專利名稱：基于輪廓的車型識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理、模式識(shí)別技術(shù)領(lǐng)域，主要涉及對(duì)車輛目標(biāo)圖像的特征提取與形狀識(shí)別。
背景技術(shù)：
自動(dòng)目標(biāo)識(shí)別ATR(Automatic Target Recognition)的研究是隨著圖像處理、模式識(shí)別、人工智能等學(xué)科的進(jìn)步逐步發(fā)展起來的。它的基本功用是利用從傳感器來的數(shù)據(jù)源自動(dòng)地對(duì)目標(biāo)進(jìn)行探測、分類和識(shí)別。目標(biāo)分類和識(shí)別是對(duì)找出的運(yùn)動(dòng)區(qū)域的目標(biāo)進(jìn)行分類并確定其型號(hào)。總體而言，ATR是一種模仿人腦完成探測和識(shí)別目標(biāo)過程的系統(tǒng)。
自動(dòng)目標(biāo)識(shí)別ATR系統(tǒng)可以采用多種傳感器數(shù)據(jù)源，基于圖像的目標(biāo)識(shí)別方法是一種重要而且非常適用的技術(shù)。自動(dòng)圖像目標(biāo)識(shí)別系統(tǒng)中包括預(yù)處理、目標(biāo)檢測與分割、目標(biāo)特征提取、分類與識(shí)別、跟蹤等部分。其中，特征提取和目標(biāo)識(shí)別是決定系統(tǒng)性能的關(guān)鍵環(huán)節(jié)。圖像目標(biāo)識(shí)別特征的提取可采用多種方法，如傅立葉描述子、矩特征、變換域特征(小波變換、Gabor變換等)、邊緣輪廓特征等等。
其中傅立葉描述子是通過逐點(diǎn)掃描目標(biāo)圖像的邊界，并從設(shè)定點(diǎn)開始記錄各邊界點(diǎn)的坐標(biāo)位置。對(duì)坐標(biāo)序列進(jìn)行傅立葉變換，將得到的復(fù)系數(shù)稱為邊界的傅立葉描述子。但這種方法利用的目標(biāo)信息很少，只是提取了基于目標(biāo)圖像外邊界的特征，而且它對(duì)噪聲比較敏感，所以識(shí)別效果較差。詳見文獻(xiàn)岡薩雷斯，《數(shù)字圖像處理》，電子工業(yè)出版社，2003；TimothyP.Wallace and Paul A.Wintz，An Efficient Three-Demensional Aircraft RecognitionAlgorithm Using Normalized Fourier Descriptors，Computer Graphics And ImageProcessing，13，99-126。
變換域特征是通過不同尺度和系數(shù)的窗函數(shù)把目標(biāo)圖像映射到變換域中，再提取有用的識(shí)別特征。常用的變換方法有傅立葉變換、Hough變換、小波變換、Gabor變換等等。這些方法在各種特殊應(yīng)用中能得到理想的圖像信息，但其缺點(diǎn)是運(yùn)算量較大，且物理意義不明確。詳見文獻(xiàn)萬峰杜明輝，人臉識(shí)別中一種新的Gabor特征提取方法，華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2004年08期間；周國民陳勇，人臉識(shí)別中應(yīng)用小波變換的兩個(gè)關(guān)鍵問題，浙江大學(xué)學(xué)報(bào)，2005年01期。
提取特征之后就需要對(duì)目標(biāo)進(jìn)行識(shí)別，識(shí)別就是將待測試的目標(biāo)樣本歸入已知的模式類別。目前常用的識(shí)別方法有近鄰法、神經(jīng)網(wǎng)絡(luò)、模糊識(shí)別方法等等。其中模糊識(shí)別方法需要準(zhǔn)確的模糊模型、隸屬度函數(shù)等前提條件。神經(jīng)網(wǎng)絡(luò)方法能夠有效地解決很多非線性問題，但它有很多重要的問題尚沒有徹底的理論解決，比如網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)、初始權(quán)值和學(xué)習(xí)步長的確定，局部極小點(diǎn)等，所以在實(shí)際應(yīng)用中仍存在一定的問題。詳見文獻(xiàn)邊肇祺 張學(xué)工，模式識(shí)別，清華大學(xué)出版社，2000。

發(fā)明內(nèi)容
本發(fā)明提出了一種新的基于輪廓的車輛目標(biāo)識(shí)別特征提取方法，它包含了全局形狀信息、局部統(tǒng)計(jì)信息和方向信息的復(fù)合識(shí)別特征的提取，并且提出一種雙閾值近鄰識(shí)別方法及其快速算法，在快速識(shí)別算法中采用了C-均值動(dòng)態(tài)聚類與哈夫曼二叉樹原理相結(jié)合的方法，提出一種優(yōu)化匹配順序的二叉搜索樹，從而大大提高了識(shí)別效率和速度。
為了方便描述本發(fā)明地內(nèi)容，在此作一些術(shù)語定義1.邊緣輪廓觀察場景中亮度或其他性質(zhì)變化較快的部分通常是場景中不同物體之間的相交處，即邊緣。邊緣的檢測常借助空域微分算子進(jìn)行，通過模板與圖像卷積來完成。
2.訓(xùn)練樣本在分類問題中，已知一些樣本及它們的歸類，各類的決策函數(shù)由屬于該類的樣本的模式特征來表征，這樣的樣本稱為訓(xùn)練樣本。
3.車輛目標(biāo)圖像F的三個(gè)區(qū)域目標(biāo)真實(shí)區(qū)域1，目標(biāo)外圍區(qū)域2和背景區(qū)域3。目標(biāo)真實(shí)區(qū)域1和目標(biāo)外圍區(qū)域2稱為運(yùn)動(dòng)目標(biāo)區(qū)域。區(qū)域的劃分是根據(jù)車輛目標(biāo)分割過程中得到的運(yùn)動(dòng)區(qū)域和外截區(qū)域所確定的。
4.Canny邊緣檢測算子一種比較新的邊緣檢測算子，具有很好的邊緣檢測性能。Canny算子利用高斯函數(shù)的一階微分，能在噪聲抑制和邊緣檢測結(jié)果之間取得較好的平衡。
具體執(zhí)行步驟如下1)用高斯濾波器對(duì)圖像濾波，取出圖像中的噪聲。
