許曉瓏， 丁　箐， 白　天， 葉　勇， 石　竹

(1.福建省廈門市公路局 信息處，福建 廈門 361008； 2.中國(guó)科學(xué)技術(shù)大學(xué) 軟件學(xué)院，安徽 合肥 230051)

基于MapReduce的公路視頻圖像車型分類研究

許曉瓏1， 丁箐2， 白天2， 葉勇2， 石竹2

(1.福建省廈門市公路局 信息處，福建 廈門 361008； 2.中國(guó)科學(xué)技術(shù)大學(xué) 軟件學(xué)院，安徽 合肥 230051)

摘要:分析公路視頻圖像，從而對(duì)經(jīng)過(guò)的車輛進(jìn)行較高精度的分類，是一個(gè)頗且實(shí)用價(jià)值的課題。如何在保證分類精度的同時(shí)提高系統(tǒng)性能，無(wú)疑是一個(gè)具有挑戰(zhàn)性的任務(wù)。提出了一個(gè)多特征融合的分類框架，結(jié)合車輛的全局幾何特征、SIFT局部特征，以及Gabor紋理特征對(duì)車輛進(jìn)行分類，提高了分類精度；為了提高系統(tǒng)的性能，設(shè)計(jì)了基于MapReduce的并行算法，通過(guò)對(duì)圖像分塊，實(shí)現(xiàn)數(shù)據(jù)并行。實(shí)驗(yàn)結(jié)果表明，該方案能夠在提高分類精度的基礎(chǔ)上仍然保持較高的系統(tǒng)性能。

關(guān)鍵詞:車型分類； 多特征融合； MapReduce

鑒于目前普通公路上視頻監(jiān)控?cái)z像頭越來(lái)越多，分辨率也越來(lái)越高，如何充分利用這些視頻監(jiān)控?cái)z像頭來(lái)對(duì)公路交通流量進(jìn)行統(tǒng)計(jì)并以較高的精度進(jìn)行車型分類，能夠節(jié)約交通量調(diào)查工作的開(kāi)支，減輕交通量自動(dòng)觀測(cè)設(shè)備的維護(hù)工作，極大地提高交通量調(diào)查的效率，具有極其重要價(jià)值和意義。

1國(guó)內(nèi)外概況及發(fā)展趨勢(shì)

