摘 要: 用決策導(dǎo)向非循環(huán)圖支持向量機(jī)研究了汽車(chē)車(chē)型的識(shí)別。運(yùn)用圖像像素相減的差分方法去除背景,獲取車(chē)對(duì)象;然后對(duì)圖像進(jìn)行均值濾波,以除去噪聲干擾,再對(duì)圖像用“分水嶺”變化的閾值方法,獲取車(chē)的二值圖像;最后提取車(chē)的幾何形狀特征,并將其輸入DDAG支持向量機(jī)進(jìn)行訓(xùn)練和識(shí)別,以實(shí)現(xiàn)對(duì)車(chē)型分類(lèi)的目的。
關(guān)鍵詞: 幾何特征;DDAG SVM分類(lèi)器;車(chē)型識(shí)別
隨著社會(huì)的發(fā)展,車(chē)輛越來(lái)越多,交通變得非常繁忙,城市對(duì)于公路和交通的管理已成為一個(gè)很重要的問(wèn)題。交通管理部門(mén)要實(shí)現(xiàn)現(xiàn)代化的科學(xué)管理,必須依靠交通管理系統(tǒng)。汽車(chē)是交通系統(tǒng)管理中的主要對(duì)象,能否自動(dòng)識(shí)別汽車(chē)類(lèi)型成為對(duì)公路和交通實(shí)現(xiàn)現(xiàn)代化管理的關(guān)鍵[1]。
現(xiàn)實(shí)中種類(lèi)繁多的汽車(chē),需要實(shí)用而有效的車(chē)輛分類(lèi)方法。SVM作為一種新的學(xué)習(xí)分類(lèi)方法,目前在人臉識(shí)別、對(duì)象分類(lèi)等領(lǐng)域得到了很好的應(yīng)用[2]。本文應(yīng)用一種基于DDAG SVM建立分類(lèi)識(shí)別模型的車(chē)型識(shí)別方法進(jìn)行車(chē)型分類(lèi)。
1 信息獲取和特征值提取
1.1 車(chē)對(duì)象獲取
在分類(lèi)前應(yīng)先獲取一幅如圖1所示的純背景圖像,再獲取到如圖2所示的同一背景下的車(chē)輛圖像后,就可以將兩幅圖像進(jìn)行逐像素“相減”。背景減法[1],是將圖像中當(dāng)前幀圖像和背景幀圖像進(jìn)行背景消除,所得差值(圖像中的灰度值)若大于設(shè)定的閾值,則判斷為運(yùn)動(dòng)對(duì)象目標(biāo),如圖3所示;否則即為背景。通過(guò)對(duì)稱(chēng)比較圖3與對(duì)象原始圖2,存儲(chǔ)圖3中像素點(diǎn)對(duì)應(yīng)的圖2中的顏色值,并進(jìn)行截取,得到圖4所示的對(duì)象,即為差分提取得到的車(chē)對(duì)象圖像。此方法提取的目標(biāo)圖像可以克服因攝像機(jī)位置移動(dòng)和光線微弱變化帶來(lái)的影響。
1.2 圖像預(yù)處理
由于圖像在攝取過(guò)程中常會(huì)受到噪聲干擾,原本均勻的灰度突然變大或變小,使得圖像的后續(xù)處理引入誤差。而均值濾波[2]可以去除背景中的這些干擾。其處理步驟如下:
(1)設(shè)置模板大小,選取在灰度圖像f中以(x,y)為中心的5像素×5像素的窗口,濾波次數(shù)為兩次。
(2)使模板在圖像中的每個(gè)像素上移動(dòng),并使模板中心與該像素位置重合。
(3)若平均灰度為a時(shí),令f(x,y)=a。
(4)把被處理點(diǎn)的某一臨域中所有像素灰度的平均值作為該點(diǎn)灰度的估計(jì)值,則其預(yù)處理后的圖像如圖5所示。
1.3 圖像分割
預(yù)處理后的圖像中所包含的灰度信息比較多,還不能容易地進(jìn)行車(chē)型識(shí)別,需要將圖像轉(zhuǎn)化為二值圖像。由于圖像灰度直方圖形狀是多變的,對(duì)預(yù)處理的汽車(chē)圖像,不同的目標(biāo)區(qū)域和背景區(qū)域中,同一區(qū)域內(nèi)的像素,在位置和灰度級(jí)上同時(shí)具有較強(qiáng)的一致性和相關(guān)性。因此,本文選用基于“分水嶺”變化的閾值化方法[1],按以下4個(gè)步驟完成圖像的分割。
