分層式寬度模型的實(shí)時(shí)車型識(shí)別算法

李洪均 周 澤

（1.南通大學(xué)電子信息學(xué)院，南通，226019；2.南通智能信息技術(shù)聯(lián)合研究中心，南通，226019；3.通科微電子學(xué)院，南通，226019）

引 言

近年來(lái)，隨著交通監(jiān)控設(shè)備的普及和計(jì)算機(jī)視覺(jué)的迅猛發(fā)展，一些基于交通視頻圖像的計(jì)算機(jī)視覺(jué)技術(shù)被應(yīng)用在現(xiàn)代化智能交通體系中。實(shí)時(shí)的車型識(shí)別技術(shù)作為智能交通體系的重要組成部分，具有廣泛的應(yīng)用范圍，如高速公路收費(fèi)系統(tǒng)、交通流量統(tǒng)計(jì)、城市交通監(jiān)控以及協(xié)助刑偵[1-3]等方面。目前車型識(shí)別領(lǐng)域的研究主要可以分為3類：（1）基于車輛三維模型的車型識(shí)別方法[4-7]。該方法對(duì)不同類型的車輛進(jìn)行三維建模，然后通過(guò)模型匹配的方式，實(shí)現(xiàn)車型識(shí)別，Voulodimos等[8]建立每類車輛的三維模型，將待識(shí)別的車輛投影到模型空間，通過(guò)模型匹配的方式實(shí)現(xiàn)了87.5%的車型識(shí)別精度。（2）基于深度學(xué)習(xí)[9-14]的車型識(shí)別方法。該方法先對(duì)車輛樣本圖像進(jìn)行特征提取，然后用所獲得的特征向量來(lái)訓(xùn)練網(wǎng)絡(luò)分類器，利用訓(xùn)練好的分類器識(shí)別車輛類型，雷倩等[15]采用具有13層的深度神經(jīng)網(wǎng)絡(luò)CaffeNet實(shí)現(xiàn)車型識(shí)別，識(shí)別精度高達(dá)95.2%，但需要使用GPU來(lái)加速網(wǎng)絡(luò)訓(xùn)練。（3）基于車輛淺層特征的車型識(shí)別方法[16-20]。該方法利用以先驗(yàn)知識(shí)所設(shè)計(jì)的特征提取器，提取車輛圖像的固定化特征，如SIFT特征、Haaris角點(diǎn)特征以及梯度方向直方圖(Histogram of oriented gradient,HOG)特征等，張彤等[21]提出了改進(jìn)的Harris角點(diǎn)檢測(cè)的方法提取車輛圖像的角點(diǎn)特征，采用角點(diǎn)匹配的方式實(shí)現(xiàn)了對(duì)5類車輛的類型識(shí)別，識(shí)別精度為90%?；谲囕v三維模型的方法匹配原理簡(jiǎn)單，但建模過(guò)程復(fù)雜，魯棒性較差，識(shí)別精度偏低；基于深度學(xué)習(xí)的方法具有較強(qiáng)的容錯(cuò)能力，識(shí)別精度較高，但該類方法需要大量的訓(xùn)練樣本，運(yùn)算復(fù)雜度高，網(wǎng)絡(luò)訓(xùn)練耗時(shí)長(zhǎng)，難以實(shí)現(xiàn)實(shí)時(shí)性效果；基于車輛淺層特征的方法因其固定的特征提取方式，特征提取速度相比于深度網(wǎng)絡(luò)模型更快，但其識(shí)別精度偏低。

為了解決目前車型識(shí)別的精度和實(shí)時(shí)性問(wèn)題，本文提出了分層式寬度模型針對(duì)高速公路監(jiān)控視頻中的車輛圖像進(jìn)行分類。分層式寬度模型的特點(diǎn)在于分層式的特征提取方式使得模型特征表達(dá)能力強(qiáng)，提高了車型識(shí)別精度；輕量化的網(wǎng)絡(luò)結(jié)構(gòu)使得模型訓(xùn)練速度快，實(shí)現(xiàn)了車型識(shí)別實(shí)時(shí)性效果。

