基于SURF特征與積分通道特征的車型識(shí)別

凌永國，胡維平

(1. 廣西民族師范學(xué)院 物理與電子工程系，廣西 崇左 532200；2. 廣西師范大學(xué) 電子工程學(xué)院 廣西多源信息挖掘與安全重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004)

?

基于SURF特征與積分通道特征的車型識(shí)別

凌永國1，胡維平2

(1. 廣西民族師范學(xué)院 物理與電子工程系，廣西 崇左 532200；2. 廣西師范大學(xué) 電子工程學(xué)院 廣西多源信息挖掘與安全重點(diǎn)實(shí)驗(yàn)室，廣西 桂林 541004)

隨著交通問題的日益嚴(yán)峻，智能交通系統(tǒng)技術(shù)的研發(fā)顯得尤為迫切。車型識(shí)別系統(tǒng)作為ITS系統(tǒng)的一個(gè)重要組成部分，起著關(guān)鍵的作用。針對(duì)車輛圖像的車型識(shí)別，提出了一種基于SURF(speeduprobustfeatures)特征與積分通道特征的車型識(shí)別方法。實(shí)驗(yàn)結(jié)果表明，此方法能夠?qū)囕v圖像的車型進(jìn)行準(zhǔn)確的識(shí)別，且簡單高效，具有較高的魯棒性。

車型識(shí)別；車輛特征；SURF特征；積分通道特征；SVM支持向量機(jī)

圖像特征是一幅圖像區(qū)別于其他圖像的基本屬性，圖像分類的結(jié)果取決于圖像特征的有效性。為了提高車型識(shí)別系統(tǒng)的速度及識(shí)別率，必須提取良好的車輛特征，因此特征提取的算法研究顯得尤為重要。

目標(biāo)圖像主要包含形狀、顏色、紋理等特征。圖像特征提取的算法有很多種，較為常用的主要有基于形狀的提取算法[1]、基于紋理特征提取算法[2]、基于偽Zernike矩特征提取算法[3-4]、基于HOG特征提取算法[5]、基于積分通道特征提取算法[6]、基于SURF特征提取算法[7]等。本文主要分析了SURF特征量以及目前應(yīng)較常用于人體檢測(cè)的積分通道特征特征，綜合比較兩種特征的性能，提出將SURF特征與積分通道特征相結(jié)合的特征量作為車型分類的車輛特征。

1　SURF特征

SURF特征由BAY等人[8]在2008年提出。該算法的思想是通過積分圖像及采用快速Hessian矩陣檢測(cè)SURF的特征點(diǎn)，極大地縮減了SURF算法的計(jì)算時(shí)間。且SURF特征具有尺度不變性、旋轉(zhuǎn)不變性及光照不變性，并且計(jì)算效率高，魯棒性較好，因此可用于圖像的分類識(shí)別中。SURF算法主要包括特征點(diǎn)檢測(cè)和特征點(diǎn)描述兩個(gè)步驟。

1.1SURF特征點(diǎn)檢測(cè)

為了確保SURF特征點(diǎn)具備尺度不變性，SURF算法建立圖像的尺度空間。對(duì)于二維圖像I(x，y)，可通過與高斯核函數(shù)進(jìn)行卷積來獲得不同尺度空間

L(x,y,σ)=I(x,y)*G(x,y,σ)

(1)

式中：G(x，y，σ)為尺度可改變的高斯函數(shù)。

SURF算法采用Hessian矩陣檢測(cè)特征點(diǎn)，檢測(cè)出的特征點(diǎn)實(shí)際上是Hessian矩陣局部極值點(diǎn)的位置。對(duì)于圖像I中某一像素X=(x，y)，則在尺度σ下的Hessian矩陣H(X，σ)如下

(2)

式中：Lxx(X，σ)，Lyy(X，σ)，Lxy(X，σ)分別為圖像I與高斯函數(shù)在x，y，xy方向上的二階偏導(dǎo)數(shù)在點(diǎn)X處的卷積。

圖像中任意框狀卷積濾波可通過積分圖像非常方便的計(jì)算，Bay等人提出采用框狀卷積濾波去近似模擬高斯二階偏導(dǎo)濾波，這樣可降低高斯二階偏導(dǎo)計(jì)算的復(fù)雜度，提高算法的運(yùn)算效率，模擬過程如圖1所示。