(1)用修正過(guò)的開(kāi)、閉算子進(jìn)行濾波,消除圖像的亮斑或暗斑,并保持物體的邊界。
(2)確定同質(zhì)區(qū)域,同時(shí)為區(qū)域做標(biāo)記。
(3)以區(qū)域標(biāo)記為種子,用類(lèi)似于區(qū)域生長(zhǎng)的分水嶺算法進(jìn)行區(qū)域分割。
(4)進(jìn)行分割質(zhì)量評(píng)價(jià),確定區(qū)域是否需要繼續(xù)分割,直至轉(zhuǎn)化為二值圖像。
原圖像經(jīng)過(guò)閾值分割之后,突出了汽車(chē)圖像,其效果如圖6所示。車(chē)身對(duì)象被置為“1”,其他均置為“0”,極大地方便了后期的車(chē)型識(shí)別。
1.4 圖像特征提取
物體的形狀特征對(duì)物體的識(shí)別有重要作用[3]。本文選擇的對(duì)象形狀特征有:高度、寬度、車(chē)頂寬度、周長(zhǎng)、面積等。由于這些基本參數(shù)大多是一些絕對(duì)特征,不能直接用來(lái)分析,需要轉(zhuǎn)換成相對(duì)值,本文轉(zhuǎn)化為頂長(zhǎng)比(頂蓬長(zhǎng)度與車(chē)輛高度之比)、頂高比(頂蓬長(zhǎng)度與車(chē)輛高度之比),前后比(以頂蓬中垂線為界,前后兩部分之比)和占空比(對(duì)象目標(biāo)的面積與此對(duì)象最小外接矩形的面積之比)。實(shí)驗(yàn)結(jié)果部分特征數(shù)據(jù)如表1所示。
2 支持向量機(jī)與非線性分類(lèi)
2.1 SVM思想
支持向量[3]是指那些距離此最優(yōu)分類(lèi)面最近的訓(xùn)練樣本。支持向量機(jī)[4]SVM(Support Vector Machine)是20世紀(jì)90年代形成的一種新的模式識(shí)別方法,它將待解決的模式識(shí)別問(wèn)題轉(zhuǎn)化為一個(gè)二次規(guī)劃尋優(yōu)問(wèn)題,理論上保證了全局最優(yōu)解,避免了局部收斂現(xiàn)象。SVM的主要思想是把非線性可分的數(shù)據(jù)通過(guò)某一變換映射到高維線性空間。
2.2 基于DDAG SVM的非線性分類(lèi)
在本文中由于車(chē)的特征比較多,采用決策導(dǎo)向非循環(huán)圖法DDAG[5](Decision Direct Acyclic Graph),對(duì)于n類(lèi)問(wèn)題,DDAG方法用一對(duì)一的訓(xùn)練方式進(jìn)行分類(lèi)器的構(gòu)造,即得n(n-1)/2個(gè)兩類(lèi)的SVM分類(lèi)器。如圖7所示,本文采用SVM的分類(lèi)器結(jié)構(gòu)共有4(4-1)/2個(gè)節(jié)點(diǎn)和4個(gè)葉子,即需6個(gè)分類(lèi)器,實(shí)現(xiàn)多類(lèi)目標(biāo)分類(lèi),將一輛車(chē)的特征值歸于一類(lèi)或幾類(lèi)。
需要注意的是,此方法中根部節(jié)點(diǎn)分類(lèi)器的作用很關(guān)鍵,因?yàn)楦?jié)點(diǎn)的分類(lèi)結(jié)果直接影響到下面的路徑,乃至最終的分類(lèi)結(jié)果,選用不同的根節(jié)點(diǎn)分類(lèi)器可能會(huì)產(chǎn)生不同的分類(lèi)路徑。
該支持向量機(jī)的具體實(shí)驗(yàn)步驟如下:
針對(duì)實(shí)際問(wèn)題,根據(jù)分析所涉及對(duì)象具有的特征屬性及對(duì)象之間差異性,假設(shè)以字母A、B、C、D分別代表轎車(chē)、面包車(chē)、公交車(chē)和卡車(chē)的類(lèi)別符號(hào)(其中符號(hào)“~”表示“非”),分類(lèi)過(guò)程的結(jié)構(gòu)如下:
