一種基于類字典稀疏識別的車輛分類方法
【技術領域】
[0001] 本發明公開了一種基于類字典稀疏識別的車輛分類方法，涉及智能交通和圖像處 理技術領域。
【背景技術】
[0002] 在現代社會發展日新月異的今天，交通作為涉及到人們日常生活的重要領域，雖 然取得了長足的進步，但不斷凸顯的交通問題已成為一個全球性的棘手問題，交通擁擠、事 故頻繁發生、環境污染加劇。為了解決這些問題，20世紀80年代以來，智能交通系統便應運 而生，發揮著重要的作用。車輛分類是推進智能交通系統發展的一個重要的研宄方向，在道 路交通監控系統、交通車輛管理系統和高速公路收費系統等方面都有著廣泛的應用前景。
[0003] 車輛分類主要包括兩大步驟：特征提取和分類器構造。這兩個因素對分類性能 的好壞有重要的影響。現階段有很多特征提取的方法，比如：顏色直方圖特征、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適應場景，場景稍 加變化，就會使分類性能降低，很難同時獲得好的魯棒性和高的精確度；現階段常用的分類 器主要有：BP神經網絡分類器、SVM分類器、線性分類器、貝葉斯分類器等。BP神經網絡分 類器雖然分類效果良好，但是所需訓練樣本比較多，并且對樣本的要求也比較高。SVM分類 器對二分類的分類效果優良，但是對于多分類效果不佳，并且算法比較復雜。
【發明內容】
[0004] 本發明所要解決的技術問題是：針對現有技術的缺陷，提供一種基于類字典稀疏 識別的車輛分類方法，首先將訓練圖像變成灰度圖像并歸一化為同一尺寸，提取LBP特征 和SIFT特征并級聯，采用RLS-DLA算法進行字典訓練，針對自行車、摩托車、汽車三類典型 目標的圖像數據集，分別訓練出三個對應的類字典；將待分類目標灰度化和歸一化后，提取 LBP特征和SIFT特征并將二者進行級聯；利用訓練好的三個類字典，進行稀疏識別，分別求 出各類對應的稀疏系數，依據最近鄰原則進行分類。
[0005] 本發明為解決上述技術問題采用以下技術方案：
[0006] 一種基于類字典稀疏識別的車輛分類方法，所述方法包括如下步驟：
[0007] 步驟一、對車輛圖像集中的樣本進行灰度化，再歸一化為同一尺寸的圖像I1;
[0008] 步驟二、提取圖像1亦LBP特征和SIFT特征，并把上述兩個特征相級聯，組合成 一個與應的融合特征V κ;
[0009] 步驟三、采用RLS-DLA字典學習算法對融合特征％進行訓練，針對不同類型的車 輛分別訓練出各自對應的類字典；
[0010] 步驟四、對待分類目標圖像進行灰度化處理，并歸一化為同一尺寸的圖像I。；
[0011] 步驟五、提取圖像I。的LBP特征和SIFT特征，并把兩個特征相級聯，組合成一個 與I。對應的融合特征V
[0012] 步驟六、根據步驟三中訓練好的類字典進行稀疏識別，分別求出各類對應的稀疏 系數，依據最近鄰原則進行分類，判斷步驟四中的待分類目標圖像具體所屬的車輛類型。
[0013] 作為本發明的進一步優選方案，步驟一中，所述車輛圖像包括自行車、摩托車和汽 車三類，每類圖像都包含不同拍攝角度的圖像，每類圖像的數量為150張；歸一化為同一尺 寸的圖像1為40X50大小的灰度圖像。
[0014] 作為本發明的進一步優選方案，步驟二中，所述特征提取的過程具體包括：
[0015] 201 :采用LBP算子對圖像I1進行特征提取，得到一個I X 2000維的LBP特征V
[0016] 202 :采用SIFT算子對圖像I1進行特征提取，得到一個IX 1280維的SIFT特征Vs;
[0017] 203 :把特征VjPVs相融合，將特征接串聯至特征VJg，得到一個1X3280維 的融合特征VK。
