一种基于局部特征聚合描述符的车型识别方法技术

一种基于局部特征聚合描述符的车型识别方法，首先提取车型数据库中车辆图像的SIFT特征；然后对所有车辆图像的SIFT特征进行Kmeans聚类，形成K个聚类中心，得到具有K个视觉单词的字典；接着针对每张车型图像将每个SIFT特征赋给离其最近的视觉单词；统计每个视觉单词周围的SIFT特征向量与当前视觉单词的残差累积量，得到当前车辆图片的局部特征聚合描述符；最后，将训练模块的n张车型图像的局部特征聚合描述符，通过量化编码，得到一个可索引的n类车型类别的编码图像库；而对测试车辆图像，同样提取其局部特征聚合描述符，作为查询向量，导入图像库进行索引，通过近似最近邻搜索方法进行匹配，识别出测试车辆车型。

【技术实现步骤摘要】

本专利技术属于模式分类
，特别涉及一种基于局部特征聚合描述符的车型识 别方法。 专利技术背景 随着信息技术的高速发展，越来越多的智能交通系统走进了人们的生活，如道路 自动收费系统、车辆识别技术、电子警察系统、全球定位系统以及车载导航系统等。这些智 能交通运输管理体系是通过集成最前沿的软、硬件技术来搭建完成的，包括了数据通讯传 输技术、电控技术、电子传感技术以及信息技术等。智能交通系统需要在大区域中发挥全局 性的作用，实时、高效率地管理交通，以最终实现道路交通与车辆的智能化管理，达到抑制 交通违法行为、提高交通运行效率、降低警察执法成本、缓解交通拥堵状态、提高路网流通 量、降低意外交通事故发生频率、降低碳排量减少能耗、加强环保等目的。 在智能交通中，基于计算机视觉的车辆检测与识别系统在近年来得到了迅速地发 展，车辆检测与识别系统广泛的应用于城市交通状况监控、园区与停车场管理以及高速公 路收费等领域，同时该系统在防止犯罪与抵御恐怖袭击方面也有重要应用价值。在该系统 中，汽车号牌的自动识别技术发展最为成熟，并且得到了广泛的商业应用，为自动化管理道 路交通提供了经典的范例。然而，当汽车号牌被伪造、汽车使用假号牌或者号牌受到遮挡时 车牌识别就面临失效的问题。在这种情况下，车型识别（技术可以为车辆检测与识别系统 提供额外安全保障。车型识别希望实现的目标是，将汽车按照其具体的型号进行分类，如将 汽车分为奥迪、宝马、大众高尔夫等等。如果该技术能够实现，即可通过车牌号码与车型的 匹配，解决汽车盗窃、车牌伪造等安全隐患，大大提升智能交通系统的功能，提升警察维持 交通与侦破案件的效率。 在图像分类领域，对数量庞大的图像分类主要有两种方法：一种方法是神经网络 算法，神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法数学 模型。但这些方法难以解决模式识别中存在的复杂性和推广性的矛盾，神经网络虽然有强 大的建模能力，但对大规模图像进行分类，其巨大的参数空间使寻找优良的优化初始值较 为困难。另一种应用很广的方法是为提取每张照片的局部特征，将提取的特征进行聚类和 编码得到一个高维向量，然后将其用分类器分类或者使用最近邻算法进行匹配。其中编码 的方法有视觉词袋模型编码，稀疏编码和费舍尔向量编码等。 视觉词袋模型编码和费舍尔向量编码在图片检索和分类中应用广泛，但是在数据 量很大的情况下，由于字典大小的限制，视觉词袋模型编码的特征表达会越来越粗略，特征 信息损失较多，使得搜索精度降低，而费舍尔向量编码虽然能更细致地描述图片，但是也损 失了很多特征。 在此基础之上，本专利结合费舍尔向量编码和视觉词袋模型编码的优点，提出一 种基于局部特征聚合描述符的车型识别方法来解决上述问题。本专利技术能够实现大规模车辆 图像的车型识别，且识别准确率高，运行速度快，消耗内存少，具有较高的实用性和鲁棒性。
技术实现思路
本专利技术中所述方法是为了克服上述现有技术的缺点，主要针对已经提取的车辆特 征对车型进行细分识别的问题，提出了。具 体的技术方案如下所述。 -种基于局部特征聚合描述符的车型识别方法，包括以下步骤： 步骤1 :对车型数据库的车辆图像进行SIFT特征提取； 步骤2 :对所有车型图像提取到的SIFT特征向量X进行KMeans聚类，得到具有K 个视觉单词的字典； 步骤3 :针对每张车型图像，将提取到的每个SIFT特征向量X赋给离其最近的视 觉单词； 步骤4 :统计每个视觉单词周围的SIFT特征向量X与当前视觉单词的残差累积 量，得到当前车辆图片的局部特征聚合描述符； 步骤5 :将训练模块的η张车型图像的局部特征聚合描述符，通过量化编码，得到 一个可索引的η类车型类别的编码图像库； 步骤6 :对测试车辆图像，同样提取其局部特征聚合描述符，作为查询向量，导入 步骤5中得到的图像库进行索引，通过近似最近邻搜索方法进行匹配，识别出测试车辆车 型。 