基于決策導向非循環(huán)圖SVM的汽車(chē)車(chē)型識別

隨著(zhù)社會(huì )的發(fā)展，車(chē)輛越來(lái)越多，交通變得非常繁忙，城市對于公路和交通的管理已成為一個(gè)很重要的問(wèn)題。交通管理部門(mén)要實(shí)現現代化的科學(xué)管理，必須依靠交通管理系統。汽車(chē)是交通系統管理中的主要對象，能否自動(dòng)識別汽車(chē)類(lèi)型成為對公路和交通實(shí)現現代化管理的關(guān)鍵[1]。

現實(shí)中種類(lèi)繁多的汽車(chē)，需要實(shí)用而有效的車(chē)輛分類(lèi)方法。SVM作為一種新的學(xué)習分類(lèi)方法，目前在人臉識別、對象分類(lèi)等領(lǐng)域得到了很好的應用[2]。本文應用一種基于DDAG SVM建立分類(lèi)識別模型的車(chē)型識別方法進(jìn)行車(chē)型分類(lèi)。

1 信息獲取和特征值提取

1.1 車(chē)對象獲取

在分類(lèi)前應先獲取一幅如圖1所示的純背景圖像，再獲取到如圖2所示的同一背景下的車(chē)輛圖像后，就可以將兩幅圖像進(jìn)行逐像素“相減”。背景減法[1]，是將圖像中當前幀圖像和背景幀圖像進(jìn)行背景消除，所得差值(圖像中的灰度值)若大于設定的閾值，則判斷為運動(dòng)對象目標，如圖3所示；否則即為背景。通過(guò)對稱(chēng)比較圖3與對象原始圖2，存儲圖3中像素點(diǎn)對應的圖2中的顏色值，并進(jìn)行截取，得到圖4所示的對象，即為差分提取得到的車(chē)對象圖像。此方法提取的目標圖像可以克服因攝像機位置移動(dòng)和光線(xiàn)微弱變化帶來(lái)的影響。

1.2 圖像預處理

由于圖像在攝取過(guò)程中常會(huì )受到噪聲干擾，原本均勻的灰度突然變大或變小，使得圖像的后續處理引入誤差。而均值濾波[2]可以去除背景中的這些干擾。其處理步驟如下：

(1)設置模板大小，選取在灰度圖像f中以(x，y)為中心的5像素×5像素的窗口，濾波次數為兩次。

(2)使模板在圖像中的每個(gè)像素上移動(dòng)，并使模板中心與該像素位置重合。

(3)若平均灰度為a時(shí)，令f(x，y)=a。

(4)把被處理點(diǎn)的某一臨域中所有像素灰度的平均值作為該點(diǎn)灰度的估計值，則其預處理后的圖像如圖5所示。

1.3 圖像分割

預處理后的圖像中所包含的灰度信息比較多，還不能容易地進(jìn)行車(chē)型識別，需要將圖像轉化為二值圖像。由于圖像灰度直方圖形狀是多變的，對預處理的汽車(chē)圖像，不同的目標區域和背景區域中，同一區域內的像素，在位置和灰度級上同時(shí)具有較強的一致性和相關(guān)性。因此，本文選用基于“分水嶺”變化的閾值化方法[1]，按以下4個(gè)步驟完成圖像的分割。

(1)用修正過(guò)的開(kāi)、閉算子進(jìn)行濾波，消除圖像的亮斑或暗斑，并保持物體的邊界。

(2)確定同質(zhì)區域，同時(shí)為區域做標記。

(3)以區域標記為種子，用類(lèi)似于區域生長(cháng)的分水嶺算法進(jìn)行區域分割。

(4)進(jìn)行分割質(zhì)量評價(jià)，確定區域是否需要繼續分割，直至轉化為二值圖像。

原圖像經(jīng)過(guò)閾值分割之后，突出了汽車(chē)圖像，其效果如圖6所示。車(chē)身對象被置為“1”，其他均置為“0”，極大地方便了后期的車(chē)型識別。

1．4 圖像特征提取

物體的形狀特征對物體的識別有重要作用[3]。本文選擇的對象形狀特征有：高度、寬度、車(chē)頂寬度、周長(cháng)、面積等。由于這些基本參數大多是一些絕對特征，不能直接用來(lái)分析，需要轉換成相對值，本文轉化為頂長(cháng)比(頂蓬長(cháng)度與車(chē)輛高度之比)、頂高比(頂蓬長(cháng)度與車(chē)輛高度之比)，前后比(以頂蓬中垂線(xiàn)為界，前后兩部分之比)和占空比(對象目標的面積與此對象最小外接矩形的面積之比)。實(shí)驗結果部分特征數據如表1所示。

