基于車前燈區(qū)域形狀特征的卡口車輛品牌識(shí)別方法

孫盛，楊學(xué)軍，教穎輝，馮力

（1.金鵬電子信息機(jī)器有限公司，廣州510663；2.華南師范大學(xué)計(jì)算機(jī)學(xué)院，廣州510631)

基于車前燈區(qū)域形狀特征的卡口車輛品牌識(shí)別方法

孫盛1,2，楊學(xué)軍1，教穎輝1，馮力1

（1.金鵬電子信息機(jī)器有限公司，廣州510663；2.華南師范大學(xué)計(jì)算機(jī)學(xué)院，廣州510631)

在智慧城市建設(shè)中，對(duì)于道路卡口中車輛對(duì)象的車輛品牌的識(shí)別是對(duì)整個(gè)車輛結(jié)構(gòu)化信息提取的一項(xiàng)重要內(nèi)容。以白天行車環(huán)境為背景，對(duì)卡口視頻監(jiān)控設(shè)備采集的圖像進(jìn)行車前燈提取。以方向梯度直方圖（HOG）為描述算子，表征車前燈區(qū)域的形狀特征。最后，利用支撐向量機(jī)分類器，完成車輛品牌的分類。克服車前臉區(qū)域尺寸較大導(dǎo)致的運(yùn)算復(fù)雜度較高的問(wèn)題，能夠滿足實(shí)時(shí)性應(yīng)用需求。

視頻監(jiān)控；車輛品牌；方向梯度直方圖

0 引言

在智慧城市建設(shè)中，對(duì)于道路卡口中的車輛對(duì)象的研究已經(jīng)逐漸成為學(xué)術(shù)界、工業(yè)界的熱點(diǎn)。對(duì)于車輛品牌的識(shí)別是對(duì)整個(gè)車輛結(jié)構(gòu)化信息提取的一項(xiàng)重要內(nèi)容，目前，主要有兩大類方式來(lái)完成車輛品牌識(shí)別，第一類：對(duì)車輛的前臉區(qū)域進(jìn)行識(shí)別；第二類：對(duì)車輛的標(biāo)志進(jìn)行提取并識(shí)別。第一類方法中，首先檢測(cè)出車輛前臉區(qū)域，然后提取車輛前臉區(qū)域的特征，最后采用分類器進(jìn)行分類，完成車輛品牌的識(shí)別。該類方法存在的最主要問(wèn)題有：前臉區(qū)域尺寸較大，如果采用比較復(fù)雜的特征輸入到分類器中，會(huì)導(dǎo)致運(yùn)算復(fù)雜度較大，無(wú)法適應(yīng)實(shí)時(shí)性應(yīng)用需求；如果采用比較簡(jiǎn)單的特征輸入到分類器，會(huì)出現(xiàn)不同品牌的特征距離比較相近的問(wèn)題，導(dǎo)致識(shí)別準(zhǔn)確率降低。第二類方法中，仍然是采取與第一類方法類似的思路，但是，由于車輛標(biāo)志尺寸較小，因而在采集的圖像中，車輛標(biāo)志對(duì)應(yīng)的目標(biāo)尺寸也較小，在實(shí)際卡口應(yīng)用中，識(shí)別率無(wú)法達(dá)到大規(guī)模實(shí)用的要求。

童雯[1]提出了一種利用主成分分析降維、再利用支撐向量機(jī)分類的車輛品牌識(shí)別方法；潘祥[2]提出了一種基于AdaBoost學(xué)習(xí)算法的級(jí)聯(lián)分類方法；高倩[3]提出了一種結(jié)合SIFT特征描述子和神經(jīng)網(wǎng)絡(luò)分類器的車輛品牌分類方法；魏平順[4]提出了一種利用車標(biāo)圖像的HOG特征及支撐向量機(jī)的車輛品牌分類方法；Gu[5]等人提出了一種基于SIFT流解析的方法；Xia[6]等人提出了利用卷積神經(jīng)網(wǎng)絡(luò)完成車輛品牌分類的方法。

本文將提取出車前燈區(qū)域特征，這種方法可克服由車前臉區(qū)域尺寸較大導(dǎo)致的運(yùn)算復(fù)雜度較高的問(wèn)題，同時(shí)可克服由車輛標(biāo)志尺寸較小帶來(lái)的識(shí)別準(zhǔn)確率較低的問(wèn)題，從而使得識(shí)別算法的執(zhí)行效率大大地提高，增加了大規(guī)模實(shí)戰(zhàn)應(yīng)用的可行性。

1 車前燈區(qū)域特征提取

為了完成車前燈的定位，首先要對(duì)車前燈的結(jié)構(gòu)進(jìn)行分析和定義，本方法所要檢測(cè)的車前燈，包括了由燈罩、燈泡及內(nèi)部配件構(gòu)成的車前燈目標(biāo)區(qū)域，車前燈區(qū)域包含了紋理、邊緣、形狀、顏色等重要的圖像信息，這些信息表征了車前燈區(qū)域與其他區(qū)域在圖像中的區(qū)別，可以被用來(lái)進(jìn)行車前燈的檢測(cè)。本方法所要解決的車前燈定位是以白天行車環(huán)境為背景，白天行車環(huán)境下（與夜間行車環(huán)境對(duì)比），卡口攝像機(jī)采集的圖像中包含更多的特征信息，可供利用的圖像特征更加豐富。

