一种基于深度费舍尔网络的车型识别方法
【技术领域】
[0001] 本发明属于模式分类技术领域，特别涉及一种基于深度费舍尔网络的车型识别方 法。
[0002] 发明背景
[0003] 交通信息采集是构建智能交通系统动态交通信息平台的基础，而车型是交通信息 的重要组成部分。路桥、停车场收费系统、路桥管理和监控系统等都需要进行车型识别。在 智能交通管理系统中，车型识别系统能够自动、实时地检测经过车辆并识别汽车的车型、车 牌、车标的交通管理系统，可以被广泛应用于道路通行车辆信息记录、高速公路自动收费、 电子警察监控、停车场安全管理、肇事、嫌疑、被盗车辆的追踪、定位等。
[0004] 在车型识别中应用较多的方法有：（1)基于感应线圈的车型识别，该方法仅能对 车型进行粗粒度的分类，且对车辆的速度较为敏感，当车辆的速度突然改变时，会造成误 判；（2)基于波频感应的车型识别，该技术发展的较为成熟，但也仅能进行粗粒度分类，且 受外界环境的影响较大，需事先断定车辆的行驶速度才能准确计算车辆的外形；(3)基于 图像的车型识别，通过对摄像机采集的车辆图像进行分析获得车辆的类型信息，与其他方 法相比，该技术一方面可以从图像中获得更加丰富的车辆信息，另一方面又可以直接利用 现有的城市卡口系统提供的图像数据，建设和使用成本低。
[0005] 基于图像的车型识别涉及图像处理、模式识别、计算机视觉等相关技术领域，目前 国内外对于该技术的研究可以分为三个方向：（1)基于牌照的车型识别，该方法仅从图像 中识别出牌照信息，并没有直接分析获得车辆的类型，分类粒度粗，且对于套牌车辆更是无 法辨别；（2)基于车标的车型识别，在实际应用中，由于车标过小、光线、遮挡等客观因素的 存在，无法达到理想的效果；(3)基于外观特征的车型识别，该技术相比前两种方法具有较 好的鲁棒性，识别的类型也更加的细化，可以精确到车辆的品牌、系列、型号、年款等。
[0006] 目前在车型识别中应用较多的方法是模糊神经网络和BP网络等方法，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。
[0007] 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。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，而费舍尔向量编码的 性能较其他几种编码方式要好。另一种应用很广的图像分类方法是深度神经网络，深度学 习是神经网络研究中的一个新的热点，其目的在于通过非监督的预训练为神经网络提供优 良的参数初始值，通过贪婪的方式，一层一层的训练，对大规模图像分类取得非常好的效 果。
[0008] 在此基础之上，本专利结合费舍尔向量编码和深度网络结构的优点，提出一种基 于深度费舍尔网络的车型识别方法来解决上述问题。本专利能够实现大规模车辆图像的车 型识别，且识别准确率较高，具有较高的适用性和鲁棒性。
【发明内容】
[0009] 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，提出了一种基于深度费舍尔网络算法的车型识别方法。具 体的技术方案如下所述。
[0010] 一种基于深度费舍尔网络的车型识别方法，包括以下步骤：
[0011] 步骤1 :对车型数据库的图像进行SIFT特征提取，作为费舍尔网络的第0层；
[0012] 步骤2 :构建费舍尔网络的第1层，将提取到的SIFT特征进行费舍尔向量编码，将 编码后的向量在空间进行堆叠，进行L2归一化和PCA降维；
[0013] 步骤3 :将第1层得到的特征向量表示进行费舍尔向量编码，通过符号平方根和L2 归一化处理，形成费舍尔网络的第2层；
[0014] 步骤4:将费舍尔网络第2层得到的输出特征表示进行onevsrest线性支持向 量机训练，得到一个具有K种车型类别的车型识别系统；
[0015] 步骤5 :对待识别车型的车辆图像，通过费舍尔网络得到测试特征向量；
[0016] 步骤6:将得到的测试特征向量导入车型识别系统进行识别，识别出测试车辆车 型。
[0017] 上述技术方案中，所述步骤1对车型数据库的图像进行SIFT特征提取包括以下步 骤：
[0018] 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。
