本发明一种基于FHOG特征和Linear SVM的车型识别方法，设计图像处理，机器视觉，模式识别等领域。
背景技术：
车型识别是智能监控领域中的关键技术，基于计算机视觉的车型识别技术是利用车辆图像的各项特征，主动的识别车辆目标的车型、品牌和型号；基于HOG特征和SVM的目标识别技术已比较成熟，但是HOG特征计算量大，特征维数较高，另外随着各种新的车系不断出现，一个较全面的车型数据库中的数据量必然十分庞大，如此一来，对于采用非线性核函数的SVM分类器来说，其训练和识别速度都无法满足实时性要求。
技术实现要素：
本申请的目的在于提供了一种基于FHOG特征和Linear SVM的车型识别方法，其特征在于，包括步骤：a)车辆检测与车牌检测，确定车辆目标区域和车牌目标区域；b)填充车牌区域，将整个车牌区域用车牌背景色填充；c)提取车辆FHOG特征，构建特征矩阵；d)将FHOG特征矩阵按列展开构建FHOG特征向量；e)利用FHOG特征向量和训练好的LinearSVM识别目标车辆。
优选地，所述步骤a的车辆检测与车牌检测方法为将背景建模与AdaBoost检测相结合。
优选地，所述步骤c中构建特征矩阵的方法为：
c1)分别用梯度算子[-1,0,1]和[-1,0,1]T对m×n的输入图像做卷积运算，得到x,y方向上的梯度分量Gx(x,y),Gy(x,y)，并计算梯度幅值M(x,y)和相角θ(x,y)，若输入图像为多通道图像，则取幅值最大的梯度值作为该点的梯度；
c2)将图像分割成若干个边长为s的正方形cell；
c3)将相角区间映射为[0,π]，分割为b个bin，利用三线性插值计算每个cell的梯度方向直方图，将直方图数据存为(m/s)×(n/s)×b的矩阵C1，矩阵元素C1(i,j,k)表示第i行第j列个cell中第k个bin的值；
c4)将相角区间映射为[0,2π]，分割为2b个bin，利用三线性插值计算每个cell的梯度方向直方图，将直方图数据存为(m/s)×(n/s)×(2b)的矩阵C2，矩阵元素C2(i,j,k)表示第i行第j列个cell中第k个bin的值；
c5)构建(m/s)×(n/s)×(3b+4)的FHOG特征矩阵F：
其中No,p,q(i,j,k),o∈{1,2},p,q∈{-1,1}表示矩阵Co,o∈{1,2}在位置(i,j,k)处的归一化因子，定义为
Tα(υ)表示参数为α的截断函数，其定义为
优选地，所述步骤e中LinearSVM训练所用目标函数为：
其中ω是分类器的系数，T表示转置，表示分类器的分类误差，yi∈{0,1}为第i个训练样本的类别标签，C为惩罚因子，表示对分类误差的重视程度。
应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。
附图说明
参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：
图1示出了根据本发明的一种基于梯度方向直方图特征的车型识别方法的流程图。
具体实施方式
通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
如图1所示，本发明提供的一种基于FHOG特征和Linear SVM的车型识别方法的实施步骤为：
步骤110：利用背景建模和目标检测相结合的方法进行车辆检测和车牌检测，确定车辆目标和车牌目标所在区域；
根据本发明的一个实施例，所述步骤a的车辆检测与车牌检测方法为将背景建模与AdaBoost检测相结合。
步骤120：为了减小车牌字符的影响，将车牌区域用车牌背景色填充。
步骤130：提取车辆图像特征，构建FHOG特征矩阵,其步骤为：
步骤131：分别用梯度算子[-1,0,1]和[-1,0,1]T对m×n的输入图像做卷积运算，得到x,y方向上的梯度分量Gx(x,y),Gy(x,y)，并计算梯度幅值M(x,y)和相角θ(x,y)，若输入图像为多通道图像，则取幅值最大的梯度值作为该点的梯度
步骤132：将图像分割成若干个边长为s的正方形cell；
步骤133：将相角区间映射为[0,π]，分割为b个bin，利用三线性插值计算每个cell的梯度方向直方图，将直方图数据存为(m/s)×(n/s)×b的矩阵C1，矩阵元素C1(i,j,k)表示第i行第j列个cell中第k个bin的值；
步骤134：将相角区间映射为[0,2π]，分割为2b个bin，利用三线性插值计算每个cell的梯度方向直方图，将直方图数据存为(m/s)×(n/s)×(2b) 的矩阵C2，矩阵元素C2(i,j,k)表示第i行第j列个cell中第k个bin的值；
步骤135：构建(m/s)×(n/s)×(3b+4)的FHOG特征矩阵F：
其中No,p,q(i,j,k),o∈{1,2},p,q∈{-1,1}表示矩阵Co,o∈{1,2}在位置(i,j,k)处的归一化因子，定义为
Tα(υ)表示参数为α的截断函数，其定义为
步骤140：将FHOG特征矩阵按列展开构建FHOG特征向量；
步骤150：利用FHOG特征向量和训练好的LinearSVM识别目标车辆。
根据本发明的一个实施例，所述步骤e中LinearSVM训练所用目标函数为：
其中ω是分类器的系数，T表示转置，表示分类器的分类误差，yi∈{0,1}为第i个训练样本的类别标签，C为惩罚因子，表示对分类误差的重视程度。
FHOG特征与传统HOG特征相比，特征维数大大降低，在识别效果相当的情况下显著提高了识别速度；采用线性核函数构建的Linear SVM分类器由于不需要对特征进行非线性映射，训练和识别效率较高，而且实验表明，在大容量数据库上，采用线性核函数和采用非线性核函数的识别效果相差甚微。
结合这里披露的本发明的说明和实践，本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的，本发明的真正范围和主旨均由权利要求所限定。