一种基于视觉信息的汽车识别方法
【专利摘要】本发明属于计算机视觉技术领域，涉及一种基于视觉信息的汽车识别方法。其特征是创建汽车前脸和侧视图图片训练库；对训练库图片进行尺度归一化处理和灰度化处理，并采用PCANet特征提取方法对处理后的图片提取特征信息；用SVM分类器对特征信息进行分类训练，得到分类器模型；测试样本经过尺度归一化处理，灰度化处理及PCANet特征提取后，根据分类器模型实现汽车品牌或类型的识别。本发明将汽车品牌识别方法分成不成的模块去处理得到的不同数据，以分析汽车前脸ROI定位方法取代车标定位实现汽车品牌识别方法，免去了车标定位复杂的问题。不但能基于汽车前脸实现汽车品牌的识别，还能基于汽车侧视图实现汽车类型与小侧窗信息的识别。
【专利说明】
一种基于视觉信息的汽车识别方法
技术领域
[0001]本发明属于计算机视觉技术领域。本发明涉及一种基于视觉信息的汽车识别方法，具体涉及一种基于汽车前脸的汽车品牌识别方法和一种基于汽车侧视图的汽车类型及小侧窗信息的识别方法。
【背景技术】
[0002]智能交通系统是当前交通系统的发展趋势，而基于视觉(图像、视频)的汽车监控在智能交通系统中发挥重要作用，如“电子警察”通过车牌识别记录交通中的违规违法行为。然而，简单的车牌识别已不能满足交通信息管理智能化的要求，如无法对套牌车实现精确追踪。因此，需要更精确地对汽车类型、品牌甚至型号进行识别。
[0003]当前的汽车品牌识别大多根据车标的识别来完成，如国内发明专利《一种车标识别方法和系统》，其公开号为CN104463135A，【公开日】期为2015年3月25日。该专利从车标区域中提取特征信息，并对这些特征信息进行分类，达到分类与识别的目的。然而，由于光照，遮挡，图像清晰度及车标尺寸不统一等问题，车标的检测与定位容易出错，这时需考虑补偿措施。因此，利用车标进行品牌的分类与识别更加复杂。
[0004]此外，汽车前脸造型的家族式设计已成为汽车造型设计的发展方向，通过将包括前大灯、进气格栅、以及保险杠的造型区域作为汽车前脸，可以发现同一品牌不同型号的汽车前脸较高的相似度，而不同品牌间则存在较高的差异度。目前对汽车前脸的研究基本上是为了实现汽车型号的识别，但是由于汽车型号的类别庞大，建立根据汽车具体型号数量巨大的分类器是不合理的。因此需要分阶段实现，第一阶段进行品牌的识别，第二阶段进行型号的识别。而在汽车品牌识别领域，并没有一个有效方法将汽车前脸作为提取特征的对象进行品牌识别。
[0005]基于图像的汽车类型识别通常根据汽车侧视图来实现，如ZezhiChen等人提出利用侧视图的几何特征区分汽车类型的方法(Zezhi Chen ,Nick Pears ,Michael Freemanand Jim Austin.2009.Road Vehicle Classificat1n using Support VectorMachines.1EEE Internat1nal Conference on Intelligent Computing&IntelligentSystems.4:214-218)。然而，以上方法只对汽车整体类型进行分类，没有实现侧视图中细节信息的识别，如小侧窗信息。而这些细节信息对汽车模型的精确表达具有重要意义。
【发明内容】
[0006]本发明要解决的技术问题是提供了根据汽车前脸造型设计实现汽车品牌识别的方法和根据汽车侧视图实现汽车类型以及小侧窗信息识别的方法，即基于PCANet特征提取方法与SVM分类器的识别方法和基于PCANet特征提取方法与SVM分类器的识别方法。
[0007]为解决上述问题，本发明的技术方案为:
[0008]创建汽车前脸和侧视图图片训练库;对训练库图片进行尺度归一化处理和灰度化处理，并采用PCANet特征提取方法对处理后的图片提取特征信息；用SVM分类器对特征信息进行分类训练，得到分类器模型；测试样本经过尺度归一化处理，灰度化处理及PCANet特征提取后，根据分类器模型实现汽车品牌或类型的识别。具体说明如下:
[0009](I)创建汽车图片训练库:
[0010]对于汽车品牌识别，本发明创建汽车前脸图片训练库，该训练库包含多种汽车品牌，根据品牌分类，并建立品牌标签。每个品牌中包含多种车型，且每个品牌中图片数量规模达到200张以上。对于每张图片，图片内容为仅包含前大灯，进气格栅，保险杠的造型区域，称之为汽车前脸图片。所有汽车前脸图片要经过背景去除，车牌去除处理，并且每张图片要调整到统一高宽比。
[0011]对于汽车类型及小侧窗信息的识别，本发明创建汽车侧视图训练库，该训练库包含多种汽车类型，根据类型分类，并建立类型标签。每个类型中包含两种子类别，如有、无小侧窗。同样根据子类别分类，并建立子类别标签。每个类别中图片数量规模达到600张以上。每张图片要经过背景去除处理，且调整到统一高宽比。