[0018] 作為本發明的進一步優選方案，步驟三中，采用RLS-DLA算法對融合特征Vk進行 訓練的過程具體包括：
[0019] 301 :將一類圖像中150個融合特征成一個3280 X 150維的融合特征矩陣H κ， 采用RLS-DLA算法對馬進行訓練，其中遞歸次數為50次，峰值信噪比為35,字典中原子數 量為128,進而得到一個3280 X 128維的字典D1;
[0020] 302 :根據步驟301中的方法訓練出針對其他類圖像的字典仏和D 3。
[0021] 作為本發明的進一步優選方案，步驟六中，采用MP算法計算稀疏系數，所述稀疏 識別的具體步驟包括：
[0022] 601 :采用MP算法分別計算出待分類目標圖像的融合特征V。用字典D1表示的稀疏 系數W1，用字典D 2表示的稀疏系數w 2，用字典03表示的稀疏系數w 3;
[0023] 602 :分別計算稀疏系數WnWy W3的1范數，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 :所有類字典的稀疏系數1范數的最小值所對應的類別即為待測目標所屬 的類別。
[0026] 本發明采用以上技術方案與現有技術相比，具有以下技術效果：本發明方法中類 字典對于特定類的表征能力強于由全體數據集生成的全局字典；把LBP紋理特征和SIFT角 點特征相結合，不僅能保留圖像的全局特征，還可以有效突出局部特征；本發明可以濾除光 照對車輛目標圖像處理的影響，并且對不同角度的目標圖像仍能達到良好的分類效果。所 述方法具有較好的魯棒性和較高的精確度，對光照變化，目標尺寸變化以及角度變化的待 分類目標圖像都能取得較好的分類效果。
【附圖說明】
[0027] 圖1是本發明中基于類字典稀疏識別的車輛分類方法流程圖。
【具體實施方式】
[0028] 下面詳細描述本發明的實施方式，所述實施方式的示例在附圖中示出，其中自始 至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參 考附圖描述的實施方式是示例性的，僅用于解釋本發明，而不能解釋為對本發明的限制。
[0029] 下面結合附圖對本發明的技術方案做進一步的詳細說明：
[0030] 本發明中基于類字典稀疏識別的車輛分類方法流程圖如圖1所示，本發明一種基 于類字典稀疏識別的車輛分類方法，其步驟如下：
[0031] 步驟A :采集交通監控視頻和小區監控視頻中的自行車、摩托車、汽車的圖像，要 求有效目標自行車、摩托車、汽車應占所采集圖像的20%以上區域。每類圖像各采集150 張，包含不同拍攝角度的圖像，如正面、側面、后面等。這樣共采集450張圖像，作為訓練圖 像。對每張訓練圖像首先進行灰度化處理，然后歸一化為同一尺寸40X50大小的灰度圖像 Ιι〇
[0032] 步驟B :提取圖像1亦LBP特征八和SIFT特征V s，并把兩個特征相級聯，組合成 一個與I1對應的融合特Evk。詳細步驟如下：
[0033] 步驟B-I (提取LBP特征VJ :使用LBP算子對I1進行特征提取。其中，LBP算子的 窗口的尺寸為3X 3,鄰域半徑R為1，鄰域上像素點的個數P為8。將圖像I1的任意一點定 義為中心點，以此中心點的灰度值為閾值對3X3窗口內的另外8個像素點作二值化處理。 若周圍像素值大于中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3X 3鄰域內 的8個點經比較產生8位2進制數，然后將其轉換成十進制數即LBP碼，即得到該鄰域中心 像素點的LBP值。LBP值計算公式如下：
【主權項】