圖1　方框?yàn)V波近似高斯二階偏導(dǎo)

設(shè)Dxx，Dxy，Dyy分別為Lxx，Lxy，Lyy的近似，則Hessian行列式的近似表達(dá)式為

det(Happrox)=DxxDyy-(ωDyy)2

(3)

式中：ω是調(diào)節(jié)參數(shù)，用來補(bǔ)償近似過程中造成的誤差，一般可取0.9。

如圖2的3維(x，y，S)尺度空間中，在3×3×3鄰域內(nèi)采用Hessian矩陣求極值。統(tǒng)計(jì)某點(diǎn)3×3×3鄰域內(nèi)包括自己的27個(gè)響應(yīng)值，如果這個(gè)點(diǎn)的響應(yīng)值在其26個(gè)鄰域響應(yīng)值中為最大，則選取該點(diǎn)為候選特征點(diǎn)。得到候選特征點(diǎn)后，為了加強(qiáng)特征點(diǎn)抗噪能力，需舍棄對(duì)比度較低的極值點(diǎn)和不穩(wěn)定的邊緣極值點(diǎn)，從而得到較穩(wěn)定的特征點(diǎn)位置。

圖2　特征點(diǎn)3×3×3鄰域圖

1.2SURF特征點(diǎn)描述

SURF特征點(diǎn)的描述主要分為主方向的確定和特征向量的計(jì)算兩個(gè)過程。

1.2.1主方向的確定

為了確保提取的SURF特征具有旋轉(zhuǎn)不變性，在描述特征點(diǎn)時(shí)，要對(duì)每個(gè)特征點(diǎn)都賦予一個(gè)可匹配的方向特征。

SURF特征點(diǎn)的主方向是通過計(jì)算特征點(diǎn)鄰域內(nèi)的Harr小波特征來確定。以特征點(diǎn)為中心，半徑為6σ的圓內(nèi)(σ為該特征點(diǎn)所在的尺度)，分別計(jì)算所有點(diǎn)x和y方向上，尺寸為4σ的小波特征。Harr小波原理圖如圖3所示。統(tǒng)計(jì)60°扇形區(qū)域的小波相應(yīng)之和得到該區(qū)域內(nèi)的矢量，并以60°為單位在園內(nèi)滑動(dòng)扇形區(qū)域，遍歷整個(gè)圓后取最大的矢量作為該點(diǎn)的主方向，該過程如圖4所示。

圖3　Harr小波原理圖

圖4　確定特征點(diǎn)主方向

1.2.2特征描述向量

特征點(diǎn)的主方向確定之后，就要對(duì)特征點(diǎn)進(jìn)行描述。在該特征點(diǎn)的方向上構(gòu)建一個(gè)以特征點(diǎn)為中心，邊長為20σ的矩形區(qū)域，并將矩形區(qū)域劃分為4×4個(gè)子區(qū)域，分別計(jì)算這16個(gè)子區(qū)域的Harr小波響應(yīng)。記dx為該點(diǎn)主方向的水平Harr小波響應(yīng)，dy為垂直方向Harr小波響應(yīng)，并分別計(jì)算每個(gè)子區(qū)域dx，dy之和及其絕對(duì)值之和構(gòu)成向量V。特征描述子的構(gòu)造如圖5所示，特征向量V可表示為

(4)

因?yàn)槊總€(gè)子區(qū)域的特征向量為4維，一共有16個(gè)子區(qū)域，因此每一個(gè)特征點(diǎn)的描述向量為64維。為使特征對(duì)光照變化就有一定不變性，需對(duì)64維的特征向量進(jìn)行歸一化。

圖5　SURF特征描述子構(gòu)造

1.3車輛SURF特征點(diǎn)提取

將檢測(cè)提取的車輛圖像歸一化后，即可進(jìn)行車輛特征的提取。因?yàn)槊恳粡堒囕v圖像提取到的特征點(diǎn)數(shù)一般都不相同，所以由特征點(diǎn)組成的車輛圖像特征維數(shù)也不相同。而提取的特征用于分類識(shí)別，要求提取車輛圖像特征的維數(shù)相同。本文從4種車輛圖像特征點(diǎn)分布情況出發(fā)，通過分塊求平均的方法構(gòu)造特征矢量，該方法的一般過程如圖6所示。

