一种基于融合特征稀疏编码模型的车辆品牌类型识别方法技术

本发明专利技术公开了一种基于融合特征稀疏编码模型的车辆品牌类型识别方法，包括以下步骤：1)车辆前脸区域的定位提取及车辆前脸图像的预处理；2)提取车辆前脸特征并构建融合特征；3)构建基于融合特征的稀疏编码模型；4)构建非负性约束稀疏编码模型；5)采用重构误差最小法进行车辆品牌类型识别。本发明专利技术有效地提取车辆前脸的特征来实现对不同车辆品牌的分类，用于自动提取拍摄到的交通卡口视频中车辆品牌信息并进行分类，实现对卡口视频数据的智能化管理。

【技术实现步骤摘要】

本专利技术专利涉及智能交通研究领域，主要是车辆品牌分类方法的研究。
技术介绍
对于车辆品牌的智能化识别系统应用需求广泛，如公安交警部门的破案稽查、统计调研、停车场、住宅小区的车辆管理等场合。基于计算机视觉的车辆识别方法是典型的模式识别在智能交通领域的人-车-路-环境的应用研究，优点是设备操作简便，故障率低，可以全天候全时段的使用，充分挖掘车辆图像中的信息，实时智能化效率可以极大的将车辆管理人员从枯燥繁复的人工判别工作中解放出来，节约大量成本和人力物力资源。缺点是如何快速有效的提取可靠的特征描述车辆品牌并准确的识别与分类仍有待研究。为研发新一代车辆品牌识别系统，该系统由前端路口的卡口相机(视频传感器)、视频传输系统、车辆品牌信息处理系统组成，既能实时监控交通卡口的交通状况，又可以实现车辆品牌的识别以及假(套)牌车的查处。目前，车辆品牌识别运用的特征提取方法有Curvelet变换、HOG特征、PHOG特征、Harr特征、EOH特征、Gabor小波等。但是，上述的识别方法都是提取单一的特征进行车辆品牌的识别，所以本技术方案研究基于融合特征稀疏编码模型的车辆品牌类型识别方法。
技术实现思路
本专利技术的目的在于解决现有识别方法提取特征单一的缺点，提供一种基于融合特征稀疏编码模型的车辆品牌类型识别方法。本专利技术采用的技术方案为：一种基于融合特征稀疏编码模型的车辆品牌类型识别方法，包括以下步骤：1)车辆前脸区域的定位提取及车辆前脸图像的预处理；2)提取车辆前脸特征并构建融合特征；3)构建基于融合特征的稀疏编码模型；4)构建非负性约束稀疏编码模型；5)采用重构误差最小法进行车辆品牌类型识别。作为优选，所述步骤1)中的前脸区域定位是根据车辆前脸与车牌之间的相对位置关系，所以车脸定位之前需要进行对车牌的定位，首先根据模板匹配寻找具有直角特性
点，提取车牌4个角点的坐标位置，以得到车牌的质心坐标。假设卡口图像数据中车牌的宽度和高度分别为w和h像素，车脸的高度和宽度分别为W和H个像素点，由车牌4个角点的坐标位置确定车牌的质心坐标为(x,y)，则根据大量图像数据的统计得知，车脸的左边界、右边界与车牌质心的距离均为车牌宽度的两倍，即2w，车脸的上边界与车牌质心的距离为车牌高度的五倍，即5h，而车脸的下边界与车牌质心点的距离为两倍的车牌高度，即2h。图像的预处理工作包括图像的直方图均衡化、尺寸归一化等。车辆图像的采集过程中受光照、拍摄距离和焦距的影响，图像呈现出不同的明暗程度、图像的对比度不高且车脸在整幅图像中的位置和大小不确定，从而导致检测出的车脸尺寸不一致。为了减少光照的影响，增强图像的对比度，更好地提取车辆品牌的特征，本图像预处理中对图像进行均衡化处理，主要原理是利用某种函数映射对原始图像中的像素灰度做变换，使得均衡化的图像灰度的概率密度均匀分布，均衡化后的图像动态范围得到增大，对比度增强。车脸尺寸的不一致会影响车脸数据之间的匹配，归一化尺寸不会对特征提取与分类的计算造成很大的压力，同时也会很好的保留车脸的信息，在本方法中采用双线性插值进行归一化的处理，归一化尺寸为512×256，而对于车辆品牌识别来讲，主要是寻找车型与车型之间的差异性，应该尽量减少类别间的干扰信息，所以本文将车脸上的车牌区域使用灰色RGB(128,128,128)进行填充。作为优选，所述步骤2)构建融合特征通过选择多特征叠加提取法，即将二维图像进行变换提取出的一级特征向量，构建出合理的字典作为稀疏表示的数据输入来进行样本数据的稀疏编码提取稀疏系数作为二级特征。基于不同的特征提取原理，特征具有叠加性。可以将上级提取到的局部特征描述作为下级特征提取的输入进行融合。定义变换函数：γ＝fα(β)，fα(β)表示将β特征在α特征空间上进行变换，则其组合后的变换特征空间为d＝n维。作为优选，步骤3)中构建融合特征稀疏编码模型：设原始图像为I，则I(x,y)表示一幅图像的灰度像素值，(x,y)表示像素的空间坐标；经过一级特征提取后的特征向量为T，特征维数为t。定义变换函数为：Tt＝Γ1(I(x,y))，其中Tt代表经过变换后的一级特征向量。则视觉感知系统通过对外界刺激产生的感受野
特征，将其表达为视觉细胞的活动状态，这一过程用信息编码的模型描述为式(1)，即 T t = Σ i α i t i + ϵ - - - ( 1 ) ]]>其中，ti表示模拟初级视觉系统主视皮层V1区感受野的特征基向量；αi是随机稀疏系数矢量，表示对各个基函数的响应，对应主视皮层V1区简单细胞神经元的活动状态；ε通常假设为高斯白噪声。对于变换后的Tt信号，设测试样本为y，A为变换后信号组成的训练样本空间，x为稀疏向量。当稀疏向量ti的l0足够稀疏时，有式(2)，即 x ^ 0 = min i m i z e | | x | | 0 s . t . y = A x - - - ( 2 ) ]]>上式方程与l1最小化问题的解同解，即 x ^ 1 = min i m i z e 本文档来自技高网...

