作者简介:耿庆田(1972-),男,副教授,博士.研究方向:计算机网络与智能信息系统.E-mail:qtgeng@163.com
为提高车型检测速度与精确度,本文首先通过对HOG特征进行改进,提出了分层HOG对称算法,得到了分层的HOG对称特征,并将该特征与LBP特征结合,获得二者的融合特征;然后,将融合特征作为支持向量机(SVM)分类器的训练样本,采用主成分分析(PCA)法约减维数降低分类器的复杂程度;最后,使用SVM对车辆外型特征进行检测,获得检测结果。仿真实验数据表明:该算法提高了特征提取的速度,并改善了特征检测的精度,使原始车辆图像的检测实时性得到提升;处理速度均值为26.2帧/s,准确率均值达到94.58%,比传统的HOG特征提高了7.98%。本文方法能有效提高车型检测检测的正确率,减少高维特征带来的计算时间消耗。
To increase the speed and accuracy of vehicle recognition, an improved hierarchical Histogram of Oriented Gradient (HOG) symmetry algorithm was proposed. First, the HOG features are improved to get the hierarchical HOG symmetry features which are fused with Local Binary Pattern (LPB) features to get the fusion features. Second, the fusion features are taken as the training sample of Support Vector Machine (SVM) classifier. Meanwhile, the Principal Component Analysis (PCA) is used to reduce the dimensions for decreasing the complexity of the classifier. Finally, the SVM is used to recognize the appearance features of the vehicle. Simulation results show that the proposed vehicle type recognition algorithm can not only increase the feature extraction speed but also improve the detection accuracy, enhancing the real-time recognition of original vehicle images. The mean processing speed is about 26.2 frames/s and the accuracy is about 94.58%, increasing by 7.98% in comparison to traditional HOG feature extraction algorithm. The method can effectively increase the accuracy of vehicle recognition and also reduce the computing time caused by high dimensional features.
随汽车数量日益增多, 交通系统的压力也越来越大。汽车车型检测作为智能交通中的关键技术, 无论在交通管控还是在交通事故认定等方面等有广泛的应用。目前, 常用的汽车车型检测方法有:基于地磁感应器的车型检测[1]、基于SIFT特征的车型检测[2, 3]、基于小波分析的车型检测[4]、基于特征点的车型检测[5]、奇异值方法用于汽车车型检测[6]、基于神经网络的汽车车型检测[7]、基于模式匹配算法的车型检测[8]以及基于纹理特征的汽车车型检测[9]。以上检测方法能满足工程级实时性的要求, 但由于特征维数高, 导致检测速度慢, 或由于环境背景复杂, 导致检测率低。基于分类器的车型检测方法经常用于机器学习、云计算理论、人工智能等智能算法, 但一般要求较大的训练样本。
本文提出了一种基于改进HOG特征提取并与LBP特征结合的车型检测方法, 通过改进HOG特征并与LBP特征相融合, 既提高了特征提取的速度, 又改善了特征检测的精度, 同时采用主成分分析(PCA)法约减维数来降低分类器的复杂性, 提高图像检测速度。该方法改进了传统的单一特征提取方法。仿真实验结果表明:该方法对车辆轮廓外型检测有较好的实时性和较高的精确度。
梯度方向直方图(Histogram of oriented gradient, HOG)[10]特征算子经常被用在模式检测与图像处理领域, 通过用梯度的方向密度分布对目标物体的外形进行精确的描述, 来实现对被检测图像中的目标物体特征向量的提取。因此, HOG特征提取从静止图像的目标检测到智能交通系统的动态目标检测均被广泛采用。
利用车辆轮廓对称性特点, 本文使用HOG特征将原始车辆图像分为几个对称区域, 如图1所示。
由图1可知HOG1与HOG2, HOG3与HOG4分别对称。由此可设
如图2所示, 每个HOG特征可通过8个Bin通道获得, 但HOG特征与HOG向量需调整维数才能完全对应, 过程如下:
式中:
由图1得出
式中:
为使HOG特征进一步适应环境的变化, 提高车型图像的检测率, 本文在对HOG特征做对称向量处理的基础上进行分层处理, 如图3所示。
具体算法如下:
(1)将第1层HOG特征的32维向量做对称处理, 可得到16维对称向量。
(2)将灰度图像等分为4个单元, 每单元等分为8个Bin通道, 由此得到第1层的32维向量。
(3)将灰度图像分成9个块区域, 得到9× 32=288维向量。
(4)最后将所得向量串接得到336维分层HOG对称向量。
