專利名稱：一種低對(duì)比度車輛圖像的小波特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種低對(duì)比度車輛圖像的小波特征提取方法，屬于圖像特征處理技術(shù) 領(lǐng)域。
背景技術(shù)：
特征提取是模式識(shí)別(pattern recognitor!)的關(guān)鍵，目前，在基于視覺(jué)的車輛 檢測(cè)中，常用的特征提取方法包括小波特征提取(wavelet feature extraction)、主要
(PCA feature extraction, primary component analysis feature extraction)、局部方向編碼(L0C，local orientation coding)、伽柏特征提取(Gabor)等 方法。其中小波特征在車輛檢測(cè)應(yīng)用中非常具有吸引力，其主要原因在于以下三個(gè)方面第 一，小波特征能提供圖像邊緣及輪廓特征的緊湊描述；第二，小波特征能提供圖像特征在不 同尺度下的描述；第三，小波特征的獲取所需的計(jì)算資源量少?，F(xiàn)有的基于小波特征的車輛圖像模式識(shí)別流程如

圖1所示首先對(duì)車輛圖像進(jìn)行識(shí)別得到感興趣區(qū)域(R0I，Region of Interest)，之后進(jìn)行 塔式分解；其次對(duì)小波系數(shù)進(jìn)行相關(guān)處理，比如去掉第一層最高頻(highest frequency), 選取較大的小波系數(shù)同時(shí)將其量化為[_1，0，1]，構(gòu)成特征向量；最后通過(guò)分類器(如支持 向量機(jī))來(lái)進(jìn)行車輛檢測(cè)，得到結(jié)果。前述小波塔式分解的具體過(guò)程如圖2所示第一步，分別對(duì)NXN維圖像中的每一行進(jìn)行低通(low pass)和高通(high pass) 濾波(filter)。然后再對(duì)進(jìn)行低通、高通濾波后的圖像分別進(jìn)行二分之一向下采樣，二分之 一向下采樣(sample)相當(dāng)于在NXN維圖像中每隔一列去掉一列，得到一個(gè)NX (N/2)維的 圖像。第二步，對(duì)第一步得到的圖像的每一列分別進(jìn)行低通和高通濾波。然后分別再向 下進(jìn)行二分之一向下采樣，采樣將兩次濾波后NX (N/2)維的圖像每隔一行去掉一行，這樣 圖中所示樹的每一個(gè)分支都成了一幅(N/2) X (N/2)維的圖像。若對(duì)(N/2) X (N/2)維的低 通細(xì)節(jié)進(jìn)行與原始圖像塔式分解相同的過(guò)程。則會(huì)產(chǎn)生4個(gè)(Ν/4) X (N/4)維的子圖像一 個(gè)低通部分(LL)，以及水平(LH)、垂直(HL)和對(duì)角(HH)部分。分析可以一直進(jìn)行下去，直 到獲得的子圖像只包含一個(gè)像素為止。當(dāng)光照條件、車輛圖像對(duì)比度比較好時(shí)，以上特征提取方法提取的小波特征在車 輛圖像檢測(cè)應(yīng)用中具有較好的識(shí)別效果。但是由于距離、光照條件、天氣條件以及攝像機(jī)本 身性能的影響使得圖像對(duì)比度降低、圖像變模糊、邊緣和細(xì)節(jié)(detail)不清晰時(shí)，現(xiàn)有的 小波特征提取方法無(wú)法有效地提取車輛圖像的邊緣及輪廓特征，而通過(guò)圖像預(yù)處理方法如 直方圖均衡化(histogram equalization)則容易使圖像出現(xiàn)過(guò)增強(qiáng)、對(duì)噪聲敏感以及局部 對(duì)比度不足，造成細(xì)節(jié)信息丟失的問(wèn)題，從而影響車輛圖像的模式識(shí)別效果。

發(fā)明內(nèi)容
