張秀林 劉 玉 安然

（1.中北大學(xué)動態(tài)測試技術(shù)重點(diǎn)實(shí)驗(yàn)室，山西太原 030051）2.中北大學(xué)信息與通信工程學(xué)院，山西太原 030051）

0 引言

車型識別的問題是典型的目標(biāo)識別問題，而目標(biāo)的特征與目標(biāo)檢測息息相關(guān)?；谀０宓姆椒?，wei等[1]構(gòu)造了參數(shù)化模型表示不同的車型，然后應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別?；诖鷶?shù)特征的方法，魏等[2]引入灰度一致因子進(jìn)行校正人臉識別中的奇異值方法應(yīng)用于車型識別。同一車輛在不同角度、不同位置時(shí)，外觀變化很大，同一類型的車輛之間，外形也不盡相同。因此，車型識別的關(guān)鍵問題是提取有良好描述和分類性能的特征。

運(yùn)動車輛車型識別問題本身的復(fù)雜性決定了，基于模板方法不但有較高的復(fù)雜度而且準(zhǔn)確地獲取運(yùn)動車輛的外部輪廓；基于代數(shù)特征的方法在提取代數(shù)特征時(shí)，需要增加較多的計(jì)算量和存儲負(fù)擔(dān)，實(shí)時(shí)性較差。T.R.Lim等[3]利用Gabor濾波器強(qiáng)大的分類鑒別能力對車輛樣本圖像抽取Gabor特征，因此，提出一種快速、實(shí)用的基于Gabor濾波器對車輛邊緣進(jìn)行非均勻樣點(diǎn)采樣提取關(guān)鍵邊緣特征的方法，避免車型識別時(shí)對車輛外部輪廓的強(qiáng)依賴性，魯棒性得到增強(qiáng)的同時(shí)降低了Gabor濾波器的計(jì)算量和存儲負(fù)擔(dān)。最后，利用模板匹配法實(shí)現(xiàn)運(yùn)動車輛車型的自動分類時(shí)不降低識別率。從而，實(shí)現(xiàn)運(yùn)動車輛車型的自動分類，達(dá)到運(yùn)動車輛車型的識別。

1 車型識別

1.1 Roberts邊緣檢測算子確定關(guān)鍵邊緣

運(yùn)動車輛車型的輪廓取向無法事先確定,選擇不具備空間方向性的和具有旋轉(zhuǎn)不變的線性微分算子用于輪廓增強(qiáng)。Roberts邊緣算子[4]采用的是對角方向相鄰的兩個(gè)像素之差，是一種利用局部差分算子尋找邊緣的算子,它由下式給出。

Roberts算子:

其中G[x, y]表示處理后( x, y)點(diǎn)的灰度值, f [x, y]表示處理前該點(diǎn)的灰度值。

該算法的算子如下:

用Roberts算子、sobel算子和Laplacian算子三種邊緣檢測算子對一幅車輛樣本灰度圖像進(jìn)行邊緣檢測，如圖1-1(a)為灰度圖像，圖1-2 (b)、（c）、（d）分別為所檢測的邊緣圖像。

圖1-1三種邊緣檢側(cè)算子Fig.1-1 three edge detection side operator

從圖像處理的實(shí)際效果來看,用Roberts算子計(jì)算速度快，邊緣定位準(zhǔn), 梯度檢測邊緣較好；Sobel 算子有一定噪聲抑制能力, 在檢測階躍邊緣時(shí)得到的邊緣寬度至少為二像素；Laplacian算子對噪聲是敏感的。

1.2 二值邊緣圖像的獲取

邊緣圖像就是圖像中各個(gè)像素的灰度級用來反映各像素符合邊緣像素要求程度。對車輛灰度圖像的邊緣圖像進(jìn)行閾值分割得到二值邊緣圖像，閾值的選取參考邊緣圖像的直方圖[5]，二值邊緣圖像為非均勻樣點(diǎn)確定打下良好的基礎(chǔ)。

車輛邊緣圖象的梯度直方圖：

其中f(x)是灰度為x的所有像素梯度之和。

其中h(i,j)為像素點(diǎn)（i,j）值根據(jù)公式（7），對每個(gè)像素點(diǎn)（i,j）進(jìn)行計(jì)算，便可得到梯度直方圖F。

一幅邊緣圖象h(i,j)取單閾值T分割后的二值圖像可定義為:

如圖1-2所示圖 (a)為原車輛的灰度圖象；(b)為經(jīng)過Roberts算子檢測后的灰度邊緣圖像；（c）為車輛邊緣圖像的直方圖；(d)為二值邊緣圖像。

圖1-2 邊緣圖像的閾值分割Fig.1-2 edge image threshold segmentation

1.3 非均勻樣點(diǎn)的確定

Gabor特征的非均勻采樣策略[6]提取車輛中明顯的邊緣特征。根據(jù)得到的二值邊緣圖像我們可以將取樣窗口分為兩類。即：M類和N類。如果取樣窗口中包含的邊緣像素點(diǎn)大于取樣窗口中像素點(diǎn)總數(shù)的50%就直接歸為M類，而對于包含邊緣像素點(diǎn)但不足50%的取樣窗口以越靠近圖像中心的像素點(diǎn)越能代表物體的類別特征的原則，將取樣窗口湊成50%的比例而歸為M類。其余的取樣窗口歸為N類。

將一幅圖像分成網(wǎng)格后均勻抽取樣點(diǎn)，然后進(jìn)行Gabor特征提取。顯然M類取樣窗口中的像素點(diǎn)都出現(xiàn)在樣本圖像中具有重要特征部位的周圍，因此在 M類取樣窗口中進(jìn)行采樣間隔5×5的 密集采樣，在N類取樣窗口中進(jìn)行采樣間隔 10×10 的稀疏采樣。大大降低了Gabor特征矢量的維數(shù)。

