專利名稱：一種基于支持向量機(jī)的出租車識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及基于視頻圖像的車輛識(shí)別方法領(lǐng)域，尤其涉及一種基于支持向量機(jī)的出租車識(shí)別方法。
背景技術(shù)：
目前智能交通系統(tǒng)中對(duì)交通監(jiān)控系統(tǒng)的魯棒性和可靠性的要求越來越高，由于基于地感線圈、超聲波和雷達(dá)等傳感器的車輛檢測(cè)方法無法識(shí)別車輛類型，因此基于視頻圖像的車輛檢測(cè)和識(shí)別技術(shù)成為交通監(jiān)控中的一項(xiàng)重要研究課題，它在計(jì)算機(jī)視覺導(dǎo)航，交通監(jiān)視領(lǐng)域有著重要的實(shí)用價(jià)值，為城市復(fù)雜交通網(wǎng)絡(luò)的智能化和科學(xué)化管理提供自動(dòng)化和科學(xué)的支持。目前，基于視頻圖像的車輛識(shí)別方法主要有HAAR-LIKE矩形特征算法、邊緣檢測(cè)法以及基于梯度方向直方圖[2] (Histogram of Oriented Gradient,簡(jiǎn)稱HOG)等方法，以下對(duì)于上述三種識(shí)別算法進(jìn)行簡(jiǎn)要描述
一、HAAR-LIKE矩形特征算法最早的HAAR-LIKE矩形特征庫(kù)是Papageorgiou C.等提出，Viola P.等的快速人臉識(shí)別系統(tǒng)采用了 3種類型5種形式的矩形特征，分別為2矩形特征、3矩形特征和4矩形特征。其特征值的定義為黑色矩形內(nèi)所有像素值的和減去白色矩形內(nèi)所有像素值的和。L ienhart R.等對(duì)HAAR-LIKE矩形特征庫(kù)作了進(jìn)一步擴(kuò)展,加入旋轉(zhuǎn)45度角的矩形特征。擴(kuò)展后的特征大致分為4種類型邊緣特征、線特征環(huán)、中心環(huán)繞特征和對(duì)角線特征。如圖I所示。用HAAR-LIKE矩形特征來表述車輛，是因?yàn)檫@種特征表示的形式簡(jiǎn)單，計(jì)算速度快，形式多樣，這些矩形特征可派生出豐富的矩形特征。二、邊緣檢測(cè)法邊緣檢測(cè)方法是在不同的光線條件下利用車體的不同部件、顏色等提供的邊緣信息有效的提取車輛的邊緣，從而進(jìn)行靜止和運(yùn)動(dòng)車輛的檢測(cè)。相對(duì)于背景消減法，由于車輛的表面、形狀及顏色不同，邊緣檢測(cè)法所能提供的信息相當(dāng)顯著。即便車輛與路面的顏色相同，因?yàn)檐囕v要比地面反射更多的光線所以車輛仍能被檢測(cè)出來。三、基于梯度方向直方圖(Histogram of Oriented Gradient,簡(jiǎn)稱HOG)算法HOG算法最重要的思想是在一副圖像中，局部目標(biāo)的表象和形狀(appearanceand shape)能夠被梯度或邊緣的方向密度分布很好地描述。具體的實(shí)現(xiàn)方法是首先將圖像分成小的連通區(qū)域，我們把它叫細(xì)胞單元。然后采集細(xì)胞單元中各像素點(diǎn)的梯度的或邊緣的方向直方圖。最后把這些直方圖組合起來就可以構(gòu)成特征描述器。為了提高性能，我們還可以把這些局部直方圖在圖像的更大的范圍內(nèi)(我們把它叫區(qū)間或block)進(jìn)行對(duì)比度歸一化(contrast-normalized),所采用的方法是先計(jì)算各直方圖在這個(gè)區(qū)間(block)中的密度，然后根據(jù)這個(gè)密度對(duì)區(qū)間中的各個(gè)細(xì)胞單元做歸一化。通過這個(gè)歸一化后，能對(duì)光照變化和陰影獲得更好的效果。以上所描述的這些技術(shù)均已比較成熟，然后在其實(shí)際的應(yīng)用中往往魯棒性和可靠上面臨著諸多挑戰(zhàn).