張秀林，王浩全，劉 玉，安 然

(中北大學(xué)a.動態(tài)測試技術(shù)重點實驗室;b.信息與通信工程學(xué)院，山西 太原 030051)

責(zé)任編輯:任健男

Gabor小波［1］具有變焦能力及多分辨率特性，廣泛應(yīng)用于內(nèi)容圖像檢索、模式識別和計算機視覺等領(lǐng)域。紋理特征的有效提取成為對紋理進行分割、檢索和分類的關(guān)鍵。運動車輛的識別是智能交通系統(tǒng)(ITS)中的重要組成部分，通過減背景技術(shù)、顏色塊、局部灰度極值點［2］，可以得到區(qū)分運動車輛與背景的256級灰度圖像。利用特征值加權(quán)的Gabor小波紋理特征的提取方法，從運動車輛圖像的顯著方向和尺度下獲得紋理信息，根據(jù)這些信息構(gòu)造紋理特征向量，然后利用BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和仿真，實現(xiàn)運動車輛紋理圖像的自動分類，達到運動圖像的識別。實驗證明，該方法一方面能使圖像紋理特征向量的維數(shù)減少，另一方面保持了系統(tǒng)的檢索性能。

1 運動車輛紋理圖像的特征提取

1.1 Gabor濾波器的設(shè)計

Gabor函數(shù)既能兼顧信號在頻域和時域中的分辨能力，又能很好地實現(xiàn)時頻測不準(zhǔn)關(guān)系下界［3－4］，同時Gabor濾波器是帶通的，與人類視覺接收模型相吻合［5］。對 Gabor函數(shù)［6］，公式為

進行適當(dāng)?shù)某叨群托D(zhuǎn)變換，公式為

式中:x′=a－m(xcosθ+ysinθ)，y′=(－ xsinθ+ycosθ)，a－m為尺度因子，m=0，1，…，L －1，L為多分辨率多分解的尺度數(shù)目;θ=，M表示總的方向數(shù)目。方向和尺度都不同的濾波器族，可以通過改變m和n的值來獲得，代入一組特定的參數(shù)集合(m，n，σx，σy)將獲得一個離散的Gabor濾波器Hmn(x，y)。

1.2 卷積值的加權(quán)處理

設(shè)經(jīng)過紋理分割后的樣本紋理圖像I(x，y)中抽取樣點(X，Y)，則該點的卷積值為

式中:w為濾波器的窗口大小，Gabor濾波器覆蓋的地方稱為卷積子窗口，盡量對整幅圖像均勻覆蓋不能間隔太小。圖1中25個窗口每個窗口包含4個卷積抽取子窗口，把25個窗口化為互相重疊的16個卷積加權(quán)組。{w1，…，w8，w21，…，w28}∈ W1，以此類推{w73，…，w80，w93，…，w100}∈W16。

圖1 卷積加權(quán)組示意圖

式中N=16 代表Wl中包含卷積抽取子窗口的個數(shù)。對于W1，當(dāng)Gabor濾波器為i是依次提取的卷積值為{Fi1，…，F(xiàn)i8，F(xiàn)i21，…，F(xiàn)i28}，得到加權(quán)后的卷積值［7］為

式中:i代表第 i個 Gabor濾波器(i=1，2，…，10)，j代表第j個特征抽取子窗口(j=1，2，…，100)。在樣本圖像中均勻抽取100個樣點，分成100個大小為10×10的特征抽取子窗口，對每個特征抽取子窗口，取其中心點為樣點。這樣，對于每個樣點來說，分別有10個不同的Gabor濾波器響應(yīng)進行特征抽取，將得到大小為1 000×1維的特征矢量，具有較高的維數(shù)。

雖然能量信息可以有效地表示紋理特征，但很容易產(chǎn)生分類誤差。所以，紋理特征將用均值和方差代替［8］，這不但降低了維數(shù)，而且降低了分類誤差。

卷積加權(quán)后的均值和方差為式中:T=1 000。當(dāng)m=4，n=6，則紋理圖像的特征向量表示為

2 三層BP神經(jīng)網(wǎng)絡(luò)紋理分類器的構(gòu)建

線性分類模型并不適合用于區(qū)分復(fù)雜的紋理圖像中種類不同的紋理圖像。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，采用反向傳播的算法，它不僅能夠?qū)θ我獾姆蔷€性映射關(guān)系進行逼近，而且有很好的泛化能力［9］，選擇一個可以用于任意分類問題的三層BP神經(jīng)網(wǎng)絡(luò)［10］的過程來識別運動的車輛。

