比),、頂高比(頂蓬長度與車輛高度之比),前后比(以頂蓬中垂線為界,,前后兩部分之比)和占空比(對象目標(biāo)的面積與此對象最小外接矩形的面積之比),。實(shí)驗(yàn)結(jié)果部分特征數(shù)據(jù)如表1所示。
2 支持向量機(jī)與非線性分類
2.1 SVM思想
支持向量[3]是指那些距離此最優(yōu)分類面最近的訓(xùn)練樣本,。支持向量機(jī)[4]SVM(Support Vector Machine)是20世紀(jì)90年代形成的一種新的模式識(shí)別方法,,它將待解決的模式識(shí)別問題轉(zhuǎn)化為一個(gè)二次規(guī)劃尋優(yōu)問題,理論上保證了全局最優(yōu)解,,避免了局部收斂現(xiàn)象,。SVM的主要思想是把非線性可分的數(shù)據(jù)通過某一變換映射到高維線性空間。
2.2 基于DDAG SVM的非線性分類
在本文中由于車的特征比較多,,采用決策導(dǎo)向非循環(huán)圖法DDAG[5](Decision Direct Acyclic Graph),,對于n類問題,DDAG方法用一對一的訓(xùn)練方式進(jìn)行分類器的構(gòu)造,,即得n(n-1)/2個(gè)兩類的SVM分類器,。如圖7所示,本文采用SVM的分類器結(jié)構(gòu)共有4(4-1)/2個(gè)節(jié)點(diǎn)和4個(gè)葉子,,即需6個(gè)分類器,,實(shí)現(xiàn)多類目標(biāo)分類,將一輛車的特征值歸于一類或幾類,。
需要注意的是,,此方法中根部節(jié)點(diǎn)分類器的作用很關(guān)鍵,因?yàn)楦?jié)點(diǎn)的分類結(jié)果直接影響到下面的路徑,,乃至最終的分類結(jié)果,,選用不同的根節(jié)點(diǎn)分類器可能會(huì)產(chǎn)生不同的分類路徑,。
該支持向量機(jī)的具體實(shí)驗(yàn)步驟如下:
針對實(shí)際問題,根據(jù)分析所涉及對象具有的特征屬性及對象之間差異性,,假設(shè)以字母A,、B、C,、D分別代表轎車,、面包車、公交車和卡車的類別符號(hào)(其中符號(hào)“~”表示“非”),,分類過程的結(jié)構(gòu)如下:
(1)利用DDAG-SVM法構(gòu)造多個(gè)分類器對車輛大類別內(nèi)的各子類別進(jìn)行區(qū)分,,其中選取形狀差異較大的轎車(A)和卡車(D)作為此層的根節(jié)點(diǎn),以盡量減小分類誤差的積累,。
(2)再把轎車(A)、公交車(C)作為根節(jié)點(diǎn)的一個(gè)子節(jié)點(diǎn),,面包車(B),、卡車(D)作為另一個(gè)子節(jié)點(diǎn)。
(3)進(jìn)一步劃分為A/B,、B/C,、C/D 3個(gè)節(jié)點(diǎn),即3個(gè)分類器,。
(4)依次區(qū)分出轎車,、面包車、公交車和卡車,。
3 實(shí)驗(yàn)分析
本文用MATLAB7.0進(jìn)行仿真實(shí)驗(yàn),,主要選取轎車、面包車,、公交車和卡車作為車輛分類圖像模式比對的實(shí)驗(yàn)類型,,選取了280個(gè)樣本(每類平均70個(gè)),其中160個(gè)用于訓(xùn)練,,120個(gè)用于測試,。首先,構(gòu)造了相應(yīng)的SVM分類器,,提取了180張車圖像的特征值作為訓(xùn)練集,,獲取了最優(yōu)分類面;然后,,將剩余的120張汽車圖像按照同樣的過程進(jìn)行特征值提取,,再在訓(xùn)練好的支持向量機(jī)上進(jìn)行分類,所得到的分類結(jié)果如表2所示,,神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果如表3所示,。
結(jié)果表明,,與神經(jīng)網(wǎng)絡(luò)方法相比,DDAG SVM是一種對多類車進(jìn)行分類切實(shí)可行的有效方法,,不但分類精度高,,而且識(shí)別效果也比較好。
為了解決對多類車的分類,,本文提出了一種基于DDAG SVM對多種車型分類的方法,,實(shí)驗(yàn)結(jié)果證明,DDAG SVM是一種對多類車進(jìn)行分類切實(shí)可行的有效方法,。由于實(shí)驗(yàn)中選用的車輛圖片是以正側(cè)面為主,,與現(xiàn)實(shí)中任意方位角的車輛相比,還只是較特殊的一類,,要具有普遍性,,還得進(jìn)一步繼續(xù)深入研究。
參考文獻(xiàn)
[1] 張兆楊,,楊高波,,劉志.圖像分割提取的原理與應(yīng)用[M].北京:科學(xué)出版社,2009.
[2] 王耀南,,李樹濤,,毛建旭.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)[M].北京:高等教育出版社,2001.
[3] 王立國.支持向量機(jī)多類目標(biāo)分類器的結(jié)構(gòu)簡化研究[J].中國圖像圖形學(xué)報(bào),,2005,,10(5):571-574.
[4] LI S, JKWOK T,, ZHU H,, et a1. Texture classification using the support vector machines[J]. Pattern Recognition, 2003,,36(13):1888-1890.
[5] PLATT J. How to implement SVMS[J]. IEEE Inteligent System,, 2006,40(2):1578-1582.