一种基于局部特征聚合描述符的车型识别方法

一种基于局部特征聚合描述符的车型识别方法
【技术领域】
[0001] 本发明属于模式分类技术领域，特别涉及一种基于局部特征聚合描述符的车型识 别方法。
[0002] 发明背景
[0003] 随着信息技术的高速发展，越来越多的智能交通系统走进了人们的生活，如道路 自动收费系统、车辆识别技术、电子警察系统、全球定位系统以及车载导航系统等。这些智 能交通运输管理体系是通过集成最前沿的软、硬件技术来搭建完成的，包括了数据通讯传 输技术、电控技术、电子传感技术以及信息技术等。智能交通系统需要在大区域中发挥全局 性的作用，实时、高效率地管理交通，以最终实现道路交通与车辆的智能化管理，达到抑制 交通违法行为、提高交通运行效率、降低警察执法成本、缓解交通拥堵状态、提高路网流通 量、降低意外交通事故发生频率、降低碳排量减少能耗、加强环保等目的。
[0004] 在智能交通中，基于计算机视觉的车辆检测与识别系统在近年来得到了迅速地发 展，车辆检测与识别系统广泛的应用于城市交通状况监控、园区与停车场管理以及高速公 路收费等领域，同时该系统在防止犯罪与抵御恐怖袭击方面也有重要应用价值。在该系统 中，汽车号牌的自动识别技术发展最为成熟，并且得到了广泛的商业应用，为自动化管理道 路交通提供了经典的范例。然而，当汽车号牌被伪造、汽车使用假号牌或者号牌受到遮挡时 车牌识别就面临失效的问题。在这种情况下，车型识别（技术可以为车辆检测与识别系统 提供额外安全保障。车型识别希望实现的目标是，将汽车按照其具体的型号进行分类，如将 汽车分为奥迪、宝马、大众高尔夫等等。如果该技术能够实现，即可通过车牌号码与车型的 匹配，解决汽车盗窃、车牌伪造等安全隐患，大大提升智能交通系统的功能，提升警察维持 交通与侦破案件的效率。
[0005] 在图像分类领域，对数量庞大的图像分类主要有两种方法：一种方法是神经网络 算法，神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学 模型。但这些方法难以解决模式识别中存在的复杂性和推广性的矛盾，神经网络虽然有强 大的建模能力，但对大规模图像进行分类，其巨大的参数空间使寻找优良的优化初始值较 为困难。另一种应用很广的方法是为提取每张照片的局部特征，将提取的特征进行聚类和 编码得到一个高维向量，然后将其用分类器分类或者使用最近邻算法进行匹配。其中编码 的方法有视觉词袋模型编码，稀疏编码和费舍尔向量编码等。
[0006] 视觉词袋模型编码和费舍尔向量编码在图片检索和分类中应用广泛，但是在数据 量很大的情况下，由于字典大小的限制，视觉词袋模型编码的特征表达会越来越粗略，特征 信息损失较多，使得搜索精度降低，而费舍尔向量编码虽然能更细致地描述图片，但是也损 失了很多特征。
[0007] 在此基础之上，本专利结合费舍尔向量编码和视觉词袋模型编码的优点，提出一 种基于局部特征聚合描述符的车型识别方法来解决上述问题。本发明能够实现大规模车辆 图像的车型识别，且识别准确率高，运行速度快，消耗内存少，具有较高的实用性和鲁棒性。