1 相關(guān)工作

1.1 寬度學(xué)習(xí)系統(tǒng)

寬度學(xué)習(xí)系統(tǒng)（Broad learning system,BLS）[22]是基于傳統(tǒng)的隨機(jī)向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)（Random vector function-link neural network,RVFLNN）提出的，傳統(tǒng)的RVFLNN直接使用輸入數(shù)據(jù)，建立增強(qiáng)節(jié)點(diǎn)，然后求出輸入與輸出之間的權(quán)重系數(shù)矩陣；而B(niǎo)LS首先利用稀疏自編碼方式將輸入數(shù)據(jù)映射成稀疏化特征圖，構(gòu)造特征節(jié)點(diǎn)，優(yōu)良的稀疏化特征圖決定著寬度學(xué)習(xí)系統(tǒng)的性能表現(xiàn)；然后為了進(jìn)一步減少特征相關(guān)性，利用特征節(jié)點(diǎn)生成增強(qiáng)節(jié)點(diǎn)；最后建立稀疏化特征圖和增強(qiáng)節(jié)點(diǎn)與輸出之間的關(guān)系，通過(guò)嶺回歸學(xué)習(xí)算法[23]求出二者之間的權(quán)重系數(shù)矩陣。BLS的結(jié)構(gòu)圖如圖1所示。BLS的具體構(gòu)造過(guò)程如下。

首先定義輸入樣本數(shù)據(jù)X∈RN×M，其中X共有N個(gè)樣本，每個(gè)樣本具有M維特征；然后按照式（1）生成特征圖Zi。

圖1 BLS的結(jié)構(gòu)示意圖Fig.1 Schematic of BLS

為了得到最優(yōu)解Wei，對(duì)式（2）變形，即

ADMM迭代算法的過(guò)程為

式中：ρ＞0；S是軟閾值處理函數(shù)；Oei為Wei的對(duì)偶矩陣；P為主殘差；t表示迭代次數(shù)；λ為懲罰系數(shù)，如式（6）所示。

將訓(xùn)練得到的完備字典Wei和X代入式（1），可得到稀疏化特征圖Zi，有

其次定義Zn≡[Z1,…,Zn]為前n個(gè)稀疏化特征圖組，利用Zn生成m個(gè)增強(qiáng)節(jié)點(diǎn)有

式中：Whj∈Rnk×γ和βhj∈Rγ分別為隨機(jī)生成的正交規(guī)范矩陣和偏值向量，其中γ為增強(qiáng)原子，其目的在于將稀疏化特征圖映射到正交空間上，進(jìn)一步減少相鄰特征之間的相關(guān)性；ξ為非線性函數(shù)，如式（9）所示。

式中：s∈(0,1]為收縮參數(shù)；tansig()為激活函數(shù)，其表達(dá)式為

并定義Hm≡[H1,…,Hm]為m個(gè)增強(qiáng)節(jié)點(diǎn)。

最后定義輸出Y∈RN×C，其中C表示類別，建立稀疏化特征圖組和增強(qiáng)節(jié)點(diǎn)與輸出之間的關(guān)系為

式中：Q=[Zn|Hm]；通過(guò)嶺回歸學(xué)習(xí)算法求出式（11）的最優(yōu)權(quán)重系數(shù)矩陣Wm，令式（11）等于0，并對(duì)Wm求導(dǎo)，結(jié)果為

