基于的汽车车型识别

基于ＳＶＫＳ的汽车车型识别
表１．部分车辆的特征提取数据表
ＴａｂＩｅ Ｉ Ｄａｔａ ｔａｂＩｅ ｏｆ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ
ａｏｎｌｌｅ
ｖｅｈｉｃＩｅ
名称
轿车
顶高比
１．５５３６ １．１２５８ １．４８７３ １．０７５４ ２．３０５５
顶长比
０．３９６８
前后比
ｌ－００３６ １．２３４８ １．４２０１ ０．８９６７ ０．９９６５
Ｒｅｃｏｇｎｉｔｉｏｎ，２００３。
ＳＶＭＳ阴．臃Ｉｎｔｅｌｉｇａａｔ
ｘ∈Ｐ，ｎ，ｙ
Ｅ
Ｉ—ｌ，１ｌ，满足），ｉ［（ｗ Ｘ锄＋ｂ】一１≥ｏ（ｉ＝１，２，…，聊满足上式且使分类间隔２／ｌｌｗｌｌ最大的那个
分类面就叫做最优分类面．
２．２基于ＳＶＭＳ的分类
本文在提取车的特征的基础上，采用基于支持向量机组［５】的方法从图像底层特征得到其高层特 征，实现多类目标分类，将一辆车的特征值归于一类或几类。本文采用ＳＶＭＳ的模型图见图３：
卡车０．４０１４
０．４４１４
卡车０．５０４９ 卡车０．２０２４
２支持向量机的非线性可分问题
２．１非线性ＳⅧ思想 支持向量机［４］（Ｓｕｐｐｏｒｔ 收敛现象。
Ｖｅｃｔｏｒ
Ｍａｃｈｉｎｅ，ＳＶ旧是２０世纪９０年代形成的一种新的模式识别方法，
它将待解决的模式识别问题转化为—个二次规划寻优问题，理论上保证了全局最优解。避免了局部 在本文中由于车的特征比较多，此问题不可用线性可分的方式来处理，于是我们可以用核函数 Ｋ伍，ｘ）实现非线性变换，将线性不可分问题转化为另一个高维空间中的线性可分问题，并在高维空 间中寻求最优分类面。设输人的模式集合ｆｘｉ｝由两类点组成，如果ｘｉ属于第一类，则ｙｉ＝１；如果ｘｉ属 于第二类，则）ｒｉ—ｌ，则训练样本集为｛虹，ｙｉ ｌ；ｉ－ｌ，２，…Ｉｌ＇
第卷 年 文章编号：
第期 月
２００ቤተ መጻሕፍቲ ባይዱ年云南省研究生学术论坛论文集
Ｖ０１．Ｎｏ．
ＮＯＶ．
基于ＳＶＭＳ的汽车车型识别
吕凤花， 李勃，李红伦
（昆明理工大学信息工程与自动化学院，昆明６５００５１） 摘要・本文研究了—种支持向量机组的汽车车型识别。其过程首先运用图像像素相减的差分方法去除背景， 获取车的轮廓信息；然后对图像进行均值滤波，以除去噪声干扰；再选用“分水岭”变化的阈值方法获取车的二 值图像，最后，提取车的几何特征，并将其输入支持向量机组进行训练和识别，以实现对车型分类的目的。实验
ａ
ＳＶＭＳ ｔｏ ｃｌａｓｓｉｆｙ ｖｅｈｉｃｌｅ，ｉｎ ｏｒｄｅｒ ｔｏ ｒｅａｌｉｚｅ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆｖｅｈｉｃｌｅ ｔｙｐｅ．Ｔｈｅ
ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗｅｄ
ｔｈａｔ
ｔｈｅ ｍｅｔｈｏｄ ｂａｓｅｄ
ｏｎ ＳＶＭＳ ｃｍ
ｐｒａｃｔｉｃａｌ
ｄｉｓｔｉｎｇｕｉｓｈ ｔｈｅ ｃｏｒｒｅｃｔ ｍｏｄｅｌ ｗｉｔｈ ｈｉｇｈ ａｃｃｕｒａｃｙ ｔｏ ｓｕｐｐｏｒｔ
１８Ｓ
基于ＳＶＭＳ的汽车车型识别
