基于Gabor特征提取和稀疏表示的车辆识别方法
【专利摘要】本发明公开了一种基于Gabor特征提取和稀疏表示的车辆识别方法，首先将车辆分类，每类选取一定数量的车辆作为样本车辆图像，通过2D-Gabor滤波器提取样本车辆图像的Gabor特征，用其来构建稀疏表示所需要的特征字典，并通过主成分分析法降低所构建的特征字典的维数，其次通过相同的2D-Gabor滤波器提取待测车辆图像的Gabor特征并进行降维处理，根据正交匹配追踪算法求解降维后待测车辆图像的Gabor特征在所构建特征字典上的稀疏系数，最后根据重构残差的方法判别待测车辆所属类别。本发明的车辆识别方法具有较高的准确率，能够满足车辆识别的需要。
【专利说明】基于Gabor特征提取和稀疏表示的车辆识别方法
【技术领域】
[0001] 本发明涉及一种基于Gabor特征提取和稀疏表示的车辆识别方法，属于车辆识别
【技术领域】。
【背景技术】
[0002] 近年来，随着国民经济的迅速发展和人们生活水平的不断提高，机动车辆快速 增长，交通堵塞和交通事故频繁发生，交通问题日益严峻。为提高交通系统运行的有 序性和可靠性，实现交通运输服务的智能化监控和管理，智能交通系统（Intelligent Transportation System, ITS)显得尤为重要，它已经成为当前交通领域的前沿技术之一。
[0003] 目前主要的车辆识别方法是通过在要检测的路段预先埋下压电传感材料，当车辆 经过时，压电材料产生同承重压力成正比的电量，根据电量的大小和产生的次数可以得到 车辆载重量和轮轴数等，通过模版匹配的方法可以确定车型，但是该方法埋置传感器软化 了路面，路面较容易受损，其次传感器响应结果易受周围环境和繁忙交通的影响，而且压电 传感器寿面有限，一般为两年，更换传感器需要破坏交通路面后重新铺设，要花费较高的代 价，这些都给传统的车辆识别管理方法带来了极大地挑战。
【发明内容】
[0004] 本发明所要解决的技术问题是：提供一种准确率高、识别效果好的基于Gabor特 征提取和稀疏表示的车辆识别方法。
[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Gabor特征提取和稀疏表示的车辆识别方法，包括如下步骤：
[0007] 步骤1、采集各个类别的样本车辆图像，并提取样本车辆图像的Gabor特征；
[0008] 步骤2、根据步骤1所得的样本车辆图像的Gabor特征，建立样本车辆图像的初始 特征字典，并对初始特征字典降维，得到降维后的特征字典；
[0009] 步骤3、采集待测车辆图像，并提取待测车辆图像的Gabor特征；
[0010] 步骤4、根据步骤3所得的待测车辆图像的Gabor特征，对待测车辆图像的Gabor 特征进行降维处理，使得待测车辆图像的维数等于特征字典的维数，得到降维后的Gabor 特征；
[0011] 步骤5、计算步骤4所得的降维后的Gabor特征在步骤2所得的降维后的特征字典 上的稀疏系数；
[0012] 步骤6、根据步骤5所得的稀疏系数将待测车辆图像在步骤2所得降维后的特征字 典中表示出来，得到各个类别的近似待测车辆图像，计算待测车辆图像与各个类别的近似 待测车辆图像之间的残差，残差最小时对应的类别即为待测车辆图像所在的类。
[0013] 优选的，所述Gabor特征的提取方法如下：利用快速傅里叶变换以及傅里叶反变 换计算Gabor小波核函数与相应的车辆图像的卷积结果，将其作为相应的车辆图像的局部 纹理特征，将相应的车辆图像的局部纹理特征的幅值作为相应的车辆图像的Gabor特征。
[0014] 优选的，步骤2中所述初始特征字典的建立方法为：将每幅样本车辆图像的Gabor 特征图像的像素矩阵按列拉伸，组成一维向量，将各个类别的样本车辆图像的Gabor特征 组成矩阵形成各个类别样本车辆图像的初始特征字典，将各个类别的初始特征字典合并得 到样本车辆图像的初始特征字典。
[0015] 优选的，步骤2中所述初始特征字典的降维方法为主成分分析法，所述主成分分 析法的步骤为：归一化所述初始特征字典得到新的特征字典矩阵，计算新的特征字典矩阵 的协方差矩阵，计算协方差矩阵的特征值和特征向量，特征向量按对应的特征值由大到小 排列，并取前t列特征向量得到线性变换矩阵，t为大于1且小于特征向量总列数的自然数， 并且t小于样本的总个数，将线性变换矩阵的转置矩阵乘以初始特征字典得到新的特征字 典。
[0016] 优选的，步骤4中所述待测车辆图像的Gabor特征的降维方法为主成分分析法，所 述主成分分析法的步骤为：矢量化待测车辆图像的Gabor特征，并将待测车辆图像的Gabor 特征图像的像素矩阵按列拉伸，得到一维列向量，计算一维列向量的协方差矩阵，计算协方 差矩阵的特征值和特征向量，特征向量按对应的特征值由大到小排列，并取前t列特征向 量得到线性变换矩阵，t为大于1且小于特征向量总列数的自然数，并且t小于样本的总个 数，将线性变换矩阵的转置矩阵乘以一维列向量得到新的待测车辆图像Gabor特征。