圖2 三層前饋網(wǎng)絡(luò)

三層BP神經(jīng)網(wǎng)絡(luò)的第一層神經(jīng)元從外部接收輸入為

第一層輸出為

第二層輸出為

第三層輸出為

式中:s1，s2，s3為敏感性，得到上述三層BP神經(jīng)網(wǎng)絡(luò)分類器后，首先得到大量的樣本圖像特征值構(gòu)成的矩陣，然后將樣本的特征值作為輸入使BP神經(jīng)網(wǎng)絡(luò)自行學(xué)習(xí)，最后用學(xué)習(xí)結(jié)果對測試樣本進行自動分類，流程圖如圖3所示。

圖3 紋理分類系統(tǒng)流程

3 實驗結(jié)果和分析

實驗采用的紋理圖像庫由紋理分割后的90幅320×240不同的車輛紋理圖像組成，其中小型車輛紋理圖像30幅(清晨10幅、中午10幅、傍晚10幅)，中型車輛紋理圖像30幅(清晨10幅、中午10幅、傍晚10幅)，大型車輛紋理圖像30幅(清晨10幅、中午10幅、傍晚10幅)。針對圖像庫中的每幅圖像分別采用Gabor小波卷積值加權(quán)后提取不同尺度、不同方向的均值和方差作為紋理特征構(gòu)成特征向量，并把這些特征向量存入特征庫。用于分類的車輛紋理圖如圖4所示。其中，圖4a為小型汽車早、中、晚的紋理圖像;圖4b為中型汽車早、中、晚的紋理圖像;圖4c為大型汽車早、中、晚的紋理圖像。

圖4 用于分類的車輛紋理圖

表1 紋理分類結(jié)果查準(zhǔn)率

由實驗結(jié)果知，本算法對圖像紋理特征有較好選擇，使紋理分類準(zhǔn)確率明顯提升，很好地克服了光照的影響，具有很強的穩(wěn)健性，對小型車輛、中型車輛、大型車輛紋理圖像都有很好的識別分類效果，對質(zhì)量較差的圖像具有很好的識別分類能力。

4 結(jié)語

Gabor小波函數(shù)與紋理圖像卷積值加權(quán)后取不同尺度、不同方向的均值和方差作為紋理圖像分類的特征向量，降低維數(shù)的同時增強了離散程度較小的特征分量、減弱離散程度相對較大的特征分量在分類中的作用，充分利用樣本紋理圖像的統(tǒng)計信息，具有較強的穩(wěn)健性和類別表征能力，在利用BP神經(jīng)網(wǎng)絡(luò)進行紋理圖像的識別過程中有效降低圖像的識別錯誤率，降低了光照的影響具有很強的穩(wěn)健性，尤其適用于對質(zhì)量較差圖像的識別。

［1］王宇，吳煒，張德銀.基于計算機視覺的機場跑道異物檢測識別系統(tǒng)［J］.電視技術(shù)，2010，34(5):101－104.

［2］DAI K X，LI G H，TU D，et al.Prospects and current studies on background subtraction techniques for moving objects detection from surveillance video［J］.Journal of Image and Graphics，2006，11(7):919－927.

［3］HU T，LIYANAGE C，SILVA D，et al.A hybrid approach of NN and HMM for facial emotion classification［J］.Pattern Recognition Letters，2002(23):1303－1310.

［4］PAI C J，TYAN H R，LIANG Y M，et al.Pedestrian detection and tracking at crossroads［J］.Pattern Recognition，2004(37):1025－1034.

［5］ZHU Z，TANG M，LU H.A new robust circular Gabor based object matching by using weighted Hausdorff distance［J］.Pattern Recognition Letters，2004(25):515－523.

［6］李秀秀，陳露，林怡茂.基于Gabor小波的頻域快速紋理特征提取［J］.現(xiàn)代電子技術(shù)，2012，35(10):64－66.

［7］趙英男，劉正東，楊靜宇.基于Gabor濾波器和特征加權(quán)的紅外圖像識別［J］.計算機工程與應(yīng)用，2004(32):22－24.

［8］張剛，馬宗民.一種采用Gabor小波的紋理特征提取方法［J］.中國圖象圖形學(xué)報，2010，15(2):247－254.

［9］劉明霞，侯迎坤，郭小春，等.新的紋理圖像特征提取方法［J］.計算機應(yīng)用，2009，29(12):2434－2436.

［10］喬明，劉守義，龐春雷.BP神經(jīng)網(wǎng)絡(luò)在BD1定位技術(shù)中的應(yīng)用研究［J］.電視技術(shù)，2010，34(S1):164－168.