上述技术方案中，所述步骤1中对车型数据库的车辆图像进行SIFT特征提取，包 括以下几个步骤： 步骤1. 1 :尺度空间极值检测：针对构建的高斯金字塔图像，利用差分函数在所有 尺度上检测候选极值点； 步骤1. 2 :关键点定位：通过函数拟合来定位极值点的准确位置和尺度，同时过滤 掉候选极值点集合中的边缘点； 步骤1. 3 :方向确定：结合关键点邻域像素的梯度信息，给每个关键点赋予一个主 方向； 步骤1. 4 :特征描述子生成：对关键点邻域像素的梯度幅值和方向进行统计，得到 关键点的特征描述。 上述技术方案中，所述步骤2中对所有车型图像提取到的SIFT特征向量X进行 KMeans聚类，得到具有K个视觉单词的字典，包括以下几个步骤： 步骤2. 1 :随机选取K个SIFT特征向量作为初始聚类中心； 步骤2. 1 :计算其他SIFT特征向量到这K个聚类中心的距离； 步骤2. 3 :如果某个SIFT特征向量离第η个聚类中心更近，则该SIFT特征向量属 于聚类n，并对其设置标签； 步骤2. 4 :计算同一聚类中，所有SIFT特征向量的均值，作为新的聚类中心； 步骤2.5 :迭代至所有聚类中心不变化为止，得到具有K个视觉单词的字典： C={Cl，."，ck} 其中C为字典，ck表示每一个聚类中心，也即视觉单词。 上述技术方案中，所述步骤3将每张车型图像提取到的每个SIFT特征向量X赋给 离其最近的视觉单词： c；=NN(x) 其中，NN(x)为最近邻算法，Cl为离x最近的视觉单词，此时，每个视觉单词周围的 SIFT特征向量与当前视觉单词构成了一个聚类块。 上述技术方案中，所述步骤4中统计每个视觉单词周围的SIFT特征向量与当前视 觉单词的残差累积量，得到当前车辆图片的局部特征聚合描述符，包括以下几个步骤： 步骤4. 1 :对步骤3中构成的每一个聚类块，求取每个聚类块中的SIFT特征向量 与视觉单词的差值： x-Cl 步骤4. 2 :对步骤4. 1中求得的每个差值求累加和，得到当前视觉单词的局部特征 聚合描述符Vi: 其中，Vl表示当前视觉单词的局部特征聚合描述符，X,表示当前聚类块中的SIFT 特征向量，q表示当前聚类块中的视觉单词； 步骤4. 3 :联合所有视觉单词的局部特征聚合描述符，再将其进行L2归一化，得到 整幅车型图像的局部特征聚合描述符y。 上述技术方案中，所述步骤5中将训练模块的η张车型图像的局部特征聚合描述 符Y= {yi，…，yn}，通过量化编码，得到一个可索引的η类车型类别的编码图像库，包括以 下步骤： 步骤5. 1 :将每张车型图像的局部特征聚合特征向量y，将其等分成m个部分： y= {y1，y2,…，ym} 步骤5. 2 :对每张车型图像，将其等分成的m个部分使用统一量化函数q( ·)进行 量化： q(y) = (q^y1), ???xqm(ym)) 其中，qm( ·)是对向量ym进行KMeans聚类得到的k5个量化值，即聚类中心， '为当前图像的局部特征聚合特征向量的量化结果； 步骤5. 3 :得到一个可索引的η类车型类别的编码图像库。 上述技术方案中，所述步骤6对测试车辆图像，同样提取其局部特征聚合描述符， 作为查询向量，导入步骤5中得到的图像库进行索引，通过近似最近邻本文档来自技高网...

【技术保护点】
一种基于局部特征聚合描述符的车型识别方法，包括以下步骤：步骤1：对车型数据库的车辆图像进行SIFT特征提取；步骤2：对所有车型图像提取到的SIFT特征向量x进行KMeans聚类，得到具有K个视觉单词的字典；步骤3：针对每张车型图像将提取到的每个SIFT特征向量x赋给离其最近的视觉单词；步骤4：统计每个视觉单词周围的SIFT特征向量x与当前视觉单词的残差累积量，得到该张车辆图片的局部特征聚合描述符；步骤5：将训练模块的n张车型图像的局部特征聚合描述符，通过量化编码，得到一个可索引的n类车型类别的编码图像库；步骤6：对测试车辆图像，同样提取其局部特征聚合描述符，作为查询向量，导入步骤5中得到的图像库进行索引，通过近似最近邻搜索方法进行匹配，识别出测试车辆车型。

【技术特征摘要】

【专利技术属性】
技术研发人员：李鸿升，刘海军，胡欢，曹滨，范峻铭，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51