HOG與SVM在動(dòng)態(tài)稱重輪軸識(shí)別中的應(yīng)用研究

李小勇，韋澤賢，楊玉琳

(廣西交科集團(tuán)有限公司, 廣西 南寧 530007)

0 引言

由于車輛超限超載現(xiàn)象的普遍存在，對(duì)社會(huì)、經(jīng)濟(jì)、環(huán)境及道路安全都造成嚴(yán)重影響。動(dòng)態(tài)稱重技術(shù)(Weigh-in-Motion，WIM)在1991年前后[1]被引入我國，作為遏制超限超載的一種手段, 貨運(yùn)車輛經(jīng)過收費(fèi)站時(shí), 要對(duì)其進(jìn)行計(jì)重收費(fèi)。因此, 大量研究人員在動(dòng)態(tài)稱重技術(shù)領(lǐng)域進(jìn)行了許多研究。徐剛等[2]對(duì)高速公路稱重系統(tǒng)站場布置進(jìn)行了研究分析，提出了在服務(wù)區(qū)、高速入口、出口分別設(shè)置靜態(tài)稱重系統(tǒng)。為了有效地獲取超載超限條件下公路運(yùn)輸車輛的實(shí)際軸載信息，文獻(xiàn)[3]研究了場稱重的軸載調(diào)查及數(shù)據(jù)分析方法，闡述了車輛輪軸類型分類、車輛軸載稱重調(diào)查、按輪軸類型劃分的交通量調(diào)查、調(diào)查數(shù)據(jù)分析與軸載譜分析的內(nèi)容、方法和注意事項(xiàng)。整車式稱重系統(tǒng)精度高，但不能實(shí)現(xiàn)連續(xù)過車；軸重式稱重系統(tǒng)能夠?qū)崿F(xiàn)連續(xù)過車，但精度較低。針對(duì)這些問題，楊德等[4]將2種方式的特點(diǎn)有機(jī)結(jié)合，提出一種新的整車式不停車稱重系統(tǒng)方案，取得了良好效果。王磊等[5]提出了集高精度動(dòng)態(tài)稱重、監(jiān)控、收費(fèi)為一體的EWTC系統(tǒng)整體方案，并成功實(shí)施。與此同時(shí)，對(duì)EWTC方案進(jìn)行進(jìn)一步改進(jìn)與研究，采用新型的 EWTC 系統(tǒng)后收費(fèi)站點(diǎn)通行能力明顯提高[6]，車道通行能力較未使用和使用其他類型動(dòng)態(tài)稱重系統(tǒng)提高5到10倍。文獻(xiàn)[7]研究了交錯(cuò)式、條帶式、寬板式壓電石英傳感器組合方案及其效果，提出了多條帶、寬板交錯(cuò)布設(shè)方案，很好地解決了車輛走S型、倒車、驟停等情況。文獻(xiàn)[8]提出了一種光纖高速汽車動(dòng)態(tài)稱重系統(tǒng)，可用于對(duì)橋上自由運(yùn)行車輛輪軸重、總重、車輛速度和輪軸間距等參數(shù)的采集，為公路橋梁車輛荷載研究提供必要手段。以上提到的方法、裝置、設(shè)備等為動(dòng)態(tài)稱重領(lǐng)域提供了多樣化參考，豐富了動(dòng)態(tài)稱重技術(shù)的內(nèi)容，但是，這些方法大都是采用壓電與感應(yīng)式的輪軸識(shí)別方式，并未采用機(jī)器視覺技術(shù)。

自2020年1月1日我國高速公路實(shí)施入口超載治理以來，全國各省市高速公路運(yùn)營公司對(duì)計(jì)重設(shè)備、車型識(shí)別系統(tǒng)等準(zhǔn)確性要求更加提高。采用機(jī)器視覺的動(dòng)態(tài)稱重系統(tǒng)可進(jìn)一步增加傳感精度，提高識(shí)別速度，增進(jìn)整個(gè)系統(tǒng)的自動(dòng)化、智能化程度，并對(duì)事后稽查等有良好的幫助作用。基于機(jī)器視覺的車輪檢測技術(shù)其中的關(guān)鍵技術(shù)，可獲取車輛輪數(shù)、軸數(shù)、軸距等重要參數(shù), 從而確定車輛類型和準(zhǔn)載范圍，為車型識(shí)別與動(dòng)態(tài)稱重系統(tǒng)提供判定依據(jù)。因此，許多學(xué)者在此方面進(jìn)行了詳細(xì)的研究。

