基于HOG特征及支持向量機的車輛品牌識別方法

張小琴 趙池航 沙月進 黨 倩 張運勝

(東南大學交通學院，南京 210096)

基于HOG特征及支持向量機的車輛品牌識別方法

張小琴 趙池航 沙月進 黨 倩 張運勝

(東南大學交通學院，南京 210096)

摘 要:為了解決套牌車與違章車的身份確認問題，提出了一種車輛品牌識別方法.該方法首先基于對稱特征檢測車輛前臉區(qū)域，然后提取車輛前臉區(qū)域的HOG特征，最后采用支持向量機對車輛品牌進行分類.實驗根據(jù)蘇州市公安局提供的道路卡口圖片，構建了車臉數(shù)據(jù)庫，該數(shù)據(jù)庫包括奧迪、長安、日產(chǎn)等15種車輛品牌，共3 000張圖片.基于構建的車臉數(shù)據(jù)庫，采用所提出的車輛品牌識別方法進行了實驗，并對比分析了支持向量機(support vector machine，SVM)線性核函數(shù)、多項式核函數(shù)和徑向基核函數(shù)的性能，3種核函數(shù)的整體分類精度分別為89.27%，89.74%和89.89%.理論分析和實驗結果表明，所提出的基于HOG特征及支持向量機的車輛品牌識別方法是可行的，并且基于徑向基核函數(shù)的SVM分類器的性能最優(yōu).

關鍵詞:車輛品牌;HOG特征;支持向量機;核函數(shù)

車輛識別和分類技術逐漸成為智能交通研究的熱點，也是智能交通系統(tǒng)結合人工智能、自動控制、模式識別等技術的集中體現(xiàn).隨著城市汽車保有量的急劇增加和道路監(jiān)控相機的普遍架設，道路車輛的有效管理和安全保障越顯重要，因此很有必要利用卡口相機的數(shù)據(jù)來發(fā)展車輛識別和分類智能識別技術.車輛品牌分類系統(tǒng)在城市交通監(jiān)控、應急指揮、事故檢測、智能路徑誘導等領域有著廣泛的應用前景［1］.例如目前套牌車的查處主要是人工逐一比對系統(tǒng)登記信息中的車牌號碼、車型、車輛顏色等，這影響到工作人員的執(zhí)行效率.

要實現(xiàn)車輛品牌的自動識別、分類的關鍵是車輛特征的提取，這關系到識別和分類的速度和準確度.目標識別特征的提取主要方法有傅里葉描述子、矩特征、變換域特征［2］、邊緣輪廓特征［3］、角點特征等.目前國內外對車輛品牌分類的主要方法有模板匹配、統(tǒng)計模式、神經(jīng)網(wǎng)絡、仿生模式和支持向量機［4］等方法.

針對目前基于圖像處理的車輛品牌識別如車輛特征點提?。?］，Gabor輪廓特征匹配，PCA 和LDA維度變換并利用支持向量機識別等方法識別速度低，實時性差等問題.本文采用特征提取與模式識別相結合的車型分類方法，著重研究了基于車臉的方向梯度直方圖特征提取及支持向量機的車輛品牌識別方法的可行性并分析了不同SVM核函數(shù)對車輛品牌分類精度的影響.

1 車臉數(shù)據(jù)庫構建

車輛的正面區(qū)域部分包含車標顯著信息和大量紋理信息，如排氣口、車燈、車牌等，這是車型最本質區(qū)別于其他品牌和型號的信息特征.假設車牌的寬度為Wp，使用如圖1所示的方法確定車輛前臉感興趣區(qū)域，圖中線框區(qū)域最終定義為車臉.

圖1 車牌與車臉的位置關系

車臉提取采用的是基于對稱特征［6］的檢測方法.其流程是首先用拉普拉斯算子檢測邊緣，進行輪廓對稱軸檢測，計算水平掃描線上的每個像素點的對稱值，統(tǒng)計對稱軸的最大值.然后進行車牌對稱軸檢測，車牌水平對稱軸搜索區(qū)域每條豎直掃描線上像素點對稱值，將每行對稱值之和最大行作為車牌水平對稱軸，同樣方法得到車牌垂直對稱軸.最終再根據(jù)車牌與車臉的固定位置關系提取車臉.