針對(duì)車輛類型的識(shí)別技術(shù)核心主要包含兩個(gè)方面，即車輛特征的提取，以及分類算法的選擇。車輛特征主要包括幾何形狀特征、邊緣特征、顏色特征、紋理特征等；采用的分類算法主要包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、粒子群方法和決策樹(shù)、K-Means聚類算法等。車輛的幾何特征識(shí)別算法相對(duì)簡(jiǎn)潔，但算法實(shí)際應(yīng)用時(shí)受外界各種因素影響較大，車輛分類特征元素主要是車輛的幾何特征如車頭寬高比、長(zhǎng)高比、頂寬比等。如陶青萍等人[1]通過(guò)分析車輛的頂長(zhǎng)比和長(zhǎng)高比為特征，采用模糊神經(jīng)網(wǎng)絡(luò)作為分類器對(duì)車輛進(jìn)行分類，霍煒等人[2]則采用綜合車輛的頂長(zhǎng)比、空間占有率、形狀復(fù)雜度等幾何特征，使用BP神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別車輛類型。Hsieh等人[3]利用車輛大小和線性特征將車輛粗略分類，再利用車輛斜上邊緣特征進(jìn)一步分類，采用的分類器類似貝葉斯分類器，一個(gè)創(chuàng)新點(diǎn)是基于多個(gè)幀來(lái)識(shí)別車輛類型。李波等[4]通過(guò)選取車輛大小、形狀、邊緣特征等相應(yīng)的特征來(lái)識(shí)別類型，但使用了基于粒子群方法和決策樹(shù)的分類器。周愛(ài)軍等[5]則先得到車輛邊緣信息，然后利用Harris算法檢測(cè)車輛角點(diǎn)，最后通過(guò)計(jì)算角點(diǎn)的Hausdorff距離來(lái)識(shí)別車輛，但分類的車型少。G. Fung等人[6]則針對(duì)具有較大分辨率的攝錄機(jī)所攝錄的圖像，利用車輛移動(dòng)中出現(xiàn)的各種角點(diǎn)進(jìn)行重建進(jìn)而識(shí)別，因此對(duì)攝錄機(jī)的精度要求較高。W.Sinatra等人[7]則利用在人臉識(shí)別中常用的PCA方法和加權(quán)LDA方法提取機(jī)動(dòng)車視頻圖像特征， 采用支持向量機(jī)對(duì)車型進(jìn)行識(shí)別。馬文華等[8]也采用PCA提取圖像全局特征，然后使用SIFT、Surf算法提取局部特征點(diǎn)，同樣選擇了支持向量機(jī)作為分類器。也有些學(xué)者采用了使用車輛局部特征來(lái)識(shí)別車輛的方法，如秦克勝等人[9]將車輪模擬為圓形，車身模擬為梯形，使用Hough變換來(lái)檢測(cè)這兩者，然后使用支持向量機(jī)分類，但算法只能識(shí)別車輛的側(cè)面圖像，且受環(huán)境干擾大，識(shí)別率不高。Zafar等通過(guò)提取不同子帶的特征來(lái)提高識(shí)別率[10]，黃燦[11]采用了Sift算法檢測(cè)目標(biāo)車輛圖像的車臉局部特征，但算法性能較差，識(shí)別速度不高。其后續(xù)工作還采用了Gabor濾波提取車輛排氣孔區(qū)域的紋理特征，然后將Gabor跟SURF局部特征融合起來(lái)。Iqbal等人[12]則結(jié)合了Sift和Sobel算法提取局部特征，由于特征維數(shù)較高，算法性能較差，且能夠識(shí)別的車型種類并不多。

基于車輛紋理特征的識(shí)別方法則通過(guò)提取區(qū)域紋理特征，根據(jù)不同種類車輛在紋理特征上的差異進(jìn)行識(shí)別。從理論上來(lái)說(shuō)該方法可以對(duì)車輛進(jìn)行更準(zhǔn)確的分類，但實(shí)際應(yīng)用時(shí)選擇合適的紋理特征并不容易，如果要求較高圖像質(zhì)量，往往會(huì)導(dǎo)致算法性能有較大程度的下降。如馬蓓，張樂(lè)等人[13]使用灰度共生矩陣對(duì)車輛進(jìn)行紋理分析，利用“最小距離分類”對(duì)車輛類型進(jìn)行識(shí)別，但如果待識(shí)別圖像的分辨率有較大變化，算法提取的紋理特征就會(huì)相應(yīng)有較大誤差，識(shí)別率有很大的降低。張陽(yáng)等人[14]則提取LBP紋理特征，分類器使用基于HIK的支持向量機(jī)，但同樣存在對(duì)圖像分辨率依賴嚴(yán)重的問(wèn)題。由于信息熵特征可以很好地反映車身灰度內(nèi)容的空間位置信息，D. R.Lim等人[15]則提出抽取Gabor輪廓特征，但是Gabor特征數(shù)據(jù)量巨大，如果減少特征維數(shù)，在提高實(shí)時(shí)性的同時(shí)降低了車型識(shí)別的準(zhǔn)確率?？稻S新等人[16]提取了80輛目標(biāo)車型的 Gabor特征，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。