[0012](2)PCANet特征提取与表示，具体说明如下:
[0013](a)对(I)中训练库图片进行尺度归一化处理，对于汽车前脸训练库，尺寸范围为40?60 X 100?150(高X宽)，对于汽车侧视图训练库，尺寸范围为42?60 X 98?140(高X宽);然后对图片进行灰度化处理。
[0014](b)对(a)得到的每张图片提取PCANe t特征向量。该PCANet特征提取方法由三个基础的数据处理模块组成:主成分分析(PCA)、二进制哈希(Binary Hashing)和分块直方图(Block-wise Histogram)。其中两次主成分分析构成PCANet特征提取的前两个阶段，是主要的特征提取部分;而二进制哈希和分块直方图则为PCANet的输出阶段，将两次主成分分析的输出结果映射为最终的输出特征向量。
[0015]进一步地，对于(b)中描述的PCANet特征提取方法，其最优参数范围如下:PCA处理中移动窗口的像素尺寸为3 X 3或5 X 5或7 X 7 (高X宽)；滤波器数量为8;直方图处理阶段中移动窗口的像素尺寸范围为7?10 X 7?10(高X宽)，窗口重合率为0.5?0.7。
[0016](3)训练分类器模型:将(2)得到的训练库图片的特征向量和标签信息输入给SVM分类器，由SVM分类器训练分类器模型。
[0017](4)汽车识别:输入测试图片样本，该图片样本格式与训练库图片格式相同，经过尺度归一化处理，灰度化处理，PCANet特征提取之后，将得到的测试样本特征向量输入到
(3)中的分类器模型，进而得到识别结果。
[0018]本发明的有益效果:
[0019]该方法不但能基于汽车前脸实现汽车品牌的识别，还能基于汽车侧视图实现汽车类型与小侧窗信息的识别。用基于PCANet特征提取实现了根据汽车前脸ROI造型设计的汽车品牌识别系统。采用模块化设计，将汽车品牌识别方法分成不成的模块去处理得到的不同数据，以分析汽车前脸ROI定位方法取代车标定位实现汽车品牌识别方法，免去了车标定位复杂的问题。
【附图说明】
[0020]附图1为本发明的的汽车识别方法的识别流程图。
[0021 ]附图2为汽车侧视图小侧窗示意图。
[0022]图中:①代表的阴影部分表示小侧窗。
【具体实施方式】
[0023]以下结合附图和技术方案，进一步说明本发明的【具体实施方式】。
[0024]基于汽车前脸的汽车品牌识别，其具体步骤如下:
[0025](I)创建汽车前脸图片训练库1:获取若干个常见汽车品牌的汽车前脸图片样本，根据品牌分类，并建立品牌标签;每个品牌下包含多种车型，并且每个品牌中的图片规模要达到200张以上;每张图片经过背景去除处理，车牌去除处理，且调整到1:2.5的高宽比。
[0026](2)PCANet特征提取与表示，具体过程如下:
[0027](a)读取(I)中的训练图片，进行尺度归一化处理。在此尺度归一化为将图像尺寸缩放至合适尺寸范围，对于汽车前脸，轿车的合适像素尺寸范围为40?60X 100?150(高X宽)。并对图片进行灰度化处理。
[0028](b)提取PCANet特征，PCA卷积层数取2，提取过程如下:
[0029](i)用高X宽为3 X 3或5 X 5或7 X 7像素尺寸的移动窗口对(a)得到的图片数据库I中每张图片遍历并组合成新图片，得到新图片数据库疒。
[0030](ii)对(i)得到的图片数据库I'进行第一阶段PCA处理:计算特征值与特征向量，将特征值按降序排列，取前L特征值对应的特征向量，并输出L特征向量与I'的卷积结果，可称为特征图片库Ii，此处L = 8。
[0031](iii)对(ii)得到的特征图片I1进行第二阶段PCA处理:重复过程，输出第二次特征图片I2。
[0032](iv)对(ii)所述特征图片库I1中每张图片对应的(iii)过程的输出结果，采用二进制哈希和分块直方图映射为输出的特征向量。
[0033](V)对(iv)所述的分块直方图操作时，采用的移动窗口像素大小为7?10 X 7?10(高X宽)，窗口重合率为0.5?0.7。
[0034](3)训练分类器模型:将(2)得到的特征向量及(I)中标签信息交给SVM分类器进行训练，并得到分类器模型，在此，本发明采用中国台湾大学林智仁教授等人开发的LIBLINEAR 软件包。
[0035](4)输入汽车前脸测试样本，该图片样本格式与训练库图片格式相同，经过(2)得到测试样本特征向量后，将测试样本特征向量输入给(3)得到的分类器模型，输出汽车品牌识别结果。
[0036]基于汽车侧视图的汽车类型及小侧窗信息识别，其步骤如下:
[0037](I)创建汽车侧视图训练库I:获取不同类型的汽车侧视图样本(如轿车，SUV)，按类型分类，并根据类型建立标签;获取对不同小侧窗信息的汽车侧视图样本(如无小侧窗，有小侧窗)，同样进行分类并建立标签。此处，本发明将汽车侧视图中除去车门区域的侧窗称为小侧窗，如图2中序号①指向的阴影区域。训练库中每个类别的图片数量达到600张以上，每张侧视图经过背景处理，且尺寸调整到3:7的高宽比。