本文實驗數(shù)據(jù)是由蘇州市公安局提供的卡口數(shù)據(jù)，人工篩選出定位精度高、圖片清晰度高的3 000張圖片，構建了一個15種車輛品牌的車臉數(shù)據(jù)庫.這些車輛品牌涵蓋了道路85%的車輛品牌，包括奧迪(Audi)、別克(Buick)、長安(Changan)、奇瑞(Chery)、雪佛蘭(Chevrolet)、雪鐵龍(Citroen)、福特(Ford)、本田(Honda)、現(xiàn)代(Hyundai)、馬自達(Mazda)、日產(chǎn)(Nissan)、標致(Peugeot)、大眾(Volkswagen)、豐田(Toyota)和五菱(Wulin).圖2是選取的作為車臉數(shù)據(jù)庫的部分圖片，包含了不同品牌不同車型不同光照條件的車臉，使得數(shù)據(jù)庫具有一定的魯棒性和可靠性.

圖2 車臉數(shù)據(jù)庫示例

2 HOG特征提取

方向梯度直方圖(HOG)特征最初是由Dalal等［7］提出的一種用于行人檢測的特征，該特征對圖像的微小幾何形變和局部對比度變化都能保持很好的不變性.HOG采用一組局部直方圖來描述物體，這些直方圖統(tǒng)計圖片中特定區(qū)域的梯度方向出現(xiàn)的次數(shù).通過把一張圖片分割為多個胞元(Cell)進行特征提取.HOG得到的描述子保持了幾何和光學轉化不變性.

HOG特征提取的步驟為首先將車臉圖片灰度化，采用Gamma校正法對輸入圖像進行顏色空間的標準化調節(jié)圖像的對比度降低圖像局部的陰影和光照變化造成的影響.然后將圖像歸一化，計算每個像素的梯度(包括大小和方向)，圖像劃分成小的胞元，將每幾個胞元組成一個塊，梯度范圍分級，最后統(tǒng)計塊內的所有胞元特征，所有塊串聯(lián)起來即可得到整個車臉的特征向量.

本文所采用的HOG參數(shù)有歸一化圖像大小為64×64像素，胞元大小為8×8像素，塊大小為16×16像素，應用濾波器［－1，0，1］獲取梯度圖，每個像素點的梯度0°～180°內分為9級，最終得到的特征維數(shù)為1 764維.提取的HOG特征用于SVM模型訓練和分類.

3 支持向量機

支持向量機(SVM)是一種基于結構風險最小化原則的模式分類方法，在解決小樣本、非線性及高維數(shù)方面有巨大優(yōu)勢.多類的問題可以轉化為多個兩類的問題.對于兩類的情況，SVM假設訓練集可由一個超平面劃分，對于n維輸入特征向量x和標記y={－1，+1}，定義一個點到超平面的間隔為

設H1和H2分別為各類中離超平面最近的樣本且平行于分類超平面的平面，對于線性可分的情況，假設

將w和b進行歸一化，可得分類間隔為2/‖w‖，使得分類間隔最大，即使‖w‖/2最小的超平面即最優(yōu)分類超平面H.如圖3所示.

圖3 兩類分類示意圖

對于非線性情況，需要采用滿足Mercer條件的核函數(shù)將輸入向量映射到一個高維特征空間中數(shù)據(jù)即變成線性可分［8］.不同的核函數(shù)可以構造出不同的非線性決策面的學習機.常用的核函數(shù)類型有線性(LINEAR)核函數(shù)、多項式(POLY)核函數(shù)、徑向基(RBF)核函數(shù)，其表達式分別為

式中，x1為第一類樣本數(shù)據(jù);x2為第二類樣本數(shù)據(jù);〈x1，x2〉為內積;R為擾動;d為級數(shù);σ 為標準差;‖x1－x2‖為范數(shù).

本文分別采用不同的核函數(shù)對車臉數(shù)據(jù)庫提取的HOG特征進行訓練，然后利用SVM分類器對測試數(shù)據(jù)進行分類.

4 實驗

本實驗是在研華科技610H型工控機上進行實驗的，所用的SVM 分類器是OpenCV2.2庫文件中的聚類支持向量機(C-SVM).15種車輛品牌的測試圖片數(shù)各為50張.通過不斷選取3種核函數(shù)的參數(shù)，最終選擇了識別效果最佳的一組參數(shù)，分別為 d=10，R=1.0，σ =0.09.基于不同核函數(shù)SVM模型的每個車輛品牌分類識別率條形圖和不同核函數(shù)的SVM分類器對分類精度影響的結果盒形圖分別如圖4和圖5所示.