圖6　SURF分塊平均法構(gòu)造特征矢量

本文將車輛圖像分成8×1塊子圖像，計(jì)算得到每個(gè)子區(qū)域的64維平均特征向量后，從上到下將每個(gè)子區(qū)域的平均特征向量連接成車輛的特征向量，即得到512維(8×64)特征向量。

2　積分通道特征

2.1通道的概念及屬性

積分通道特征是PiotrDollar等于2009年提出的一種目標(biāo)圖像快速特征的表達(dá)方法。積分通道特征的基本思路是：通過對(duì)輸入的圖像做線性或非線性變換獲得通道，利用積分圖來快速計(jì)算通道特征。給定輸入圖像I，圖像經(jīng)過線性或非線性變換的通道計(jì)算函數(shù)為Ω，則輸出響應(yīng)C即為通道，即C=Ω(I)。為了可以采用滑動(dòng)窗口進(jìn)行快速計(jì)算，要求這些通道具有變換不變性，即C=Ω(I)和C′=Ω(I′)成立。而為了利用積分圖像快速計(jì)算通道特征，要求通道具有局部可求和性，即單通道圖像上某一個(gè)矩形區(qū)域內(nèi)的像素之和f(C)應(yīng)滿足

(5)

2.2通道類型

通道是提取積分通道特征過程的第一步，常用的圖像通道類型主要包括如下：

1)灰度和顏色變換

灰度變換是圖像領(lǐng)域中最簡單的變換之一。另外，顏色圖像空間通常也會(huì)用到，Luv顏色空間對(duì)圖像顏色變換具有較好的魯棒性，因此Luv顏色空間常用于圖像處理中的彩色處理領(lǐng)域。

2)線性濾波和非線性濾波

利用線性變換獲取通道是一種較為簡單有效的方法，通過使用不同的濾波器可以獲得圖像不同的信息，如DoG(DifferenceofGaussian)和濾波器Gabor濾波器。具有上述通道屬性的非線性變換有很多種，其中Canny等一些邊緣檢測(cè)算子可以捕獲邊緣強(qiáng)度信息。

3)積分直方圖

Porikli等人提出利用積分圖來快速計(jì)算直方圖的方法。對(duì)于一幅圖像I，Q表示圖像的量化版本，其量化范圍為{1，2，…，q}，對(duì)每個(gè)i≤q，當(dāng)Q(x,y)=i

Qi(x,y)=1

(6)

通過計(jì)算某區(qū)域Qi的和即可得到該區(qū)域Q內(nèi)等于i的元素的個(gè)數(shù)。因此，對(duì)于某一個(gè)區(qū)域內(nèi)的直方圖，可以對(duì)相應(yīng)區(qū)域的直方圖通道Qi進(jìn)行加減運(yùn)算得到。

4)梯度直方圖

梯度直方圖是一種加權(quán)的直方圖，通過梯度方向計(jì)算它的容器的索引，通過梯度的幅值計(jì)算其相應(yīng)的權(quán)值。當(dāng)Θ(x,y)=θ時(shí)，其梯度通道計(jì)算表達(dá)式為

Qθ(x,y)=G(x,y)

(7)

式中：G(x，y)表示圖像在(x，y)處的梯度幅值；Θ(x，y)表示其梯度方向。對(duì)原圖像進(jìn)行不同尺度的變換，可以得到不同尺度的梯度。此外，可以借助梯度幅值對(duì)梯度直方圖進(jìn)行歸一化。若使用L1范數(shù)對(duì)梯度直方圖歸一化[9]，則此時(shí)可用于逼近圖像的HOG特征。

PiotrDollar等人實(shí)驗(yàn)表明，由Luv顏色通道、梯度直方圖通道和梯度幅值通道組合成的通道特征性能最好。因此本文采用這3種通道作為車輛圖像的積分通道特征。車輛圖像積分通道特征提取算法的流程如圖7所示。