[0017] 优选的，步骤5中所述稀疏系数的计算方法为正交匹配追踪算法，所述正交匹配 追踪算法的步骤为：预设总迭代次数、索引集和初始余量，计算余量与特征字典矩阵中每列 原子的内积，使内积的绝对值最大的原子即为与余量最相关的原子，将该原子添加到预设 索引集得到新的索引集，利用最小二乘法计算待测车辆图像在新的索引集上的最优系数向 量，计算待测车辆图像Gabor特征新的余量，重复上述步骤直至迭代次数大于总迭代次数， 并输出最后一次迭代得到的系数向量。
[0018] 优选的，步骤1中所述样本车辆图像的采集方法如下：将每个类别的样本车辆图 像各采集若干辆不同车的车头图像，然后将每幅车头图像在[-5°，+5° ]旋转并选择若干 张作为样本车辆图像。
[0019] 优选的，所述Gabor特征提取之前，利用加权平均法对相应的车辆图像做灰度处 理。
[0020] 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：
[0021] 1、本发明基于Gabor特征提取和稀疏表示的车辆识别方法利用Gabor特征提取和 稀疏表示，对待测车辆所属类别进行判别，具有较高的准确率，能够满足车辆识别管理的需 要。
[0022] 2、本发明基于Gabor特征提取和稀疏表示的车辆识别方法思路简单，计算不复 杂。
【专利附图】
【附图说明】
[0023] 图1是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的车辆识别方法流 程图。
[0024] 图2是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的车辆图像采集示 意图。
[0025] 图3是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的初始特征字典降 维方法流程图。
[0026] 图4是本发明基于Gabor特征提取和稀疏表示的车辆识别方法的稀疏系数求解方 法流程图。
【具体实施方式】
[0027] 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。
[0028] 如图1所示，基于Gabor特征提取和稀疏表示的车辆识别方法，通过2D_Gabor滤 波器组提取样本车辆图像的Gabor特征，构建稀疏表示所需要的初始特征字典，采用主成 分分析法对初始特征字典进行降维处理，并通过相同的2D-Gabor滤波器组提取待测车辆 图像的Gabor特征，同样采用主成分分析法对待测车辆图像的Gabor特征进行降维处理，求 解其在所构建的特征字典上的稀疏系数，通过重构残差判别待测车辆图像所属类别，降维 方法除了主成分分析法，还有其他方法，例如线性判别分析、多维尺度分析、拉普拉斯特征 映射等等，这里使用主成分分析法的优点是该方法理论完善、概念简单、计算方便，具有最 优线性重构误差。
[0029] 步骤1、对样本车辆图像进行Gabor特征提取
[0030] 首先，样本车辆的种类为4类，分别为：公共汽车、长途客车、小轿车、卡车，样本车 辆图像通过安装在车道上方的摄像头（如图2所示）获取，摄像头与地面的垂直距离为5 米，摄像头拍摄视线与路面所成夹角为30度时拍摄效果最佳，每类样本车辆选取10辆不同 的车，分别采集其车头图像作为其样本图像，并将每幅样本图像旋转-5°、0°、+5°来模拟 道路不平造成的车辆角度差异，所采集样本车辆总数q = 4X3X10 = 120个，每幅样本车 辆图像的尺寸为320X240像素。
[0031] 由于样本车辆图像的原始图像为彩色图像，采用原始图像计算数据量较大，为了 缩小计算数据量，因此需要将样本车辆图像转换为灰度图，根据加权平均法对样本车辆图 像灰度化，得到第i类第j个样本车辆图像的灰度值IuOn，η)，
[0032] Ii;』（m，η) = 0· 301^，』（m，η)+0· 59Gi;』（m，η)+0· llBi，』（m，η),
[0033] 其中，i，j表示第i类车辆中第j幅样本（i = 1，2,…，4, j = 1，2,…，30)，m， n分别为样本车辆图像像素的横、纵坐标，&>，n)为第i类第j个样本车辆图像第m行第 η列像素的红色分量，Gy (m，η)为第i类第j个样本车辆图像第m行第η列像素的绿色分 量，By (m，η)为第i类第j个样本车辆图像第m行第η列像素的蓝色分量。
[0034] 接着，利用2D-Gabor滤波器提取样本车辆图像的局部纹理特征Mv， u(z)，即采 用二维Gabor小波模仿视觉皮层细胞的滤波响应，描述图像的空间域和频率域的局部化 特性，M u，v (z) = I (z)*Wu，v (z)，其中，z = (m, η)是矢量，表示第m行第η列像素的坐 标，Ι(ζ)表示样本车辆图像的灰度值，*表示卷积运算，