2)用高斯算子的一階微分對(duì)圖像進(jìn)行濾波，得到每個(gè)象素梯度的大小|G|和方向θ|G|=[(∂f∂x)2+(∂f∂y)2]1/2]]>θ=tan-1[∂f∂y/∂f∂x]]]>f為濾波后的圖像。
3)梯度的方向可以定義為屬于4個(gè)區(qū)之一，左右為1區(qū)，左下、右上為2區(qū)，上下為3區(qū)，左上、右下為4區(qū)。各個(gè)區(qū)用不同的鄰近象素用來進(jìn)行比較，以決定局部極大值。
4)對(duì)梯度取兩個(gè)閾值T1和T2，T1＝0.4*T2。把梯度值小于T1的象素值的灰度設(shè)為0，得到圖像1。把梯度值小于T2的象素的灰度設(shè)為0，得到圖像2。然后以圖像2為基礎(chǔ)，以圖像1為補(bǔ)充來連接圖像的邊緣。
將以上執(zhí)行過程表達(dá)為函數(shù)canny()，如果原圖像為I，則邊緣檢測的結(jié)果E表示為E＝canny(I)。
Canny算子的原理可詳見文獻(xiàn)楊枝靈，王開，《Visual C++數(shù)字圖像獲取、處理及實(shí)踐應(yīng)用》，人民郵電出版社，2003。
5.Sobel算子一種常用的邊緣檢測方法，通過將模板與圖像進(jìn)行卷積來實(shí)現(xiàn)邊緣提取。
Sobel算子有兩個(gè)模板，一個(gè)是檢測垂直邊緣的Sx，另一個(gè)是檢測水平邊緣的Sy。
Sx=-101-202-101,]]>Sy=121000-1-21]]>Sobel算子詳見文獻(xiàn)岡薩雷斯，《數(shù)字圖像處理》，電子工業(yè)出版社，2003。
6.矩特征一幅M×N大小的圖像I(x，y)，其p+q階矩定義為mpq=Σx=0M-1Σy=0N-1xpyqI(x,y)]]>7.中心矩一幅M×N大小的圖像I(x，y)，其p+q階中心矩定義為μpq=Σx=0M-1Σy=0N-1(x-m10m00)p(y-m01m00)qI(x,y)]]>8.特征向量一般地把原始數(shù)據(jù)組成的空間叫測量空間，把分類識(shí)別賴以進(jìn)行的空間叫著特征空間，通過變換把測量空間中高維的時(shí)間空間模式信息轉(zhuǎn)化為較低維的特征空間中的模式，從而由特征空間中各維模式組成特征向量。
9.判別函數(shù)對(duì)于c類分類問題，按照決策規(guī)則可以把d維特征空間分成c個(gè)決策域，將劃分決策域的邊界面稱為決策面，在數(shù)學(xué)上用解析形式可以表示成決策面方程。用于表達(dá)決策規(guī)則的函數(shù)稱為判別函數(shù)。
10.最近鄰法假設(shè)有C個(gè)類別w1w2…wc的模式識(shí)別問題，每個(gè)類有標(biāo)明類別的樣本Ni(i＝1，2...c)個(gè)。對(duì)于未知類別的待測樣本x，規(guī)定wi類的判別函數(shù)為gi(x)=mink||x-xik||,k=1,2...Ni,]]>其中xik表示wi類的第k個(gè)樣本。
如果gj(x)=minigi(x),i=1,2...c]]>則判別為x∈wj。
11.K近鄰法假設(shè)有C個(gè)類別w1w2…wc的模式識(shí)別問題，一共有N個(gè)已知類別的訓(xùn)練樣本，其中來自類別w1w2…wc的樣本數(shù)分別為N1N2…Nc，即N＝N1+N2+...+Nc。對(duì)于未知類別的待測樣本x，找出與x距離最近的K個(gè)近鄰樣本。若K1，K2...Kc分別是K個(gè)近鄰中屬于w1w2…wc類的樣本數(shù)，則可以定義判別函數(shù)為gi(x)＝Ki，i＝1，2...c。
如果gj(x)=miniKi,i=1,2...c]]>則判別為x∈wj。
12.二叉搜索樹用二叉樹的形式來表達(dá)分類間的距離關(guān)系，并以此確定未知樣本與各類中訓(xùn)練樣本的匹配順序(搜索順序)。搜索樹由葉子節(jié)點(diǎn)和中間節(jié)點(diǎn)組成，每個(gè)葉子節(jié)點(diǎn)代表一個(gè)子分類，且子分類由該子分類中訓(xùn)練樣本的特征向量均值表征。將距離最近的兩個(gè)節(jié)點(diǎn)合并為一個(gè)新的節(jié)點(diǎn)(父節(jié)點(diǎn))，并用兩個(gè)子節(jié)點(diǎn)的特征均值表征父節(jié)點(diǎn)，再用新節(jié)點(diǎn)與其他節(jié)點(diǎn)一起按此規(guī)則自下而上逐級(jí)合并，最后歸結(jié)到一個(gè)根節(jié)點(diǎn)。對(duì)未知樣本的識(shí)別是一個(gè)逆過程，從根節(jié)點(diǎn)開始搜索與未知樣本距離最近的節(jié)點(diǎn)，并結(jié)合近鄰判別法，最終找到未知樣本所屬的分類。
一種基于輪廓的車輛目標(biāo)識(shí)別算法，其特征包括如下執(zhí)行步驟假定所識(shí)別的車輛類型有c種，每種類型分別標(biāo)記為w1，w2Kwc(wi可以是如吉普、面包或者其他任何一種車型)。
步驟1，車輛目標(biāo)的分割及訓(xùn)練樣本的選擇首先，通過三幀法或時(shí)空法對(duì)視頻序列進(jìn)行處理，從視頻序列中分割出每幀的車輛目標(biāo)圖像，表示為F，圖像F中的象素表示為F(x，y)(0＜x＜M，0＜y＜N)，其中M是F的寬度，N是F的高度，如圖2所示。車輛目標(biāo)的分割過程詳見文獻(xiàn)Haitao Jia and Mei Xie，″AUTOMATIC MOVING TARGET DETECTING BY A NOVEL VIDEO SEGMENTATION ALGORITHM″，SPIEConference of Defense and Security Symposium 2005，Proc.SPIE Int.Soc.Opt.Eng.5817，312(2005)；Haitao Jia and Mei Xie，″MOVING OBJECT DETECTION BY A NOVELSPATIO-TEMPORAL SEGMENTATION″，SPIE Conference of Defense and Security Symposium 2005Proc.SPIE Int.Soc.Opt.Eng.5807，435(2005)。
