一种基于类字典稀疏识别的车辆分类方法
【技术领域】
[0001] 本发明公开了一种基于类字典稀疏识别的车辆分类方法，涉及智能交通和图像处 理技术领域。
【背景技术】
[0002] 在现代社会发展日新月异的今天，交通作为涉及到人们日常生活的重要领域，虽 然取得了长足的进步，但不断凸显的交通问题已成为一个全球性的棘手问题，交通拥挤、事 故频繁发生、环境污染加剧。为了解决这些问题，20世纪80年代以来，智能交通系统便应运 而生，发挥着重要的作用。车辆分类是推进智能交通系统发展的一个重要的研宄方向，在道 路交通监控系统、交通车辆管理系统和高速公路收费系统等方面都有着广泛的应用前景。
[0003] 车辆分类主要包括两大步骤：特征提取和分类器构造。这两个因素对分类性能 的好坏有重要的影响。现阶段有很多特征提取的方法，比如：颜色直方图特征、LBP特征、 Gabor特征、HOG特征、Surf特征等。但是不同的特征提取方法有不同的适应场景，场景稍 加变化，就会使分类性能降低，很难同时获得好的鲁棒性和高的精确度；现阶段常用的分类 器主要有：BP神经网络分类器、SVM分类器、线性分类器、贝叶斯分类器等。BP神经网络分 类器虽然分类效果良好，但是所需训练样本比较多，并且对样本的要求也比较高。SVM分类 器对二分类的分类效果优良，但是对于多分类效果不佳，并且算法比较复杂。
【发明内容】
[0004] 本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于类字典稀疏 识别的车辆分类方法，首先将训练图像变成灰度图像并归一化为同一尺寸，提取LBP特征 和SIFT特征并级联，采用RLS-DLA算法进行字典训练，针对自行车、摩托车、汽车三类典型 目标的图像数据集，分别训练出三个对应的类字典；将待分类目标灰度化和归一化后，提取 LBP特征和SIFT特征并将二者进行级联；利用训练好的三个类字典，进行稀疏识别，分别求 出各类对应的稀疏系数，依据最近邻原则进行分类。
[0005] 本发明为解决上述技术问题采用以下技术方案：
[0006] 一种基于类字典稀疏识别的车辆分类方法，所述方法包括如下步骤：
[0007] 步骤一、对车辆图像集中的样本进行灰度化，再归一化为同一尺寸的图像I1;
[0008] 步骤二、提取图像1亦LBP特征和SIFT特征，并把上述两个特征相级联，组合成 一个与应的融合特征V κ;
[0009] 步骤三、采用RLS-DLA字典学习算法对融合特征％进行训练，针对不同类型的车 辆分别训练出各自对应的类字典；
[0010] 步骤四、对待分类目标图像进行灰度化处理，并归一化为同一尺寸的图像I。；
[0011] 步骤五、提取图像I。的LBP特征和SIFT特征，并把两个特征相级联，组合成一个 与I。对应的融合特征V
[0012] 步骤六、根据步骤三中训练好的类字典进行稀疏识别，分别求出各类对应的稀疏 系数，依据最近邻原则进行分类，判断步骤四中的待分类目标图像具体所属的车辆类型。
[0013] 作为本发明的进一步优选方案，步骤一中，所述车辆图像包括自行车、摩托车和汽 车三类，每类图像都包含不同拍摄角度的图像，每类图像的数量为150张；归一化为同一尺 寸的图像1为40X50大小的灰度图像。
[0014] 作为本发明的进一步优选方案，步骤二中，所述特征提取的过程具体包括：
[0015] 201 :采用LBP算子对图像I1进行特征提取，得到一个I X 2000维的LBP特征V
[0016] 202 :采用SIFT算子对图像I1进行特征提取，得到一个IX 1280维的SIFT特征Vs;
[0017] 203 :把特征VjPVs相融合，将特征接串联至特征VJg，得到一个1X3280维 的融合特征VK。
[0018] 作为本发明的进一步优选方案，步骤三中，采用RLS-DLA算法对融合特征Vk进行 训练的过程具体包括：
[0019] 301 :将一类图像中150个融合特征成一个3280 X 150维的融合特征矩阵H κ， 采用RLS-DLA算法对馬进行训练，其中递归次数为50次，峰值信噪比为35,字典中原子数 量为128,进而得到一个3280 X 128维的字典D1;
[0020] 302 :根据步骤301中的方法训练出针对其他类图像的字典仏和D 3。
[0021] 作为本发明的进一步优选方案，步骤六中，采用MP算法计算稀疏系数，所述稀疏 识别的具体步骤包括：
[0022] 601 :采用MP算法分别计算出待分类目标图像的融合特征V。用字典D1表示的稀疏 系数W1，用字典D 2表示的稀疏系数w 2，用字典03表示的稀疏系数w 3;
[0023] 602 :分别计算稀疏系数WnWy W3的1范数，以及其中的最小值：
[0024] Wk= min {I I w ! I I " I I w21 I !，I I w31 I!};
[0025] 603 :所有类字典的稀疏系数1范数的最小值所对应的类别即为待测目标所属 的类别。
[0026] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明方法中类 字典对于特定类的表征能力强于由全体数据集生成的全局字典；把LBP纹理特征和SIFT角 点特征相结合，不仅能保留图像的全局特征，还可以有效突出局部特征；本发明可以滤除光 照对车辆目标图像处理的影响，并且对不同角度的目标图像仍能达到良好的分类效果。所 述方法具有较好的鲁棒性和较高的精确度，对光照变化，目标尺寸变化以及角度变化的待 分类目标图像都能取得较好的分类效果。
【附图说明】
[0027] 图1是本发明中基于类字典稀疏识别的车辆分类方法流程图。
【具体实施方式】