虽然HOG特征可用来描述被检测物体的特征, 但在复杂环境及光照因素的影响下, 会使基于HOG特征的检测算法的检测率下降, 本文融合LBP(Local binary pattern)[11, 12]特征来消除由于环境复杂和光照因素的影响导致采用HOG特征时检测率下降的缺点。为提高车型的检测率及检测速度, 提出了基于HOG+LBP多特征融合的车型检测算法, 该算法先通过PCA算法对HOG特征进行降维改进, 提高特征提取速度, 然后利用改进的HOG+ LBP特征提高检测精度。
LBP特征具有灰度、尺度、旋转等不变性, 因此对复杂背景和光照因素具有较好的鲁棒性, 被用来表示图像信息的特征描述算子。LBP特征值定义
具体计算过程如图4所示, 设3* 3窗口的中心像素点的灰度值为80, 且为阈值, 与其相邻的窗口像素点的灰度值若大于阈值则标记为1, 否则标记为0, 由此得到LBP的二进制编码00110010, 转换为十进制即得50。
由于上述计算过程不能包含任意区域, 不能精确计算复杂背景的目标图像的特征值, 因此Ojala等[12]提出任意邻域的思想, 并用圆形区域代替方形区域, 其计算过程如下:
设T为区域内各像素灰度值的联合分布:
式中:Go为区域中心像素点的灰度值, 即阈值; Gk为与中心像素点相邻的k个取样点, 则Gk的坐标为:
式中:(xo, yo)为区域中心点坐标; R为邻域半径; h、k分别为采样点数量和序号。则式(9)变为:
假设Go与(Gk-Go)相互独立, 则式(10)变为:
根据LBP特征值具有灰度不变性, 而t(Go)仅表示亮度分布, 它与区域特征值不相关, 可忽略不计, 式(11)可简化为:
为满足LBP算子尺度不变特性, 本文忽略差值大小关注差值的正负属性, 则式(12)变为:
用LBP(xo, yo)表示以(xo, yo)为中心点邻域的纹理信息, 则有:
在图像检测过程中, 采用原始特征空间的高维度进行模型训练会使计算复杂度大大增加, 导致样本的统计特性无法估计。因此需降低原始特征的维数。本文采用主成分分析(Principal component analysis, PCA)[13]法实现特征提取, 以达到“ 约减维数” 的目的, 从而提高图像检测速度。
理想情况下, 样本x的特征空间没有冗余信息, 利用PCA算法可表示为:
式中:M=(m1, m2, …, mK)是RK特征空间的一组基底, 对前k项的x进行估算, 得:
由此产生的均方误差为:
根据Lagrange Multiplier算法, 在满足式(20)的条件下可得到均方误差极大值表达式(21):
式中:
若用k个特征向量表示x, 则其均方误差为
式中:当
本文通过改进HOG特征并与LBP特征结合来对车型进行检测, 既提高了特征提取的速度, 又改善了特征检测的精度, 同时采用PCA法约减维数降低了分类器的复杂程度, 具体融合降维过程如图6所示。
支持向量机[14, 15, 16, 17](Supper vector machine, SVM)是一种机器学习算法, 以统计学为基础, 使用最小化分类模型的结构风险和经验风险, 在样本量不多的情况下, 也能实现较好的分类效果。即SVM是通过在样本空间计算出一个最优的平面把不同的样本区分开, 如图7所示。由于SVM更适合于图像检测过程中的特征值分类, 因此本文选用SVM作为分类器。
分类器常用的核函数包括:
SVM通过分类样本的学习训练, 而后达到完成分类的工作。如图8所示,
设训练样本集为S, 则
最优分割平面方程定义为:
由SVM的定义, 若样本线性可分, 则需满足:
分隔间隔表示为:
式中:yi表示所属类别, 取值范围为[-1, 1]; xi是针对样本的特征向量。
分类器用于分类的函数简写为:
设阈值为0, 由于样本所在类已确定, 则有wx+b> 0, yi> 0, 所以f(xi)> 0; 反之, 有wx+b< 0, yi< 0, 同样f(xi)> 0。则有yi(wxi+b) > 0始终成立, 用|f(xi)|表示, 说明几何间隔可用分类间隔表示:
对分类间隔进行调整后, 得到最优分类面, 如图8所示。
图8中,
当样本发生错误分类时, 错误分类的次数T为:
式中:R=‖ xi‖ , i=1, 2, …, n, xi为第i个样本的特征向量。
特征向量大小的最大值R即为‖ xi‖ 中的最大值。由式(33)得:错误分类次数与几何间隔为反比关系。为减少错误分类的次数, 就要求有较大的几何间隔, 故而, 将任务调整为:
此类问题的求解可通过拉格朗日方法解决。利用拉格朗日乘子法, 构造拉格朗日函数为:
式中:ai为拉格朗日因子, 分别对w、b求解偏导数:
将式(36)的结果代回式(35), 得:
对式(37)进行最值求解, 结果即为所需的目标函数。
实验的车辆图像采用UIUC大学车型识别图库, 训练样本数为2218, 其中负样本数为986, 使用SVM分别在HOG特征、LBP特征和融合改进的HOG+LBP特征3种不同特征条件下, 每次任意选取1000幅图像进行测试, 仿真实验结果如表1所示。
从仿真实验结果来看, 在车型检测的3个算法当中, 采用融合改进的HOG+LBP特征后的新特征的准确率最高, 达到了95.6%, 平均准确率达到94.58%。基于HOG特征方法的准确率最高达到86.4%, 平均检测率达到86.4%。基于LBP特征准确率最高达到76.6%, 平均准确率达到74.96%。以上实验数据表明, 本文提出的特征融合算法更能精确描述图像中的车型信息。
对于3种方法的检测时间的优劣, 本文在分辨率大小不同的正负样本中每次任意选取1000幅图片用于测试(检测时间单位是s), 结果如图9和图10所示。
从检测时间对比图来看, 在图像分辨率不同的条件下, 本文提出的检测方法所用的时间最短, 图像分辨率的值越高, 检测时间的差距就越大。
本文根据智能交通系统中车辆检测精度高、速度快的要求, 提出了基于改进HOG特征并融合LBP特征的车型检测方法, 在车型检测过程中, 根据车型所关联的外部轮廓特征, 对HOG特征算法进行改进并融合LBP特征提取, 最后结合支持向量机进行分类检测。经过仿真实验测试, 结果表明, 本文所提出的车型检测算法具有较高的检测率, 并且对光线、部分遮挡噪声有较强的抗干扰性。从需求使用上来看, 是现实可用、低投入高效率的应用方法; 从技术使用上来看, 是传统与现代相结合的有意义的尝试。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|