因此可求得

式中I為單位矩陣，理論上當(dāng)λ=0時(shí)，最優(yōu)解Wm=Q+Y，其中Q+是Q的偽逆，即有

因此權(quán)重系數(shù)矩陣Wm表示為

1.2 梯度方向直方圖算法

HOG[25]是通過(guò)檢測(cè)圖像邊緣方向的分布來(lái)提取目標(biāo)物體的輪廓邊緣特征。具體做法是將待提取特征的圖像分成若干大小固定的區(qū)域，通過(guò)獲得該區(qū)域圖像像素梯度并進(jìn)行特征計(jì)算來(lái)累加梯度特征，從而獲得一定維數(shù)的梯度方向直方圖。具體步驟如下[26]。

(1)灰度化處理彩色圖像，HOG特征只對(duì)像素點(diǎn)的亮度值求梯度信息。

(2)為了調(diào)節(jié)圖像對(duì)比度，減少光照不均勻以及噪聲的影響，采用Gamma校正法對(duì)輸入的圖像進(jìn)行歸一化操作。

(3)為了捕獲目標(biāo)物體的輪廓信息，通過(guò)式（16）計(jì)算圖像中各個(gè)像素點(diǎn)(x,y)的梯度大小G(x,y)和方向D(x,y)

式中Gx(x,y)，Gy(x,y)分別表示像素點(diǎn)在垂直坐標(biāo)系x軸和y軸方向的梯度如式（17）所示。

式中H(x,y)表示像素點(diǎn)(x,y)的亮度值。

(4)將圖像區(qū)域分層劃分，第1層是相互連通的Cell單元，各個(gè)Cell單元互不重疊，第2層是若干個(gè)Cell單元組成的Block區(qū)塊。

(5)將360?等分成若干個(gè)被稱為Bin的方向塊，檢測(cè)各個(gè)Cell單元的梯度方向分布，并累加每個(gè)Cell單元的梯度幅度；然后歸一化Block區(qū)塊的對(duì)比度。

(6)將圖像內(nèi)所有Block區(qū)塊的HOG特征串聯(lián)起來(lái)，即得到了圖像的HOG特征向量。

2 分層式寬度模型

BLS因其輕量化的網(wǎng)絡(luò)結(jié)構(gòu)，所以在訓(xùn)練和測(cè)試速度上非?？欤谝恍?fù)雜場(chǎng)景下其識(shí)別精度偏低，為了實(shí)現(xiàn)車型識(shí)別的實(shí)時(shí)性和高精度效果，本文提出了分層式寬度模型，該模型包括輸入層、淺層特征層、寬度特征層以及輸出層，其中淺層特征層用于提取樣本圖像的淺層特征和降維操作；寬度特征層用于訓(xùn)練完備字典和正交規(guī)范矩陣，實(shí)現(xiàn)樣本特征的稀疏化表示和非線性映射；建立輸出層與樣本特征之間的關(guān)系，求出權(quán)重系數(shù)。分層式寬度模型如圖2所示。

2.1 淺層特征層

淺層特征層作為分層式寬度模型特征處理的首要環(huán)節(jié)，主要包括樣本圖像的顏色空間轉(zhuǎn)換、多通道HOG特征提取以及降維操作。

2.1.1 顏色空間轉(zhuǎn)換

RGB顏色空間是彩色圖像最常用的顏色空間，該顏色空間的3個(gè)通道都包含亮度信息，因此3個(gè)通道都會(huì)受到光照影響。相比于RGB顏色空間，HSV，HSI以及YCbCr等顏色空間下的圖像亮度信息和色度信息相互獨(dú)立，不同的光照環(huán)境只影響圖像的亮度信息，而通過(guò)色度信息也能夠反映圖像屬性。由于HSV和HSI顏色空間模型較為復(fù)雜，與RGB顏色空間的轉(zhuǎn)換是非線性的，而YCbCr顏色空間模型簡(jiǎn)單，且與RGB顏色空間的轉(zhuǎn)換關(guān)系是線性的，如式（18）所示?？紤]到訓(xùn)練所用的數(shù)據(jù)集中包含不同光照環(huán)境下所采集的車輛圖像，因此將原始的RGB圖像轉(zhuǎn)換到Y(jié)CbCr顏色空間，減少光照影響。首先將輸入層的彩色樣本圖像尺寸設(shè)定為80像素×60像素；然后通過(guò)式（18），實(shí)現(xiàn)顏色空間轉(zhuǎn)換。