[0028] 下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始 至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参 考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0029] 下面结合附图对本发明的技术方案做进一步的详细说明：
[0030] 本发明中基于类字典稀疏识别的车辆分类方法流程图如图1所示，本发明一种基 于类字典稀疏识别的车辆分类方法，其步骤如下：
[0031] 步骤A :采集交通监控视频和小区监控视频中的自行车、摩托车、汽车的图像，要 求有效目标自行车、摩托车、汽车应占所采集图像的20%以上区域。每类图像各采集150 张，包含不同拍摄角度的图像，如正面、侧面、后面等。这样共采集450张图像，作为训练图 像。对每张训练图像首先进行灰度化处理，然后归一化为同一尺寸40X50大小的灰度图像 Ιι〇
[0032] 步骤B :提取图像1亦LBP特征八和SIFT特征V s，并把两个特征相级联，组合成 一个与I1对应的融合特Evk。详细步骤如下：
[0033] 步骤B-I (提取LBP特征VJ :使用LBP算子对I1进行特征提取。其中，LBP算子的 窗口的尺寸为3X 3,邻域半径R为1，邻域上像素点的个数P为8。将图像I1的任意一点定 义为中心点，以此中心点的灰度值为阈值对3X3窗口内的另外8个像素点作二值化处理。 若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3X 3邻域内 的8个点经比较产生8位2进制数，然后将其转换成十进制数即LBP码，即得到该邻域中心 像素点的LBP值。LBP值计算公式如下：
【主权项】
1. 一种基于类字典稀疏识别的车辆分类方法，其特征在于，所述方法包括如下步骤： 步骤一、对车辆图像集中的样本进行灰度化，再归一化为同一尺寸的图像II; 步骤二、提取图像Ii的LBP特征和SIFT特征，并把上述两个特征相级联，组合成一个 与Ii对应的融合特征Vc; 步骤S、采用化S-DLA字典学习算法对融合特征Vk进行训练，针对不同类型的车辆分 别训练出各自对应的类字典； 步骤四、对待分类目标图像进行灰度化处理，并归一化为同一尺寸的图像I。； 步骤五、提取图像I。的LBP特征和SIFT特征，并把两个特征相级联，组合成一个与I。 对应的融合特征Vc; 步骤六、根据步骤=中训练好的类字典进行稀疏识别，分别求出各类对应的稀疏系数， 依据最近邻原则进行分类，判断步骤四中的待分类目标图像具体所属的车辆类型。
2. 如权利要求1所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤 一中，所述车辆图像包括自行车、摩托车和汽车=类，每类图像都包含不同拍摄角度的图 像，每类图像的数量为150张；归一化为同一尺寸的图像Ii为40X50大小的灰度图像。
3. 如权利要求1所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤 二中，所述特征提取的过程具体包括： 201 ;采用LBP算子对图像Ii进行特征提取，得到一个1 X 2000维的LBP特征V 202 ;采用SIFT算子对图像Ii进行特征提取，得到一个1 X 1280维的SIFT特征V S; 203 ;把特征V讯V湘融合，将特征V S直接串联至特征V店，得到一个1 X 3280维的 融合特征Vk。
4. 如权利要求2所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤 S中，采用化S-DLA算法对融合特征V,进行训练的过程具体包括： 301 ;将一类图像中150个融合特征Vk组成一个3280X150维的融合特征矩阵Hk，采用 化S-DLA算法对咕进行训练，其中递归次数为50次，峰值信噪比为35,字典中原子数量为 128,进而得到一个3280X128维的字典Di; 302 ;根据步骤301中的方法训练出针对其他类图像的字典化和D 3。
5. 如权利要求4所述的一种基于类字典稀疏识别的车辆分类方法，其特征在于：步骤 六中，采用MP算法计算稀疏系数，所述稀疏识别的具体步骤包括： 601 ;采用MP算法分别计算出待分类目标图像的融合特征V。用字典D1表示的稀疏系数 讯1，用字典化表不的稀疏系数W 2,用字典表不的稀疏系数W 3; 602 ;分别计算稀疏系数Wi、W2、W3的1范数，W及其中的最小值： Wk= min {I IW J I。I I "2II ：!，II "3II J ; 603 ;所有类字典的稀疏系数1范数的最小值所对应的类别即为待测目标所属的类 别。
【专利摘要】本发明公开了一种基于类字典稀疏识别的车辆分类方法，所述方法首先将训练图像变成灰度图像并归一化为同一尺寸，提取LBP特征和SIFT特征并级联，采用RLS-DLA算法进行字典训练，针对自行车、摩托车、汽车三类典型目标的图像数据集，分别训练出三个对应的类字典；将待分类目标灰度化和归一化后，提取LBP特征和SIFT特征并将二者进行级联；利用训练好的三个类字典，进行稀疏识别，分别求出各类对应的稀疏系数，依据最近邻原则进行分类。本发明方法中类字典对于特定类的表征能力强于由全体数据集生成的全局字典，可以滤除光照对车辆目标图像处理的影响，并且对不同角度的目标图像仍能达到良好的分类效果。
【IPC分类】G06K9-62
【公开号】CN104598928
【申请号】CN201510051034
【发明人】李艺, 刘佶鑫
【申请人】南京邮电大学
【公开日】2015年5月6日
【申请日】2015年1月30日