基于特征融合的車型檢測新算法

耿慶田，于繁華，王宇婷，高琦坤

(1.長春師范大學 計算機科學與技術學院，長春 130032；2.吉林大學 計算機科學與技術學院，長春 130012)

0 引 言

隨汽車數量日益增多，交通系統的壓力也越來越大。汽車車型檢測作為智能交通中的關鍵技術，無論在交通管控還是在交通事故認定等方面等有廣泛的應用。目前，常用的汽車車型檢測方法有：基于地磁感應器的車型檢測[1]、基于SIFT特征的車型檢測[2,3]、基于小波分析的車型檢測[4]、基于特征點的車型檢測[5]、奇異值方法用于汽車車型檢測[6]、基于神經網絡的汽車車型檢測[7]、基于模式匹配算法的車型檢測[8]以及基于紋理特征的汽車車型檢測[9]。以上檢測方法能滿足工程級實時性的要求，但由于特征維數高，導致檢測速度慢，或由于環境背景復雜，導致檢測率低?；诜诸惼鞯能囆蜋z測方法經常用于機器學習、云計算理論、人工智能等智能算法，但一般要求較大的訓練樣本。

本文提出了一種基于改進HOG特征提取并與LBP特征結合的車型檢測方法，通過改進HOG特征并與LBP特征相融合，既提高了特征提取的速度，又改善了特征檢測的精度，同時采用主成分分析(PCA)法約減維數來降低分類器的復雜性，提高圖像檢測速度。該方法改進了傳統的單一特征提取方法。仿真實驗結果表明：該方法對車輛輪廓外型檢測有較好的實時性和較高的精確度。

1 改進的HOG特征算法

1.1 HOG特征對稱處理

梯度方向直方圖(Histogram of oriented gradient，HOG)[10]特征算子經常被用在模式檢測與圖像處理領域，通過用梯度的方向密度分布對目標物體的外形進行精確的描述，來實現對被檢測圖像中的目標物體特征向量的提取。因此，HOG特征提取從靜止圖像的目標檢測到智能交通系統的動態目標檢測均被廣泛采用。

利用車輛輪廓對稱性特點，本文使用HOG特征將原始車輛圖像分為幾個對稱區域，如圖1所示。

圖1 圖像HOG特征的對稱性Fig.1 Symmetry of HOG features in an image

由圖1可知HOG1與HOG2，HOG3與HOG4分別對稱。由此可設S1，S2分別為對稱特征的對稱向量，則S1與S2也是對稱關系。

圖2 通道變化范圍Fig.2 Channel variation range

如圖2所示，每個HOG特征可通過8個Bin通道獲得，但HOG特征與HOG向量需調整維數才能完全對應，過程如下：

HL=[hl1hl2hl3hl4hl5hl6hl7hl8]T

(1)

HR=[hr1hr2hr3hr4hr5hr6hr7hr8]T

(2)

(3)

S1=[s11s12s13s14s15s16s17s18]

(4)

(5)

1.2 對HOG稱特征進行分層處理

為使HOG特征進一步適應環境的變化，提高車型圖像的檢測率，本文在對HOG特征做對稱向量處理的基礎上進行分層處理，如圖3所示。

圖3 HOG對稱特征的分層過程Fig.3 Hierarchy process of HOG symmetric feature

具體算法如下：

(1)將第1層HOG特征的32維向量做對稱處理，可得到16維對稱向量。

(2)將灰度圖像等分為4個單元，每單元等分為8個Bin通道，由此得到第1層的32維向量。

(3)將灰度圖像分成9個塊區域，得到9×32=288維向量。

(4)最后將所得向量串接得到336維分層HOG對稱向量。

2 特征融合車型檢測算法

雖然HOG特征可用來描述被檢測物體的特征，但在復雜環境及光照因素的影響下，會使基于HOG特征的檢測算法的檢測率下降，本文融合LBP(Local binary pattern)[11,12]特征來消除由于環境復雜和光照因素的影響導致采用HOG特征時檢測率下降的缺點。為提高車型的檢測率及檢測速度，提出了基于HOG+LBP多特征融合的車型檢測算法，該算法先通過PCA算法對HOG特征進行降維改進，提高特征提取速度，然后利用改進的HOG+ LBP特征提高檢測精度。

2.1 LBP特征

LBP特征具有灰度、尺度、旋轉等不變性，因此對復雜背景和光照因素具有較好的魯棒性，被用來表示圖像信息的特征描述算子。LBP特征值定義

(6)

(7)

具體計算過程如圖4所示，設3*3窗口的中心像素點的灰度值為80，且為閾值，與其相鄰的窗口像素點的灰度值若大于閾值則標記為1，否則標記為0，由此得到LBP的二進制編碼00110010，轉換為十進制即得50。

