專利名稱：一種基于支持向量機的出租車識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及基于視頻圖像的車輛識別方法領(lǐng)域，尤其涉及一種基于支持向量機的出租車識別方法。
背景技術(shù)：
目前智能交通系統(tǒng)中對交通監(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方法無法識別車輛類型，因此基于視頻圖像的車輛檢測和識別技術(shù)成為交通監(jiān)控中的一項重要研究課題，它在計算機視覺導(dǎo)航，交通監(jiān)視領(lǐng)域有著重要的實用價值，為城市復(fù)雜交通網(wǎng)絡(luò)的智能化和科學(xué)化管理提供自動化和科學(xué)的支持。目前，基于視頻圖像的車輛識別方法主要有HAAR-LIKE矩形特征算法、邊緣檢測法以及基于梯度方向直方圖[2] (Histogram of Oriented Gradient,簡稱HOG)等方法，以下對于上述三種識別算法進(jìn)行簡要描述
一、HAAR-LIKE矩形特征算法最早的HAAR-LIKE矩形特征庫是Papageorgiou C.等提出，Viola P.等的快速人臉識別系統(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HAAR-LIKE矩形特征庫作了進(jìn)一步擴展,加入旋轉(zhuǎn)45度角的矩形特征。擴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)繞特征和對角線特征。如圖I所示。用HAAR-LIKE矩形特征來表述車輛，是因為這種特征表示的形式簡單，計算速度快，形式多樣，這些矩形特征可派生出豐富的矩形特征。二、邊緣檢測法邊緣檢測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)行靜止和運動車輛的檢測。相對于背景消減法，由于車輛的表面、形狀及顏色不同，邊緣檢測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，因為車輛要比地面反射更多的光線所以車輛仍能被檢測出來。三、基于梯度方向直方圖(Histogram of Oriented Gradient,簡稱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)行對比度歸一化(contrast-normalized),所采用的方法是先計算各直方圖在這個區(qū)間(block)中的密度，然后根據(jù)這個密度對區(qū)間中的各個細(xì)胞單元做歸一化。通過這個歸一化后，能對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)車載攝像頭實時拍行駛輛，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。而且，現(xiàn)有技術(shù)中基于視頻圖像的車輛檢測和識別技術(shù)主要集中在車牌識別和車 型粗分類(將檢測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動車是否為出租車的識別技術(shù)。

發(fā)明內(nèi)容
本發(fā)明實施例的目的是針對現(xiàn)有技術(shù)的空白，提出一種基于支持向量機的出租車識別方法，經(jīng)過嚴(yán)格的實驗證明，該出租車識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的出租車識別方法是通過以下技術(shù)方案實現(xiàn)的一種基于支持向量機的出租車識別方法，其特征在于包括如下步驟a、構(gòu)建樣本庫，包括含有出租車輛的正樣本以及含有其它機動車輛的負(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)練支持向量機分類器；C、跟蹤所輸入的視頻幀內(nèi)的待識別車輛；d、將跟蹤成功后的首個圖像幀中跟蹤窗口分別向上、下兩個方向移動y個像素點，獲得二個子窗口，以及向左、兩個方向移動X個像素點，獲得另二個子窗口 ；將所獲得的四個子窗口尺寸歸一化，將歸一化處理后的四個子窗口和跟蹤窗口輸入所述支持向量機分類器獲得五個識別結(jié)果，對這五個識別結(jié)果進(jìn)行投票統(tǒng)計，票數(shù)多者取勝，由此獲得空間域修正識別結(jié)果；所述的X、y均為正整數(shù)。在具體實施例中，該識別方法還包括時間域修正步驟由所述首個圖像幀起，對一段時間內(nèi)的連續(xù)視頻幀中采樣獲得η個關(guān)鍵幀，并分別對所述關(guān)鍵幀執(zhí)行步驟d，以獲得多個空間域修正識別結(jié)果，將基于這些關(guān)鍵幀和首個圖像幀做出的空間域修正識別結(jié)果進(jìn)行投票統(tǒng)計，票數(shù)多者取勝，由此獲得時間域修正識別結(jié)果，其中η為大于2的自然數(shù)。