【发明内容】

[0008] 本发明中所述方法是为了克服上述现有技术的缺点，主要针对已经提取的车辆特 征对车型进行细分识别的问题，提出了一种基于局部特征聚合描述符的车型识别方法。具 体的技术方案如下所述。
[0009] -种基于局部特征聚合描述符的车型识别方法，包括以下步骤：
[0010] 步骤1 :对车型数据库的车辆图像进行SIFT特征提取；
[0011] 步骤2 :对所有车型图像提取到的SIFT特征向量X进行KMeans聚类，得到具有K 个视觉单词的字典；
[0012] 步骤3 :针对每张车型图像，将提取到的每个SIFT特征向量X赋给离其最近的视 觉单词；
[0013] 步骤4 :统计每个视觉单词周围的SIFT特征向量X与当前视觉单词的残差累积 量，得到当前车辆图片的局部特征聚合描述符；
[0014] 步骤5 :将训练模块的η张车型图像的局部特征聚合描述符，通过量化编码，得到 一个可索引的η类车型类别的编码图像库；
[0015] 步骤6 :对测试车辆图像，同样提取其局部特征聚合描述符，作为查询向量，导入 步骤5中得到的图像库进行索引，通过近似最近邻搜索方法进行匹配，识别出测试车辆车 型。
[0016] 上述技术方案中，所述步骤1中对车型数据库的车辆图像进行SIFT特征提取，包 括以下几个步骤：
[0017] 步骤1. 1 :尺度空间极值检测：针对构建的高斯金字塔图像，利用差分函数在所有 尺度上检测候选极值点；
[0018] 步骤1. 2 :关键点定位：通过函数拟合来定位极值点的准确位置和尺度，同时过滤 掉候选极值点集合中的边缘点；
[0019] 步骤1. 3 :方向确定：结合关键点邻域像素的梯度信息，给每个关键点赋予一个主 方向；
[0020] 步骤1. 4 :特征描述子生成：对关键点邻域像素的梯度幅值和方向进行统计，得到 关键点的特征描述。
[0021] 上述技术方案中，所述步骤2中对所有车型图像提取到的SIFT特征向量X进行 KMeans聚类，得到具有K个视觉单词的字典，包括以下几个步骤：
[0022] 步骤2. 1 :随机选取K个SIFT特征向量作为初始聚类中心；
[0023] 步骤2. 1 :计算其他SIFT特征向量到这K个聚类中心的距离；
[0024] 步骤2. 3 :如果某个SIFT特征向量离第η个聚类中心更近，则该SIFT特征向量属 于聚类n，并对其设置标签；
[0025] 步骤2. 4 :计算同一聚类中，所有SIFT特征向量的均值，作为新的聚类中心；
[0026] 步骤2.5 :迭代至所有聚类中心不变化为止，得到具有K个视觉单词的字典：
[0027] C={Cl，."，ck}
[0028] 其中C为字典，ck表示每一个聚类中心，也即视觉单词。
[0029] 上述技术方案中，所述步骤3将每张车型图像提取到的每个SIFT特征向量X赋给 离其最近的视觉单词：
[0030] c；=NN(x)
[0031] 其中，NN(x)为最近邻算法，Cl为离x最近的视觉单词，此时，每个视觉单词周围的 SIFT特征向量与当前视觉单词构成了一个聚类块。
[0032] 上述技术方案中，所述步骤4中统计每个视觉单词周围的SIFT特征向量与当前视 觉单词的残差累积量，得到当前车辆图片的局部特征聚合描述符，包括以下几个步骤：
[0033] 步骤4. 1 :对步骤3中构成的每一个聚类块，求取每个聚类块中的SIFT特征向量 与视觉单词的差值：
[0034] x-Cl
[0035] 步骤4. 2 :对步骤4. 1中求得的每个差值求累加和，得到当前视觉单词的局部特征 聚合描述符Vi:
[0036]
[0037] 其中，Vl表示当前视觉单词的局部特征聚合描述符，X,表示当前聚类块中的SIFT 特征向量，q表示当前聚类块中的视觉单词；
[0038] 步骤4. 3 :联合所有视觉单词的局部特征聚合描述符，再将其进行L2归一化，得到 整幅车型图像的局部特征聚合描述符y。
[0039] 上述技术方案中，所述步骤5中将训练模块的η张车型图像的局部特征聚合描述 符Y= {yi，…，yn}，通过量化编码，得到一个可索引的η类车型类别的编码图像库，包括以 下步骤：
[0040] 步骤5. 1 :将每张车型图像的局部特征聚合特征向量y，将其等分成m个部分：
[0041] y= {y1，y2,…，ym}
[0042] 步骤5. 2 :对每张车型图像，将其等分成的m个部分使用统一量化函数q( ·)进行 量化：
[0043] q(y) = (q^y1), ???xqm(ym))
[0044] 其中，qm( ·)是对向量ym进行KMeans聚类得到的k5个量化值，即聚类中心， '为当前图像的局部特征聚合特征向量的量化结果；
[0045] 步骤5. 3 :得到一个可索引的η类车型类别的编码图像库。
[0046] 上述技术方案中，所述步骤6对测试车辆图像，同样提取其局部特征聚合描述符， 作为查询向量，导入步骤5中得到的图像库进行索引，通过近似最近邻搜索方法进行匹配， 识别出测试车辆车型，包括以下几个步骤：
[0047] 步骤6. 1 :提取测试车辆图像的局部特征聚合描述符#
[0048] 步骤6.2 :将导入步骤5中得到的图像库进行索引，通过近似最近邻算法，找出 其最优匹配：
[0049]
[0050] 其中，|是查询向量，将其同样等分成m个部分，_>V为第j个部分，Υι是训练车辆 的局部特征聚合描述符，q(yi)是量化编码后的训练向量集，为查询向量?·的最优匹 配，也即最终识别出的测试车辆的车型。
[0051] 因为本发明采用上述技术方案，因此具备以下有益效果：
[0052] 本发明公开了一种基于局部聚合描述符的车辆图像表示方法，来进行车型识别， 局部聚合描述符结合了费舍尔向量编码和视觉词袋模型编码的优点，能够解决在车辆图像 库十分庞大的情况下进行快速运算，实现大规模车辆图像的车型识别，且识别准确率高，消 耗内存少，具有较高的实用性和鲁棒性。
【附图说明】
[0053] 图1为局部特征聚合描述符算法实现示意图；
[0054] 图2为求取残差累积量示意图。
【具体实施方式】
[0055] 为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式 并配合附图详予说明。
[0056] 本专利提出了一种基于局部特征聚合描述符的车型识别方法，在车辆车型识别上 取得良好的效果。整个算法实现示意图如图1所示，包括步骤：
[0057] 步骤1 :对车型数据库的车辆图像进行SIFT特征提取；
[0058] 提取SIFT特征描述子可以由以下步骤完成：
[0059] 步骤1. 1 :尺度空间极值检测：针对构建的高斯金字塔图像，利用差分函数在所有 尺度上检测候选极值点。
[0060] 步骤1. 2 :关键点定位：通过函数拟合来定位极值点的准确位置和尺度，同时过滤 掉候选极值点集合中的边缘点。
[0061] 步骤1. 3 :方向确定：结合关键点邻域像素的梯度信息，给每个关键点赋予一个主 方向。
[0062] 步骤1. 4 :特征描述子生成：对关键点邻域像素的梯度幅值和方向进行统计，得到 关键点的特征描述。
[0063] 步骤2 :对提取到的SIFT特征向量X进行KMeans聚类，得到具有K个视觉单词的 字