本，而将其他的样本作为负的训练样本。 （２）对给定的—个特征类舢属于Ｔ，构造其ＳＶＭ分类器，则其两类分类问题中的训练集可表 示为Ｖ＝｛（ｘｌ，ｙ１），（】匕，ｙ动……（】【ｌ【，ｙｋ｝，其中ｋ为支持向量机中的训练样本的数目。若扣＝ｌ，则表示ｘｉ Ｅ类Ａｉ；若ｙｉ一＿１，则表示ｘｉ类Ａｊ
豫图像经过固值分割之后，突出了汽车图像，转化为了二值图像，其效果见Ｅ罔３＋乍身对象被
置为…ｔ，其Ｅ均置为…０，极人的方便了肝瑚的车ｊ“识别。
１
４特征提取
现代汽车种类繁多，汽车的相关参数也较多，要抽取哪些特征进行乍型识别和分类，关系到识 别和分娄的准确度ｆ２１：丰文所选取的乍的特征为顶长比、顶宽比，前后比。顶妊比就是顶连长度与 车辆高度之比．顶高比就是顶篷＆度＋Ｊ车辆高度之比，前后比就是Ｕ顶蓬巾垂线为界，前后曲部分 之比。实验结果巾部分特征数据见发１
ａｐｐｌｉｃａｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：Ｇｅｏｍｅｔｒｉｃａｌ ｆｅａｔｕｒｅｓ；ＳＶＭＳ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；Ｖｅｈｉｃｌｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ
随着社会的发展，城市车辆越来越多，交通运输变得非常繁忙，对于公路、城市交通，特别是 交通要塞的科学管理成为—个很重要的问题，交通管理部门需要实现现代化的科学管理，必须依靠 交通管理系统。其中汽车是交通系统管理中的主要对象，能否自动识别汽车类型成为对公路和交通 实现现代化管理的关键。 针对现实中车的种类繁多，需要使用有效的车辆分类方法，本文提出了一种基于支持向量机组
带Ｖ
图４
ｂｖＪｔ．３ＴＴ类器
Ｆｉｇｕｒｅ ３ ＳＶＭＳ
ｃｌａｓｓｉｆｉｅｒ
该支持向量机组的具体实验步骤如下：
（１）设库中所有图像共有３类：轿车、客车、卡车，记为Ｔ＝｛ＡＩ，Ａ２，Ａ３｝，对３类图像构造 ３个ＳＶＭ两分类器，记为Ｍ＝｛Ｎ１，Ｎ２，Ｎ３ｌ，第ｉ个ＳＶＭ两分类器用第ｉ类中的样本作为正的训练样
表明，该方法能够正确的区分车型，准确率较高，是—种可以支持实际应用的有效方法。
关键词ｌ几何特征；ＳＶＭＳ分类器；汽车车型识别 中图分类号： 文献标识码，
Ｖｅｈｉｃｌｅ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｂａｓｅｄ
ｏｎ
ＳＶＭＳ
Ｌｖ Ｆｅｎｇ－ｈｕａ，Ｌｉ Ｂｏ，Ｌｉ Ｈｏｎｇ—ｌｕｎ （Ｆａｃｕｌｔｙ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，Ｋｕｎｍｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｋｏｎｍｉｎｇ，６５００５ １，Ｃｈｉｎａ）
作者简介・吕凤花。昆明理工大学．
像的差分处理原理足指对两口＊输人的阁像进行点埘点的对比相减法，进而得到差分的结 果图像的运算，具体描述为：设ｈｋ计和酏，’ｊ分｛¨为车辆边缘蹰像和背景边缘用像，妣一为
相减后的Ｉ针缘，０代丧暗点灰度值。
，， 、
Ｊ＾（Ｊ，ｙ）一ｇ（一ｖ）＾（Ｊ，Ｙ）’ｇ（ｚ，Ｙ）