[0019] 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。
[0020] 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。
[0021] 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。
[0022] 上述技术方案中，所述步骤2中构建费舍尔网络的第1层，将提取到的SIFT特征 进行费舍尔向量编码，将编码后的向量在空间进行堆叠，进行L2归一化和PCA降维，包括以 下几个步骤：
[0023] 步骤2. 1 :对步骤1中获取的SIFT特征，进行费舍尔向量编码；
[0024] 步骤2. 2 :对步骤2. 1中编码后的向量在空间进行堆叠；
[0025] 步骤2. 3 :将步骤2. 2中堆叠后的向量进行L2归一化和PCA降维，得到的向量作 为费舍尔网络的第2层的输入。
[0026] 上述技术方案中，所述步骤2中构建费舍尔网络第1层的具体过程是：费舍尔网 络第1层分成3个子层，第1个子层为从上层接收到山维，d10 2的特征，进行费舍尔向 量编码，费舍尔向量编码使用I个高斯混合模型组成，编码后的每个费舍尔向量的维数为 2KA，使用判别式训练的线性映射％e 将其降到匕维，其中R为实数域，W为实数域 上的hX2KA维的映射矩阵，形成第1个子层；在第2个子层中，对上个子层得到的结果进 行以步长为h个像素的叠加抽取，形成大小为qiXqi的半局部区域，空间中相邻的半局部 区域特征被堆叠在一个2X2的窗口，最终形成了一个4b维的密集特征表示；最后，在第3 个子层中，将这些特征进行L2归一化和PCA降维至d1+1维，作为费舍尔网络下一层的输入 特征表示。
[0027] 上述技术方案中，所述步骤4中的onevsrest线性支持向量机训练的具体过程 是：在原始训练时有K种车型类别需要划分，在抽取训练集时，分别抽取每一个单独类作为 训练集的正样本集，余下所有样本作为负样本集，通过训练得到K个二分类的线性支持向 量机分类器，测试时，将对应的测试向量分别用这K个训练结果文件进行测试，每一个测试 都有一个评分（Si，…，SK)，最终的识别结果就是得分值最高的那个类别，也即将待识别车型 分类为具有最大分类函数值的那一类。
[0028] 本专利基于费舍尔向量构建深度网络来建立模型，并将该模型运用到车型识别当 中。
[0029] 因为本发明采用上述技术方案，因此具备以下有益效果：
[0030] 本发明的目的在于公开一种基于费舍尔向量和深度网络的车型识别方法，费舍尔 向量编码能够降低车辆图像的特征向量的维数，可以加快识别速度，减少内存消耗，而使用 深度网络结构，可以更全面地提取车辆图像的特征，大大提高识别率。
【附图说明】
[0031] 图1为费舍尔向量构建深度网络算法的示意图；
[0032] 图2为费舍尔网络示意图；
[0033] 图3为构建费舍尔网络第一层示意图；
[0034] 图4为空间堆叠示意图。
【具体实施方式】
[0035] 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。
[0036] 本专利提出了一种基于深度费舍尔网络的车型识别方法，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：
[0037] 步骤1 :对车型数据库的图像进行SIFT特征提取，作为费舍尔网络的第0层，示意 图如图2(0)所示；
[0038] SIFT是DavidLowe提出的局部特征描述子，得到了快速发展和广泛应用。由于 SIFT特征点是在尺度空间通过极值检测提取出来的，所以具有平移尺度不变性；同时给每 个特征点赋予了一个主方向，所以在一定范围内保持旋转不变性；另外最后对提取的特征 向量进行了归一化处理，所以也具有良好的光照不变性。提取SIFT特征描述子可以由以下 步骤完成：
[0039] 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。
[0040] 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。
[0041] 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。
[0042] 步骤1. 4 :特征描述子生