其次，從分割出的車輛目標(biāo)圖像中為每種車型選擇訓(xùn)練樣本圖像，選擇的原則是作為訓(xùn)練樣本的目標(biāo)圖像應(yīng)該包括視頻中車輛目標(biāo)出現(xiàn)的所有角度和姿態(tài)信息。設(shè)為車型wi選擇了Ni個(gè)訓(xùn)練樣本{xi1，xi2K xijK xiNi}，其中，xij表示車型wi中的第j個(gè)訓(xùn)練樣本，并且i＝{1，2K c}，則一共選擇了N個(gè)訓(xùn)練樣本，N=ΣiNi.]]>步驟2，車輛目標(biāo)的輪廓提取首先，在步驟1分割得到的車輛目標(biāo)圖像F中，將運(yùn)動(dòng)目標(biāo)區(qū)域(包括目標(biāo)真實(shí)區(qū)域1和目標(biāo)外圍區(qū)域2)的象素均值賦予黑色背景區(qū)域3中的每一個(gè)象素，得到均值填充后的車輛目標(biāo)圖像F，如圖3所示。步驟如下運(yùn)動(dòng)目標(biāo)區(qū)域的象素灰度均值graymean＝mean(F(x，y))，象素(x，y)∈(A∪B)；然后用灰度均值graymean替換F中黑色背景區(qū)域3中象素點(diǎn)的灰度值F(x，y)＝meangray，象素(x，y)∈C；得到均值填充后的車輛目標(biāo)圖像F，其象素表示為F(x，y)(0＜x＜M，0＜y＜N)，如圖4所示。
其次，用Canny算子對(duì)均值填充后的車輛目標(biāo)圖像F中每個(gè)訓(xùn)練樣本進(jìn)行邊緣檢測將Canny算子邊緣檢測的過程表達(dá)為函數(shù)canny()，則車輛目標(biāo)圖像F每個(gè)訓(xùn)練樣本經(jīng)邊緣檢測得到的整體輪廓結(jié)果為Ec＝canny(F)，其寬度為M，高度為N，其中的象素表示Ec(x，y)(0＜x＜M，0＜y＜N)，如圖5所示。
步驟3，計(jì)算縱向和橫向的輪廓分布用Sobel算子中垂直邊緣檢測模板的Sx和水平邊緣檢測模板的Sy將車輛目標(biāo)的整體輪廓結(jié)果Ec(x，y)分解為縱向和橫向的輪廓分布。
用Sobel算子的垂直邊緣檢測模板Sx與Ec卷積，得到車輛輪廓的縱向分布值Ev＝|Ec*Sx|；用水平邊緣檢測模板Sy與Ec卷積，得到車輛輪廓的橫向分布值Eh＝|Ec*Sy|；如圖6(1)、(2)所示為車輛目標(biāo)輪廓的縱橫分布信息。
步驟4，車輛目標(biāo)識(shí)別特征的提取(1)車輛目標(biāo)全局形狀矩特征的提取根據(jù)步驟2得到的車輛目標(biāo)每個(gè)訓(xùn)練樣本整體輪廓圖像Ec(x，y)(0＜x＜M，0＜y＜N)，首先求出車輛目標(biāo)每個(gè)訓(xùn)練樣本的整體輪廓圖像Ec(x，y)的長寬比特征f1＝M/N；車輛目標(biāo)每個(gè)訓(xùn)練樣本整體輪廓圖像Ec(x，y)的p+q階矩定義為
μpq=Σx=0M-1Σy=0N-1(x-x-)p(y-y-)qEc(x,y)]]>x-=Σx=0M-1Σy=0N-1xEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y),y-=Σx=0M-1Σy=0N-1yEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y)]]>其中，μ20為圖像在水平方向上的伸展度，μ02為圖像在垂直方向上的伸展度；μ11為圖像的傾斜度；μ30為圖像在水平方向上的重心偏移度，μ03為圖像在垂直方向上的重心偏移度；μ21為圖像水平伸展的均衡程度，μ12為圖像垂直伸展的均衡程度。
由以上二階矩(p+q＝2)或三階矩(p+q＝3)，得到全局輪廓圖像的各種形狀矩特征(詳見文獻(xiàn)張宏林，《Visual C++數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐》，人民郵電出版社，2003。)輪廓長寬度f2=(μ20-μ02μ20+μ02+1)/2]]>輪廓拉長度f3=λ1-λ2λ1+λ2]]>λ1=(μ20+μ02)+(μ20-μ02)2+4μ2112]]>λ2=(μ20+μ02)-(μ20-μ02)2+4μ2112]]>輪廓伸展度f4=(μ20+μ02)/m00size]]>m00=Σx=0M-1Σy=0N-1Ec(x,y),size=M*N]]>三階矩分解為正和為負(fù)兩部分，μpq＝μ+pq+μ-pq(p+q＝3)，通過三階矩提取的特征如下水平偏移度f5=(μ+30-μ-30μ+30+μ-30+1)/2]]>垂直偏移度f6=(μ+03-μ-03μ+03+μ-03+1)/2]]>
水平伸展均衡度f7=(μ+21-μ-21μ+21+μ-21+1)/2]]>垂直伸展均衡度f8=(μ+12-μ-12μ+12+μ-12+1)/2]]>(2)車輛目標(biāo)局部統(tǒng)計(jì)特征對(duì)于M*N大小的車輛目標(biāo)圖像，其縱向輪廓分布圖Ev(x，y)和橫向輪廓分布圖Eh(x，y)的尺寸大小同樣是M*N；首先，將Ev(x，y)和Eh(x，y)分別平均劃分為K*K個(gè)區(qū)域塊(一般K取3或4)，如圖7所示。然后，分別統(tǒng)計(jì)每個(gè)區(qū)域塊中邊緣輪廓點(diǎn)所占輪廓點(diǎn)總量的比例，并以此構(gòu)建縱向和橫向的比例值矩陣Rv和Rh；。
Rv(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Ev(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Ev(x,y)i,j={0,1...K-1}NxMKNy=NK]]>Rh(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Eh(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Eh(x,y)i,j={0,1...K-1}Nx=MKNy=NK]]>(3)車輛目標(biāo)復(fù)合特征向量的建立及識(shí)別特征庫的建立將以上計(jì)算所得的比例值矩陣Rv和Rh中的元素按行排列起來，與(1)中所得的8個(gè)全局形狀矩特征值f1f2…f8串接起來構(gòu)成用于識(shí)別目標(biāo)的特征向量V，V＝[Rv(0，0)，Rv(0，1)...Rv(0，K-1)，Rv(1，0)...Rv(K-1，K-1)，Rh(0，0)...Rh(K-1，K-1)，f1，f2...f8]建立一個(gè)識(shí)別特征庫，用于存放車輛訓(xùn)練樣本的特征向量。首先將車型w1中N1個(gè)訓(xùn)練樣本的特征向量V存放到識(shí)別特征庫，再依次將車型w2，w3K wc中所有訓(xùn)練樣本的識(shí)別特征向量V存放到識(shí)別特征庫中。