０
７‘。’’）２１
Ｆｉｇｕｒｅ ２
ｔｈ ｎｌｔｅｒｅｄ ｌ腑ｇｅ
Ｆｉｇｕｒｅ ３
ｔｈｅ ｂｉｎａｒｙ
１呻ｇｅ
３二值化处理
罔像预处理后，图像中所包含的灰度信息还比较多，还不能容易的进行车型识别，需要对图像 转化为一值图像，由于罔像灰度直方图形状是多变的，对预处理的汽车图像而言．不同的口标区域 和背景区域中，同一区域内的像素，在位置和灰度级上同时具有鞋强的致性和相关性于屉，文
表２．ＳＶ髂ｉＪＩＩ练和测试结果统计表
ＴａｂＩｅ ２ ｓｔａｔｉｓｔｉｃａｌ ｔａｂＩｅ ｏｆ ＳＶＭＳ ｔｒａｉｎｉｎｇ ａｎｄ ｔｅｓｔｉｎｇ ｒｅｓｕＩｔｓ
表３神经网络的实验结果
Ｔａｂｌｅ ３ ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａＩ ｒｅｓｕＩｔｓ ｏｆ ｎｅｕｒａＩ ｒｅｓｕＩｔｓ
Ｉ Ｉ
车的种类 识别率％
用的车辆图片是以正侧面为主，与现实中任意方位角的车辆相比，还只是较特殊的一类，要具有普
遍性，还得做继续深入的研究。另外，有些车辆比较相近，用这些特征还不足以对其分类，比如说 客车和公交车，需要进一步细分所提取的特征类。
参考文献
［１］张兆杨。杨高波，刘志．图像分割提取的原理与应用．［Ｍ］．２００９，３．７－８，２０－２１． ［２］王耀南，李树涛。毛建旭．计算机图像处理与识别技术．ＣＭ］．２００１，６．２５６－２５８． ［３】王立国．支持向量机多类目标分类器的结构简化研究［Ｊ］．中国图象图形学报，２００５．１０（５）：５７１—５７４． ［４】ＬＩＳ。Ｊ ＩＯｒＯＫ Ｔ． Ｚ叫Ｈ ｅｔ ａ１．Ｔｅｘｔｕｒｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ ｔｈｅ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ［Ｊ］．Ｐａｔｔｅｒｎ ３６：２８８－－２８９． 【５】Ｊｏｈｎ Ｐｌａｔｔ．Ｈｏｗ ｔｏ Ｉｍｐｌｅｍｅｎｔ Ｓｙｓｔｅｍ。１９９８．
Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｓｔｕｄｉｅｓ ｖｅｈｉｃｌｅ ｉｍａｇｅ
ａ
ｒｅｃｏｇｎｉｔｉｏｎ
ｂａｓｅｄ
ｏｎ
Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ Ｇｒｏｕｐ．Ｆｉｒｓｔｌｙ，ｉｍａｇｅ
ｐｉｘｅｌ ｓｕｂ廿ａｃ＇ｔｉｏｎ ｔｈｅｏｒｙ ｗ嬲ａｄｏｐｔｅｄ ｔｏ ｏ【ｔｒａｃｔ ｖｅｈｉｃｌｅ．Ｓｅｃｏｎｄｌｙ，ｉｔ ｕ∞ｓ ａｖｅｒａｇｅ ｆｄｔｅｒ ｔｏ ｒｅｍｏｖｅ ｎｏｉｓｅ．Ｔｈｉｒｄｌｙ， ｔｈｒｅｓｈｏｌｄ ｉｓ ｓｅｇｍｅｎｔｅｄ ｂｙ ｕｓｉｎｇ ｔｈｅ”ｗａｔｅｒｓｈｅｄ”ｃｈａｎｇｅｓ ｔｏ ｇｅｔ ａ ｔｗｏ－ｉｍａｇｅ ｃ盯．Ａｔ ｌａｓｔ ｅｘｔｒａｃｔｉｎｇ ｔｈｅ ｆｅａｔｕｒｅ ｖｅｃｔｏｒｓ ｏｆｔｈｅ ｏｂｊｅｃｔ，ｔｈｅｎ ｔｒａｉｎｉｎｇ
ｏ
（３）通过组合特征训练样本集来构造分类器，最大限度地模拟人对车的图像特征的理解。