2 支持向量機與非線(xiàn)性分類(lèi)

2.1 SVM思想

支持向量[3]是指那些距離此最優(yōu)分類(lèi)面最近的訓練樣本。支持向量機[4]SVM(Support Vector Machine)是20世紀90年代形成的一種新的模式識別方法，它將待解決的模式識別問(wèn)題轉化為一個(gè)二次規劃尋優(yōu)問(wèn)題，理論上保證了全局最優(yōu)解，避免了局部收斂現象。SVM的主要思想是把非線(xiàn)性可分的數據通過(guò)某一變換映射到高維線(xiàn)性空間。

2.2 基于DDAG SVM的非線(xiàn)性分類(lèi)

在本文中由于車(chē)的特征比較多，采用決策導向非循環(huán)圖法DDAG[5](Decision Direct Acyclic Graph)，對于n類(lèi)問(wèn)題，DDAG方法用一對一的訓練方式進(jìn)行分類(lèi)器的構造，即得n(n-1)/2個(gè)兩類(lèi)的SVM分類(lèi)器。如圖7所示，本文采用SVM的分類(lèi)器結構共有4(4-1)/2個(gè)節點(diǎn)和4個(gè)葉子，即需6個(gè)分類(lèi)器，實(shí)現多類(lèi)目標分類(lèi)，將一輛車(chē)的特征值歸于一類(lèi)或幾類(lèi)。

需要注意的是，此方法中根部節點(diǎn)分類(lèi)器的作用很關(guān)鍵，因為根節點(diǎn)的分類(lèi)結果直接影響到下面的路徑，乃至最終的分類(lèi)結果，選用不同的根節點(diǎn)分類(lèi)器可能會(huì )產(chǎn)生不同的分類(lèi)路徑。

該支持向量機的具體實(shí)驗步驟如下：

針對實(shí)際問(wèn)題，根據分析所涉及對象具有的特征屬性及對象之間差異性，假設以字母A、B、C、D分別代表轎車(chē)、面包車(chē)、公交車(chē)和卡車(chē)的類(lèi)別符號(其中符號“~”表示“非”)，分類(lèi)過(guò)程的結構如下：

(1)利用DDAG-SVM法構造多個(gè)分類(lèi)器對車(chē)輛大類(lèi)別內的各子類(lèi)別進(jìn)行區分，其中選取形狀差異較大的轎車(chē)(A)和卡車(chē)(D)作為此層的根節點(diǎn)，以盡量減小分類(lèi)誤差的積累。

(2)再把轎車(chē)(A)、公交車(chē)(C)作為根節點(diǎn)的一個(gè)子節點(diǎn)，面包車(chē)(B)、卡車(chē)(D)作為另一個(gè)子節點(diǎn)。

(3)進(jìn)一步劃分為A/B、B/C、C/D 3個(gè)節點(diǎn)，即3個(gè)分類(lèi)器。

(4)依次區分出轎車(chē)、面包車(chē)、公交車(chē)和卡車(chē)。

3 實(shí)驗分析

本文用MATLAB7.0進(jìn)行仿真實(shí)驗，主要選取轎車(chē)、面包車(chē)、公交車(chē)和卡車(chē)作為車(chē)輛分類(lèi)圖像模式比對的實(shí)驗類(lèi)型，選取了280個(gè)樣本(每類(lèi)平均70個(gè))，其中160個(gè)用于訓練，120個(gè)用于測試。首先，構造了相應的SVM分類(lèi)器，提取了180張車(chē)圖像的特征值作為訓練集，獲取了最優(yōu)分類(lèi)面；然后，將剩余的120張汽車(chē)圖像按照同樣的過(guò)程進(jìn)行特征值提取，再在訓練好的支持向量機上進(jìn)行分類(lèi)，所得到的分類(lèi)結果如表2所示，神經(jīng)網(wǎng)絡(luò )的實(shí)驗結果如表3所示。

結果表明，與神經(jīng)網(wǎng)絡(luò )方法相比，DDAG SVM是一種對多類(lèi)車(chē)進(jìn)行分類(lèi)切實(shí)可行的有效方法，不但分類(lèi)精度高，而且識別效果也比較好。

為了解決對多類(lèi)車(chē)的分類(lèi)，本文提出了一種基于DDAG SVM對多種車(chē)型分類(lèi)的方法，實(shí)驗結果證明，DDAG SVM是一種對多類(lèi)車(chē)進(jìn)行分類(lèi)切實(shí)可行的有效方法。由于實(shí)驗中選用的車(chē)輛圖片是以正側面為主，與現實(shí)中任意方位角的車(chē)輛相比，還只是較特殊的一類(lèi)，要具有普遍性，還得進(jìn)一步繼續深入研究。