步驟5，用雙閾值近鄰識(shí)別算法識(shí)別車輛目標(biāo)(1)車輛目標(biāo)訓(xùn)練樣本間的距離定義對(duì)于所選擇的N個(gè)車輛訓(xùn)練樣本{x1x2K xN}，每個(gè)樣本提取的識(shí)別特征都是長度為K的向量，表示為xi=[xi1xi2KxiK](i=1...N)]]>
在此定義一個(gè)振幅向量，用來表示各維特征值的變化范圍swing＝[s1s2K sK]，其中Sj=maxi(xij)-mini(xij),i={1,2KN},j={1,2KK}]]>則樣本特征向量xi和xj問的距離定義為(xi,xj)=Σk=1K|xik-xjk|Sk]]>(2)雙閾值近鄰識(shí)別方法對(duì)于識(shí)別系統(tǒng)處理的c個(gè)車輛類型w1，w2K wc，wi代表不同的車型(比如吉普、面包或者其他)。第i個(gè)車型wi有Ni個(gè)訓(xùn)練樣本{xi1，xi2K xijK xiNi}，其中，xij表示第wi類的第j個(gè)訓(xùn)練樣本，并且i＝{1，2K c}，ΣiNi=N.]]>現(xiàn)有未知待測樣本x，要將其歸入其中一類。
首先設(shè)置閾值T1和T2，且T1＜T2。其中，T1＝(0.06～0.08)*K，T2＝(0.13～0.15)*K，K為特征向量長度。
然后，計(jì)算未知待測樣本x與各訓(xùn)練樣本類間的最短距離d(x,wi)=minj(d(x,xij)),j=1,2KNi,i=1,2Λc]]>如果d(x,wl)=mini(d(x,wi))]]>且d(x，wl)＜T1，則判決x∈wl；否則，統(tǒng)計(jì)各類中與未知待測樣本x的距離在T1和T2之間的樣本數(shù) 滿足條件的樣本總數(shù)Num=Σi=1cNumi,]]>并設(shè)置比例λ＝(0.6～0.7)。
如果Numl=maxi(Numi)]]>且Numl>Num*λ，則判決x∈wl；否則拒絕識(shí)別。
步驟6，雙閾值近鄰法的快速算法設(shè)有N個(gè)車輛訓(xùn)練樣本X＝{x1x2K xN)，每個(gè)樣本的特征向量xi=[xi1xi2KxiK].]]>(1)初始劃分子類1>計(jì)算訓(xùn)練樣本特征向量的均值向量mean＝[mean1mean2K meanK]，meank=1NΣi=1Nxik,k=1,2...K.]]>
2>計(jì)算用來表示各維特征向量值的變化范圍的振幅向量s＝[s1s2K sK]，其中Sj=maxi(xij)-mini(xij),i={1,2KN},j={1,2KK}.]]>3>計(jì)算各訓(xùn)練樣本特征向量與均值之間的距離，d(xi,mean)=Σk=1K|xik-meank|/sk,i={1,2KN}]]>4>先將所有訓(xùn)練樣本作為一個(gè)類W，子類數(shù)量Nw＝1。遍歷所有的訓(xùn)練樣本，找出與均值距離最近的樣本xnear和最遠(yuǎn)的樣本xfar，將它們作為新的子類W1和W2代表點(diǎn)。
遍歷其他訓(xùn)練樣本，根據(jù)與代表點(diǎn)的距離將樣本歸入子類W1或W2。即，如果d(xi，xnear)＜d(xi，xfar)，則將樣本xi歸入子類W1；否則，將樣本xi歸入子類W2。
5>找出當(dāng)前已有分類中樣本最多的子類Wk，其樣本數(shù)為Nk。計(jì)算該子類的均值，meank=1NkΣi=1Nkxj,xj∈Wk]]>遍歷Wk中所有樣本，找出與均值meank距離最近的樣本xnear和距離最遠(yuǎn)的樣本xfar。子類數(shù)量增1，Nw＝Nw+1，并新增子類WNw和Wk′。將xnear作為子類Wk′的代表點(diǎn)，xfar，作為子類WNw的代表點(diǎn)。重新遍歷Wk中的樣本，根據(jù)它們與代表點(diǎn)xnear和xfar間的距離進(jìn)行歸類。
如果J(xj，xnear)＜d(xj，xfar)，則將樣本xj歸入子類Wk′；否則，將樣本xj歸入子類WNk+1。
遍歷完成后，用Wk′賦值Wk，Wk＝Wk′，并刪去子類Wk′。
6>如果當(dāng)前分類數(shù)Nw已經(jīng)達(dá)到預(yù)先指定的大小R(R可取值為接近 的整數(shù))，則停止分類，否則返回步驟5>。
初始分類的過程如圖8所示。
(2)調(diào)整子類劃分1>經(jīng)過步驟(1)，訓(xùn)練樣本被初始劃分為R個(gè)子類W1W2…WR。分別統(tǒng)計(jì)各子類中的訓(xùn)練樣本個(gè)數(shù)，記為N1N2…NR。
2>計(jì)算各子類Wi(i＝1，2...R)的特征向量均值meani=1NiΣj=1Nixij,i={1,2KR}]]>用meani表示前一次向量均值，用meani′表示當(dāng)前向量均值。
3>以計(jì)算所得的均值特征向量作為各子類的代表點(diǎn)，用最近鄰法重新調(diào)整子類。遍歷所有樣本點(diǎn)xj，j＝{1，2K N}如果d(xj,meanl)=mini(d(xj,meani)),]]>則將xj歸入W1。
4>重新統(tǒng)計(jì)各子類中的訓(xùn)練樣本個(gè)數(shù)，記為N1′N2′…NR′。再次計(jì)算各個(gè)新分類的特征向量均值，meani=meani′,meani′=1Ni′Σj=1N′ixij,i={1,2KR}]]>如果Σi=1R|meani-meani′|>0,]]>則返回步驟2>，否則結(jié)束循環(huán)。
子類劃分調(diào)整后的結(jié)果如圖9所示。
(3)建立二叉搜索樹1>將(2)中生成的子類Wi(i＝1，2...R)定義為一個(gè)節(jié)點(diǎn)Si(i＝1，2...R)，節(jié)點(diǎn)集S＝{S1，S2K SR}。
2>計(jì)算兩兩分類間的距離，d(Si,Sj)=Σk=1K|meanik-meanjk|sk,]]>i≠j，i(j)＝{1，2K R}3>按照哈夫曼編碼的原理，找出距離最近的兩個(gè)子類Sm和Sn，使得d(Sm,Sn)=mini,jd(Si,Sj),]]>i≠j，i(j)＝{1，2K R}以Sm和Sn為左右子節(jié)點(diǎn)，生成一個(gè)新節(jié)點(diǎn)Smn，其特征向量定義為Sm和Sn的均值特征向量的均值meanmn=meanm+meann2.]]>從節(jié)點(diǎn)集S中刪去Sm和Sn，將Smn歸入節(jié)點(diǎn)集S。