主要表現(xiàn)為(I)車載攝像頭實(shí)時(shí)拍行駛輛，使得拍攝到的物體尺寸和形態(tài)是不斷變化，并且經(jīng)常會(huì)發(fā)生車輛重疊現(xiàn)象；(2)車輛外觀多種多樣，包括形狀、顏色和尺寸等的多樣化，在不同的視角和光照下，車輛外觀存在很大區(qū)別；(3)不同的天氣狀況引起的光照條件、陰天與雨雪等對(duì)視覺系統(tǒng)有很大影響；弓丨起的光照條件、陰天與雨雪等對(duì)視覺系統(tǒng)有很大影響；(4)復(fù)雜的外界環(huán)境如景物陰影、難以預(yù)測(cè)交通流干擾和混亂背復(fù)雜的外界環(huán)境等的影響，所有這些都是難以控制和預(yù)測(cè)。而且，現(xiàn)有技術(shù)中基于視頻圖像的車輛檢測(cè)和識(shí)別技術(shù)主要集中在車牌識(shí)別和車 型粗分類(將檢測(cè)到的車輛分類為小型車、中型車和大型車等)。由于出租車占交通系統(tǒng)中相當(dāng)大比例，識(shí)別車輛是否是出租車在交通監(jiān)控具有重要的意義，而目前尚無一種專門用于分辨機(jī)動(dòng)車是否為出租車的識(shí)別技術(shù)。

發(fā)明內(nèi)容
本發(fā)明實(shí)施例的目的是針對(duì)現(xiàn)有技術(shù)的空白，提出一種基于支持向量機(jī)的出租車識(shí)別方法，經(jīng)過嚴(yán)格的實(shí)驗(yàn)證明，該出租車識(shí)別方法具有較高的判斷準(zhǔn)確率與魯棒性。為了達(dá)到上述發(fā)明目的，本發(fā)明提出的一種基于支持向量機(jī)的出租車識(shí)別方法是通過以下技術(shù)方案實(shí)現(xiàn)的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于包括如下步驟a、構(gòu)建樣本庫(kù)，包括含有出租車輛的正樣本以及含有其它機(jī)動(dòng)車輛的負(fù)樣本；b、獲取所述樣本的判斷窗口，并將所述判斷窗口圖像尺寸歸一化；提取歸一化處理后的判斷窗口的HOG特征，并利用此HOG特征訓(xùn)練支持向量機(jī)分類器；C、跟蹤所輸入的視頻幀內(nèi)的待識(shí)別車輛；d、將跟蹤成功后的首個(gè)圖像幀中跟蹤窗口分別向上、下兩個(gè)方向移動(dòng)y個(gè)像素點(diǎn)，獲得二個(gè)子窗口，以及向左、兩個(gè)方向移動(dòng)X個(gè)像素點(diǎn)，獲得另二個(gè)子窗口 ；將所獲得的四個(gè)子窗口尺寸歸一化，將歸一化處理后的四個(gè)子窗口和跟蹤窗口輸入所述支持向量機(jī)分類器獲得五個(gè)識(shí)別結(jié)果，對(duì)這五個(gè)識(shí)別結(jié)果進(jìn)行投票統(tǒng)計(jì)，票數(shù)多者取勝，由此獲得空間域修正識(shí)別結(jié)果；所述的X、y均為正整數(shù)。在具體實(shí)施例中，該識(shí)別方法還包括時(shí)間域修正步驟由所述首個(gè)圖像幀起，對(duì)一段時(shí)間內(nèi)的連續(xù)視頻幀中采樣獲得η個(gè)關(guān)鍵幀，并分別對(duì)所述關(guān)鍵幀執(zhí)行步驟d，以獲得多個(gè)空間域修正識(shí)別結(jié)果，將基于這些關(guān)鍵幀和首個(gè)圖像幀做出的空間域修正識(shí)別結(jié)果進(jìn)行投票統(tǒng)計(jì)，票數(shù)多者取勝，由此獲得時(shí)間域修正識(shí)別結(jié)果，其中η為大于2的自然數(shù)。在具體實(shí)施例中，所述關(guān)鍵幀是以固定時(shí)間間隔在所述一段時(shí)間內(nèi)的連續(xù)視頻幀選取的。在具體實(shí)施例中，所述η為4，所述固定時(shí)間間隔取決于對(duì)任一所述關(guān)鍵幀執(zhí)行步驟e的時(shí)間。在具體實(shí)施例中，該識(shí)別方法還包括如下步驟周期性的對(duì)所述連續(xù)視頻幀執(zhí)行所述步驟d以及所述時(shí)間域修正步驟，以獲得基于同一跟蹤窗口的多個(gè)空間域修正識(shí)別結(jié)果，并在每獲得一個(gè)空間域修正識(shí)別結(jié)果之后，對(duì)于之前基于同一跟蹤窗口做出的識(shí)別結(jié)果進(jìn)行修正。