技术领域本发明涉及图像处理领域，尤其是一种车辆类型的精细识别方法及系统。
背景技术：
近年来，随着我国汽车的保有量日渐增加，利用汽车进行违法犯罪行为的涉车案件、盗抢车辆案件和各种交通违法行为越来越多，车辆管理与识别工作也得到了越来越多的关注。传统的治安卡口、电子警察等系统，主要还是通过对快速拍摄得到的车辆图像进行车牌识别来获取车辆信息。虽然目前的车牌识别技术已比较成熟与普及，但是其在面对套牌车、遮挡号牌以及无牌车辆时却无能为力。此外，在各种案件中，如果需要根据线索对某个型号车辆进行搜寻，其只能依赖于人工判断及人工检索，一般一个工作人员在一个工作日内可处理的图像数量不超过5000张，而一个车道每天的过车数据可能多达数万，故目前的车牌识别技术对海量的图像数据进行搜索时的工作量极其繁重。因此，研究进一步从车辆图像中识别出更多车辆精细属性，如车辆类型、品牌、型号、年款等，是未来发展的趋势。对于车辆类型的精细识别问题来说，由于受拍摄时的光照、天气以及拍摄角度等的影响，即便是同一款车辆也可能呈现出不同的图像特征。同时在现实中，车辆的外观会具有较高的相似性(特别是同一品牌的不同年款的车辆)，这都给车辆类型的精细识别带来了很大的困难。现有的车辆类型精细识别方法主要可以分为模版匹配法与基于外观的判别法。模版匹配法就是首先构建车辆类型模版库，接着通过分别提取待识别图像与模版库图像的特征进行匹配识别。模版匹配法的准确率一定程度上依赖于待识别的车辆类型在模版库中的数量，若模版数量越多，则识别准确率越高，但算法复杂度也随之增高，无法满足实时识别的要求。基于外观的判别法，这种方法大部分基于传统的模式识别，即首先对车辆图像进行相应的SIFT(尺度不变特征转换)特征提取，然后把SIFT特征描述子直接送入预先训练好的分类器进行识别。且基于外观的判别法大部分采用了SIFT特征提取算法，而SIFT特征提取算法对刚性物体的描述能力较差且提取速度较慢，影响了后续的准确识别基于外观的判别法通常需要提取车辆的特定区域(如车脸区域等)，遇到车辆图像背景复杂的情况时其将无法完整提取甚至无法提取车辆的特定区域，影响了后续的车辆类型精细识别的准确率，鲁棒性较低。此外，现有的车辆类型精细识别方法大多基于浅层特征，无法很好地捕捉不同车辆类型之间的细微差异，将会影响到后续识别的准确率。综上所述，目前业内亟需一种准确率高、复杂度低、鲁棒性强和细节特征丰富的，车辆类型的精细识别方法及系统。
技术实现要素：
为解决上述技术问题，本发明的目的在于：提供一种准确率高、复杂度低、鲁棒性强和细节特征丰富的，车辆类型的精细识别方法。本发明的另一目的在于：提供一种准确率高、复杂度低、鲁棒性强和细节特征丰富的，车辆类型的精细识别系统。本发明所采取的技术方案是：一种车辆类型的精细识别方法，包括以下步骤：S1、对获取的原始车辆图像进行灰度化和标准化处理，得到标准化图像；S2、计算标准化图像每个像素点的梯度和方向；S3、根据计算的梯度和方向对标准化图像进行方向梯度直方图特征提取和局部线性约束编码，得到标准化图像的编码向量；S4、根据得到的编码向量采用权值空间金字塔对局部线性约束编码后的标准化图像进行处理，得到车辆图像的最终表达向量，所述车辆图像的最终表达向量包含有车辆图像的位置信息和语义信息；S5、将车辆图像的最终表达向量送入预先训练好的线性支持向量机分类器进行车辆类型识别。进一步，所述步骤S2包括：S21、计算标准化图像每个像素点的梯度，所述像素点的梯度计算公式为：Gx(x,y)=H(x+1,y)-H(x-1,y)Gy(x,y)=H(x,y+1)-H(x,y-1),]]>其中，Gx(x,y)、Gy(x,y)和H(x,y)分别代表标准化图像在像素点(x,y)的水平方向梯度、垂直方向梯度以及像素值；S22、根据计算的水平和垂直梯度计算标准化图像在像素点(x,y)的梯度值G(x,y)和方向α(x,y)，所述梯度值G(x,y)和方向α(x,y)的计算公式为：G(x,y)=Gx(x,y)2+Gy(x,y)2α(x,y)=tan-1(Gy(x,y)Gx(x,y)).]]>进一步，所述步骤S3包括：S31、将标准化图像划分若干个大小相同的图像块，并根据计算的梯度和方向获取各个图像块的方向梯度直方图特征向量以及整幅标准化图像的方向梯度直方图特征集合的表达式；S32、采用局部线性约束编码的方法对标准化图像的方向梯度直方图特征向量进行编码，得到标准化图像的编码向量，所述标准化图像的编码向量包含有标准化图像的语义信息。进一步，所述步骤S31包括：S311、以标准化图像中大小为16×16像素的图像区域为一个图像块，并构建这个图像块的方向梯度直方图；S312、把每个图像块划分为4×4个元胞，并以像素点的梯度值为权值加权统计每个元胞的8个方向通道的信息，得到每个元胞的8方向梯度直方图；S313、把每个图像块的16个元胞的直方图按顺序连接起来，然后进行归一化，得到每个图像块的4×4×8＝128维的方向梯度直方图特征向量；S314、从标准化图像的左上角开始，以步长为8像素的提取间隔对整幅图像进行方向梯度直方图特征提取，得到标准化图像的方向梯度直方图特征集合的表达式，所述标准化图像的方向梯度直方图特征集合X的表达式为：X＝[x1,x2,...xN]∈RD×N，其中，N是标准化图像的图像块总数量，xi为第i个图像块的方向梯度直方图特征向量，i＝1，2，…，N；D是方向梯度直方图特征向量的维数，RD×N表示D×N维向量空间。进一步，所述步骤S32具体为：采用局部线性约束编码的方法对标准化图像的方向梯度直方图特征向量进行编码，得到标准化图像的编码向量，所述局部线性约束编码的方法所采用的编码公式为：其中，B＝[b1,b2,b3...bK]是预先采用K-Means聚类算法训练好的K个词典向量，C＝[c1,c2,c3...cN]是标准化图像的N个编码向量；λ为设定的编码权重，⊙为点乘运算符号，di是用来衡量词典向量与方向梯度直方图特征向量相似度的指标，di的计算公式为：di=exp(dist(xi,B)σ),]]>式中，dist(xi,B)＝[dist(xi,b1),...,dist(xi,bK)]T，dist(xi,bj)表示每个方向梯度直方图特征向量与视觉单词的欧氏距离，j＝1，2，…，K，K为局部线性约束编码向量的维数；σ用来表征di的衰减速度，s.t.表示约束。进一步，所述步骤S4包括：S41、对局部线性约束编码后的标准化图像分别进行一等分、四等分以及十六等分，得到三个层次的21个子区域，所述三个层次中子区域的数量分别是1、4以及16个；S42、对三个层次的每个子区域的编码向量进行最大池化操作，得到每个子区域的初步表达向量，所述最大池化操作所采用的公式为：Pe＝max{ce1,ce2,…,ceN