（４）在图中用ｘｉ－－｛ｘｌ，ｘ２，ｘ３涞表示所提取的车的特征值顶长比，顶高比和前后比。对于支持向
量机Ｎｉ，通过基于ｓｉ个支持向量机的非线性变换将输入空间变换到一个高维空间。 通过中间层节点的线性组合输出ｙｉ，当ｙｉ＝ｌ时表示图像属于Ａｉ；当Ｙ—ｌ时表示图像不属于灿。
轿车
８８．３
客车
８６．９
卡车
８７．９
与神经网络方法比较，实验结果表明，ＳＶＭＳ是一种对多类车进行分类切实可行的有效方法，分 类准确率更高些，识别效果也比较好。 ４结论 为了解决对多类车的分类，本文提出了一种基于ＳＶＭＳ对多种车型分类的方法，实验结果证明 ＳＶＭＳ是一种对多类车进行分类切实可行的有效方法。不过，该实验还存在一些问题，由于实验中选
３实验分析
本文主要选取了客车，轿车和卡车作为车辆分类图像模式比对的实验类型，并把ＳＶＭＳ分类方法 与神经网络方法做对比。实验选取了３００个样本（每类平均１００个）其中１８０个用于训练，１２０个 用于测试；首先构造了相应的ＳＶＭＳ分类器，将提取的１８０张车图像的特征值作为训练集，获取最 优分类面；然后将剩余的１２０张汽车图像，按照同样的过程进行特征提取，再在训练好的支持向量 机上进行分类。所得到的分类结果如下表２所示：
轿车
轿车 轿车 客车
０．３６８７
０．４４４５ ０．２７８４ ０．９３４８
客车 客车
客车 卡车
２．００６８
１．９９６５ １．５９０３
０．８８６９
０．８３２１ ０．７７９８ ０．３９２４ ０．３００９ ０．３ １２９ ０．２９５７
０．９９８７
１．００１２ １．１００５ ，０．４９８９ ０．３３６９ ０．４７８４ ０．５００９
【３】建立分类识别模型的车型识别方法，通过车的顶长比、顶高比、前后比等作为特征量，进行车型
的分类，提高了识别的准确率。 １信息获取和特征值提取
１．１车对象获取
对于现实中的车辆图像，都有一定的背景。所以在分类前应先获取一幅纯背景图像， 再获取到同一背景下的车辆图像（见下图１）后，就可以将两幅图像进行“相减“。图
＾（Ｊ，ｙ）＜ｇ（Ｔ，，）
此种方法提取的Ｈ标图象可以克服摄象机位置移动和光线微弱变化带来的影响
１
２图像预处理
由于图像在摄取过程中常会受到噪声干扰，原本均匀的灰度突然变大或变小．使得图像的后续 处理引＾误差。而均值滤波［１１７—８可以去陈背景中的这些干扰，其处理步骤如下： （１）漫置模板大小，我们选取在灰度图像ｆ中以（ｘ，ｙ）为中心的５ ｐｉｘｅｌ
中选用基于“分水岭”变化的阐值化方法，［１１２０ ２１它按以下４个步骤完成罔像的分割：
ｆ１）用修正过的开、闭算子进行滤渡．消除罔像的亮斑或暗斑，并保持物体的边界。 ∽２确定同质区域，同时为区域做标记。
ｆ３ Ｊ以墨域标记为种子，用类似于区域生长的分水衅算法进行区域分割。
ｆ４）进行分割质壁评价，确定区域是否需要继续分割．直至转化为－值图像。
次数为３次。
ｘ
５
ｐｉｘｅｌ的窗口，滤波
使模板往罔像中的每个像素上移动，并使模板中心与该像素位置重台。
若平均灰度为ａ时，就令“ｘ，计＝ａ
把被垃理点的某一临域中所有像素灰度的平均值作为浚点灰度的估｝１值。滤波后的图像见用２：
誊蘸圆［Ｅ
月１
原目象
ＦＩｇｕｒｅ
Ｉ
ｔｈｅ ｏｒｉ目ｈａｌ
ｌ唧
图２滤波后图像
图３二值图像