在具體實施例中，所述關(guān)鍵幀是以固定時間間隔在所述一段時間內(nèi)的連續(xù)視頻幀選取的。在具體實施例中，所述η為4，所述固定時間間隔取決于對任一所述關(guān)鍵幀執(zhí)行步驟e的時間。在具體實施例中，該識別方法還包括如下步驟周期性的對所述連續(xù)視頻幀執(zhí)行所述步驟d以及所述時間域修正步驟，以獲得基于同一跟蹤窗口的多個空間域修正識別結(jié)果，并在每獲得一個空間域修正識別結(jié)果之后，對于之前基于同一跟蹤窗口做出的識別結(jié)果進(jìn)行修正。在具體實施例中，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個像素點、縱向b個像素點，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。在具體實施例中，所述樣本庫中的樣本為監(jiān)控攝像機所采集的車輛圖像經(jīng)過大小歸一化處理后獲得。 在具體實施例中，所述監(jiān)控攝像機選自其內(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的出租車識別方法通過HOG算法提取圖片幀中的HOG特征，并利用此HOG特征訓(xùn)練支持向量機分類器；之后采用時間域以及空間域上的多窗口投票機制來識別車輛是否為出租車。經(jīng)過嚴(yán)格的實驗證明，該出租車識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)合附圖對其示例性實施例進(jìn)行的描述，本發(fā)明上述特征和優(yōu)點將會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)明實施例流程示意圖；圖3為本發(fā)明實施例HOG算法流程示意圖；圖4為本發(fā)明實施例多窗口投票機制的原理示意圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)說明，以便于同行業(yè)技術(shù)人員的理解相對于其它機動車來說，出租車具有以下顯著特點特點一、頂燈。出租車的頂燈為區(qū)別于其他車輛的明顯標(biāo)志。對車身的輪廓特征有明顯的改變。特點二、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，本實施例提供的一種基于支持向量機的出租車識別方法，該出租車識別方法的實現(xiàn)正是依靠出租車相對于其他車輛所具有顯著的輪廓特征。針對上述的輪廓特征，該出租車識別方法使用HOG算法提取車輛輪廓信息,并以支持向量機(Support VectorMachine、SVM)訓(xùn)練分類器，最終實現(xiàn)對出租車的識別。參見圖1，其為出租車識別方法的總體設(shè)計流程，其主要設(shè)計思路和常規(guī)的車輛識別方法相同，首先構(gòu)件出租車分類器，之后通過分類器對于出租車進(jìn)行識別，以下將對這兩個步驟進(jìn)行詳細(xì)描述一、構(gòu)建出租車分類器，由下述幾個步驟組成I. I、構(gòu)建樣本庫，包括含有出租車的正樣本以及含有其它機動車輛的負(fù)樣本。在算法一定的情況下，樣本庫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)建樣本庫應(yīng)該基于同一個地區(qū)內(nèi)的多個監(jiān)控攝像機所采集的車輛圖像(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，在實際實踐中應(yīng)根據(jù)不同區(qū)域交管部門的具體要求對于上述地區(qū)進(jìn)行選擇)。雖然采用這樣的樣本庫所訓(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)確度會相應(yīng)提高。相反的，如果采用多個地區(qū)的監(jiān)控攝像機所采集的車輛圖像，SVM分類器會具有普適性，但是其準(zhǔn)確率往往會有一定程度的下降。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。基于這樣的樣本庫，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。以下對于HOG算法以及SVM分類器進(jìn)行簡要描述HOG算法能在低清晰度的情況下較為準(zhǔn)確的對車輛的輪廓特征進(jìn)行提取。是因為HOG算法是在局部細(xì)胞單元上提取顏色梯度，對清晰度要求不高。從而降低了對儀器的要求，極大的降低了成本。