在車輪特征提取方面，大部分文獻(xiàn)通過將車輪視為標(biāo)準(zhǔn)圓，進(jìn)而采用基于Hough變換[9]的圓形檢測算法來實(shí)現(xiàn)車輪檢測。例如,王紅亮等[10]利用改進(jìn)Hough變換算法對(duì)預(yù)處理后的車輛圖像進(jìn)行車輪檢測，宓為建等[11]提出了結(jié)合激光雷達(dá)和Hough變換算法進(jìn)行車輪檢測。但實(shí)際上，車輛在行駛過程中，受胎壓、路面擠壓等不可控因素影響，車輪將會(huì)變成非標(biāo)準(zhǔn)圓形，而Hough圓變換特征更適合檢測標(biāo)準(zhǔn)圓形。因此，若僅僅采用Hough圓變換特征，會(huì)使得系統(tǒng)的實(shí)用性降低，在極端情況下，甚至將會(huì)大大降低車輪檢測正確率。針對(duì)上述方法存在精度易受環(huán)境影響、魯棒性低的問題，本研究通過文獻(xiàn)[12]與對(duì)車輪特征的分析，發(fā)現(xiàn)車輪具有比較明顯的輪廓特征，而方向梯度直方圖(Histogram of Gradient, HOG)[13]可以很好地去描述車輪輪廓特征，具有對(duì)光照、方向、尺度不敏感等優(yōu)點(diǎn)[14]。

除了車輪特征以外，識(shí)別算法也是車輪檢測的重要一環(huán)。其中，張瑞等[15]采用基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)濾波變步長LMS算法，開發(fā)了一套基于神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波的車輛超載動(dòng)態(tài)監(jiān)測系統(tǒng)。陳超波等[16]采用RBF神經(jīng)網(wǎng)絡(luò)作為識(shí)別核心，對(duì)動(dòng)態(tài)稱重?cái)?shù)據(jù)處理，驗(yàn)證了徑向基神經(jīng)網(wǎng)絡(luò)對(duì)稱重?cái)?shù)據(jù)處理表現(xiàn)出良好的精度與速度。支持向量機(jī)(Support Vector Machine, SVM)是一類監(jiān)督學(xué)習(xí)方法[17]，于1964年被提出，在20世紀(jì)90年代后得到快速發(fā)展，至今已衍生出一系列改進(jìn)和擴(kuò)展算法，在人像識(shí)別、文本分類等模式識(shí)別問題中得到應(yīng)用，與其他傳統(tǒng)的學(xué)習(xí)方法(如神經(jīng)網(wǎng)絡(luò)等)相比，具有結(jié)構(gòu)簡單、推廣性能好、學(xué)習(xí)速度快等優(yōu)點(diǎn)[18]。另外，通過修正核函數(shù)，可以得到各種不同的分類曲面。

本研究提出一種基于HOG特征與SVM識(shí)別的車輪檢測方法，用于動(dòng)態(tài)稱重系統(tǒng)的輪軸識(shí)別。該方法設(shè)計(jì)思路為：首先通過高清相機(jī)獲得原始圖像信號(hào)；其次采用HOG特征描述方法，提取車輛圖像的車輪廓特征向量；最后，采用SVM方法對(duì)所提取的特征向量訓(xùn)練出車輪檢測分類器，最終獲得可對(duì)車輛輪軸高效檢測的識(shí)別模型。

1 HOG特征提取

圖1 HOG特征特提取流程圖Fig.1 Flowchart of HOG feature extraction

(1)顏色空間歸一化。采用Gamma校正法[20]對(duì)圖片顏色空間歸一化，目的是為了調(diào)節(jié)圖像對(duì)比度，降低圖像局部陰影與光照變化所造成的影響，同時(shí)，歸一化操作還可抑制噪音干擾。

(2)方向與強(qiáng)度分布梯度計(jì)算。計(jì)算每個(gè)像素的梯度(方向分布與強(qiáng)度分布)，從而進(jìn)一步獲取圖像輪廓信息。假設(shè)像素點(diǎn)(x,y)的水平方向梯度為gx，垂直方向梯度為gy，像素值為I(x,y)，3者關(guān)系可表示為：