綜上所述，可以看到車型識(shí)別問(wèn)題從本質(zhì)上來(lái)說(shuō)是一個(gè)基于多維特征進(jìn)行模式識(shí)別的問(wèn)題，目前并沒(méi)有任何一個(gè)特征能夠很好地適應(yīng)各種不同的視頻信息。因此為了準(zhǔn)確地識(shí)別車型，需要盡可能多地提取特征。但是對(duì)于分類算法來(lái)說(shuō)，隨著特征維數(shù)的增多，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度和訓(xùn)練時(shí)間將大幅度增大，考慮到系統(tǒng)的實(shí)時(shí)性要求，其應(yīng)用價(jià)值將大大降低。因此如何在盡可能提高特征維數(shù)的情況下，仍然能夠保證應(yīng)用的性能滿足實(shí)際需求，就成為項(xiàng)目能否成功的關(guān)鍵因素。

2多特征融合分類框架

圖1顯示了項(xiàng)目中對(duì)車輛進(jìn)行識(shí)別的多特征融合分類框架的基本流程，通過(guò)視頻監(jiān)控器采集的交通視頻已經(jīng)過(guò)初步的處理，形成原始圖像。需要對(duì)該原始圖像首先進(jìn)行預(yù)處理，該預(yù)處理進(jìn)行必要的圖像去噪、車輛切分等操作。

圖1　特征融合分類流程

根據(jù)圖像前視圖、側(cè)視圖、俯視圖、后視圖等類型，抽取不同的特征。在本文中筆者針對(duì)前視圖抽取的車輛幾何特征為“車頭寬高比”，即車頭寬度和高度的比值。單純使用車輛的幾何特征來(lái)識(shí)別精度不高，受限嚴(yán)重，因此在實(shí)際操作中采用了車輛全局幾何特征結(jié)合局部特征的方式，具體來(lái)說(shuō)，根據(jù)圖像類型，同時(shí)抽取車輛外形幾何特征，以及基于SIFT算法提取的車頭局部特征，再結(jié)合車臉的Gabor紋理特征，最終得到M+N+1個(gè)特征向量：1 個(gè)全局特征向量，M個(gè)SIFT局部特征向量，以及N個(gè)Gabor局部特征向量。采用歸一化互相關(guān)方法來(lái)計(jì)算對(duì)應(yīng)特征向量的相似度，然后采用最近鄰法進(jìn)行分類。將針對(duì)車輛全局幾何特征的分類器稱為集合特征分類器，針對(duì)SIFT以及Gabor局部特征向量的分類器分別稱為SIFT特征分類器和Gabor特征分類器，最后采用加權(quán)求和的方式在相似度的層面上并行集成所有的分類器。具體公式如下

(1)

3特征提取并行化

可以發(fā)現(xiàn)，多特征融合分類框架在實(shí)際運(yùn)用中提取車輛的幾何特征相對(duì)來(lái)說(shuō)復(fù)雜度較低，但基于SIFT提取特征以及提取Gabor特征相對(duì)復(fù)雜，導(dǎo)致系統(tǒng)實(shí)時(shí)性有較大問(wèn)題，而提高性能的一個(gè)很有效的手段就是算法并行化，以往也存在相關(guān)的SIFT或Gabor并行化的研究[17]，但總的來(lái)說(shuō)比較復(fù)雜，很難由沒(méi)有經(jīng)驗(yàn)的程序員完成。而MapReduce是目前云計(jì)算領(lǐng)域最經(jīng)典的分布式并行計(jì)算編程模型，其類似于傳統(tǒng)的Master/Slave程序，屬于數(shù)據(jù)并行編程的范疇，但MapReduce使得程序員可以將主要精力放在如何編寫Map和Reduce函數(shù)上，其他并行計(jì)算中的復(fù)雜問(wèn)題諸如進(jìn)程間通信、分布式存儲(chǔ)、任務(wù)調(diào)度、容錯(cuò)等都交給MapReduce系統(tǒng)處理，在很大程度上降低了并行計(jì)算的編程難度。因此筆者考慮采用MapReduce并行編程框架來(lái)有效地提高SIFT算法、以及Gabor變換的運(yùn)行效率。