針對車輛識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。從而增加了識別的魯棒性。HOG特征是一種局部區(qū)域描述符，它通過計算局部區(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。它對光照變化和小量的偏移不敏感。輸入圖像中像素點(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(x, y)處的水平方向梯度、垂直方向梯度和像素值。像素點(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的出租車識別方法，其特征在于包括如下步驟 a、構(gòu)建樣本庫，包括含有出租車輛的正樣本以及含有其它機動車輛的負(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)練支持向量機分類器； C、跟蹤所輸入的視頻幀內(nèi)的待識別車輛； d、將跟蹤成功后的首個圖像幀中跟蹤窗口分別向上、下兩個方向移動y個像素點，獲得二個子窗口，以及向左、兩個方向移動χ個像素點，獲得另二個子窗口 ；將所獲得的四個子窗口尺寸歸一化，將歸一化處理后的四個子窗口和跟蹤窗口輸入所述支持向量機分類器獲得五個識別結(jié)果，對這五個識別結(jié)果進(jìn)行投票統(tǒng)計，票數(shù)多者取勝，由此獲得空間域修正識別結(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的出租車識別方法，其特征在于該識別方法還包括時間域修正步驟由所述首個圖像幀起，對一段時間內(nèi)的連續(xù)視頻幀中采樣獲得η個關(guān)鍵幀，并分別對所述關(guān)鍵幀執(zhí)行步驟d，以獲得多個空間域修正識別結(jié)果，將基于這些關(guān)鍵幀和首個圖像幀做出的空間域修正識別結(jié)果進(jìn)行投票統(tǒng)計，票數(shù)多者取勝，由此獲得時間域修正識別結(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的出租車識別方法，其特征在于所述關(guān)鍵幀是以固定時間間隔在所述一段時間內(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的出租車識別方法，其特征在于所述η為4，所述固定時間間隔取決于對任一所述關(guān)鍵幀執(zhí)行步驟e的時間。
5.根據(jù)權(quán)利要求3所述的一種基于支持向量機的出租車識別方法，其特征在于該識別方法還包括如下步驟周期性的對所述連續(xù)視頻幀執(zhí)行所述步驟d以及所述時間域修正步驟，以獲得基于同一跟蹤窗口的多個空間域修正識別結(jié)果，并在每獲得一個空間域修正識別結(jié)果之后，對于之前基于同一跟蹤窗口做出的識別結(jié)果進(jìn)行修正。
6.根據(jù)權(quán)利要求1-5任意一項所述的一種基于支持向量機的出租車識別方法，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個像素點、縱向b個像素點，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的出租車識別方法，其特征在于所述樣本庫中的樣本為監(jiān)控攝像機所采集的車輛圖像。
8.根據(jù)權(quán)利要求7所述的一種基于支持向量機的出租車識別方法，其特征在于所述監(jiān)控攝像機選自其內(nèi)出租車具有相同規(guī)范的地區(qū)。
全文摘要
本發(fā)明涉及車輛識別方法領(lǐng)域，尤其涉及一種基于支持向量機的出租車識別方法。該方法包括如下步驟a、構(gòu)建樣本庫；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)練支持向量機分類器；c、跟蹤所輸入的視頻幀內(nèi)的待識別車輛；d、將跟蹤成功后的首個圖像幀中跟蹤窗口分別向上、下、左、四個方向移動若干像素點，獲得四個子窗口；將歸一化處理后的四個子窗口和跟蹤窗口輸入所述支持向量機分類器獲得五個識別結(jié)果，由此獲得空間域修正識別結(jié)果。其優(yōu)點是采用時間域以及空間域上的多窗口投票機制來識別車輛是否為出租車。經(jīng)過嚴(yán)格的實驗證明，該出租車識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G06K9/62GK102902983SQ20121035643
公開日2013年1月30日 申請日期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 申請人:博康智能網(wǎng)絡(luò)科技股份有限公司