一种基于车型图像的模式集直方图的车型识别方法
【技术领域】
[0001] 本发明属于模式分类和数据挖掘技术领域，特别涉及一种基于车型图像的模式集 直方图的车型识别方法。
【背景技术】
[0002] 随着当今经济的高速发展，机动车的保有量迅速增加，导致交通状况的不断恶化。 现在无论哪个国家都毫无例外的受到不同程度的交通问题的困扰，在中国，这种情况尤为 突出并给环境、经济、社会及人类生活带来了严重的影响。为从根本上解决交通拥挤堵塞的 问题，人们开始运用各种新技术，如信息技术、计算机技术、通信技术、控制技术等，将人、 车、路紧密联系起来，不仅有效地缓解了交通阻塞问题，而且对交通事故的应急处理、环境 的保护、能源的节约都有了显著的效果。此时，智能交通系统应运而生。
[0003] 近年来出现了各种各样的车型识别技术，其中绝大多数是根据检测车辆的某些物 理参数来归纳分类以实现车辆的自动识别，这些参数往往是通过线圈、光电感应器等传感 器获得的车辆的车宽、车长、轮距、车重、底盘轴粗、底盘高等多种物理数据。这种方法可以 较为容易地进行车型识别，算法较为简单。但获得车辆数据的方法比较麻烦，需要架设大量 的外部辅助测量设备，增加了系统的不稳定性。通常来说，此方式一般只能判断车辆的大小 和类型，而无法通过识别判断车辆更进一步的信息。
[0004] 而基于图像处理的车型识别技术可以有效地解决这类问题。在图像处理领域，有 多种图像表示的方法，例如基本的SIFT特征、词袋模型、费舍尔向量等，运用这类图像表示 方法，再使用分类器进行分类，可以很好地实现车型识别，然而这类图像表示方法，特征维 数会比较大，面对大规模图像处理会带来维数灾难，在实际大规模车型图像识别问题中往 往运算时间长，识别效率低。另一方面，在数据挖掘领域，一种基于跳跃显露模式的数据挖 掘方法被广泛运用，使用跳跃显露模式的数据挖掘方法，可以寻找到数据集中的最能表示 当前类别的显露模式集，可以高效地以较少的项目集表示原类别数据集。
[0005] 根据以上所述，本发明提出了一种基于车型图像的模式集直方图的车型识别方 法，可以很好地解决上述问题，算法快速高效，提高了识别速度，消耗内存少，具有较高的实 用性和鲁棒性。
【发明内容】
[0006] 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，提出了一种基于车型图像的模式集直方图的车型识别方 法。具体的技术方案如下所述。
[0007] 本发明采用的技术方案如下：
[0008] -种基于车型图像的模式集直方图的车型识别方法，包括以下步骤：
[0009] 步骤1:对车型图像数据库，根据词袋模型构建图像的直方图表示；
[0010]步骤2:对构建的图像直方图进行多次随机投影，然后进行二值化处理，得到图像 的二值化事务项数据集；
[0011] 步骤3:对图像的二值化事务项数据集进行模式挖掘，构成图像的模式集直方图表 示；
[0012] 步骤4:对所有车型图像的模式集直方图进行one vs rest线性SVM训练，得到每种 类别车型图像的分类器，联合后得到车型识别系统；
[0013] 步骤5:对测试车型图像，提取其基于训练集中每种车型图像的模式集直方图表 示，将其导入车型识别系统进行测试，识别出车型。
[0014] 上述技术方案中，所述步骤1根据词袋模型构建图像的直方图表示，包括以下几个 步骤：
[0015] 步骤1.1:提取所有车型图像的SIFT特征，进行KMeans聚类，得到一个具有D个视觉 单词的字典；
[0016] 步骤1.2:对每个车型图像，由最近邻算法将其SIFT特征分配给离其最近的视觉单 词；
[0017] 步骤1.3:根据每个视觉单词周围的SIFT特征的个数，构建一个基于视觉单词的直 方图，归一化后，得到图像的D维直方图表示。
[0018] 上述技术方案中，所述步骤2中对构建的图像直方图进行多次随机投影，然后进行 二值化处理，得到图像的二值化事务项数据集，包括以下几个步骤：
[0019] 步骤2.1:对图像的直方图表示，随机选取P个视觉单词的直方图，P〈D;
[0020] 步骤2.2:对选取的P个视觉单词的直方图进行二值化处理：
[0021]
[0022]
[0023]其彳
为阈值;hp为所选P个视觉单词的直方图的集合，够为其中任 意一个，」[[1，一，？];以111^(111))表示集合1 11)中第1^个直方图的索引脚标，所选视觉单词直方 图中，前k个直方图被二值化为1，余下直方图被二值化为0; k表示排序的序列中的第k个值；
[0024] 步骤2.3:二值化后的直方图视为一个事务项X，重复随机选取R次，得到当前图像 的R个事务项数据集Χ= {χι，X2，…，xr}，其中Xi(i e [ 1，R])表示任意一个事务项；
[0025] 步骤2.4:对全部图像，按步骤2.3中相同的顺序选取R次，构成全部图像的R个事务 项数据集乂 = {&}。
[0026] 上述技术方案中，所述步骤3中对图像的二值化事务项数据集进行模式挖掘，构成 图像的模式集直方图表示，包括以下几个步骤：
[0027] 步骤3.1:对图像的每一个事务项^(16[1，R])，都将当前类别的车型图像的事务 项设为正类丨穹丨(? ，其他类别的车型图像的事务项设为负类丨疋丨(/ e [1,/?]);