4>如果S中不止一個(gè)節(jié)點(diǎn)，則計(jì)算節(jié)點(diǎn)Smn與其他節(jié)點(diǎn)間的距離，返回到3>。否則，二叉搜索樹建立完畢，結(jié)束循環(huán)。
構(gòu)建的二叉搜索樹形如圖10所示。
(4)在識(shí)別過程中，從樹根節(jié)點(diǎn)開始遍歷二叉搜索樹。原則是，比較未知待測樣本x的特征向量與當(dāng)前節(jié)點(diǎn)的左右子節(jié)點(diǎn)的特征向量間的距離，距離小則先遍歷。用前述的雙閾值近鄰法判別當(dāng)前葉子節(jié)點(diǎn)所對(duì)應(yīng)的樣本分類中的訓(xùn)練樣本，直到判別出未知樣本的類別，或者拒絕識(shí)別為止。


圖1，識(shí)別系統(tǒng)執(zhí)行步驟圖2，已分割的車輛目標(biāo)例3，車輛目標(biāo)圖像中的區(qū)域劃分1表示車輛目標(biāo)的真實(shí)區(qū)域2表示車輛目標(biāo)外維區(qū)域3表示背景區(qū)域圖4，均值填充后的車輛目標(biāo)圖像圖5，車輛目標(biāo)的邊緣提取結(jié)果圖6，車輛目標(biāo)輪廓的橫向分布和縱向分布7，用于局部特征統(tǒng)計(jì)的區(qū)域塊劃分圖8，雙閾值近鄰法的快速算法中子類初始劃分過程圖9，雙閾值近鄰法的快速算法中調(diào)整分類過程圖10，二叉搜索樹示意11，部分模板樣本12模板樣本的邊緣輪廓信息圖13模板樣本邊緣輪廓的橫向分布14模板樣本邊緣輪廓的縱向分布15待測車輛目標(biāo)記取輪廓信息分析圖16二叉搜索樹圖17待測目標(biāo)樣本
具體實(shí)施例方式本實(shí)施例針對(duì)吉普、面包、皮卡、羚羊四種車型的視頻序列進(jìn)行了實(shí)驗(yàn)。
步驟1，車輛目標(biāo)的分割及訓(xùn)練樣本的選擇視頻序列中運(yùn)動(dòng)車輛目標(biāo)的提取通過說明書步驟一中提到的三幀法或時(shí)空法實(shí)現(xiàn)。為了實(shí)現(xiàn)有效的識(shí)別，模板庫中車輛樣本應(yīng)該包括視頻中車輛目標(biāo)出現(xiàn)的所有角度和姿態(tài)信息。實(shí)驗(yàn)中分別對(duì)吉普、面包、皮卡、羚羊四種車型進(jìn)行了模板樣本的挑選，根據(jù)所用實(shí)驗(yàn)數(shù)據(jù)的情況，所選擇的模板樣本數(shù)分別為吉普(50)、面包(50)、皮卡(54)、羚羊(50)。模板樣本的抽樣顯示如圖11。
步驟2，車輛目標(biāo)的輪廓提取根據(jù)說明書中步驟二來提取車輛目標(biāo)的邊緣輪廓。圖12給出了圖11中模板樣本圖像的對(duì)應(yīng)輪廓圖像。
步驟3，計(jì)算縱向和橫向的輪廓分布根據(jù)說明書中步驟三來取得邊緣輪廓的橫向和縱向分布，如圖13，圖14所示。
步驟4，識(shí)別特征的提取提取出樣本的邊緣輪廓信息之后，再根據(jù)說明書中步驟四(識(shí)別特征的提取)即可計(jì)算各模板樣本的特征向量(一共提取了26個(gè)特征)。表1給出了圖11中吉普車型代表樣本的特征值。
表1圖11中吉普車型代表樣本的特征值

將選取的模板樣本分別標(biāo)號(hào)為1～50(吉普類W1)、51～100(面包類W2)、101～154(皮卡類W3)、155～204(羚羊類W4)。將它們的特征向量按標(biāo)號(hào)順序存放在特征庫中。
步驟5，用雙閾值近鄰識(shí)別算法識(shí)別車輛目標(biāo)1)樣本間的距離定義樣本提取的識(shí)別特征都是26維向量，定義為x＝[x1x2K x26]。根據(jù)模板樣本庫中所有特征值計(jì)算各特征的變化范圍，定義為一個(gè)振幅向量swing。
swing＝[1.2274 0.6400 0.6821 0.0859 0.3184 0.2449 0.34620.2487 0.2396 0.2486 0.1720 0.2290 0.2117 0.2077 0.21960.3220 0.2197 0.4566 0.3612 0.4232 0.4212 0.5239 0.41190.3438 0.2680 0.3572]則樣本特征向量x和y間的距離定義為d(x,y)=Σk=126|xk-yk|swing[k].]]>2)閾值的確定通過多次實(shí)驗(yàn)，得出各閾值的合理設(shè)置為T1＝0.08*26，T2＝0.135*26N0＝3， λ＝0.63)待測樣本的識(shí)別現(xiàn)有從視頻序列中新提取的車輛樣本，其原圖像及輪廓分析過程如圖15所示。
該待測樣本的特征向量為x＝
。
待測樣本特征向量x與模板樣本特征向量yi(i＝1～204)間的距離如下5.80406.44566.39827.26457.84145.77225.77286.11085.34566.83995.74975.07716.40226.89246.82256.68546.33506.62245.70255.44296.20626.66876.09156.55035.76445.11225.15715.74276.44285.26125.09545.95735.54825.88976.22096.21476.11516.30855.88575.95565.08354.51765.41135.21075.37925.10045.83485.51295.80504.81205.24445.31335.37164.38875.58324.83304.17095.15173.27743.90534.44804.21514.93605.56834.50835.89956.72116.54416.28246.56706.10596.65095.31013.48672.70963.40502.56732.13243.13893.53343.16023.74104.05194.16033.80093.64753.47803.98824.09803.33522.74932.85743.52044.03284.82416.80127.70067.88176.51167.63125.53775.89586.08695.97265.71916.98496.23046.96176.60946.28295.45266.49886.37766.09445.25256.98246.41146.44806.36236.77576.75726.48605.81895.54934.77895.0411 