圖4 LBP特征值計算過程Fig.4 LBP eigenvalue calculation process

由于上述計算過程不能包含任意區域，不能精確計算復雜背景的目標圖像的特征值，因此Ojala等[12]提出任意鄰域的思想，并用圓形區域代替方形區域，其計算過程如下：

設T為區域內各像素灰度值的聯合分布：

T=t(G1,G2,…,Gk)

(8)

式中：Go為區域中心像素點的灰度值，即閾值；Gk為與中心像素點相鄰的k個取樣點，則Gk的坐標為：

(xk,yk)=(xo+Rcos(2πk/h),yo-Rsin(2πk/h))

(9)

式中：(xo,yo)為區域中心點坐標；R為鄰域半徑；h、k分別為采樣點數量和序號。則式(9)變為：

T=t(G1,G2-Go,…,Gk-Go)

(10)

假設Go與(Gk-Go)相互獨立，則式(10)變為：

T=t(Go)(G1-Go,…,Gk-Go)

(11)

根據LBP特征值具有灰度不變性，而t(Go)僅表示亮度分布，它與區域特征值不相關，可忽略不計，式(11)可簡化為：

T≈t(G1-Go,…,Gk-Go)

(12)

為滿足LBP算子尺度不變特性，本文忽略差值大小關注差值的正負屬性，則式(12)變為：

T≈t(S(G1-Go),…,S(Gk-Go))

(13)

用LBP(xo,yo)表示以(xo,yo)為中心點鄰域的紋理信息，則有：

(14)

T≈t(LBP(xo,yo))

(15)

2.2 LBP特征提取

為提高抽取特征值的精度，本文在HOG特征的基礎上引入LBP特征，其特征提取過程如圖5所示。

圖5 LBP特征提取過程Fig.5 LBP feature extraction process

2.3 PCA算法

在圖像檢測過程中，采用原始特征空間的高維度進行模型訓練會使計算復雜度大大增加，導致樣本的統計特性無法估計。因此需降低原始特征的維數。本文采用主成分分析(Principal component analysis，PCA)[13]法實現特征提取，以達到“約減維數”的目的，從而提高圖像檢測速度。

理想情況下，樣本x的特征空間沒有冗余信息，利用PCA算法可表示為：

y=MTx

(16)

(17)

式中：M=(m1,m2, …,mK)是RK特征空間的一組基底，對前k項的x進行估算，得：

(18)

由此產生的均方誤差為：

(19)

根據Lagrange Multiplier算法，在滿足式(20)的條件下可得到均方誤差極大值表達式(21)：

(S-aiI)mi=0

(20)

i=k+1,k+2,…,K

(21)

式中：yi=miTx，i=1, 2, …,K；S為x的協方差矩陣；mi為特征向量。

(22)

式中：當ai的值越小，對應的特征向量信息減損越少。

本文通過改進HOG特征并與LBP特征結合來對車型進行檢測，既提高了特征提取的速度，又改善了特征檢測的精度，同時采用PCA法約減維數降低了分類器的復雜程度，具體融合降維過程如圖6所示。

圖6 特征融合流程圖Fig.6 Feature fusion flow chart

2.4 SVM模型訓練

支持向量機[14-17](Supper vector machine，SVM)是一種機器學習算法，以統計學為基礎，使用最小化分類模型的結構風險和經驗風險，在樣本量不多的情況下，也能實現較好的分類效果。即SVM是通過在樣本空間計算出一個最優的平面把不同的樣本區分開，如圖7所示。由于SVM更適合于圖像檢測過程中的特征值分類，因此本文選用SVM作為分類器。

圖7 SVM分類示意圖Fig.7 SVM classification schematic diagram

分類器常用的核函數包括：

K(x,y)=tan(a(x,y)+b)

(23)

K(x,y)=[(x,y)+1]d

(24)

(25)

K(x,y)=x,y

(26)

SVM通過分類樣本的學習訓練，而后達到完成分類的工作。如圖8所示，H為分類面，H1、H2都平行于H，H1、H2是通過各類樣本且距H最近點的超平面。若H滿足分類間隔最大，則H為最優分類面。間隔越遠，該分類器的推廣能力就越強。

設訓練樣本集為S，則

S={(x1,y1),(x2,y2),…,(xn,yn)}

yi∈{-1,1}

《全日制義務教育語文課程標準》積極倡導：“語文教學應在師生平等對話的過程中進行?！苯處熢诮虒W過程中應與學生積極互動、共同發展，形成“我—你”式的對話教學。

(27)

最優分割平面方程定義為：

wTx+b=0

(28)