(1)

像素點(diǎn)(x,y)的梯度幅值g(x,y)和梯度方向θ的關(guān)系為：

(2)

(3)構(gòu)建梯度方向直方圖。將圖像分成若干個(gè)單元細(xì)胞，通常情況下，采用9bin(即9個(gè)維度的特征向量，用圖2中的z1～z9表示)作為直方圖的x軸，角度范圍對(duì)應(yīng)的梯度累加值作為直方圖y軸，如圖2所示。

圖2 梯度方向圖Fig.2 Gradient pattern

(4)重疊塊直方圖歸一化。從梯度計(jì)算公式中不難看出，梯度強(qiáng)度對(duì)局部光照及前景背景對(duì)比度非常敏感，要減少這種影響，必須要對(duì)梯度強(qiáng)度做歸一化。歸一化方法多種多樣，但整體思想基本上是一致的：將幾個(gè)細(xì)胞單元組合成更大的塊。這時(shí)整幅圖像就可看成是待檢測窗口，將更大的塊看成是滑動(dòng)窗口，依次從左到右、從上到下進(jìn)行滑動(dòng)，得到一些有重復(fù)細(xì)胞單元的塊及一些相同細(xì)胞單元在不同塊(block)中的梯度信息，再對(duì)這些block信息分別作歸一化處理，如圖3所示。

圖3 細(xì)胞單元與塊Fig.3 Cells and block

(5)整合重疊塊，并形成最終HOG特征向量。

2 SVM分類器原理簡介

SVM學(xué)習(xí)的基本想法是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。如圖4所示，即為分離超平面，對(duì)于線性可分的數(shù)據(jù)集來說，這樣的超平面有無窮多個(gè)(即感知機(jī))，但是幾何間隔最大的分離超平面卻是唯一的。

圖4 支持向量與最大間隔Fig.4 Support vector and maximum interval

與其他傳統(tǒng)的學(xué)習(xí)方法(如神經(jīng)網(wǎng)絡(luò)等)相比，SVM結(jié)構(gòu)簡一單、推廣性能好、學(xué)習(xí)速度快，此外，通過修正核函數(shù)，還可得到各種不同的分類曲面。假設(shè)有訓(xùn)練樣本集表示為：D={(x1,y1),(x2,y2),…,(xm,ym)},yi∈{-1,+1}，其中-1表示負(fù)類，+1表示正類，則最優(yōu)分隔超平面可定義為：

他出院時(shí)，父親不敢給他錢，卻給他買了一大包德芙巧克力，說：“你小時(shí)候就愛吃巧克力，那時(shí)候家里沒錢，都買些最便宜的?！焙髞淼囊惶欤拥嚼^母的電話，說父親中風(fēng)了。他一直以為自己恨不得父親死，可看到父親的一瞬，他知道自己真的錯(cuò)了。父親昏迷不醒，幾天幾夜，他都守在父親的床邊，父親的命終于保住了，卻一直癡傻著，手腳也不會(huì)動(dòng)，就會(huì)傻樂。

ωTx+b>0,

(3)

式中,x為訓(xùn)練樣本向量;ω為法向量;b為位移項(xiàng)向量。訓(xùn)練樣本向量x與分隔超平面之間的距離r可表示為：

(4)

假設(shè)超平面能將樣本正確分類，則對(duì)于yi，若yi=+1，則ωTx+b>0；若yi=-1，則ωTx+b<0。令：

(5)

則支持向量獲得的超平面間隔如圖4所示，距離超平面最近的幾個(gè)訓(xùn)練樣本點(diǎn)使得式(5)中的等號(hào)成立，即ωTx+b=1，ωTx+b=-1。故距離超平面最近的幾個(gè)訓(xùn)練樣本點(diǎn)稱為支持向量，2個(gè)異類支持向量到超平面的距離之和為：

(6)

式(6)中γ值為2個(gè)異類支持向量到超平面距離之和，支持向量機(jī)的原理就是尋找?guī)缀伍g隔最大的分離超平面。圖4中，坐標(biāo)x1與x2表示高維樣本在低維度展開的一個(gè)超平面，r為訓(xùn)練樣本x與超平面間的距離(式(4))，2個(gè)異類支持向量到超平面的距離之和為γ。因此，為了滿足式(5)中的約束的參數(shù)，并使式(6)中的γ值最大，則可找到具有最大間隔的劃分超平面，即：