圖2 分層式寬度模型示意圖Fig.2 Schematic diagram of layered broad model

式中：Y(x,y),Cb(x,y),Cr(x,y)分別表示YCbCr顏色空間下3個(gè)顏色通道的像素值；R(x,y),G(x,y),B(x,y)分別表示RGB顏色空間下3個(gè)顏色通道的像素值。經(jīng)過(guò)顏色空間轉(zhuǎn)換后樣本特征為XYCbCr∈RN×M，其中N為彩色樣本圖像的數(shù)量，M為每個(gè)樣本的特征維度大小。

圖3和圖4分別表示RGB和YCbCr顏色空間下的3通道圖像。由于YCbCr顏色空間的Y通道、Cb通道和Cr通道分別表示亮度信息、藍(lán)色分量和紅色分量，因此不同通道反映圖像的不同特征屬性；而RGB顏色空間的3個(gè)通道由于亮度和色度信息沒(méi)有分離，3個(gè)通道圖之間具有很大的相似性。

圖3 RGB顏色空間的3通道圖Fig.3 Three-channel maps of RGB color space

圖4 YCbCr顏色空間的3通道圖Fig.4 Three-channel maps of YCbCr color space

2.1.2 多通道HOG特征

通常HOG特征是在灰度圖像上提取的，灰度圖像只包含亮度信息，容易受到光照環(huán)境的影響，而通過(guò)顏色空間轉(zhuǎn)換后，圖像的亮度信息和色度信息相互獨(dú)立，為了減少光照環(huán)境的影響同時(shí)提高特征多樣性，提出了多通道HOG特征提取算法，按照1.2節(jié)所述的HOG特征提取流程(2)—(6)分別提取YCbCr顏色空間下3個(gè)顏色通道的HOG特征，其中設(shè)置Cell單元的尺寸Size=10，步長(zhǎng)Stride=10，2×2個(gè)Cell單元組成的Block區(qū)塊，設(shè)置Bin方向塊l=18，因此在一張80像素×60像素分辨率圖像上進(jìn)行區(qū)域劃分，水平方向和垂直方向分別得到7個(gè)和5個(gè)Block區(qū)塊。

最后每張彩色圖像能夠得到7×5×72×3=7 560維的HOG特征向量，XYCbCr經(jīng)過(guò)多通道HOG特征提取后樣本特征為XH∈RN×M1，M1表示特征提取后的特征維度。

2.1.3 降維

經(jīng)過(guò)多通道HOG特征提取后，樣本特征維度較高，影響車型識(shí)別算法的速度，通過(guò)主成分分析（Principal component analysis,PCA）算法不僅實(shí)現(xiàn)了樣本特征XH的降維效果，同時(shí)減少了噪聲和冗余信息的影響。

首先通過(guò)式（19）計(jì)算所有樣本特征XH的協(xié)方差矩陣Cov∈RM1×M1；然后通過(guò)奇異值分解方式，對(duì)協(xié)方差矩陣進(jìn)行分解，如式（20）；然后設(shè)定貢獻(xiàn)率，通過(guò)式（21）選定特征值向量矩陣Σ的前p個(gè)特征值；最后將前p個(gè)特征值所對(duì)應(yīng)的特征向量構(gòu)成降維矩陣Vp，通過(guò)式（22）實(shí)現(xiàn)降維目的。