【技术保护点】
一种基于融合特征稀疏编码模型的车辆品牌类型识别方法，其特征在于：包括以下步骤：1)车辆前脸区域的定位提取及车辆前脸图像的预处理；2)提取车辆前脸特征并构建融合特征；3)构建基于融合特征的稀疏编码模型；4)构建非负性约束稀疏编码模型；5)采用重构误差最小法进行车辆品牌类型识别。

【技术特征摘要】
1.一种基于融合特征稀疏编码模型的车辆品牌类型识别方法，其特征在于：包括以下步骤：1)车辆前脸区域的定位提取及车辆前脸图像的预处理；2)提取车辆前脸特征并构建融合特征；3)构建基于融合特征的稀疏编码模型；4)构建非负性约束稀疏编码模型；5)采用重构误差最小法进行车辆品牌类型识别。2.根据权利要求1所述的一种基于融合特征稀疏编码模型的车辆品牌类型识别方法，其特征在于：所述步骤1)中的车辆前脸区域定位是根据车辆前脸与车牌之间的相对位置关系，所以车脸定位之前需要进行对车牌的定位，首先根据模板匹配寻找具有直角特性点，提取车牌4个角点的坐标位置，以得到车牌的质心坐标；假设卡口图像数据中车牌的宽度和高度分别为w和h像素，车脸的宽度和高度分别为W和H个像素点，由车牌4个角点的坐标位置确定车牌的质心坐标为(x,y)，车脸的左边界、右边界与车牌质心的距离均为车牌宽度的两倍，即2w，车脸的上边界与车牌质心的距离为车牌高度的五倍，即5h，而车脸的下边界与车牌质心点的距离为两倍的车牌高度，即2h；车辆前脸图像的预处理工作包括图像的直方图均衡化和尺寸归一化；所述图像的直方图均衡化处理是利用某种函数映射对原始图像中的像素灰度做变换，使得均衡化的图像灰度的概率密度均匀分布，均衡化后的图像动态范围得到增大，对比度增强；所述图像的尺寸归一化采用双线性插值进行归一化的处理，归一化尺寸为512×256，车脸上的车牌区域使用灰色RGB(128,128,128)进行填充。3.根据权利要求1所述的一种基于融合特征稀疏编码模型的车辆品牌类型识别方法，其特征在于：所述步骤2)中构建融合特征通过选择多特征叠加提取法，即将二维图像进行变换提取出的一级特征向量，构建出合理的字典作为稀疏表示的数据输入来进行样本数据的稀疏编码提取稀疏系数作为二级特征；基于不同的特征提取原理，特征具有叠加性；可以将上级提取到的局部特征描述作为下级特征提取的输入进行融合；定义变换函数：γ＝fα(β)，fα(β)表示将β特征在α特征空间上进行变换，则其组合后的变换特征空间为d＝n维。4.根据权利要求1所述的一种基于融合特征稀疏编码模型的车辆品牌类型识别方
\t法，其特征在于：所述步骤3)中构建融合特征稀疏编码模型：设原始图像为I，则I(x,y)表示一幅图像的灰度像素值，(x,y)表示像素的空间坐标；经过一级特征提取后的特征向量为T，特征维数为t；定义变换函数为：Tt＝Γ1(I(x,y))，其中Tt代表经过变换后的一级特征向量；则视觉感知系统通过对外界刺激产生的感受野特征，将其表达为视觉细胞的活动状态，这一过程用信息编码的模型描述为式(1)，即 T t = Σ i α i t i + ϵ - - - ( 1 ) ]]>其中，ti表示模拟初级视觉系统主视皮层V1区感受野的特征基向量；αi是随机稀疏系数矢量，表示对各个基函数的响应，对应主视皮层V1区简单细胞神经元的活动状态；ε通常假设为高斯白噪声；对于变换后的Tt信号，设测试样本为y，A为变换后信号组成的训练样本空间，x为稀疏向量；当稀疏向量ti的l0足够稀疏时，有式(2)，即 x ^ 0 = min i m i z e | | x | | 0 s . t . y = A x - - - ( 2 ) ]]>上式方程与l1最小化问题的解同解，即 x ^ 1 = min i m i z e | | x | | 1 s . t . y = A...

【专利技术属性】
技术研发人员：赵池航，陈爱伟，张小琴，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32