在具體實(shí)施例中，所述樣本的判斷窗口、所述子窗口和所述跟蹤窗口均被歸一化為橫向a個(gè)像素點(diǎn)、縱向b個(gè)像素點(diǎn)，所述a、b均為大于10的自然數(shù)；且所述χ取值范圍為O. la-0. 2a，所述y取值范圍為O. lb-0. 2b。在具體實(shí)施例中，所述樣本庫(kù)中的樣本為監(jiān)控?cái)z像機(jī)所采集的車輛圖像經(jīng)過大小歸一化處理后獲得。 在具體實(shí)施例中，所述監(jiān)控?cái)z像機(jī)選自其內(nèi)出租車具有相同規(guī)范的地區(qū)。
·
與現(xiàn)有技術(shù)相比，本發(fā)明一種基于支持向量機(jī)的出租車識(shí)別方法通過HOG算法提取圖片幀中的HOG特征，并利用此HOG特征訓(xùn)練支持向量機(jī)分類器；之后采用時(shí)間域以及空間域上的多窗口投票機(jī)制來識(shí)別車輛是否為出租車。經(jīng)過嚴(yán)格的實(shí)驗(yàn)證明，該出租車識(shí)別方法能夠提高判斷的準(zhǔn)確率，具有較高的判斷準(zhǔn)確率與魯棒性。


通過下面結(jié)合附圖對(duì)其示例性實(shí)施例進(jìn)行的描述，本發(fā)明上述特征和優(yōu)點(diǎn)將會(huì)變得更加清楚和容易理解。圖I為HAAR-LIKE矩形特征算法各特征示意圖；圖2為本發(fā)明實(shí)施例流程示意圖；圖3為本發(fā)明實(shí)施例HOG算法流程示意圖；圖4為本發(fā)明實(shí)施例多窗口投票機(jī)制的原理示意圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明，以便于同行業(yè)技術(shù)人員的理解相對(duì)于其它機(jī)動(dòng)車來說，出租車具有以下顯著特點(diǎn)特點(diǎn)一、頂燈。出租車的頂燈為區(qū)別于其他車輛的明顯標(biāo)志。對(duì)車身的輪廓特征有明顯的改變。特點(diǎn)二、車型。出租車為小轎車車型，在外形輪廓方面明顯區(qū)別于中大型的車輛。參見圖2-4，本實(shí)施例提供的一種基于支持向量機(jī)的出租車識(shí)別方法，該出租車識(shí)別方法的實(shí)現(xiàn)正是依靠出租車相對(duì)于其他車輛所具有顯著的輪廓特征。針對(duì)上述的輪廓特征，該出租車識(shí)別方法使用HOG算法提取車輛輪廓信息,并以支持向量機(jī)(Support VectorMachine、SVM)訓(xùn)練分類器，最終實(shí)現(xiàn)對(duì)出租車的識(shí)別。參見圖1，其為出租車識(shí)別方法的總體設(shè)計(jì)流程，其主要設(shè)計(jì)思路和常規(guī)的車輛識(shí)別方法相同，首先構(gòu)件出租車分類器，之后通過分類器對(duì)于出租車進(jìn)行識(shí)別，以下將對(duì)這兩個(gè)步驟進(jìn)行詳細(xì)描述一、構(gòu)建出租車分類器，由下述幾個(gè)步驟組成I. I、構(gòu)建樣本庫(kù)，包括含有出租車的正樣本以及含有其它機(jī)動(dòng)車輛的負(fù)樣本。在算法一定的情況下，樣本庫(kù)的大小和典型性共同決定著SVM分類器的準(zhǔn)確性。而由于一個(gè)地區(qū)的出租車往往和其它地區(qū)出租車體現(xiàn)出較大的差異性，包括一些車輛輪廓特征影響較大的因素，如車頂燈的外形尺寸、車頂燈在夜間發(fā)光狀態(tài)下的外形輪廓等。因此優(yōu)選的，構(gòu)建樣本庫(kù)應(yīng)該基于同一個(gè)地區(qū)內(nèi)的多個(gè)監(jiān)控?cái)z像機(jī)所采集的車輛圖像(注此處所用術(shù)語“地區(qū)”應(yīng)當(dāng)被理解為其內(nèi)的出租車具有相同規(guī)范的地域，在實(shí)際實(shí)踐中應(yīng)根據(jù)不同區(qū)域交管部門的具體要求對(duì)于上述地區(qū)進(jìn)行選擇)。