2.2 寬度特征層

寬度特征層用于對(duì)淺層特征層輸出的樣本特征進(jìn)行二次特征處理，主要包括樣本特征稀疏化和非線性映射等操作。特征稀疏化是指通過(guò)訓(xùn)練完備字典將樣本特征稀疏化表示，減少特征之間的相關(guān)性；非線性映射是指利用正交規(guī)范矩陣，將稀疏化特征非線性映射到正交空間上，進(jìn)一步減少相鄰特征之間的相關(guān)性，提高模型的特征表達(dá)能力。

2.2.1 特征稀疏化

首先訓(xùn)練完備字典將淺層特征層的輸出樣本特征U稀疏化表示，按照式（2）將完備字典訓(xùn)練過(guò)程等價(jià)為最優(yōu)化求解過(guò)程，即有

式中：Zi為第i個(gè)隨機(jī)特征圖；Wei∈RM2×k表示待訓(xùn)練的第i個(gè)完備字典，i=1,…,n，k為特征點(diǎn)數(shù)量。通過(guò)式（4—6）所述的ADMM迭代算法，可以得到完備字典Wei，因此按照式（7）將得到的完備字典Wei和U映射生成Zi∈ RN×k，有

式中激活函數(shù)φ為歸一化函數(shù)，有

式中x表示向量，x表示向量中的元素；并定義Zn=[φ(UWe1),…,φ(UWen)]為n個(gè)稀疏化特征圖組。

2.2.2 非線性映射

為了進(jìn)一步減少相鄰特征之間的相關(guān)性，構(gòu)造正交規(guī)范矩陣，將稀疏化特征非線性映射到正交空間上，提高模型的特征表達(dá)能力。首先隨機(jī)生成一定大小的正交規(guī)范矩陣Whj，其中正交規(guī)范矩陣Whj包含了偏置向量βhj；然后根據(jù)式（9）的非線性映射關(guān)系，Whj和Zn可以映射生成增強(qiáng)節(jié)點(diǎn)Hj，有

式中s∈(0,1]為收縮參數(shù)。因此Zn通過(guò)非線性映射生成Hm定義為

2.3 生成權(quán)重系數(shù)矩陣

定義Y為輸出樣本標(biāo)簽矩陣，因此可以建立[Zn|Hm]與Y之間的關(guān)系，有

式中W為稀疏化特征圖和增強(qiáng)節(jié)點(diǎn)與輸出之間的權(quán)重系數(shù)矩陣，有

式中[Zn|Hm]+是[Zn|Hm]的偽逆，通過(guò)式（14）可以求得偽逆[Zn|Hm]+，有

因此權(quán)重系數(shù)矩陣W為

2.4 本文算法流程

本文算法流程如下。

輸入：訓(xùn)練樣本；

輸出：樣本標(biāo)簽；

·X通過(guò)式（18）顏色空間轉(zhuǎn)換得到XYCbCr∈ RN×M；

·根據(jù)2.1.2節(jié)的多通道HOG特征提取算法，提取XYCbCr的HOG特征得到XH∈RN×M1；

·由式（19-22）對(duì)XH進(jìn)行PCA降維操作，得到U ∈RN×M2；

·設(shè)定n個(gè)稀疏化特征圖和m個(gè)增強(qiáng)節(jié)點(diǎn)。

每個(gè)稀疏化特征圖提取過(guò)程如下：

(1)隨機(jī)生成 Wei與 βei；

(2)通過(guò)式（23）訓(xùn)練生成完備字典Wei；

(3)根據(jù)式（24）得到稀疏化特征圖Zi；

重復(fù)n次步驟（1—3），并定義Zn=[Z1,…,Zn]為n個(gè)稀疏化特征圖組。

每個(gè)增強(qiáng)節(jié)點(diǎn)的生成過(guò)程如下：

(4)隨機(jī)生成 Whj與 βhj；

(5)通過(guò)式（26）生成增強(qiáng)節(jié)點(diǎn)Hj；

重復(fù)m次步驟(4，5)，并定義Hm=[H1,…,Hm]為m個(gè)增強(qiáng)節(jié)點(diǎn)；

·通過(guò)式（28）建立[Zn|Hm]與樣本標(biāo)簽矩陣Y的關(guān)系；

·根據(jù)式（31）計(jì)算出權(quán)重系數(shù)矩陣W。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)在Core i7-6800K CPU，頻率為3.40 GHz,16 GB RAM的Windows10系統(tǒng)計(jì)算機(jī)上運(yùn)行，運(yùn)行環(huán)境為MATLAB2016b 64位。采用識(shí)別精度和識(shí)別速度，單位為幀/s來(lái)衡量算法性能。