本發(fā)明的所要解決的技術(shù)問(wèn)題是針對(duì)背景技術(shù)中存在的低對(duì)比度車輛圖像進(jìn)行 特征提取導(dǎo)致車輛分類檢測(cè)不好的問(wèn)題，基于小波多分辨率(wavelet multi-resolution) 的特性，提出一種對(duì)低對(duì)比度圖像有效進(jìn)行特征提取的方法，。本發(fā)明為實(shí)現(xiàn)上述發(fā)明目的采用如下技術(shù)方案一種低對(duì)比度車輛圖像的小波特征提取方法，包括利用小波變換對(duì)圖像進(jìn)行塔式 分解步驟、小波系數(shù)處理步驟、分類器檢測(cè)步驟；其中小波系數(shù)處理步驟包括小波高頻系數(shù) 增益步驟和分層歸一化步驟(一 )、小波高頻系數(shù)增益步驟圖像經(jīng)小波變換塔式分解步驟后分為低頻子帶部分和高頻子帶部分，采用增益函 數(shù)對(duì)小波高頻子帶部分進(jìn)行增益處理，所述高頻子帶包括水平子帶、垂直子帶和對(duì)角子帶， 采用式(1)分層對(duì)小波高頻系數(shù)進(jìn)行增益處理，E Oni, ρ = WOiuiiaxi, ρ XK (Hiiij) (1)其中，ff( ·)為增益權(quán)值，K( ·)為增益函數(shù)，i = 1，…，N-l，N為小波塔式分解 的層數(shù)，j = l，2，3，j = 1表示水平子帶細(xì)節(jié)，j = 2表示垂直子帶細(xì)節(jié)，j = 3表示對(duì)角子 帶細(xì)節(jié)；my表示第i層j對(duì)應(yīng)子帶小波系數(shù)，m.max^.為第i層j對(duì)應(yīng)子帶系數(shù)幅值的最 大值；式⑴中
權(quán)利要求
一種低對(duì)比度車輛圖像的小波特征提取方法，包括利用小波變換對(duì)圖像進(jìn)行塔式分解步驟、小波系數(shù)處理步驟、分類器檢測(cè)步驟；其特征在于所述小波系數(shù)處理步驟包括小波高頻系數(shù)增益步驟和分層歸一化步驟，其中(一)、小波高頻系數(shù)增益步驟圖像經(jīng)小波變換塔式分解步驟后分為低頻子帶部分和高頻子帶部分，采用增益函數(shù)對(duì)小波高頻子帶部分進(jìn)行增益處理，所述高頻子帶包括水平子帶、垂直子帶和對(duì)角子帶，采用式(1)分層對(duì)小波高頻系數(shù)進(jìn)行增益處理，E(mi，j)＝W(m_maxi，j)×K(mi，j)(1)其中，W(·)為增益權(quán)值，K(·)為增益函數(shù)，i＝1，…，N 1，N為小波塔式分解的層數(shù)，j＝1，2，3，j＝1表示水平子帶細(xì)節(jié)，j＝2表示垂直子帶細(xì)節(jié)，j＝3表示對(duì)角子帶細(xì)節(jié)；mi，j表示第i層j對(duì)應(yīng)子帶小波系數(shù)，m_maxi，j為第i層j對(duì)應(yīng)子帶系數(shù)幅值的最大值；式(1)中W(m_maxi，j)＝〔σ_maxi/σi，j〕(2)其中，σi，j代表第i層j對(duì)應(yīng)子帶系數(shù)的標(biāo)準(zhǔn)方差，其中，代表第i層j對(duì)應(yīng)子帶小波系數(shù)的均值，n代表第i層j對(duì)應(yīng)子帶小波系數(shù)的個(gè)數(shù)；σ_maxi為第i層三個(gè)子帶系數(shù)的標(biāo)準(zhǔn)方差的最大值； <mrow><mi>K</mi><mrow> <mo>(</mo> <msub><mi>m</mi><mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi></mrow> </msub> <mo>)</mo></mrow><mo>=</mo><mfrac> <mrow><mi>S</mi><mo>[</mo><msub> <mi>&alpha;</mi> <mrow><mi>i</mi><mo>,</mo><mi>j</mi> </mrow></msub><mrow> <mo>(</mo> <msub><mi>m</mi><mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi></mrow> </msub> <mo>-</mo> <msub><mi>&beta;</mi><mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi></mrow> </msub> <mo>)</mo></mrow><mo>]</mo><mo>-</mo><mi>S</mi><mo>[</mo><mo>-</mo><msub> <mi>&alpha;</mi> <mrow><mi>i</mi><mo>,</mo><mi>j</mi> </mrow></msub><mrow> <mo>(</mo> <msub><mi>m</mi><mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi></mrow> </msub> <mo>+</mo> <msub><mi>&beta;</mi><mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi></mrow> </msub> <mo>)</mo></mrow><mo>]</mo> </mrow> <mrow><mi>S</mi><mo>[</mo><msub> <mi>&alpha;</mi> <mrow><mi>i</mi><mo>,</mo><mi>j</mi> </mrow></msub><mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub><mi>&beta;</mi><mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi></mrow> </msub> <mo>)</mo></mrow><mo>]</mo><mo>-</mo><mi>S</mi><mo>[</mo><mo>-</mo><msub> <mi>&alpha;</mi> <mrow><mi>i</mi><mo>,</mo><mi>j</mi> </mrow></msub><mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <msub><mi>&beta;</mi><mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi></mrow> </msub> <mo>)</mo></mrow><mo>]</mo> </mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow>式中S[·]代表非線性函數(shù)，其中e為自然對(duì)數(shù)底且e為常數(shù)，αi，j為控制增益函數(shù)曲線形狀的參數(shù)，βi，j為S[·]函數(shù)的臨界點(diǎn)，βi，j＝σi，j/2；(二)分層歸一化步驟經(jīng)以上增益處理后，將每一層小波數(shù)據(jù)按公式(4)歸一化到
；ei，j＝(m′i，j min_valuei，j)/(max_valuei，j min_valuei，j)(4)式中m′i，j為第i層j對(duì)應(yīng)子帶經(jīng)以上增益函數(shù)增益后的數(shù)據(jù)；min_valuei，j為第i層j對(duì)應(yīng)子帶經(jīng)增益處理后數(shù)據(jù)的最小值；max_valuei，j為第i層j對(duì)應(yīng)子帶經(jīng)增益處理后數(shù)據(jù)的最大值。FSA00000268525100011.tif,FSA00000268525100012.tif,FSA00000268525100014.tif,FSA00000268525100015.tif
2.根據(jù)權(quán)利要求1所述的低對(duì)比度車輛圖像的小波特征提取方法，其特征在于所述 分類器檢測(cè)步驟中采用支持向量機(jī)、AdaBoost或神經(jīng)元網(wǎng)絡(luò)進(jìn)行分類檢測(cè)。
全文摘要
本發(fā)明提供一種低對(duì)比度車輛圖像的小波特征提取方法，屬于圖像特征處理技術(shù)領(lǐng)域。本發(fā)明先利用小波變換對(duì)圖像進(jìn)行塔式分解；然后對(duì)塔式分解后的小波高頻系數(shù)采用增益函數(shù)進(jìn)行增益處理，以提高高頻細(xì)節(jié)部分對(duì)分類的貢獻(xiàn)，最后對(duì)所有數(shù)據(jù)進(jìn)一步進(jìn)行分層歸一化處理，將處理后的數(shù)據(jù)形成特征向量輸入到分類器進(jìn)行分類識(shí)別。本發(fā)明解決了現(xiàn)有的特征提取方式對(duì)低對(duì)比度圖像進(jìn)行特征提取后分類識(shí)別效果較差的問(wèn)題，利用所提出的方法結(jié)合支持向量機(jī)分類器對(duì)Twilight圖像進(jìn)行車輛檢測(cè)實(shí)驗(yàn)，與現(xiàn)有小波特征提取方法相比，明顯提高了車輛識(shí)別率，大幅度降低了非車輛誤識(shí)別率。
文檔編號(hào)G06K9/00GK101937507SQ20101028083
公開日2011年1月5日 申請(qǐng)日期2010年9月14日 優(yōu)先權(quán)日2010年9月14日
發(fā)明者文學(xué)志, 方巍, 鄭鈺輝 申請(qǐng)人:南京信息工程大學(xué)