由SVM的定義，若樣本線性可分，則需滿足：

yi(wTxi+b)≥1

(29)

分隔間隔表示為：

δjiange=yi(wTxi+b)

(30)

式中：yi表示所屬類別，取值范圍為[-1,1]；xi是針對樣本的特征向量。

分類器用于分類的函數簡寫為：

f(x)=wx+b

(31)

設閾值為0，由于樣本所在類已確定，則有wx+b>0，yi>0，所以f(xi)>0；反之，有wx+b<0，yi<0，同樣f(xi)>0。則有yi(wxi+b) >0始終成立，用|f(xi)|表示，說明幾何間隔可用分類間隔表示：

δjihejiange=|f(x)|/‖w‖

(32)

對分類間隔進行調整后，得到最優分類面，如圖8所示。

圖8 最優分類面示意圖Fig.8 Optimal classification plane schematic diagram

圖8中，H1、H2兩個分類面之間距離即是式(32)中所定義的幾何間隔。

當樣本發生錯誤分類時，錯誤分類的次數T為：

(33)

式中：R=‖xi‖，i=1,2,…,n，xi為第i個樣本的特征向量。

特征向量大小的最大值R即為‖xi‖中的最大值。由式(33)得：錯誤分類次數與幾何間隔為反比關系。為減少錯誤分類的次數，就要求有較大的幾何間隔，故而，將任務調整為：

(34)

此類問題的求解可通過拉格朗日方法解決。利用拉格朗日乘子法，構造拉格朗日函數為：

L(w,b,a)=

(35)

式中:ai為拉格朗日因子，分別對w、b求解偏導數：

(36)

將式(36)的結果代回式(35)，得：

(37)

對式(37)進行最值求解，結果即為所需的目標函數。

3 仿真實驗對比及分析

3.1 檢測率對比及分析

實驗的車輛圖像采用UIUC大學車型識別圖庫，訓練樣本數為2218，其中負樣本數為986，使用SVM分別在HOG特征、LBP特征和融合改進的HOG+LBP特征3種不同特征條件下，每次任意選取1000幅圖像進行測試，仿真實驗結果如表1所示。

表1 車型檢測實驗結果Table 1 Model identification experimental results %

從仿真實驗結果來看，在車型檢測的3個算法當中，采用融合改進的HOG+LBP特征后的新特征的準確率最高，達到了95.6%，平均準確率達到94.58%?；贖OG特征方法的準確率最高達到86.4%，平均檢測率達到86.4%?；贚BP特征準確率最高達到76.6%，平均準確率達到74.96%。以上實驗數據表明，本文提出的特征融合算法更能精確描述圖像中的車型信息。

3.2 檢測時間對比及分析

對于3種方法的檢測時間的優劣，本文在分辨率大小不同的正負樣本中每次任意選取1000幅圖片用于測試(檢測時間單位是s)，結果如圖9和圖10所示。

圖9 正樣本檢測時間對比圖Fig.9 Time contrast diagram of positive sample detection

圖10 負樣本檢測時間對比圖Fig.10 Time contrast diagram of negative sample detection

從檢測時間對比圖來看，在圖像分辨率不同的條件下，本文提出的檢測方法所用的時間最短，圖像分辨率的值越高，檢測時間的差距就越大。

4 結束語

本文根據智能交通系統中車輛檢測精度高、速度快的要求，提出了基于改進HOG特征并融合LBP特征的車型檢測方法，在車型檢測過程中，根據車型所關聯的外部輪廓特征，對HOG特征算法進行改進并融合LBP特征提取，最后結合支持向量機進行分類檢測。經過仿真實驗測試，結果表明，本文所提出的車型檢測算法具有較高的檢測率，并且對光線、部分遮擋噪聲有較強的抗干擾性。從需求使用上來看，是現實可用、低投入高效率的應用方法；從技術使用上來看，是傳統與現代相結合的有意義的嘗試。

參考文獻：

[1] He H, Mao C Q, Pan H Y, et al. Vehicle detection system based on magnetoresistive sensor[J]. App- lied Mechanics & Materials, 2015, 743:277-280.

[2] Wang P, Li X, Lv Z, et al. Vehicle outline detect- ion based on improved SIFT algorithm[J]. Intern- ational Journal of Earth Sciences & Engineering, 2015, 8(1): 396-400.

[3] Mu K, Hui F, Zhao X, et al. Multiple vehicle de- tection and tracking in highway traffic surveyance video based on SIFT feature matching[J]. Journal of Information Processing Systems, 2016,12(2): 183-195.

[4] Abadi E A J, Amiri S A, Goharimanesh M, et al. Vehicle model recognition based on using image processing and wavelet analysis[J]. International Journal on Smart Sensing & Intelligent Systems, 2015,29(9): 156-161.