圖7　提取積分通道特征流程圖

將車輛圖像劃分為大小不一的block，獲取豐富的特征信息。計(jì)算每個(gè)block的積分圖像，一階積分通道特征就是每個(gè)block區(qū)域各通道之和。

圖像的SURF特征具有尺度不變性、旋轉(zhuǎn)不變性及光照不變性，但SURF特征提取到的車輛特征點(diǎn)數(shù)較少，特征描述較為粗糙(如圖8)，積分通道特征可以從圖像的不同角度收集各種特征信息，但積分通道特征在圖像尺度、旋轉(zhuǎn)、光照變化不具有不變性，因此本文嘗試將SURF特征與積分通道特征結(jié)合起來作為車輛圖像的特征向量。

圖8　4種車輛圖像SURF特征點(diǎn)的檢測(cè)結(jié)果

3　實(shí)驗(yàn)結(jié)果

4種車型圖像SURF特征點(diǎn)的檢測(cè)結(jié)果如圖8所示。

車輛圖像的Luv顏色通道、梯度幅值通道、梯度直方圖通道如圖9所示。

圖9　車輛圖像積分通道

為了驗(yàn)證本文特征提取算法的有效性，為車型識(shí)別系統(tǒng)選取較可靠的特征，本實(shí)驗(yàn)利用SVM分類器分別用提取的車輛特征對(duì)4種車型圖像進(jìn)行識(shí)別。其中，訓(xùn)練樣本每類車型300張，測(cè)試樣本每類車型200張，樣本尺寸歸一化大小為96×128。以下前3個(gè)實(shí)驗(yàn)是在Matlab平臺(tái)下進(jìn)行，后4個(gè)實(shí)驗(yàn)是在VS2010平臺(tái)下進(jìn)行。因此前3個(gè)實(shí)驗(yàn)與后4個(gè)實(shí)驗(yàn)在識(shí)別時(shí)間上沒有可比性。實(shí)驗(yàn)結(jié)果如表1所示。

表1SVM對(duì)不同特征的識(shí)別結(jié)果

識(shí)別類型識(shí)別率/%轎車面包車貨車客車平均識(shí)別率/%平均識(shí)別時(shí)間/ms不變矩特征識(shí)別84.571.070.072.074.3849.38紋理特征識(shí)別78.569.568.070.571.63132.30不變矩、紋理特征結(jié)合識(shí)別86.572.570.574.075.88158.97SURF特征識(shí)別87.089.584.582.585.8848.43HOG特征識(shí)別93.594.092.591.592.8847.16積分通道特征識(shí)別94.593.593.592.093.3846.52SURF特征、積分通道特征結(jié)合識(shí)別94.595.093.592.593.8869.94

由表1可以看出，在使用SVM分類器對(duì)7種不同特征及組合進(jìn)行車型識(shí)別時(shí)，SURF特征與積分通道特征結(jié)合特征量的平均識(shí)別率最好，達(dá)到了93.88%，比SURF特征和積分通道特征各自的識(shí)別率都有所提高。

SURF特征與積分通道特征的結(jié)合，彌補(bǔ)了因SURF特征提取的車輛特征點(diǎn)數(shù)較少造成特征描述較粗糙的缺陷，而SURF也彌補(bǔ)了積分通道特征在圖像尺度、旋轉(zhuǎn)、光照變化方面的不足，使得結(jié)合后的特征向量具有較豐富的特征信息，且對(duì)車輛圖像具有尺度、旋轉(zhuǎn)及光照的不變性。

4　結(jié)束語

針對(duì)正面車輛圖像的車型識(shí)別，提取并分析了車輛圖像的SURF特征和積分通道特征，考慮到圖像的SURF特征具有尺度不變性、旋轉(zhuǎn)不變性及光照不變性，但SURF特征提取到的車輛特征點(diǎn)數(shù)較少，特征描述較為粗糙，而積分通道特征可以從圖像的不同角度收集各種特征信息，但積分通道特征在圖像尺度、旋轉(zhuǎn)、光照變化不具有不變性。本文提出將SURF特征與積分通道特征結(jié)合起來作為車輛圖像的特征向量，結(jié)合的特征向量解決了它們各自的缺陷，同時(shí)保留了它們各自的優(yōu)點(diǎn)，具有豐富的特征信息，且對(duì)車輛圖像具有尺度、旋轉(zhuǎn)及光照的不變性，可作為車型識(shí)別的特征向量。

[1]朱永珍，孟慶虎，普杰信.基于HSV色彩空間與形狀特征的交通燈自動(dòng)識(shí)別[J].電視技術(shù)，2015，39(5)：150-154.