首先，假設(shè)經(jīng)過(guò)變換得到卡口車輛圖像的灰度圖像為G，將灰度圖像G的各個(gè)像素點(diǎn)的灰度差值對(duì)水平方向做疊加投影運(yùn)算，其中OV[i]表示的第i行像素灰度差值數(shù)組，該數(shù)組表示的是沿著水平方向各個(gè)像素在Y軸上的疊加投影，參見(jiàn)公式（1）。

車前燈所在區(qū)域位于水平投影方向的鼓形區(qū)域，根據(jù)卡口攝像機(jī)的位置關(guān)系和拍攝角度，可以設(shè)定一個(gè)預(yù)定高度閾值H。然后根據(jù)公式（2）（3）計(jì)算得到車前燈鼓形區(qū)域的平均值和方差[7-8]。

根據(jù)前述分析可知，如果出現(xiàn)灰度集中而且方差較小的水平帶狀區(qū)域，則可以認(rèn)為該區(qū)域是候選車前燈區(qū)域。

之后，本方法采用方向梯度直方圖作為車前燈區(qū)域的形狀特征描述算子。

（1）以上一步驟中的車前燈區(qū)域子圖像SI為對(duì)象，對(duì)子圖像進(jìn)行微弱的高斯平滑運(yùn)算得到平滑之后的子圖，然后實(shí)施以1維濾波模板，從而計(jì)算得到每個(gè)像素點(diǎn)的梯度值G。在完成濾波之后，開(kāi)始對(duì)計(jì)算得到梯度方向進(jìn)行量化，映射到N個(gè)方向上，如圖1所示。在圖1中選取的N=8，梯度的值進(jìn)行量化之后的值就是圖中的區(qū)域編號(hào)。

圖1 車前燈子區(qū)域映射圖

（2）將車前燈區(qū)域子圖像SI分割成相互連通的單元格，共M個(gè)，每一個(gè)單元格記為Cell[i]。

（3）對(duì)單元格內(nèi)的像素點(diǎn)求取直方圖。利用步驟（1）中的計(jì)算方法計(jì)算單元格內(nèi)部每個(gè)像素點(diǎn)的梯度值，并進(jìn)行量化，單元格內(nèi)的梯度直方圖為內(nèi)部像素點(diǎn)的梯度方向的加權(quán)平均，可用公式（4）進(jìn)行計(jì)算。

（4）利用多個(gè)相鄰接的單元格構(gòu)成圖像塊。首先，將多個(gè)較小的單元格組成較大的圖像塊，用Block表示，構(gòu)成圖如圖2所示。對(duì)圖像塊內(nèi)部的單元格進(jìn)行規(guī)范化運(yùn)算，在本方法中，采用的是2-范數(shù)規(guī)范化運(yùn)算。最終車前燈子圖像的HOG描述算子為經(jīng)過(guò)規(guī)范化之后的所有圖像塊中所有單元格的直方圖構(gòu)成的向量。

2 特征分類匹配

在獲取了車前燈子圖像的HOG特征向量之后，開(kāi)始構(gòu)造和訓(xùn)練SVM（支撐向量機(jī)）分類器。

（1）選取核函數(shù)

由于車前燈子圖像的特征為非線性特征，因此需要引入核函數(shù)。在本方法中，引入了RBF（徑向基函數(shù)）核函數(shù)，因?yàn)樵摵撕瘮?shù)的平均性能是較好的，具有較寬的收斂域。

（2）選取核函數(shù)參數(shù)和懲罰因子

在完成核函數(shù)選取之后，需要確定核函數(shù)參數(shù)和懲罰因子c，在本方法中使用網(wǎng)格搜索法來(lái)確定核函數(shù)參數(shù)和懲罰因子。

（3）多分類器構(gòu)造

在本方法中，采用的是一對(duì)一的方式構(gòu)造多分類器。假設(shè)共有m類車前燈類別樣本，每次只考慮兩類車前燈類別樣本，每?jī)深愜嚽盁魳颖鹃g設(shè)計(jì)一個(gè)SVM分類器，一共需要m*（m-1）/2個(gè)SVM子分類器。

設(shè)定分類函數(shù)fij（x），對(duì)第i類和第j類車前燈樣本進(jìn)行判別：當(dāng)fij（x）>0時(shí)，判定車前燈圖像x屬于第i類車前燈，同時(shí)記錄第i類得分增加1分；反之，則認(rèn)為屬于第j類車前燈，同時(shí)記錄第j類得分增加1分。按照這種方式依次進(jìn)行，待測(cè)試樣本經(jīng)過(guò)m*（m-1）/2個(gè)SVM子分類器的判別之后，最后統(tǒng)計(jì)哪一類的得分最多，就可認(rèn)定待測(cè)試樣本屬于該類車前燈。