[5] Song M. Vehicle model recognition based on SURF[J]. Journal of Information & Computational Science, 2015,12(17): 6249-6256.

[6] 魏小鵬, 于萬波, 金一粟. 奇異值方法用于汽車車型識別[J].中國圖象圖形學報, 2003, 8(1): 50-53.

Wei Xiao-peng, Yu Wan-bo, Jin Yi-su, et al. Car shape recognition based on matrix singular value[J]. Journal of Image & Graphics, 2003, 8 (1): 50-53.

[7] He D, Lang C, Zhang C, et al. Vehicle detection and classification based on convolutional neural network[C]∥ACM International Conference on Internet Multimedia Computing and Service, New York, 2015: 3-8.

[8] Hsieh J W, Chen L C, Chen D Y, et al. Symmetrical SURF and its applications to vehicle detect- ion and vehicle make and model recognition[J]. Transactions on Intelligent Transportation Systems,IEEE, 2014, 15(1): 6- 20.

[9] Mejia-Inigo R, Barilla-Perez M E, Montes-Ven- egas H A, et al. Color-based texture image seg- mentation for vehicle detection[C]∥IEEE International Conference on Electrical Engineering, Computing Science and Automatic Control, cce. New York, 2011:1-6.

[10] 王丹, 張祥合. 基于HOG和SVM的人體行為仿生識別方法[J]. 吉林大學學報：工學版, 2013, 43(增刊1):489-492.

Wang Dan, Zhang Xiang-he. Biomimetic recognition method of human behavior based on HOG and SVM[J]. Journal of Jilin University(Engineering and Technology Edition), 2013, 43 (Sup.1): 489-492.

[11] 李宗民, 公緒超, 劉玉杰，等. 多特征聯合建模的視頻對象分割技術研究[J]. 計算機學報, 2013, 36(11): 2356-2363.

Li Zong-min,Gong Xu-chao,Liu Yu-jie, et al. Video object segmentation research based on features joint modeling[J]. Chinse Journal of Computers, 2013, 36(11): 2356- 2363.

[12] 王瑩, 李文輝, 傅博,等. 基于水平分量優先原則的RDW-LBP人臉識別算法[J]. 吉林大學學報:工學版, 2011, 41(3): 750-757.

Wang Ying, Li Wen-hui, Fu Bo, et al. Face recognition algorithm using RDW-LBP based on horizontal component prior principle[J]. Journal of Jilin University(Engineering and Technology Edition), 2011, 41(3): 750-757.

[13] 于海琦, 劉真, 田全慧, 等. 一種基于GA-BP神經網絡結合PCA的LCD顯示器光譜特征化模型[J]. 液晶與顯示, 2016, 31(2): 201-207.

Yu Hai-qi, Liu Zhen, Tian Quan-hui, et al. Spectral characterization model of liquid crystal display based on GA-BP neural network and PCA[J]. Chinese Journal of Liquid Crystals and Displays, 2016, 31(2): 201-207.

[14] 黃璇, 郭立紅, 李姜, 等. 磷蝦群算法優化支持向量機的威脅估計[J]. 光學精密工程, 2016, 24(6): 1448-1454.

Huang Xuan, Guo Li-hong, Li Jiang, et al. Threat assessment of SVM optimized by Krill Herd algorithm[J].Opt Precision Eng, 2016, 24 (6): 1448-1454.

[15] 林琳, 陳虹, 陳建, 等. 基于多核SVM-GMM的短語音說話人識別[J]. 吉林大學學報:工學版, 2013, 43(2): 504-509.

Lin Lin, Chen Hong, Chen Jian, et al. Speaker recognition with short utterances based on multiple kernel SVM-GMM[J]. Journal of Jilin University(Engineering and Technology Edition), 2013, 43(2): 504-509.

[16] 孫軼軒, 邵春福, 岳昊,等. 基于SVM靈敏度的城市交通事故嚴重程度影響因素分析[J]. 吉林大學學報:工學版, 2014, 44(5): 1315-1320.

Sun Yi-xuan, Shao Chun-fu,Yue Hao, et al. Urban traffic accident severity analysis based on sensitivity analysis of SVM[J]. Journal of Jilin University(Engineering and Technology Edition), 2014, 44(5): 1315-1320.

[17] 代琨，于宏毅，仇文博，等. 基于SVM的網絡數據無監督特征選擇算法[J]. 吉林大學學報:工學版, 2015, 45(2): 576-582.

Dai Kun, Yu Hong-yi, Qiu Wen-bo, et al. Unsupervised feature selection algorithm based on support vector machine for network data[J]. Journal of Jilin University(Engineering and Technology Edition),2015,45(2):576-582.