6.32824.68234.41685.20165.79124.91324.96264.89264.96465.12445.60395.73895.78155.53005.33985.43805.20255.14155.28014.17403.89213.18485.13574.72485.86175.97556.51875.80047.38647.95647.27567.74297.04817.10326.94887.12966.60925.82906.13164.96626.44675.04195.54375.99885.62236.05985.89725.70015.21706.74816.06374.92375.19034.87365.08974.58935.46005.69686.43205.83415.64065.92036.58406.71196.45336.11756.63787.57235.80005.02244.39185.16796.22305.27045.81075.39225.04505.9099通過比較，可查找出第78個(gè)模板樣本與待測樣本x距離最近。其中y78∈W2(面包類)，距離d(x，y78)＝2.132。根據(jù)說明書中雙閾值近鄰識(shí)別方法的步驟，引入閾值進(jìn)行判別。
因?yàn)閐(x，y78)＞T1，則不能通過第一步判別待測樣本。
統(tǒng)計(jì)各類中與未知樣本x的距離在T1和T2之間的樣本數(shù)Numi。結(jié)果如表2所示表2各類樣本統(tǒng)計(jì)表

通過計(jì)算，滿足條件的樣本總數(shù)Num=Σi=1cNumi=13.]]>Num2＝max(Numi)，且Num2＞Num*λ，所以判決x∈W2(面包類)。
步驟6，雙閾值近鄰法的快速算法在步驟5中我們可以看到，雖然能得到正確的識(shí)別結(jié)果，但是待測樣本與模板庫中每個(gè)樣本都進(jìn)行了比較，計(jì)算量很大，不適于數(shù)據(jù)量更大的識(shí)別問題。由此引入了快速算法。
1)模板樣本的子類劃分根據(jù)說明書中6(1)初始分類和6(2)調(diào)整分類兩個(gè)步驟，分別對(duì)4種車型進(jìn)行子類劃分。在此，我們將各個(gè)車型的模板樣本劃分為8個(gè)子類。結(jié)果如下吉普類(W1)

面包類(W2)

皮卡類(W3)


羚羊類(W4)

2)二叉搜索樹的建立根據(jù)1)計(jì)算的結(jié)果，4種車型的模板樣本分別被劃分為8個(gè)子類，一共有32個(gè)子類。將子類W11，W12...W18...W48依次標(biāo)記為32個(gè)節(jié)點(diǎn)1，2...32。再按說明書中步驟七(3)的過程，逐步生成二叉搜索樹中的節(jié)點(diǎn)33，34，35...。搜索樹的建立結(jié)果如圖16。其中，灰色的單元代表步驟1)劃分得到的樣本子類，白色的單元代表搜索樹建立過程中的中間節(jié)點(diǎn)。
4)帶入待測樣本進(jìn)行識(shí)別圖17給出了幾個(gè)待測目標(biāo)樣本的圖像，表3給出了對(duì)各個(gè)待測樣本進(jìn)行識(shí)別時(shí)的搜索路徑和與模板庫樣本進(jìn)行比較的次數(shù)。
表3圖17中待測樣本的識(shí)別過程及結(jié)果

4.識(shí)別結(jié)果在實(shí)驗(yàn)中，我們對(duì)4種車輛(吉普、面包、皮卡、羚羊)的數(shù)據(jù)源進(jìn)行了測試。利用上述步驟建立的模板庫和識(shí)別方法，對(duì)每種車輛類型隨機(jī)選取了大約100個(gè)目標(biāo)圖像進(jìn)行實(shí)驗(yàn)，結(jié)果如表4所示。
表4識(shí)別結(jié)果

權(quán)利要求
1.一種基于輪廓的車輛目標(biāo)識(shí)別算法，其特征包括如下執(zhí)行步驟假定所識(shí)別的車輛類型有c種，每種類型分別標(biāo)記為w1，w2K wc(wi可以是如吉普、面包或者其他任何一種車型)；步驟1，車輛目標(biāo)的分割及訓(xùn)練樣本的選擇首先，通過三幀法或時(shí)空法對(duì)視頻序列進(jìn)行處理，從視頻序列中分割出每幀的車輛目標(biāo)圖像，表示為F，圖像F中的象素表示為F(x，y)(0＜x＜M，0＜y＜N)，其中M是F的寬度，N是F的高度；其次，從分割出的車輛目標(biāo)圖像中為每種車型選擇訓(xùn)練樣本圖像，選擇的原則是作為訓(xùn)練樣本的目標(biāo)圖像應(yīng)該包括視頻中車輛目標(biāo)出現(xiàn)的所有角度和姿態(tài)信息；設(shè)為車型wi選擇了Ni個(gè)訓(xùn)練樣本{xi1，xi2K xijK xiNi}，其中，xij表示車型wi中的第j個(gè)訓(xùn)練樣本，并且i＝{1，2K c}，則一共選擇了N個(gè)訓(xùn)練樣本，N=ΣiNi;]]>步驟2，車輛目標(biāo)的輪廓提取首先，在步驟1分割得到的車輛目標(biāo)圖像F中，將運(yùn)動(dòng)目標(biāo)區(qū)域的象素均值賦予黑色背景區(qū)域3中的每一個(gè)象素，得到均值填充后的車輛目標(biāo)圖像F，步驟如下運(yùn)動(dòng)目標(biāo)區(qū)域的象素灰度均值graymean＝mean(F(x，y))，象素(x，y)∈(AB)；然后用灰度均值graymean替換F中黑色背景區(qū)域3中象素點(diǎn)的灰度值F(x，y)＝meangray，象素(x，y)∈C；得到均值填充后的車輛目標(biāo)圖像F，其象素表示為F(x，y)(0＜x＜M，0＜y＜N)，如圖4所示；其次，用Canny算子對(duì)均值填充后的車輛目標(biāo)圖像F中每個(gè)訓(xùn)練樣本進(jìn)行邊緣檢測將Canny算子邊緣檢測的過程表達(dá)為函數(shù)canny()，則車輛目標(biāo)圖像F每個(gè)訓(xùn)練