3.1 BIT-Vehicle數(shù)據(jù)集與實(shí)驗(yàn)分析

BIT-Vehicle數(shù)據(jù)集[27]是在高速公路攝像頭上采集的分辨率為1 920像素×1 080像素和1 600像素×1 200像素的車輛前臉圖像，共9 850張圖像，其中約有10%的夜間圖像，另外還有許多光照環(huán)境、車輛表面顏色變化的圖像，如圖5所示。該數(shù)據(jù)庫(kù)中的所有車型分為6類，分別是Bus，Minivan，Microbus，Truck，Sedan和SUV，對(duì)應(yīng)每類車輛數(shù)量分別為558，476，862，823，5 769和1 362。圖6為數(shù)據(jù)庫(kù)中6類車輛的示意圖。

圖5 復(fù)雜環(huán)境下的車輛圖像Fig.5 Vehicle images in complex environment

圖6 樣本圖像示意圖Fig.6 Sample image schematic

分層式寬度模型的淺層特征層參數(shù)設(shè)置Cell單元的尺寸Size=10，步長(zhǎng)Stride=10，每個(gè)Block區(qū)塊由2×2個(gè)Cell單元組成，Bin方向塊l=18；寬度特征層參數(shù)設(shè)置n=20,k=100,m=800,s=0.8。實(shí)驗(yàn)結(jié)果表明本文所提算法的識(shí)別精度為96.69%，識(shí)別速度為70.3幀/s，達(dá)到了實(shí)時(shí)性效果。車型識(shí)別精度混淆矩陣圖，如圖7所示。

由圖7可知，Microbus和Minivan容易和其他多種車型混淆，其中Microbus與Minivan之間最易產(chǎn)生誤判，一方面是因?yàn)檫@兩類車型前臉圖像之間有很大的相似性，另一方面是由于部分Minivan存在載貨現(xiàn)象，如圖8所示。

圖7 車型識(shí)別精度混淆矩陣圖Fig.7 Confusion matrix of vehicle type recognition accuracy

圖8 相似車輛的前臉圖Fig.8 Front face of similar vehicles

3.2 淺層特征層影響實(shí)驗(yàn)

3.2.1 淺層特征層中各特征處理環(huán)節(jié)實(shí)驗(yàn)

為了進(jìn)一步說(shuō)明淺層特征層中各個(gè)特征處理環(huán)節(jié)的重要性，針對(duì)特征處理環(huán)節(jié)的不同組合，作了以下3組實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。由表1可知，多通道HOG特征+PCA降維+BLS算法與所提算法的對(duì)比實(shí)驗(yàn)說(shuō)明YCbCr顏色空間下圖像的亮度信息和色度信息相互分離，光照環(huán)境只影響亮度信息，而色度信息也能反映圖像的特征屬性，通過(guò)顏色空間轉(zhuǎn)換能有效地減少光照環(huán)境的影響；顏色空間轉(zhuǎn)換+PCA降維+BLS算法與所提算法的對(duì)比實(shí)驗(yàn)表明多通道HOG特征具有較強(qiáng)的車輛前臉特征表達(dá)能力，主要因?yàn)榛趫D像邊緣梯度的HOG特征能夠有效地描述不同類型車輛的前臉特征，此外多通道的特征提取方式保留了特征多樣性，是淺層特征層中的關(guān)鍵環(huán)節(jié)；顏色空間轉(zhuǎn)換+多通道HOG特征+BLS算法與所提算法對(duì)比實(shí)驗(yàn)證明了特征提取后的PCA降維操作有效地減少了圖像噪聲干擾。

