一种车型识别方法与流程

技术特征：

1.一种车型识别方法，其特征在于，包括以下步骤：

(1)视频图像采集，车型分别为轿车(包括小轿车、吉普车)、面包车(包括商务车及普通面包车)和公共汽车(公交车)三类，分别用C、V、B表示；从视频中提取多幅关键帧图像构建了车辆图像库，其中训练样本采集和测试样本采集包括：轿车、面包车、公共汽车；

(2)图像分割及预处理：

将每个样本经过图像剪裁成85×60像素大小且含车辆目标的图片，进行边缘检测和形态学操作；

(3)图像特征提取及降维：

首先，对进行形态学操作后的图像进行形状及纹理特征提取，由区域像素数、均值、标准差、三阶矩、熵组成的5维的特征向量；其中，区域像素数是区域内总的像素数，均值是纹理平均亮度的度量，标准差是纹理灰度级对比度度量，三阶矩表示直方图偏斜度的度量，熵是描述图像亮度随机性的度量；

然后，对去除背景后的原图像进行HOG(梯度方向直方图)特征提取，形成高维的特征向量；

最后，将高维特征向量进行主成分分析法(PCA)降维处理，加上描述形状和纹理的特征，形成特征向量，然后经过LDA算法计算类内散布矩阵S_w及类间散布矩阵S_b，最后取矩阵S_b的前k个特征向量作为LDA特征子空间的投影矩阵，训练样本和测试样本最后均以k维的特征向量表示；

(4)构造支持向量机核函数的选择与参数的确定：

利用支持向量机进行分类时，选用径向基核函数，并确定径向基核函数本身的参数γ以及惩罚参数C；

(5)多类分类器的设计：

构造3个一对一分类器，即(C，B)(将轿车划分为正类，公共汽车划为负类)，(C，V)及(B，V)，构造有向无环图，并通过决策有向无环图多分类方法进行车型的分类。

2.根据权利要求1所述的车型识别方法，其特征在于，步骤(3)中HOG特征提取的具体方法如下：

(1)计算每个像素的梯度幅度和方向；

(2)将图像分成8×8个像素大小的单元格(cell)，将每个梯度方向(180度)分为9个区间，每个区间([(x-1)*20，x*20]，x＝1,2，…，9)是20度的范围，然后将每个单元格中所有像素的梯度方向累加到各个区间上，这样每个单元格就形成一个9维的特征向量；相邻的cell(2×2)组成一个块(block)，而相邻block间有一半的区域是重叠的，所以每个(2*2*9)维的特征向量；

(3)在block内采用对比度归一化处理，以消除光照的影响，得到block的HOG特征；

(4)将检测窗口中所有重叠的block进行HOG特征的收集，并将它们结合成最终的HOG特征向量。

3.根据权利要求1所述的车型识别方法，其特征在于，步骤(3)中将高维特征向量进行降维处理的具体方法如下：

(1)把每幅图像的HOG特征向量构成一个矩阵X_n×N，每一行代表一个样本，每一列代表一个特征值，计算矩阵X_n×N的协方差矩阵S＝E[(X_n×N-μ)^T(X_n×N-μ)]，其中μ是样本的总体均值矩阵，设待测样品为X_1×N；

(2)计算S的特征值，将其按从大到小排列，记作λ₁≥λ₂≥…≥λ_N，并计算的特征向量矩阵C_N×N；

(3)选取前m个特征值，使贡献率选取C_N×N的前m列，构成C_N×m；

(4)利用X_n×m＝(X_n×N-μ)C_N×m计算样本库样本主成分和X_1×m＝(X_1×N-μ)C_N×m计算待测样本主成分。

4.根据权利要求1所述的车型识别方法，其特征在于，步骤(3)中LDA算法的步骤如下：

(1)设y＝{x₁，x₂，…x_N}是一个样本集，每个样本是一个d维的向量，其中y_i类的样本是设某一样本x_j，其中x_j∈y_i，求各类样品的均值向量m_i，计算公式如下：

$m_i=\frac{1}{N_i}\Σx_j,i=1,2,...N;$

(2)求各类类内离散度矩阵S_i，总类内离散度矩阵S_w及类间散布矩阵S_b，计算公式如下：

S_i＝∑(x_j-m_i)(x_j-m_i)^T，i＝1，2，…N，

$S_w=\underset{i=1}{\overset{N}{\Σ}}{p}_i{S}_i,$

$S_b=\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{p}_i(m_i-m_j){(m_i-m_j)}^T,$

其中，P_i是y_i类的先验概率；

(3)求向量w^*，

(4)求出样品在w^*上的投影点y_i＝w^*Tx_i。