3.1并行化框架

SIFT算法和Gabor變換一般采用金字塔模型，即采用不同分辨率來(lái)獲取同一個(gè)圖像的多尺度表達(dá)，模型圖像越靠近下層尺寸越大，相應(yīng)分辨率越高、尺度越細(xì)，因此可以描述車輛圖像更多細(xì)節(jié)；越往上層，圖像尺寸和分辨率越低、尺度越粗，因此越為概括。在多特征融合分類框架中利用金字塔模型實(shí)現(xiàn)對(duì)于多特征在不同尺度空間的提取。

提取SIFT和Gabor局部特征一般僅需使用相應(yīng)的局部區(qū)域數(shù)據(jù)，因此本質(zhì)上算法在數(shù)據(jù)空間具有很好的并行性。首先將高度為Height、寬度為Width的圖像劃分為高度寬限制值L的M×N數(shù)據(jù)塊，其中M=?Height/L」+1;N=?Width/L」+1;由于SIFT特征提取空間是對(duì)圖像高斯金字塔進(jìn)行連續(xù)采樣，相鄰的金字塔上下兩層的行列分辨率折半減少，因此圖像的尺寸以4次方減小，如果數(shù)據(jù)塊劃分不恰當(dāng)?shù)脑挄?huì)導(dǎo)致并行結(jié)果和串行結(jié)果不一致，因此必須對(duì)數(shù)據(jù)塊劃分加以限制，即M和N必須是某常數(shù)限制值L的整數(shù)倍，其中L=2σ-2；σ是金字塔的層數(shù)。另外，SIFT特征提取過(guò)程中需要使用領(lǐng)域數(shù)據(jù)，對(duì)于某個(gè)檢測(cè)點(diǎn)的極值比較，就是對(duì)其所有相鄰點(diǎn)的比較過(guò)程，即一方面需要和它同層的8個(gè)相鄰點(diǎn)比較，另一方面要和其上下相鄰兩層鎖對(duì)應(yīng)的2×9個(gè)點(diǎn)比較，來(lái)實(shí)現(xiàn)極值點(diǎn)的檢測(cè)。并行算法執(zhí)行過(guò)程中需要進(jìn)程間通信獲得所需的數(shù)據(jù)，系統(tǒng)需要有一個(gè)Reduce過(guò)程來(lái)解決上述的通信問(wèn)題。因此本方案采用兩個(gè)MapReduce過(guò)程來(lái)實(shí)現(xiàn)特征提取，算法流程圖如圖2所示。

圖2　SIFT及Gabor特征提取并行化流程

3.2算法步驟

本節(jié)給出詳細(xì)的算法步驟。

步驟1：首先對(duì)圖像進(jìn)行預(yù)處理，按前面所述原則進(jìn)行數(shù)據(jù)劃分，以文件形式存放于Hadoop系統(tǒng)中。

步驟2：第一次的Map過(guò)程，將分塊的圖像文件作為輸入，系統(tǒng)啟動(dòng)兩個(gè)并行線程，一個(gè)線程構(gòu)造高斯尺度金字塔；另一個(gè)線程對(duì)圖像金字塔模型的每一層提取Gabor特征。具體方式如下：

假設(shè)I(x，y) 為原始圖像，則其在尺度空間σ的定義為

L(x,y,σ)=G(x,y,σ)×I(x,y)

(2)

其中,G(x，y，σ)是在金字塔尺度σ下的高斯函數(shù)卷積核。

對(duì)于Gabor特征的提取，具體做法是對(duì)圖像金字塔模型的每一層提取Gabor特征，對(duì)車頭圖像來(lái)說(shuō)，一共進(jìn)行4個(gè)方向的Gabor變化，即{0°,45°,90°,135°}，定義Gabor小波核函數(shù)ψ(x，y，k)，其中k是Gabor內(nèi)核的方向和尺度，kμ,v=kvexp (iΦμ)，其中kv是采樣尺度，Φμ是采樣方向，則對(duì)于圖像I(x，y)，其金字塔第σ層圖像P(x，y；σ)在第i個(gè)方向上提取的Gabor特征Gi(x,y,σ)為第i個(gè)方向的Gabor濾波與圖像的卷積操作