(1)利用DDAG-SVM法構(gòu)造多個(gè)分類(lèi)器對(duì)車(chē)輛大類(lèi)別內(nèi)的各子類(lèi)別進(jìn)行區(qū)分,其中選取形狀差異較大的轎車(chē)(A)和卡車(chē)(D)作為此層的根節(jié)點(diǎn),以盡量減小分類(lèi)誤差的積累。
(2)再把轎車(chē)(A)、公交車(chē)(C)作為根節(jié)點(diǎn)的一個(gè)子節(jié)點(diǎn),面包車(chē)(B)、卡車(chē)(D)作為另一個(gè)子節(jié)點(diǎn)。
(3)進(jìn)一步劃分為A/B、B/C、C/D 3個(gè)節(jié)點(diǎn),即3個(gè)分類(lèi)器。
(4)依次區(qū)分出轎車(chē)、面包車(chē)、公交車(chē)和卡車(chē)。
3 實(shí)驗(yàn)分析
本文用MATLAB7.0進(jìn)行仿真實(shí)驗(yàn),主要選取轎車(chē)、面包車(chē)、公交車(chē)和卡車(chē)作為車(chē)輛分類(lèi)圖像模式比對(duì)的實(shí)驗(yàn)類(lèi)型,選取了280個(gè)樣本(每類(lèi)平均70個(gè)),其中160個(gè)用于訓(xùn)練,120個(gè)用于測(cè)試。首先,構(gòu)造了相應(yīng)的SVM分類(lèi)器,提取了180張車(chē)圖像的特征值作為訓(xùn)練集,獲取了最優(yōu)分類(lèi)面;然后,將剩余的120張汽車(chē)圖像按照同樣的過(guò)程進(jìn)行特征值提取,再在訓(xùn)練好的支持向量機(jī)上進(jìn)行分類(lèi),所得到的分類(lèi)結(jié)果如表2所示,神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果如表3所示。
結(jié)果表明,與神經(jīng)網(wǎng)絡(luò)方法相比,DDAG SVM是一種對(duì)多類(lèi)車(chē)進(jìn)行分類(lèi)切實(shí)可行的有效方法,不但分類(lèi)精度高,而且識(shí)別效果也比較好。
為了解決對(duì)多類(lèi)車(chē)的分類(lèi),本文提出了一種基于DDAG SVM對(duì)多種車(chē)型分類(lèi)的方法,實(shí)驗(yàn)結(jié)果證明,DDAG SVM是一種對(duì)多類(lèi)車(chē)進(jìn)行分類(lèi)切實(shí)可行的有效方法。由于實(shí)驗(yàn)中選用的車(chē)輛圖片是以正側(cè)面為主,與現(xiàn)實(shí)中任意方位角的車(chē)輛相比,還只是較特殊的一類(lèi),要具有普遍性,還得進(jìn)一步繼續(xù)深入研究。
參考文獻(xiàn)
[1] 張兆楊,楊高波,劉志.圖像分割提取的原理與應(yīng)用[M].北京:科學(xué)出版社,2009.
[2] 王耀南,李樹(shù)濤,毛建旭.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)[M].北京:高等教育出版社,2001.
[3] 王立國(guó).支持向量機(jī)多類(lèi)目標(biāo)分類(lèi)器的結(jié)構(gòu)簡(jiǎn)化研究[J].中國(guó)圖像圖形學(xué)報(bào),2005,10(5):571-574.
[4] LI S, JKWOK T, ZHU H, et a1. Texture classification using the support vector machines[J]. Pattern Recognition, 2003,36(13):1888-1890.
[5] PLATT J. How to implement SVMS[J]. IEEE Inteligent System, 2006,40(2):1578-1582.