[0028] 步骤3.2:对得到的每个正类事务项数据集&和负类事务项数据集5卩进行跳跃显 露模式挖掘，分别得到R个事务项的正类和负类的显露模式集 表示第j个事务项的正类显露模式集，Γ表示第j个事务项的负类显露模式集；
[0029] 步骤3.3:对当前类别图像，统计其每个事务项xi(ie[l，R])在对应的正类和负类 显露模式集中的个数，得到最终2R维的模式集直方图表示；
[0030] 步骤3.4:重复步骤3.1到步骤3.3的操作，得到所有类别车型图像的模式集直方图 表不。
[0031] 上述技术方案中，所述步骤3.2中对正类和负类事务项数据集进行跳跃显露模式 挖掘，包括以下几个步骤：
[0032] 步骤3 . 2 . 1 :对正类事务项数据集和负类事务项数据集 f/_ e p, 1^，设定最小支持度阈值为δ，也即支持度s 2 δ，其中支持度s定义为：
[0033]
[0034] 其中count(A)表示数据集}中包含实例Α的数目，数据集Ζ中包含的总 实例数为I Z | ;
[0035]步骤3.2.2:通过显露模式挖掘，首先在正类中寻找支持度大于等于δ，在负类中支 持度为0的事务项集合{Υ+}，然后在负类中寻找支持度大于等于S，在正类中支持度为0的事 务项集合{Υ?;
[0036]步骤3.2.3:得到当前事务项数据集的正类和负类的显露模式集{Υ+，Υ?。
[0037]上述技术方案中，所述步骤4中对所有车型图像的模式集直方图进行one vs rest 线性SVM训练，得到每种类别车型图像的分类器，联合后得到车型识别系统，包括以下几个 步骤：
[0038]步骤4.1:将当前类别车型图像的模式集直方图作为正样本，其他类别车型图像的 模式集直方图作为负样本；
[0039]步骤4.2:使用线性SVM训练这两个样本，得到当前类别车型图像的分类器；
[0040] 步骤4.3:重复步骤4.1到步骤4.2的操作，得到所有类别车型图像的分类器，联合 后构成车型识别系统。
[0041] 上述技术方案中，所述步骤5中对测试车型图像，提取其基于训练集中每种车型图 像的模式集直方图表示，将其导入车型识别系统进行测试，识别出车型，包括以下几个步 骤：
[0042] 步骤5.1:对测试车型图像，通过步骤1到步骤2的操作，得到其R个事务项数据集； [0043]步骤5.2:对提取到的R个事务项数据集，将其与训练集中每种车型图像的显露模 式集进行匹配统计，得到其基于训练集中每种车型图像的模式集直方图表示；
[0044] 步骤5.3:将得到的测试车型图像的每种模式集直方图表示，导入步骤4中的车型 识别系统进行测试，根据最大概率匹配，识别出车型。
[0045] 因为本发明采用上述技术方案，因此具备以下有益效果：
[0046] 本发明采用了词袋模型来构建车型图像的直方图表示，算法简单高效，再使用跳 跃显露模式挖掘方法来挖掘图像特征的内在联系，大大降低了图像特征的维度，提升了运 算效率，减少了内存消耗，具有较高的实用性和鲁棒性。
【附图说明】
[0047] 本发明将通过例子并参照附图的方式说明，其中：
[0048] 图1为图像的模式集直方图算法实现示意图；
[0049] 图2为根据词袋模型构建图像直方图示意图；
[0050] 图3为随机投影二值化过程示意图； 图4为构建图像的模式集直方图示意图； 图5为显露模式挖掘示意图。
【具体实施方式】
[0051] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥 的特征和/或步骤以外，均可以以任何方式组合。
[0052] 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。
[0053] 本专利提出了一种基于局部特征聚合描述符的车型识别方法，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：
[0054]步骤1:对车型图像数据库，根据词袋模型构建图像的直方图表示；
[0055] 具体地，对具有N类车型图像的图像数据库，构建图像的直方图表示的方法有很 多，例如梯度方向直方图、局部三值模式、词袋模型等，由于词袋模型算法简单，易实现，本 发明使用词袋模型构建图像的直方图，示意图如图2所示，包括以下几个步骤：
[0056] 步骤1.1:提取所有N类车型图像的SIFT特征，进行KMeans聚类，得到一个具有D个 视觉单词的字典；
[0057]步骤1.2:对每个车型图像，由最近邻算法将其SIFT特征分配给离其最近的视觉单 词；
[0058]步骤1.3:根据每个视觉单词周围的SIFT特征的个数，构建一个基于视觉单词的直 方图，归一化后，得到图像的D维直方图表示。
[0059] 步骤2:对构建的图像直方图进行多次随机投影，然后进行二值化处理，得到图像 的二值化事务项数据集；
[0060] 具体地，由于构建的图像直方图维数还是很高，所以需要进行投影降维，在实验中 采取PCA方法和直接对图像直方图进行多次随机投影的方法做对比，实验结果表明PCA并没 有提升实验效果，且其算法较复杂，故本发明采取对图像直方图进行多次随机投影的方法， 并进行二值化处理，构成图像的二值化事务项数据集，示意图如图3所示，包括以下几个步 骤：
[0061] 步骤2.1:对图像的直方图表示，随机选取P个视觉单词的直方图，