在通過(guò)SVM分類器完成車前燈類別的識(shí)別后，就可以利用預(yù)先通過(guò)人工方式構(gòu)建的車型庫(kù)建立車前燈類別與車輛品牌的關(guān)聯(lián)關(guān)系，從而完成車輛品牌的識(shí)別。

3 實(shí)驗(yàn)結(jié)果

本文選取了10個(gè)卡口的視頻監(jiān)控?cái)?shù)據(jù)作為實(shí)驗(yàn)對(duì)象，單個(gè)卡口平均每天的過(guò)車記錄為3000條，因本方法限定研究白天光照條件下的車輛品牌識(shí)別，通過(guò)時(shí)間篩選，共獲得10812條記錄。通過(guò)隨機(jī)挑選的方式，從中取出225條記錄作為實(shí)驗(yàn)數(shù)據(jù)。由于車輛品牌較多，只對(duì)該數(shù)據(jù)集中的常見(jiàn)品牌進(jìn)行分類，包括：大眾、通用、豐田、本田、現(xiàn)代、奇瑞，其他不常見(jiàn)的品牌則統(tǒng)一的歸為一類：“其他”，并對(duì)這225條記錄進(jìn)行人工識(shí)別。在采用了本文提出的分類方法后，分類的結(jié)果參見(jiàn)表格1。

表1 分類結(jié)果誤差矩陣

4 結(jié)語(yǔ)

本文給出了智慧城市卡口監(jiān)控系統(tǒng)中車輛品牌識(shí)別的一種新方法。該方法通過(guò)提取車前燈區(qū)域的局部圖像形狀特征，并輸入到支撐向量機(jī)分類器中進(jìn)行分類，能夠?qū)崿F(xiàn)以較低的計(jì)算復(fù)雜度獲得較高的識(shí)別準(zhǔn)確率，適合于大規(guī)模城市卡口系統(tǒng)的實(shí)時(shí)應(yīng)用。

[1]童雯.基于PCA和SVM的車標(biāo)識(shí)別方法研究[D].太原理工大學(xué)，2012.

[2]潘祥.基于車標(biāo)識(shí)別的車型細(xì)分類技術(shù)研究[D].西華大學(xué)，2010.

[3]高倩.車標(biāo)識(shí)別方法研究[D].大連海事大學(xué),2008.

[4]魏平順.智能交通系統(tǒng)中車標(biāo)圖像識(shí)別技術(shù)研究[D].南京理工大學(xué),2013.

[5]Qin Gu,Jianyu Yang,Guolong Cui,Lingjiang Kong,Huakun Zheng,Reinhard Klette.Multi-Scale Vehicle Logo Recognition by Directional Dense SIFT Flow Parsing[C].Proceedings of 2016 IEEE International Conference on Image Processing,2016:3827-3831.

[6]Yi-zhang Xia,Jing Feng,Bai-ling Zhang.Vehicle Logo Recognition and Attributes Prediction by Multi-Task Learningwith CNN[C].

Proceedings of 12th International Conference on Natural Computation,Fuzzy Systems and Knowledge Discovery,2016:668-672.

[7]張紅兵,李海林,馬守磊,汪飛.基于離散粒子群優(yōu)化的車輛品牌和型號(hào)識(shí)別[J].計(jì)算機(jī)仿真,2016,0（1）:177-180.

[8]張小琴,趙池航,沙月進(jìn),黨倩,張運(yùn)勝.基于HOG特征及支持向量機(jī)的車輛品牌識(shí)別方法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版,

2013,43 （A02）:410-413.

Vehicle Brand Classification Based on the Characteristics of Vehicle Head light for the Road Video Surveillance System

SUN Sheng1，2，YANG Xue-jun1，JIAO Yin-hui1，F(xiàn)ENG Li1

（1.Jinpeng Electronics Information Machine Corporation，Guangzhou 510663 2.School of Computer Science of South China Normal University，Guangzhou 510631）

In smart city applications,it is a vital task to identify vehicle brand when extracting the structural information of vehicles.In daytime environment,the headlight region is segmented from the image obtained by the devices of video surveillance system.Describes the shape characteristics of headlight by histogram of oriented gradient operator.At last,builds a classifier of support vectormachine for identifying the vehicle brand.The proposedmethod has low computation complexity and can fulfill the real-time applications.

Video Surveillance;Vehicle Brand;Histogram of Oriented Gradient

1007-1423（2017）03-0010-04

10.3969/j.issn.1007-1423.2017.03.003

孫盛（1980-），男，湖北建始人，博士，研究方向?yàn)橛?jì)算機(jī)視覺(jué)、模式識(shí)別

楊學(xué)軍（1964-），男，湖北人，研究生，教授，研究方向?yàn)橹腔鄢鞘薪ㄔO(shè)

馮力（1974-），男，廣東人，研究生，高級(jí)工程師，研究方向?yàn)橐曨l監(jiān)控

教穎輝（1976-），女，吉林人，研究生，工程師，研究方向?yàn)橐曨l監(jiān)控

2016-11-10

2017-01-15

廣州市科技計(jì)劃項(xiàng)目（No.201503020007）