[2]李玥靈，吳國平，耿秀秀，等. 基于LBP-GLCM紋理特征提取的服裝圖像檢索[J]. 電視技術(shù)，2015，39(12)：99-103.

[3]MAHIH，ISABATENH，SERIEFC.ZernikemomentsandSVMforshapeclassificationinveryhighresolutionsatelliteimages[J].Theinternationalarabjournalofinformationtechnology，2014，11(1)： 43-51.

[4]REYES-LOPEZJ，CAMPOSS，ALLENDEH，etal.Zernike'sfeaturedescriptorsforirisrecognitionwithSVM[C]//Proceedingsofthe2011 30thInternationalConferenceoftheChileanComputerScienceSociety. [S.l.]：IEEEComputerSociety，2011：283-288.

[5]景陽，劉琳，黃鴻志，等. 基于頭肩HOG特征的快速行人檢測(cè)[J].電視技術(shù)，2014， 38(15)：227-230..

[6]DOLLARP，TUZ，PERONAP，etal.Integralchannelfeatures[C]//Proc.BritishMachineVisionConference.London：IEEE，2009： 247-252.

[7]吳月鳳，何小海，張峰，等.SURF算法和RANSAC算法相結(jié)合的臺(tái)標(biāo)檢測(cè)與識(shí)別[J]. 電視技術(shù)，2014，38(13)：191-195.

[8]BAYH，ESSA，TUYTELAARST，etal.Surf：speededuprobustfeatures[J].Computervisionandimageunderstanding，2008，110(3)：346-359.

[9]PORIKLIF.Integralhistogram：afastwaytoextracthistogramsincartesianspaces[C]//IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition. [S.l.]：IEEE，2005：829-836.

凌永國(1988— )，碩士，研究方向?yàn)閳D像處理；

胡維平(1963— )，教授，博士，研究方向?yàn)樽赃m應(yīng)信號(hào)處理理論及應(yīng)用、生物醫(yī)學(xué)信號(hào)處理、圖像處理及模式識(shí)別。

責(zé)任編輯：閆雯雯

VehicletyperecognitionbasedonSURFandintegralchannelfeatures

LINGYongguo1，HUWeiping2

(1. Department of Physics and Electronic Engineering，Guangxi Normal University for Nationalities，Guangxi Chongzuo 532200， China；2. Guangxi Key Lab of Multi-source Information Mining and Security，College of electronic engineering，Guangxi Normal University，Guangxi Guilin 541004， China )

Withtheincreasinglyseriousoftrafficproblems，thedevelopmentofintelligenttransportationsystem(ITS)technologyisparticularlyimpendency.AsanimportantpartofITS，vehicletyperecognitionsystemplaysakeyroleinITS.AvehicletyperecognitionmethodbasedonSURFandintegralchannelfeaturesisproposedforvehicleimage.Experimentalresultsshowthatthismethodcanrecognizethetypeofvehicleimageaccurately，efficientandrobustness.

vehicletyperecognition；vehiclefeature；SURFfeature；integralghannelfeatures；SVM

TP391.41

ADOI： 10.16280/j.videoe.2016.07.030

廣西多源信息挖掘與安全重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目(13-A-03-02)；廣西民族師范學(xué)院科研支柱項(xiàng)目(2016YB038)

2015-09-02

文獻(xiàn)引用格式：凌永國，胡維平. 基于SURF特征與積分通道特征的車型識(shí)別[J].電視技術(shù)，2016，40(7)：139-143.

LINGYG，HUWP.VehicletyperecognitionbasedonSURFandintegralchannelfeatures[J].Videoengineering，2016，40(7)：139-143.