樣本經(jīng)邊緣檢測得到的整體輪廓結(jié)果為Ec＝canny(F)，其寬度為M，高度為N，其中的象素表示Ec(x，y)(0＜x＜M，0＜y＜N)；步驟3，計(jì)算縱向和橫向的輪廓分布用Sobel算子中垂直邊緣檢測模板的Sx和水平邊緣檢測模板的Sy將車輛目標(biāo)的整體輪廓結(jié)果Ec(x，y)分解為縱向和橫向的輪廓分布；用Sobel算子的垂直邊緣檢測模板Sx與Ec卷積，得到車輛輪廓的縱向分布值Ev＝|Ec*Sx|；用水平邊緣檢測模板Sy與Ec卷積，得到車輛輪廓的橫向分布值Eh＝|Ec*Sy|；步驟4，車輛目標(biāo)識(shí)別特征的提取(1)車輛目標(biāo)全局形狀矩特征的提取根據(jù)步驟2得到的車輛目標(biāo)每個(gè)訓(xùn)練樣本整體輪廓圖像Ec(x，y)(0＜x＜M，0＜y＜N)，首先求出車輛目標(biāo)每個(gè)訓(xùn)練樣本的整體輪廓圖像Ec(x，y)的長寬比特征fi＝M/N；車輛目標(biāo)每個(gè)訓(xùn)練樣本整體輪廓圖像Ec(x，y)的p+q階矩定義為μpq=Σx=0M-1Σy=0N-1(x-x‾)p(y-y‾)qEc(x,y)]]>x-=Σx=0M-1Σy=0N-1xEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y),y-=Σx=0M-1Σy=0N-1yEc(x,y)Σx=0M-1Σy=0N-1Ec(x,y)]]>其中，μ20為圖像在水平方向上的伸展度，μ02為圖像在垂直方向上的伸展度；μ11為圖像的傾斜度；μ30為圖像在水平方向上的重心偏移度，μ03為圖像在垂直方向上的重心偏移度；μ21為圖像水平伸展的均衡程度，μ12為圖像垂直伸展的均衡程度；由以上二階矩(p+q＝2)或三階矩(p+q＝3)，得到全局輪廓圖像的各種形狀矩特征輪廓長寬度f2=(μ20-μ02μ20+μ02+1)/2]]>輪廓拉長度f3=λ1-λ2λ1+λ2]]>λ1=(μ20+μ02)+(μ20-μ02)2+4μ2112]]>λ2=(μ20+μ02)-(μ20-μ02)2+4μ2112]]>輪廓伸展度f4=(μ20+μ02)/m00size]]>m00=Σx=0M-1Σy=0N-1Ec(x,y),size=M*N]]>三階矩分解為正和為負(fù)兩部分，μpq＝μ+pq+μ-pq(p+q＝3)，通過三階矩提取的特征如下水平偏移度f5=(μ+30-μ-30μ+30+μ-30+1)/2]]>垂直偏移度f6=(μ+03-μ-03μ+03+μ-03+1)/2]]>水平伸展均衡度f7=(μ+21-μ-21μ+21+μ-21+1)/2]]>垂直伸展均衡度f8=(μ+12-μ-12μ+12+μ-12+1)/2]]>(2)車輛目標(biāo)局部統(tǒng)計(jì)特征對(duì)于M*N大小的車輛目標(biāo)圖像，其縱向輪廓分布圖Ev(x，y)和橫向輪廓分布圖Eh(x，y)的尺寸大小同樣是M*N；首先，將Ev(x，y)和Eh(x，y)分別平均劃分為K*K個(gè)區(qū)域塊(一般K取3或4)，然后，分別統(tǒng)計(jì)每個(gè)區(qū)域塊中邊緣輪廓點(diǎn)所占輪廓點(diǎn)總量的比例，并以此構(gòu)建縱向和橫向的比例值矩陣Rv和Rh；Rv(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Ev(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Ev(x,y)i,j={0,1...K-1}Nx=MKNy=NK]]>Rh(i,j)=Σx=i*Nx(i+1)Nx-1Σy=j*Ny(j+1)Ny-1Eh(x,y)Σx=0N*Nx-1Σy=0N*Ny-1Eh(x,y)i,j={0,1...K-1}Nx=MKNy=NK]]>(3)車輛目標(biāo)復(fù)合特征向量的建立及識(shí)別特征庫的建立將以上計(jì)算所得的比例值矩陣Rv和Rh中的元素按行排列起來，與(1)中所得的8個(gè)全局形狀矩特征值f1f2…f8串接起來構(gòu)成用于識(shí)別目標(biāo)的特征向量 V，V＝[Rv(0，0)，Rv(0，1)...Rv(0，K-1)，Rv(1，0)...Rv(K-1，K-1)，Rh(0，0)...Rh(K-1，K-1)，f1，f2...f8]建立一個(gè)識(shí)別特征庫，用于存放車輛訓(xùn)練樣本的特征向量；首先將車型w1中N1個(gè)訓(xùn)練樣本的特征向量V存放到識(shí)別特征庫，再依次將車型w2，w3K wc中所有訓(xùn)練樣本的識(shí)別特征向量V存放到識(shí)別特征庫中；步驟5，用雙閾值近鄰識(shí)別算法識(shí)別車輛目標(biāo)(1)車輛目標(biāo)訓(xùn)練樣本間的距離定義對(duì)于所選擇的N個(gè)車輛訓(xùn)練樣本{x1x2K xN}，每個(gè)樣本提取的識(shí)別特征都是長度為K的向量，表示為xi=xi1xi2KxiK(i=1...N)]]>在此定義一個(gè)振幅向量，用來表示各維特征值的變化范圍swing＝[s1s2K sK]，其中sj=maxi(xij)-mini(xij)]]>，i＝{1，2K N)，j＝{1，2K K}則樣本特征向量xi和xj間的距離定義為d(xi,xj)=Σk=1K|xik-xjk|sk]]>(2)雙閾值近鄰識(shí)別方法對(duì)于識(shí)別系統(tǒng)處理的c個(gè)車輛類型w1，w2K wc，wi代表不同的車型(比如吉普、面包或者其他)；第i個(gè)車型wi有Ni個(gè)訓(xùn)練樣本{xi1，xi2KxijKxiNi}，其中，xij表示第wi類的第j個(gè)訓(xùn)練樣本，并且i＝{1，2K c}，ΣiNi=N]]>；現(xiàn)有未知待測樣本x，要將其歸入其中一類；首先設(shè)置閾值T1和T2，且T1＜T2；其中，T1＝(0.06～0.08)*K，T2＝(0.13～0.15)*K，K為特征向量長度；然后，計(jì)算未知待測樣本x與各訓(xùn)練樣本類間的最短距離d(x,wi)=minj(d(x,xij)),j=1,2KNi,i=1,2Λc]]>如果d(x,wl)=mini(d(x,wi))]]>且d(x，wl)＜T1，則判決x∈wl；否則，統(tǒng)計(jì)各類中與未知待測樣本x的距離在T1和T2之間的樣本數(shù) 