[0038](2)PCANet特征提取与表示，具体过程如下:
[0039](a)读取(I)中的训练图片，进行尺度归一化处理。在此尺度归一化为将图片尺寸缩放至合适尺寸范围，对于汽车侧视图，合适像素尺寸范围为42?60 X 98?140(高X宽)。并对图片进行灰度化处理。
[0040](b)提取PCANet特征，PCA卷积层数取2，提取过程如下:
[0041 ] (i)用高X宽为3 X 3或5 X 5或7 X 7像素尺寸的移动窗口对(a)得到的图片数据库I中每张图片遍历并组合成新图片，得到新图片数据库疒。
[0042](ii)对(i)得到的图片数据库I'进行第一阶段PCA处理:计算特征值与特征向量，将特征值按降序排列，取前L特征值对应的特征向量，并输出L特征向量与I'的卷积结果，可称为特征图片库Ii，此处L = 8。
[0043](iii)对(ii)得到的特征图片I1进行第二阶段PCA处理:重复过程，输出第二次特征图片I2。
[0044](iv)对(ii)所述特征图片库I1中每张图片对应的(iii)过程的输出结果，采用二进制哈希和分块直方图映射为输出的特征向量。
[0045](V)对(iv)所述的分块直方图操作时，采用的移动窗口像素大小为7?10 X 7?10(高X宽)，窗口重合率为0.5?0.7。
[0046](3)训练分类器模型:将(2)得到的特征向量及(I)中标签信息输入给SVM分类器进行训练，并得到分类器模型，在此，本发明采用中国台湾大学林智仁教授等人开发的LIBLINEAR 软件包。
[0047](4)输入汽车侧视图测试样本，测试样本格式与训练库图片格式相同，经过(2)得到测试样本特征向量后，将测试样本特征向量输入给(3)得到的分类器模型，输出汽车类型及小侧窗信息识别结果。
【主权项】
1.一种基于视觉信息的汽车识别方法，其特征在于，创建汽车前脸和侧视图图片训练库；对训练库图片进行尺度归一化处理和灰度化处理，并采用PCANet特征提取方法对处理后的图片提取特征信息；用SVM分类器对特征信息进行分类训练，得到分类器模型；测试样本经过尺度归一化处理，灰度化处理及PCANet特征提取后，根据分类器模型实现汽车品牌或类型的识别。2.根据权利要求1所述的汽车识别方法，其特征在于以下步骤， (1)创建汽车图片训练库 创建汽车前脸图片训练库，该训练库包含多种汽车品牌，根据品牌分类，并建立品牌标签;每个品牌中包含多种车型，且每个品牌中图片数量规模达到200张以上;对于每张图片，图片内容为仅包含前大灯，进气格栅，保险杠的造型区域，称之为汽车前脸图片;所有汽车前脸图片要经过背景去除，车牌去除处理，并且每张图片要调整到统一高宽比； 创建汽车侧视图训练库，该训练库包含多种汽车类型，根据类型分类，并建立类型标签;每个类型中包含两种子类别，如有、无小侧窗；同样根据子类别分类，并建立子类别标签;每个类别中图片数量规模达到600张以上;每张图片要经过背景去除处理，且调整到统一高宽比； (2)PCANet特征提取与表示 (a)对步骤(I)中训练库图片进行尺度归一化处理，对于汽车前脸训练库，高X宽尺寸范围为40?60 X 100?150，对于汽车侧视图训练库，高X宽尺寸范围为42?60 X98?140;然后对图片进行灰度化处理； (b)对步骤(a)得到的每张图片提取PCANet特征向量;该PCANe t特征提取方法由三个基础的数据处理模块组成:主成分分析PCA、二进制哈希Binary Hashing和分块直方图Block-wise Histogram;其中两次主成分分析构成PCANet特征提取的前两个阶段，是主要的特征提取部分;而二进制哈希和分块直方图则为PCANet的输出阶段，将两次主成分分析的输出结果映射为最终的输出特征向量； 对于步骤(b)中描述的PCANet特征提取方法，其最优参数范围如下:PCA处理中移动窗口的像素尺寸为3 X 3或5 X 5或7 X 7;滤波器数量为8;直方图处理阶段中移动窗口的像素尺寸范围为7?10 X 7?10，窗口重合率为0.5?0.7; (3)训练分类器模型:将步骤(2)得到的训练库图片的特征向量和标签信息输入给SVM分类器，由SVM分类器训练分类器模型； (4)汽车识别:输入测试图片样本，该图片样本格式与训练库图片格式相同，经过尺度归一化处理，灰度化处理，PCANet特征提取之后，将得到的测试样本特征向量输入到步骤(3)中的分类器模型，进而得到识别结果。
【文档编号】G06K9/62GK105975949SQ201610356054
【公开日】2016年9月28日
【申请日】2016年5月26日
【发明人】李宝军, 董颖, 赵德栋, 孙玮雪, 胡平
【申请人】大连理工大学