【权利要求】
1. 一种基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于：包括如下步 骤： 步骤1、采集各个类别的样本车辆图像，并提取样本车辆图像的Gabor特征； 步骤2、根据步骤1所得的样本车辆图像的Gabor特征，建立样本车辆图像的初始特征 字典，并对初始特征字典降维，得到降维后的特征字典； 步骤3、采集待测车辆图像，并提取待测车辆图像的Gabor特征； 步骤4、根据步骤3所得的待测车辆图像的Gabor特征，对待测车辆图像的Gabor特征 进行降维处理，使得待测车辆图像的维数等于特征字典的维数，得到降维后的Gabor特征； 步骤5、计算步骤4所得的降维后的Gabor特征在步骤2所得的降维后的特征字典上的 稀疏系数； 步骤6、根据步骤5所得的稀疏系数将待测车辆图像在步骤2所得降维后的特征字典中 表示出来，得到各个类别的近似待测车辆图像，计算待测车辆图像与各个类别的近似待测 车辆图像之间的残差，残差最小时对应的类别即为待测车辆图像所在的类。
2. 如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于： 所述Gabor特征的提取方法如下：利用快速傅里叶变换以及傅里叶反变换计算Gabor小波 核函数与相应的车辆图像的卷积结果，将其作为相应的车辆图像的局部纹理特征，将相应 的车辆图像的局部纹理特征的幅值作为相应的车辆图像的Gabor特征。
3. 如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于： 步骤2中所述初始特征字典的建立方法为：将每幅样本车辆图像的Gabor特征图像的像素 矩阵按列拉伸，组成一维向量，将各个类别的样本车辆图像的Gabor特征组成矩阵形成各 个类别样本车辆图像的初始特征字典，将各个类别的初始特征字典合并得到样本车辆图像 的初始特征字典。
4. 如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于： 步骤2中所述初始特征字典的降维方法为主成分分析法，所述主成分分析法的步骤为：归 一化所述初始特征字典得到新的特征字典矩阵，计算新的特征字典矩阵的协方差矩阵，计 算协方差矩阵的特征值和特征向量，特征向量按对应的特征值由大到小排列，并取前?列 特征向量得到线性变换矩阵，?为大于1且小于特征向量总列数的自然数，并且?小于样本 的总个数，将线性变换矩阵的转置矩阵乘以初始特征字典得到新的特征字典。
5. 如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于： 步骤4中所述待测车辆图像的Gabor特征的降维方法为主成分分析法，所述主成分分析法 的步骤为：矢量化待测车辆图像的Gabor特征，并将待测车辆图像的Gabor特征图像的像素 矩阵按列拉伸，得到一维列向量，计算一维列向量的协方差矩阵，计算协方差矩阵的特征值 和特征向量，特征向量按对应的特征值由大到小排列，并取前?列特征向量得到线性变换 矩阵，?为大于1且小于特征向量总列数的自然数，并且?小于样本的总个数，将线性变换 矩阵的转置矩阵乘以一维列向量得到新的待测车辆图像Gabor特征。
6. 如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于： 步骤5中所述稀疏系数的计算方法为正交匹配追踪算法，所述正交匹配追踪算法的步骤 为：预设总迭代次数、索引集和初始余量，计算余量与特征字典矩阵中每列原子的内积，使 内积的绝对值最大的原子即为与余量最相关的原子，将该原子添加到预设索引集得到新的 索引集，利用最小二乘法计算待测车辆图像在新的索引集上的最优系数向量，计算待测车 辆图像Gabor特征新的余量，重复上述步骤直至迭代次数大于总迭代次数，并输出最后一 次迭代得到的系数向量。
7. 如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于： 步骤1中所述样本车辆图像的采集方法如下：将每个类别的样本车辆图像各采集若干辆不 同车的车头图像，然后将每幅车头图像在[_5°，+5°]旋转并选择若干张作为样本车辆图像。
8. 如权利要求1所述基于Gabor特征提取和稀疏表示的车辆识别方法，其特征在于： 所述Gabor特征提取之前，利用加权平均法对相应的车辆图像做灰度处理。
【文档编号】G06K9/00GK104091151SQ201410307090
【公开日】2014年10月8日 申请日期:2014年6月30日 优先权日:2014年6月30日
【发明者】孙伟, 金炎, 张小瑞, 陈刚, 唐慧强, 张小娜, 孙仲, 周宏远 申请人:南京信息工程大学