滿足條件的樣本總數(shù)Num=Σi=1cNumi]]>，并設(shè)置比例λ＝(0.6～0.7)；如果Numl=maxi(Numi)]]>且Numl＞Num*λ，則判決x∈wl；否則拒絕識(shí)別；步驟6，雙閾值近鄰法的快速算法設(shè)有N個(gè)車輛訓(xùn)練樣本X＝{x1x2K xN}，每個(gè)樣本的特征向量xi=xi1xi2KxiK;]]>(1)初始劃分子類1>計(jì)算訓(xùn)練樣本特征向量的均值向量mean＝[mean1mean2K meanK]，meank=1NΣi=1Nxik,k=1,2...K;]]>2>計(jì)算用來表示各維特征向量值的變化范圍的振幅向量s＝[s1s2K sK]，其中Sj=maxi(xij)-mini(xij),]]>i＝{1，2K N}，j＝{1，2KK}；3>計(jì)算各訓(xùn)練樣本特征向量與均值之間的距離d(xi,mean)=Σk=1K|xik-meank|/Sk,i={1,2KN}]]>4>先將所有訓(xùn)練樣本作為一個(gè)類W，子類數(shù)量Nw＝1；遍歷所有的訓(xùn)練樣本，找出與均值距離最近的樣本xnear和最遠(yuǎn)的樣本xfar，將它們作為新的子類W1和W2代表點(diǎn)；遍歷其他訓(xùn)練樣本，根據(jù)與代表點(diǎn)的距離將樣本歸入子類W1或W2；即，如果d(xi，xnear)＜d(xi，xfar)，則將樣本xi歸入子類W1；否則，將樣本xi歸入子類W2；5>找出當(dāng)前已有分類中樣本最多的子類Wk，其樣本數(shù)為Nk；計(jì)算該子類的均值，meank=1NkΣi=1Nkxj,xj∈Wk]]>遍歷Wk中所有樣本，找出與均值meank距離最近的樣本xnear和距離最遠(yuǎn)的樣本xfar；子類數(shù)量增1，Nw＝Nw+1，并新增子類WNw和Wk′；將xnear作為子類Wk′的代表點(diǎn)，xfar作為子類WNw的代表點(diǎn)；重新遍歷Wk中的樣本，根據(jù)它們與代表點(diǎn)xnear和xfar間的距離進(jìn)行歸類；如果d(xj，xnear)＜d(xj，xfar)，則將樣本xj歸入子類W′k；否則，將樣本xj歸入子類WNk+1；遍歷完成后，用Wk′賦值Wk，Wk=Wk′,]]>并刪去子類Wk′；6>如果當(dāng)前分類數(shù)Nw已經(jīng)達(dá)到預(yù)先指定的大小R(R可取值為接近 的整數(shù))，則停止分類，否則返回步驟5>；(2)調(diào)整子類劃分1>經(jīng)過步驟(1)，訓(xùn)練樣本被初始劃分為R個(gè)子類W1W2…WR；分別統(tǒng)計(jì)各子類中的訓(xùn)練樣本個(gè)數(shù)，記為N1N2…NR；2>計(jì)算各子類Wi(i＝1，2…R)的特征向量均值meani=1NiΣj=1Nixij,i={1,2KR}]]>用meani表示前一次向量均值，用meani′表示當(dāng)前向量均值；3>以計(jì)算所得的均值特征向量作為各子類的代表點(diǎn)，用最近鄰法重新調(diào)整子類；遍歷所有樣本點(diǎn)xj，j＝{1，2KN}如果d(xj,meanl)=mini(d(xj,meani)),]]>則將xj歸入Wl；4>重新統(tǒng)計(jì)各子類中的訓(xùn)練樣本個(gè)數(shù)，記為N1′N2′…NR′；再次計(jì)算各個(gè)新分類的特征向量均值，meani=meani′,meani′=1Ni′Σj=1N′ixij,i={1,2KR}]]>如果Σi=1R|meani-meani′|>0,]]>則返回步驟2>，否則結(jié)束循環(huán)；(3)建立二叉搜索樹1>將(2)中生成的子類Wi(i＝1，2…R)定義為一個(gè)節(jié)點(diǎn)Si(i＝1，2…R)，節(jié)點(diǎn)集S＝{S1，S2K SR}；2>計(jì)算兩兩分類間的距離，d(Si,Sj)=Σk=1K|meanik-meanjk|Sk,]]>i≠j，i(j)＝{1，2KR}3>按照哈夫曼編碼的原理，找出距離最近的兩個(gè)子類Sm和Sn，使得d(Sm,Sn)=mini,jd(Si,Sj),]]>i≠j，i(j)＝{1，2KR}以Sm和Sn為左右子節(jié)點(diǎn)，生成一個(gè)新節(jié)點(diǎn)Smn，其特征向量定義為Sm和Sn的均值特征向量的均值meanmn=meanm+meann2;]]>從節(jié)點(diǎn)集S中刪去Sm和Sn，將Smn歸入節(jié)點(diǎn)集S；4>如果S中不止一個(gè)節(jié)點(diǎn)，則計(jì)算節(jié)點(diǎn)Smn與其他節(jié)點(diǎn)間的距離，返回到3>；否則，二叉搜索樹建立完畢，結(jié)束循環(huán)；(4)在識(shí)別過程中，從樹根節(jié)點(diǎn)開始遍歷二叉搜索樹；原則是，比較未知待測樣本x的特征向量與當(dāng)前節(jié)點(diǎn)的左右子節(jié)點(diǎn)的特征向量間的距離，距離小則先遍歷；用前述的雙閾值近鄰法判別當(dāng)前葉子節(jié)點(diǎn)所對(duì)應(yīng)的樣本分類中的訓(xùn)練樣本，直到判別出未知樣本的類別，或者拒絕識(shí)別為止；
全文摘要
本發(fā)明公開了一種新的基于輪廓的車輛目標(biāo)識(shí)別特征提取方法，它是包含了全局形狀信息、局部統(tǒng)計(jì)信息和方向信息的復(fù)合識(shí)別特征。同時(shí)，本發(fā)明結(jié)合已有的最近鄰、K近鄰識(shí)別方法，提出一種綜合的雙閾值近鄰識(shí)別方法，并給出其快速算法。在快速識(shí)別算法中采用了C－均值動(dòng)態(tài)聚類與哈夫曼二叉樹原理相結(jié)合的方法，構(gòu)造一種優(yōu)化匹配順序的二叉搜索樹，從而大大提高了識(shí)別效率和速度。本發(fā)明可廣泛應(yīng)用于遙感圖像識(shí)別，遠(yuǎn)程監(jiān)控，智能交通管理，軍事偵察，精確制導(dǎo)等各個(gè)領(lǐng)域。
文檔編號(hào)G06K9/64GK1996346SQ200510022429
公開日2007年7月11日 申請(qǐng)日期2005年12月29日 優(yōu)先權(quán)日2005年12月29日
發(fā)明者解梅, 黃宇 申請(qǐng)人:電子科技大學(xué)