雖然采用這樣的樣本庫(kù)所訓(xùn)練的SVM分類器不可避免的具有一定地域性，不太適宜其 它地區(qū)使用，但是準(zhǔn)確度會(huì)相應(yīng)提高。相反的，如果采用多個(gè)地區(qū)的監(jiān)控?cái)z像機(jī)所采集的車輛圖像，SVM分類器會(huì)具有普適性，但是其準(zhǔn)確率往往會(huì)有一定程度的下降。不僅如此，所采集的車輛圖像的選擇還需要具有全面型、典型性，樣本庫(kù)應(yīng)該包含了各種車型在各種天氣情況以及各種光照環(huán)境下各種角度的圖像?；谶@樣的樣本庫(kù)，使得SVM分類器的準(zhǔn)確性得到了保證。I. 2、基于HOG算法提取所述上述經(jīng)歸一化處理后的判斷窗口的HOG特征，并利用此HOG特征訓(xùn)練SVM分類器。以下對(duì)于HOG算法以及SVM分類器進(jìn)行簡(jiǎn)要描述HOG算法能在低清晰度的情況下較為準(zhǔn)確的對(duì)車輛的輪廓特征進(jìn)行提取。是因?yàn)镠OG算法是在局部細(xì)胞單元上提取顏色梯度，對(duì)清晰度要求不高。從而降低了對(duì)儀器的要求，極大的降低了成本。針對(duì)車輛識(shí)別中普遍存在的問題，即不同光照下車輛的外觀的不同。由于HOG方法是在圖像的局部細(xì)胞單元上操作，所以它對(duì)圖像幾何的(geometric)和光學(xué)的(photometric)形變都能保持很好的不變性。從而增加了識(shí)別的魯棒性。HOG特征是一種局部區(qū)域描述符，它通過計(jì)算局部區(qū)域上的梯度方向直方圖來構(gòu)成車輛外型特征，能夠很好地描述車輛的邊緣。它對(duì)光照變化和小量的偏移不敏感。輸入圖像中像素點(diǎn)(x，y)的梯度如以下公式Gx (x, y) = H(x+1, y)-H(x-l, y)Gy (x, y) = Η(χ, y+l)-H(x, y-1)式中，Gx(x, y)、Gy(x, y)、Η(χ, y)分別表示輸入圖像中像素點(diǎn)(x, y)處的水平方向梯度、垂直方向梯度和像素值。像素點(diǎn)(x，y)處的梯度幅值和梯度方向如以下公式
權(quán)利要求
1.一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于包括如下步驟 a、構(gòu)建樣本庫(kù)，包括含有出租車輛的正樣本以及含有其它機(jī)動(dòng)車輛的負(fù)樣本； b、獲取所述樣本的判斷窗口，并將所述判斷窗口圖像尺寸歸一化；提取歸一化處理后的判斷窗口的HOG特征，并利用此HOG特征訓(xùn)練支持向量機(jī)分類器； C、跟蹤所輸入的視頻幀內(nèi)的待識(shí)別車輛； d、將跟蹤成功后的首個(gè)圖像幀中跟蹤窗口分別向上、下兩個(gè)方向移動(dòng)y個(gè)像素點(diǎn)，獲得二個(gè)子窗口，以及向左、兩個(gè)方向移動(dòng)χ個(gè)像素點(diǎn)，獲得另二個(gè)子窗口 ；將所獲得的四個(gè)子窗口尺寸歸一化，將歸一化處理后的四個(gè)子窗口和跟蹤窗口輸入所述支持向量機(jī)分類器獲得五個(gè)識(shí)別結(jié)果，對(duì)這五個(gè)識(shí)別結(jié)果進(jìn)行投票統(tǒng)計(jì)，票數(shù)多者取勝，由此獲得空間域修正識(shí)別結(jié)果； 所述的x、y均為正整數(shù)。
2.根據(jù)權(quán)利要求I所述的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于該識(shí)別方法還包括時(shí)間域修正步驟由所述首個(gè)圖像幀起，對(duì)一段時(shí)間內(nèi)的連續(xù)視頻幀中采樣獲得η個(gè)關(guān)鍵幀，并分別對(duì)所述關(guān)鍵幀執(zhí)行步驟d，以獲得多個(gè)空間域修正識(shí)別結(jié)果，將基于這些關(guān)鍵幀和首個(gè)圖像幀做出的空間域修正識(shí)別結(jié)果進(jìn)行投票統(tǒng)計(jì)，票數(shù)多者取勝，由此獲得時(shí)間域修正識(shí)別結(jié)果，其中η為大于2的自然數(shù)。