Gi(x,y,σ)=I(x,y,σ)*ψi

(3)

步驟3：第一次Reduce過(guò)程，主要集中于SIFT特征提取過(guò)程中需要使用的領(lǐng)域數(shù)據(jù)交換，即每個(gè)進(jìn)程將自身生成的高斯尺度金字塔的每層的最外周的像素點(diǎn)信息進(jìn)行數(shù)據(jù)交換。

for(i =0； i<σ；i++ ) {//σ是金字塔的層數(shù)

write (k， hashMapk)；

}

(k，hashMapk)是鍵值對(duì)，其中k為該進(jìn)程處理的數(shù)據(jù)塊的索引，對(duì)應(yīng)的hashMapk是采用hashMap保存的像素點(diǎn)信息，其數(shù)據(jù)格式為(σi，arraym，n)，其中σi為對(duì)應(yīng)的金字塔層數(shù)，m，n為像素點(diǎn)的空間坐標(biāo)。

步驟4：第二次的Map過(guò)程，集中于尺度空間的SIFT特征點(diǎn)檢測(cè)以及每個(gè)像素點(diǎn)Gabor能量的計(jì)算。如前面所屬，SIFT算法中極值點(diǎn)的監(jiān)測(cè)，就是每個(gè)采樣點(diǎn)和其所有相鄰點(diǎn)的比較過(guò)程。結(jié)合自身數(shù)據(jù)和第一次Reduce得到的領(lǐng)域數(shù)據(jù)，實(shí)現(xiàn)極值點(diǎn)的檢測(cè)。

對(duì)于Gabor能量的計(jì)算，每個(gè)像素點(diǎn)(x，y)的能量中每個(gè)像素點(diǎn)的能量E(x，y)定義如下

E(x,y)=[GR]2+[GL]2

(4)

其中：GR和GL分別對(duì)應(yīng)Gabor特征Gi(x,y,σ)的實(shí)部和虛部。根據(jù)E(x，y)分別計(jì)算 Gabor的4個(gè)方向{0°,45°,90°,135°}的Gabor幅值響應(yīng)值總和，得到向量(S1，S2，S3，S4)，再通過(guò)計(jì)算向量間距離最近者匹配。

步驟5：第二次Reduce過(guò)程，生成SIFT描述符，結(jié)合Gabor能量得到最終輸出的特征向量。

4實(shí)驗(yàn)結(jié)果

國(guó)家目前并沒(méi)有明確頒布基于車輛外形分類的國(guó)家標(biāo)準(zhǔn)。按照高速公路觀測(cè)站交通流量統(tǒng)計(jì)表中的車型類別，如表1 所示，將車型分為8種，即小客、大客、拖掛、小貨、中貨、大貨、特大貨和集裝箱。

表1車型分類標(biāo)準(zhǔn)

類別12345678車型小客小貨中貨大貨特大貨集裝箱拖掛大客

XX市公路局在其所轄市區(qū)各路段設(shè)置了大量的交通監(jiān)控?cái)z像頭，這些攝像頭精度有較大的差別，攝像角度相差很大，且不同時(shí)間段錄制的視頻無(wú)論是光線、背景等條件也有很大的區(qū)別。筆者隨機(jī)地從不同的路段實(shí)地錄制的監(jiān)控錄像根據(jù)不同時(shí)間段截取時(shí)長(zhǎng)30mins的交通監(jiān)控視頻，并從中手動(dòng)摳取以上8個(gè)類別的樣本，按照正視圖、側(cè)視圖、后視圖區(qū)分，每類各200個(gè)，共計(jì)1 600個(gè)樣本。計(jì)算環(huán)境為Core i7處理器，8 Gbyte內(nèi)存，Linux操作系統(tǒng)。圖3所示為需要進(jìn)行車型分類的基礎(chǔ)視頻中隨機(jī)摘取的視頻圖像，公路為涵洞口附近的雙向四車道，該視頻錄制于陰天，所以光線較差。圖4為程序?qū)D像進(jìn)行切分后所生成的車輛圖片。