圖4 15種車輛品牌分類識別率

圖5 不同核函數(shù)SVM分類器識別率盒形圖

3 種核函數(shù)的SVM分類器的整體識別精度和訓練時間見表1.每張圖片平均識別時間為0.10～0.15 s.

表1 三種核函數(shù)SVM分類器總識別率和訓練時間

從上述數(shù)據(jù)和圖表中可以看出基于HOG和SVM方法在車輛品牌分類中單張圖片識別時間短，整體識別率均大于89%.對于某個車輛品牌如標致識別率最高可達97%，而福特和雪佛蘭識別率相對較低，分別為71%和75%，其原因可能是福特和雪佛蘭品牌的系列有兩種或多種導致提取的HOG特征與其他車輛品牌的特征相似.基于不同核函數(shù)訓練的三種SVM分類器中徑向基核函數(shù)的識別率最高，雖然訓練時間最長，但這并不影響其在實際系統(tǒng)中的應用，因為模型只要在最初訓練一次即可.

5 結語

針對目前對車輛品牌分類的識別率低和實時性差等問題，本文研究了基于車臉的HOG特征提取和SVM分類器對車輛品牌識別方法.該方法識別率高，單張圖片識別時間短，具有一定可行性，且能夠滿足實時性要求.由于研究目標的不同，本文著重研究了三種不同核函數(shù)的SVM分類器對車輛品牌分類精度的影響，實驗結果表明采用RBF核函數(shù)的分類精度最高，整體識別率達89.89%.

［1］陳勝.基于實際特征和模糊SVM的車型分類方法研究［D］.昆明:昆明理工大學信息工程與自動化學院，2012.

［2］包力.基于特征與模板的人臉檢測算法的研究和應用［D］.大連:大連海事學院計算機科學與技術學院，2006.

［3］Berg A，Berg T，Malik J.Shape matehing and object recognition using low distortion correspondence［J］.IEEE Transaetionson Pattern Analysis and Maehine Intelligence，2006，28:594-611.

［4］Yang Kuihe，Shan Ganlin，Zhao Lingling.Application of least squares support vector machine on vehicle recognition［C］//Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications.Jinan，China，2006，217-221.

［5］黃瑞建.基于圖像的車輛外形及標識的綜合識別［D］.吉林:吉林大學機械科學與工程學院，2009.

［6］連捷.基于圖像的車輛區(qū)域檢測及車輛品牌型號識別技術研究［D］.南京:東南大學交通學院，2013.

［7］Dalal Navneet，Triggs Bill.Histograms of oriented gradients for human detection［C］//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego，CA，USA ，2005，1:886-893.

［8］李國正，王猛，曾華軍.支持向量機導論［M］.北京:電子工業(yè)出版社，2004:103-245.

Vehicle brand recognition based on HOG feature and support vector machine

Zhang Xiaoqin Zhao Chihang Sha Yuejin Dang Qian Zhang Yunsheng
(School of Transportation，Southeast University，Nanjing 210096，China)

Abstract:In order to solve the problem of fake-licensed car and illegal car identification，a vehicle brand recognition method is proposed.It detects the car front face based on symmetric feature，extracts the HOG(histogar of driented gradient)feature of the car face and then uses support vector machine(SVM)to classify the vehicle brand.According to the road bayonet pictures provided by the Suzhou Municipal Public Security Bureau，a car face database is built，which includes 3000 pictures of 15 kinds of vehicle brands such as Audi，Changan and Nissan.Based on the built database，experiments are conducted using the proposed method for vehicle brand recognition.The performance of three kinds of kernel functions(linear kernel function，polynomial kernel function and radial basis kernel function)of SVM is compared and analyzed.The overall classification accuracy of the three kernel functions are 89.27% ，89.74%and 89.89%.Theoretical analysis and experimental results show that the proposed recognition method based on HOG features and SVM is feasible，and the SVM classifier based on the radial basis function performs optimal.

Key words:vehicle brand;HOG feature;SVM(support vector machine);kernel function

中圖分類號:P208

A

1001－0505(2013)S2-0410-04

doi:10.3969/j.issn.1001 －0505.2013.S2.041

收稿日期:2013-08-10.

張小琴(1989—)，女，碩士生;趙池航(聯(lián)系人)，男，博士，副教授，博士生導師，chihangzhao@seu.edu.cn.

引文格式:張小琴趙池航沙月進，等.基于HOG特征及支持向量機的車輛品牌識別方法［J］.東南大學學報:自然科學版，2013，43(S2):410-413.［doi:10.3969/j.issn.1001 －0505.2013.S2.041］