1. 一種基于類字典稀疏識別的車輛分類方法，其特征在于，所述方法包括如下步驟： 步驟一、對車輛圖像集中的樣本進行灰度化，再歸一化為同一尺寸的圖像II; 步驟二、提取圖像Ii的LBP特征和SIFT特征，并把上述兩個特征相級聯，組合成一個 與Ii對應的融合特征Vc; 步驟S、采用化S-DLA字典學習算法對融合特征Vk進行訓練，針對不同類型的車輛分 別訓練出各自對應的類字典； 步驟四、對待分類目標圖像進行灰度化處理，并歸一化為同一尺寸的圖像I。； 步驟五、提取圖像I。的LBP特征和SIFT特征，并把兩個特征相級聯，組合成一個與I。 對應的融合特征Vc; 步驟六、根據步驟=中訓練好的類字典進行稀疏識別，分別求出各類對應的稀疏系數， 依據最近鄰原則進行分類，判斷步驟四中的待分類目標圖像具體所屬的車輛類型。
2. 如權利要求1所述的一種基于類字典稀疏識別的車輛分類方法，其特征在于：步驟 一中，所述車輛圖像包括自行車、摩托車和汽車=類，每類圖像都包含不同拍攝角度的圖 像，每類圖像的數量為150張；歸一化為同一尺寸的圖像Ii為40X50大小的灰度圖像。
3. 如權利要求1所述的一種基于類字典稀疏識別的車輛分類方法，其特征在于：步驟 二中，所述特征提取的過程具體包括： 201 ;采用LBP算子對圖像Ii進行特征提取，得到一個1 X 2000維的LBP特征V 202 ;采用SIFT算子對圖像Ii進行特征提取，得到一個1 X 1280維的SIFT特征V S; 203 ;把特征V訊V湘融合，將特征V S直接串聯至特征V店，得到一個1 X 3280維的 融合特征Vk。
4. 如權利要求2所述的一種基于類字典稀疏識別的車輛分類方法，其特征在于：步驟 S中，采用化S-DLA算法對融合特征V,進行訓練的過程具體包括： 301 ;將一類圖像中150個融合特征Vk組成一個3280X150維的融合特征矩陣Hk，采用 化S-DLA算法對咕進行訓練，其中遞歸次數為50次，峰值信噪比為35,字典中原子數量為 128,進而得到一個3280X128維的字典Di; 302 ;根據步驟301中的方法訓練出針對其他類圖像的字典化和D 3。
5. 如權利要求4所述的一種基于類字典稀疏識別的車輛分類方法，其特征在于：步驟 六中，采用MP算法計算稀疏系數，所述稀疏識別的具體步驟包括： 601 ;采用MP算法分別計算出待分類目標圖像的融合特征V。用字典D1表示的稀疏系數 訊1，用字典化表不的稀疏系數W 2,用字典表不的稀疏系數W 3; 602 ;分別計算稀疏系數Wi、W2、W3的1范數，W及其中的最小值： Wk= min {I IW J I。I I "2II ：!，II "3II J ; 603 ;所有類字典的稀疏系數1范數的最小值所對應的類別即為待測目標所屬的類 別。
【專利摘要】本發明公開了一種基于類字典稀疏識別的車輛分類方法，所述方法首先將訓練圖像變成灰度圖像并歸一化為同一尺寸，提取LBP特征和SIFT特征并級聯，采用RLS-DLA算法進行字典訓練，針對自行車、摩托車、汽車三類典型目標的圖像數據集，分別訓練出三個對應的類字典；將待分類目標灰度化和歸一化后，提取LBP特征和SIFT特征并將二者進行級聯；利用訓練好的三個類字典，進行稀疏識別，分別求出各類對應的稀疏系數，依據最近鄰原則進行分類。本發明方法中類字典對于特定類的表征能力強于由全體數據集生成的全局字典，可以濾除光照對車輛目標圖像處理的影響，并且對不同角度的目標圖像仍能達到良好的分類效果。
【IPC分類】G06K9-62
【公開號】CN104598928
【申請號】CN201510051034
【發明人】李藝, 劉佶鑫
【申請人】南京郵電大學
【公開日】2015年5月6日
【申請日】2015年1月30日