3.根據(jù)權(quán)利要求2所述的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于所述關(guān)鍵幀是以固定時(shí)間間隔在所述一段時(shí)間內(nèi)的連續(xù)視頻幀選取的。
4.根據(jù)權(quán)利要求3所述的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于所述η為4，所述固定時(shí)間間隔取決于對(duì)任一所述關(guān)鍵幀執(zhí)行步驟e的時(shí)間。
5.根據(jù)權(quán)利要求3所述的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于該識(shí)別方法還包括如下步驟周期性的對(duì)所述連續(xù)視頻幀執(zhí)行所述步驟d以及所述時(shí)間域修正步驟，以獲得基于同一跟蹤窗口的多個(gè)空間域修正識(shí)別結(jié)果，并在每獲得一個(gè)空間域修正識(shí)別結(jié)果之后，對(duì)于之前基于同一跟蹤窗口做出的識(shí)別結(jié)果進(jìn)行修正。
6.根據(jù)權(quán)利要求1-5任意一項(xiàng)所述的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于所述樣本的判斷窗口、所述子窗口和所述跟蹤窗口均被歸一化為橫向a個(gè)像素點(diǎn)、縱向b個(gè)像素點(diǎn)，所述a、b均為大于10的自然數(shù)；且所述χ取值范圍為O. la-0. 2a，所述y取值范圍為O. lb-0. 2b。
7.根據(jù)權(quán)利要求6所述的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于所述樣本庫(kù)中的樣本為監(jiān)控?cái)z像機(jī)所采集的車輛圖像。
8.根據(jù)權(quán)利要求7所述的一種基于支持向量機(jī)的出租車識(shí)別方法，其特征在于所述監(jiān)控?cái)z像機(jī)選自其內(nèi)出租車具有相同規(guī)范的地區(qū)。
全文摘要
本發(fā)明涉及車輛識(shí)別方法領(lǐng)域，尤其涉及一種基于支持向量機(jī)的出租車識(shí)別方法。該方法包括如下步驟a、構(gòu)建樣本庫(kù)；b、獲取所述樣本的判斷窗口，提取歸一化處理后的判斷窗口的HOG特征，并利用此HOG特征訓(xùn)練支持向量機(jī)分類器；c、跟蹤所輸入的視頻幀內(nèi)的待識(shí)別車輛；d、將跟蹤成功后的首個(gè)圖像幀中跟蹤窗口分別向上、下、左、四個(gè)方向移動(dòng)若干像素點(diǎn)，獲得四個(gè)子窗口；將歸一化處理后的四個(gè)子窗口和跟蹤窗口輸入所述支持向量機(jī)分類器獲得五個(gè)識(shí)別結(jié)果，由此獲得空間域修正識(shí)別結(jié)果。其優(yōu)點(diǎn)是采用時(shí)間域以及空間域上的多窗口投票機(jī)制來識(shí)別車輛是否為出租車。經(jīng)過嚴(yán)格的實(shí)驗(yàn)證明，該出租車識(shí)別方法能夠提高判斷的準(zhǔn)確率，具有較高的判斷準(zhǔn)確率與魯棒性。
文檔編號(hào)G06K9/62GK102902983SQ20121035643
公開日2013年1月30日 申請(qǐng)日期2012年9月21日 優(yōu)先權(quán)日2012年9月21日
發(fā)明者田廣, 梁龍飛, 葉飛, 張重陽 申請(qǐng)人:博康智能網(wǎng)絡(luò)科技股份有限公司