(7)

s.t.yi(ωTx+b)≥1,i=1, 2,…，m。

(8)

由式(7)和式(8)可知，想要得到最大間隔，只需最大化‖ω‖-1，等價(jià)于最小化‖ω‖2，則可將原優(yōu)化函數(shù)(式(7)與式 (8))表示為：

(9)

s.t.yi(ωTx+b)≥1,i=1, 2,…,m。

(10)

式(9)和式(10)為凸二次規(guī)劃問題，此類問題可以使用拉格朗日乘子法將其轉(zhuǎn)為對(duì)偶問題得：

(11)

(12)

式中αi和αj統(tǒng)稱對(duì)偶變量或拉格朗日乘子。直觀上，總存在1個(gè)拉格朗日乘子，使得沒有限制的拉格朗日算子相對(duì)于x的最小值，等于原凸二次規(guī)劃問題的最優(yōu)值。最后可得到最優(yōu)分類函數(shù)：

(13)

3 試驗(yàn)分析與實(shí)際測試

3.1 試驗(yàn)訓(xùn)練數(shù)據(jù)集

在此次試驗(yàn)中，車輪數(shù)據(jù)集來自網(wǎng)絡(luò)收集，覆蓋了絕大多數(shù)車型的車輪。樣本分別為正樣本(對(duì)分類起正面作用的，對(duì)結(jié)果有利的樣本)與負(fù)樣本(對(duì)分類起負(fù)面作用的，對(duì)結(jié)果有害的樣本)。其中正樣本為216張，負(fù)樣本(不帶有車輪的圖片)300張。本研究在訓(xùn)練時(shí)會(huì)將所有正負(fù)樣本都?xì)w一化尺寸為96×96像素大小的圖片。

3.2 HOG特征初始與化參數(shù)配置

將檢測窗口尺寸設(shè)置為96×96像素，細(xì)胞單元(cell)尺寸為8×8像素，塊(block)尺寸為16×16像素，塊滑動(dòng)步長為8×8。每個(gè)細(xì)胞單元的梯度方向量化數(shù)量設(shè)置為9(即直方圖中bin的數(shù)量)，這樣就相當(dāng)于每個(gè)細(xì)胞單元具有9維特征向量。那么，1副96×96像素樣本圖像中塊的個(gè)數(shù)為[(96-16)/8+1][(96-16)/8+1]=11×11=121個(gè)，每個(gè)塊的細(xì)胞單元個(gè)數(shù)為(16/8)×(16/8)=4個(gè)，1個(gè)細(xì)胞單元對(duì)應(yīng)9維特征向量，故1副96×96像素樣本圖像的HOG特征向量維度為121×4×9=4 356 維。

3.3 SVM參數(shù)選擇及訓(xùn)練

本研究使用OpenCV內(nèi)置的SVM工具庫，選用C-SVM類型的SVM，核函數(shù)為線性核。若令懲罰因子C為無窮大，則SVM退化為硬間隔分類器，此時(shí)使用線性核只能處理線性可分樣本(因?yàn)閷?duì)于線性不可分樣本，無法找到1個(gè)超平面可以正確劃分所有樣本，于是模型參數(shù)不存在可行解)。當(dāng)C趨于0時(shí)，不再關(guān)注分類是否正確，只要求間隔越大越好，那么將無法得到有意義的解且算法不會(huì)收斂。C的變化如圖5所示。

圖5 不同的C值對(duì)分類性能的影響Fig.5 Influence of different C values on classification performance

通過多次測試與驗(yàn)證試驗(yàn)，最終設(shè)置懲罰因子C=0.01。首先，按照第1小節(jié)方式，提取正負(fù)樣本的HOG特征。其次，分別對(duì)正負(fù)樣本打標(biāo)簽，正樣本標(biāo)記為1，負(fù)樣本標(biāo)記為0。第三，把正負(fù)樣本的HOG特征及樣本標(biāo)簽輸入SVM中進(jìn)行訓(xùn)練。值得說明的是，本研究采用的是梯度下降法進(jìn)行模型訓(xùn)練，終止條件設(shè)置為經(jīng)過1 000次迭代，或者分類誤差小于0.01時(shí)，SVM的訓(xùn)練停止。經(jīng)過訓(xùn)練迭代并滿足停止條件后，可獲得用于車輪檢測的SVM分類器。