1.4 Gabor特征提取

我們采用的濾波器基于文獻(xiàn)[7]中構(gòu)造的ODC值核函數(shù)，定義如下:

其中，（x,y）定義了時(shí)域中的像素位置，ω0為中心頻率，θ為Gabor小波的旋轉(zhuǎn)方向，σ是高斯函數(shù)沿x和y軸的標(biāo)準(zhǔn)偏差，這里加入補(bǔ)償圖像的直流分量。

得到某一樣點(diǎn)(X，Y)的一組濾波器響應(yīng)：

其中aj和jθ分別表示Gabor特征的幅值和相位，n是樣點(diǎn)的個(gè)數(shù)。

1.5 匹配

在識別運(yùn)動車輛車型之前,在學(xué)習(xí)的基礎(chǔ)上建立起的標(biāo)準(zhǔn)車輛車型的模板庫,里面存儲著標(biāo)準(zhǔn)車輛車型的特征表,將待識別圖像的Gabor集和不同的模板圖像的Gabor集進(jìn)行比較，對于每一個(gè)模板圖像都會有一個(gè)相似值，取最高的相似值來確認(rèn)待識別車輛的類型。

相似值應(yīng)用下式進(jìn)行計(jì)算:

其中，L是待識別圖像的Gabor集，*L是模板圖像的Gabor集。

2 實(shí)驗(yàn)結(jié)果和分析

本實(shí)驗(yàn)針對3類車型做了識別實(shí)驗(yàn)，即公共汽車、貨車、轎車。每種車型10個(gè)樣本。每個(gè)待測樣本圖像和模板庫中標(biāo)準(zhǔn)車輛車型圖像大小為96×48，灰度級256。每個(gè)取樣窗口大小為6×6，則在一個(gè)樣本圖像中共有128個(gè)取樣窗口，在M類取樣窗口中采用5×5的均勻采樣間隔，在N取樣窗口中采用10×10的均勻采樣間隔。

為了驗(yàn)證本算法的有效性，我們采用了只考慮邊緣部位的方法（保留M類取樣窗口，舍棄N類窗口）進(jìn)行了對比試驗(yàn)。

表2-1 不同車型的識別率Table 2-1 different vehicle type recognition rate

從實(shí)驗(yàn)結(jié)果可知本算法在不降低識別率的前提下，大大降低 Gabor濾波器的計(jì)算量和存儲空間。識別率和魯棒性方面都要優(yōu)于傳統(tǒng)方法，而且該方法對于非邊緣部位也進(jìn)行了考慮，這樣能夠避免對于邊緣的強(qiáng)依賴性。

3 結(jié)語

本文的目的就是給出基于Gabor濾波器和邊緣特征的車型識別算法。該算法首先進(jìn)行邊緣檢測，根據(jù)關(guān)鍵邊緣進(jìn)行的非均勻采樣策略將取樣窗口分為 M和N 兩類，然后在取樣窗口中分別采用不同的取樣間隔，這樣通過Gabor的特征提取獲取了特征數(shù)目少且分類錯(cuò)誤概率小的特征向量，最后進(jìn)行匹配過程，確認(rèn)待識別車輛的車型。此算法避免車型識別時(shí)對車輛外部輪廓的強(qiáng)依賴性，魯棒性得到增強(qiáng)的同時(shí)降低了Gabor濾波器的計(jì)算量和存儲負(fù)擔(dān)，而又不降低識別率。

[1]T.Kato, Y.Ninomiya, I.Masaki.Preceding vehicle recognition based on leaning from sample images[J].IEEE Trans.on Intelligent Transportation Systems.3(4):252-260,2002.

[2]魏小鵬,于萬波,金一粟.奇異值方法用于汽車車型識別[J].中國圖象圖形學(xué)報(bào).2003,8(A)(l):47-50.Wei Xiao-peng, YU Wan-bo, JIN Yi-SU.Car Shape Recognition Based on Matrix Singular Value[J].Journal of Image and Graphics.2003,8(A)(l):47-50.

[3]T.R.Lim，A.T.Guntoro,Thiang.Car recognition using gabor filter feature extraction Circuits and Systems[J],APCCAS’02.2:451-455,2002.

[4]胡煒煒,李樹廣,吳舟舟.基于邊緣輪廓特征的實(shí)時(shí)車型分類.計(jì)算機(jī)工程[J].2007,33(13):185-187.Hu Wei-wei, LI Shug-uang, WU Zhou-zhou.Realtime Vehicle Classification Based on Edge Contour Feature[J].Computer Engineering.2007,33(13):185-187.

[5]張友兵,付勇智,楊亞會,周奎,史旅華.一種自動提取車型圖像邊緣閾值算法的仿真研究[J].湖北汽車工業(yè)學(xué)院學(xué)報(bào).2012,36(2):29-41.Zhang You-bing, Fu Yong-zhi, Yang Ya-hui, Zhou Kui, Shi Lü-hua.Simulation Study on Automatic Extraction of Auto Style Image Edges Threshold[J].Journal of Hubei Automotive Industries Institute.2012,36(2):29-41.

[6]趙英男,劉正東,楊靜宇.一種基Gabor濾波器的車型識別方法[J].計(jì)算機(jī)工程.2005,31(22):172-174.Zhao Ying-nan, LIU Zheng-dong, YANG Jing-yu.A Vehicle Classification Method Based on Gabor Features[J].Computer Engineering.2005,31(22):172-174.

[7]D.H.Liu,K.M.Lam,L Shen.Optimal sampling of Gabor features for face recognition[J].Pattem Recognition Letters.25:267·276,2004.