3.2.2 多通道與單通道HOG特征實(shí)驗(yàn)

為了驗(yàn)證多通道HOG特征提取的合理性，作了3組對(duì)比性實(shí)驗(yàn)，只改變HOG特征提取的顏色通道，實(shí)驗(yàn)結(jié)果如表2所示。由表2可知，多通道HOG特征的組合方式優(yōu)于單通道HOG特征。其中Y通道下的HOG特征對(duì)車型識(shí)別精度的貢獻(xiàn)比其他通道更大，主要是因?yàn)閅通道反映的是圖像亮度信息，包含豐富的邊緣紋理特征，而HOG特征描述算子對(duì)圖像邊緣梯度變化較大的區(qū)域較為敏感。

3.3 不同識(shí)別算法的對(duì)比實(shí)驗(yàn)

為了說(shuō)明本文所提算法在車型識(shí)別方面的優(yōu)越性，對(duì)比了其他算法在BIT-Vehicle數(shù)據(jù)集上的測(cè)試結(jié)果，如表3所示。

表1 淺層特征層中各特征處理環(huán)節(jié)的實(shí)驗(yàn)對(duì)比Tab.1 Experimental comparison of various feature pr ocessing links in shallow featur e layer

表2多通道與單通道HOG特征實(shí)驗(yàn)對(duì)比Tab.2 Comparison of multi-channel and singlechannel HOG feature experiments

表3不同識(shí)別算法的實(shí)驗(yàn)對(duì)比Tab.3 Experimental comparison of different recognition algorithms

由表3可知，本文所提算法的識(shí)別精度和識(shí)別速度優(yōu)于其他算法如無(wú)監(jiān)督的CNN算法[27]、深度玻爾茲曼機(jī)算法[28]以及基于可形變模型算法[29]。另外通過(guò)對(duì)比BLS算法與所提算法可知，所提算法的識(shí)別精度高于BLS算法，主要因?yàn)闇\層特征層中特征處理環(huán)節(jié)不僅減少了光照等噪聲的影響而且還提取了車輛前臉的關(guān)鍵性特征，具有較強(qiáng)的特征表達(dá)能力，同時(shí)由于淺層特征層特征處理環(huán)節(jié)消耗了部分時(shí)間，因此所提算法的識(shí)別速度比BLS算法慢，但所提算法已經(jīng)達(dá)到了實(shí)時(shí)性要求。

4 結(jié)束語(yǔ)

本文提出的分層式寬度模型能夠?qū)崿F(xiàn)車輛類型識(shí)別效果，具有識(shí)別精度高、識(shí)別速度快等優(yōu)點(diǎn)。淺層特征層中通過(guò)將顏色空間轉(zhuǎn)換與多通道HOG算法相結(jié)合，有效地減少了光照環(huán)境影響的同時(shí)，提取了車輛前臉圖像的關(guān)鍵性特征；寬度特征層通過(guò)訓(xùn)練完備字典和生成正交規(guī)范矩陣，實(shí)現(xiàn)樣本特征稀疏化表示和非線性映射，減少了圖像特征相關(guān)性；最后直接求出樣本特征與輸出樣本標(biāo)簽之間的權(quán)重系數(shù)矩陣，實(shí)現(xiàn)車型識(shí)別。輕量化的網(wǎng)絡(luò)結(jié)構(gòu)和分層式的特征提取方式兼顧了車型識(shí)別的識(shí)別速度和精度。下一步將針對(duì)多目標(biāo)的車型識(shí)別以及遮擋等問(wèn)題進(jìn)行研究，使算法模型的泛化能力更強(qiáng)。