3.4 試驗(yàn)效果與分析

本研究的試驗(yàn)編譯環(huán)境為Visual Studio 2013，采用OpenCV版本為2.4.9。在上一步驟獲得SVM分類器后，對(duì)測試圖像采用多尺度滑動(dòng)窗口的方式進(jìn)行車輪檢測。本研究提出的車輪檢測方法可以實(shí)現(xiàn)對(duì)多種車型車輪檢測，且具有精準(zhǔn)的車輪檢測效果。試驗(yàn)表明，本研究算法在復(fù)雜情況下，仍可有效應(yīng)對(duì)車輪圖像的局部陰影、光照、角度及尺度變化所帶來的影響，具有魯棒性強(qiáng)、準(zhǔn)確性高的特點(diǎn)。為了進(jìn)一步驗(yàn)證本研究算法的有效性，將Hough特征與HOG特征進(jìn)行優(yōu)劣性對(duì)比，在城市道路采集了車輛圖片進(jìn)行車輪檢測試驗(yàn)，城市道路部分車輛車輪識(shí)別效果如圖6所示。精確統(tǒng)計(jì)結(jié)果見表1?？梢钥吹?，采用Hough特征變換得到的識(shí)別結(jié)果，正確率僅有80%左右，運(yùn)用本研究所提的HOG與SVM結(jié)合的方法，準(zhǔn)確率均在96%以上，滿足實(shí)際檢測需求，具有較好的應(yīng)用價(jià)值。

圖6 城市道路車輪識(shí)別效果Fig.6 Wheel recognition effect on urban roads

表1 本次試驗(yàn)檢測結(jié)果Tab.1 Test result of this experiment

3.5 實(shí)測效果與分析

為了進(jìn)一步檢驗(yàn)所提出方法的實(shí)用性，將本研究所提的模型部署在高速公路收費(fèi)站入口的超載治理車道上，并與該車道原本使用的壓電式輪軸識(shí)別器進(jìn)行對(duì)比。本次實(shí)測采用的是海康威視相機(jī)，型號(hào)DS-2CD3T，具有180° 的水平視場角，每秒可獲得25張2 560×1 440像素的圖片，詳細(xì)的數(shù)據(jù)對(duì)比列在表2中。本研究提出方法很好地檢測出了2軸、3軸、4軸的車輛。但在實(shí)際中，某些超長貨車(超出本次試驗(yàn)所采用的廣角鏡頭范圍)無法檢測出正確輪軸數(shù)目。而從表2的統(tǒng)計(jì)結(jié)果也可以看到，本研究方法的車輛輪軸識(shí)別率較原方式提高了5%左右。

表2 實(shí)測結(jié)果統(tǒng)計(jì)Tab.2 Statistics of actual test result

4 結(jié)論

面對(duì)日益增加的識(shí)別速度、精度等需求，本研究提出了一種采用機(jī)器視覺技術(shù)的車輛輪軸識(shí)別方法，用于動(dòng)態(tài)稱重系統(tǒng)。本研究方法創(chuàng)新性地采用HOG變換特征代替Hough特征，在復(fù)雜情況下，仍可有效應(yīng)對(duì)車輪圖像的局部陰影、光照、角度及尺度變化所帶來的影響。其次，采用SVM作為車輪的識(shí)別算法，具有結(jié)構(gòu)簡單、模型小巧，推廣性能好、學(xué)習(xí)速度快等優(yōu)點(diǎn)，適合大規(guī)?？焖俨渴?。市政道路試驗(yàn)與高速公路入口超載車道的實(shí)測結(jié)果均表明，本研究提出的HOG與SVM結(jié)合的方法，可進(jìn)一步增加傳感精度，提高識(shí)別速度，增進(jìn)整個(gè)系統(tǒng)的自動(dòng)化、智能化程度，并具有良好的實(shí)用價(jià)值。但本研究在利用SVM時(shí)，僅采用了1種核函數(shù)(線性核函數(shù))，在以后的研究中，可進(jìn)一步探究不同核函數(shù)對(duì)檢測結(jié)果的影響。