进行目标识别，它的作者是法国研宄人员者NavneetDalai和Bill Triggs，发表在2005年的CVPR上，在这篇文章中，他们用这个算法实现了静态图像的行人 检测，HOG通过计算和统计图像局部区域的方向直方图来构成特征，它有点类似边缘方向直 方图，尺度不变特征转换描述子和形状上下文，但是与它们的不同点是，HOG特征是在细胞 单元上进行计算的。
[0029] HOG的简单生成过程如下所示：
[0030] 1)图像归一化；
[0031] 2)计算梯度；
[0032] 3)对每一个小单元（cell)的梯度直方图进行规定权重投影；
[0033] 4)对每一个重叠的大单元（block)内的cell进行对比度归一化；
[0034] 5)把所有块内的直方图向量组合成一个大的hog向量。
[0035](2)、Curv-H特征
[0036] 曲率直方图（CurvatureHistograms,Curv-H)是最新提出来的一种特征描述子， 使用率很高的SIFT特征和前面介绍的Hog是基于方向直方图的，它们简化图像到直线，具 有对局部变形的不变性，但是这个不变性也阻碍了区别一些相似的目标，例如，猫的耳朵和 狗的耳朵基于局部方向的描述符是差不多的，为了克服这些特征的缺点的，Curv-H将方向 直方图延伸到曲线，介绍基于曲率直方图的描述子，它统计猫的耳朵的曲率直方图标量要 大于狗的耳朵的曲率直方图标量，曲率直方图可以在一个更细微的层面区分局部形态。
[0037] (3)、GIST特征
[0038] GIST提取的是图像的全局特征，可以实现快速对场景识别和分类，GIST不涉及图 像的局部信息，只考虑图像的全局特征，因此它代表着图像的空间结构信息，人的眼睛可以 在很短的时间内生成一个全局的场景分类快照，例如，该场景是自然的，还是人工的，是高 楼大厦还是森林大山等等。对于"大街上有些行人"这样场景如果本发明使用局部特征，那 么需要确定图像中是否存在大街、行人等对象，然后判定这些对象是否符合该场景，这样通 过局部特征来一个个判断，对于计算量来说无疑是巨大的，所以本发明需要使用一个宏观 的特征，即全局特征来描述。基于以上原因GIST特征被提出，作为全局特征，一幅图像只能 提取一个GIST特征，这个GIST特征向量主要包括5个维度的信息：
[0039] 1)自然度（DegreeofNaturalness):场景如果包含高度的水平和垂直直线则表 明该场景人工场景比较多，而纹理特征或者轮廓起伏比较明显的则自然场景比较多，所以 边缘具有垂直与水平倾向的自然度低，反之则自然度高。
[0040] 2)开放度（DegreeofOpenness):开放度是根据空间包络来判断的，有开放的，也 有封闭的。
[0041] 3)粗糙度（DegreeofRoughness):粗糙度是根据组成图像成分颗粒的大小来判 断的，粗糙度与场景的分形炜度有关。
[0042] 4)膨胀度（DegreeofExpansion):膨胀度是根据图像中对象对于平行线的收敛 情况来判断的。
[0043] 5)险峻度（DegreeofRuggedness):图像中的对象相对于水平线的偏移。
[0044]步骤2,一级分类器，选取所有图像的某一个比例作为训练样本（本领域技术人员 可自行预设比例取值），记为一级训练样本，剩下的图像作为测试样本，记为一级测试样本。 对一级训练样本图像的三个特征利用SVM进行训练，得到三种分类器，即三个一级分类器。 利用三种分类器对各一级测试样本基于相应特征进行预测。对每一种分类器，每个一级测 试样本均可以得到属于每一类种类的概率，即为软概率。对每个一级测试样本，分别可以得 到HOG-软概率、Curv-H-软概率和GIST-软概率。
[0045] 步骤3,特征融合，把每个一级测试样本在三种一级分类器得到的属于每一类种类 的软概率进行串联，完成三种特征的融合。
[0046] 步骤4,二级分类器，把一级测试样本融合之后的软概率作为特征，从一级测试样 本中按比例取二级训练样本，剩余图像作为二级测试样本，具体实施时可以从一级测试样 本选取和一级分类器中一样的比例作为新的训练样本，剩余图像作为新的测试样本。把融 合之后的软概率作为特征，对二级训练样本特征利用SVM进行训练，得到新的分类器，即二 级分类器，用新的分类器对二级测试样本进行预测，得到二级测试样本图像所属的类别，完 成待预测车标的识别。
[0047] 基于已经训练好的一级分类器和二级分类器，可以对任一待预测车标进行识别。 只需当有新输入的图像时，首先将新的图像作为一级测试样本，利用步骤2所得三种一级 分类器分别对该一级测试样本基于相应特征进行预测，得到该一级测试样本属于一级分类 器中每一类的概率，记为软概率；然后将新的图像在三种一级分类器下得到的软概率进行 串联，把串联之后的软概率作为特征，将新的图像作为二级测试样本，利用新的二级分类器 对该二级测试样本基于相应特征进行预测，得到该二级测试样本所属的类别，完成新的图 像相应车标识别。
[0048] 上述介绍的三种特征，它们都可以用来作为图像分类，但是一般情况下仅仅使用 单一特征并不能满足对于多类图像的分类要求，不同特征之间存在着对于图像表示互补的 关系，自适应的融合多种特征可以获得更高的精确率，正是由于以上原因本发明建立一个 基于多特征融合的两级分类模型框架，融合的过程如图1所示。
[0049] 假设对一幅图像提取出Hog、Curv-H、GIST三个通道的特征分别为f\、f2、f3，通过 第一级分类器后得到三个软概率向量分别为Pl、P2、P3，因为软概率向量包含的是测试样本 属于各个类别的概率分布，在本发明实施例中选用了八个类别，所以Pl、P2、P3的长度均为 8。在本发明实施例中每个测试样本的软概率长度为8,而融合方法是串联三个特征，所以融 合之后的特征的长度为3X8即24。本发明再利用经过软概率融合后的特征进行训练，得到 新的分类器，这样做可以保持数据的一致性。
[0050] 具体实施时，还可以采用模块化方式提供相应系统。本发明实施例相应提供一种 面向交通卡口的多特征融合车标识别系统，用于对从交通卡口拍摄车标所得图像进行识 另 1J，包括以下丰吴块：
[0051] 特征提取模块，用于对输入的各幅图像分别进行三种特征提取，三种特征包括HOG 特征、Curv-H特征和GIST特征，所述HOG特征为方向梯度直方图特征，所述Curv-H特征为 曲率直方图特征；
[0052] -级分类器训练模块，用于从所有图像中按比例取一级训练样本，剩下的图像作 为一级测试样本，基于一级训练样本的三种特征分别进行训练，得到三种一级分类器，利用 所得三种一级分类器分别对各一级测试样本基于相应特征进行预测，得到一级测试样本属 于一级分类器中每一类的概率，记为软概率；
[0053] 特征融合模块，用于把每个一级测试样本在三种一级分类器下得到的软概率进行 串联，完成三种特征的融合；
[0054] 二级分类器训练模块，用于从一级测试样本中按比例取二级训练样本，剩余图像 作为二级测试样本，把串联之后的软概率作为特征，基于二级训练样本的特征进行训练，得 到二级分类器，利用二级分类器对二级测试样本基于相应特征进行预测，得到