圖3　基于視頻的原始圖片

圖4　切分后車輛圖片

首先利用高斯混合模型GMM獲取動(dòng)態(tài)背景，然后利用差分法對(duì)車輛所在區(qū)域進(jìn)行二值化處理，再運(yùn)用Canny邊緣檢測(cè)算法分割圖像，從而獲得圖4所得切分后的單個(gè)車輛區(qū)域，最后對(duì)獲得的車輛區(qū)域提取各種特征。表2顯示了在復(fù)雜條件下的各算法分類的綜合準(zhǔn)確率，數(shù)據(jù)為對(duì)隨機(jī)抽取的80個(gè)視頻進(jìn)行分類的結(jié)果。由于部分視頻像素較低，且有的視頻背景較為復(fù)雜，夜晚環(huán)境下車輛大燈照明對(duì)圖像識(shí)別有較大的影響，因此各種特征提取算法應(yīng)用到車輛分類中準(zhǔn)確率都不是很高，但能看到采用多種特征融合的方案對(duì)于分類準(zhǔn)確率有較大幅度的提高。

表2各算法分類準(zhǔn)確率 %

算法SIFTGabor幾何特征多特征融合準(zhǔn)確率63.2461.5137.3881.33

接下來(lái)檢驗(yàn)采用MapReduce并行化后對(duì)應(yīng)用執(zhí)行時(shí)間的影響，將Hadoop系統(tǒng)部署在相同配置機(jī)器共16臺(tái)，表3顯示了對(duì)100個(gè)從視頻中隨機(jī)摘取的幀圖像進(jìn)行特征提取所需時(shí)間的平均值。

表3各算法性能 s

算法單臺(tái)機(jī)器16臺(tái)機(jī)器圖像分為4塊16臺(tái)機(jī)器圖像分為16塊SIFT52.48——Gabor47.35——幾何特征0.12——多特征融合102.3561.2421.25

可以看到，對(duì)于單臺(tái)機(jī)器來(lái)說(shuō)，采用并行化并不能提高系統(tǒng)性能，雖然從理論上來(lái)說(shuō)，單臺(tái)機(jī)器并行線程也能夠提高系統(tǒng)性能，但由于MapReduce并行化采用的是文件系統(tǒng)實(shí)現(xiàn)通信，因此對(duì)性能損失是比較大的。但當(dāng)機(jī)器數(shù)目增加后，線程并行處理能力得到了釋放，系統(tǒng)的處理時(shí)間有較大的縮短，當(dāng)圖像分為16塊后，所有的機(jī)器都能夠參與圖像的特征提取，處理時(shí)間進(jìn)一步降低。但是從加速比來(lái)看，相對(duì)于傳統(tǒng)的多處理機(jī)來(lái)說(shuō)，還是有所不足，考慮到MapReduce的易用性，犧牲部分性能還是值得的。

5小結(jié)

根據(jù)視頻監(jiān)控錄像實(shí)現(xiàn)公路車流量分析和車型分類、識(shí)別以及計(jì)數(shù)在現(xiàn)實(shí)世界中有著廣泛的應(yīng)用，是一個(gè)非常有實(shí)用價(jià)值的課題。目前已經(jīng)存在不少方法來(lái)實(shí)現(xiàn)車輛的識(shí)別，但由于車輛圖片的背景復(fù)雜、車輛類型眾多，無(wú)論是采用全局特征還是局部特征，算法或者識(shí)別率較低或者性能較差。本文提出了一個(gè)多特征融合的分類框架，結(jié)合車輛的全局幾何特征、SIFT局部特征、以及Gabor紋理特征對(duì)車輛進(jìn)行分類，提高了分類精度。為了在提高分類精度的同時(shí)保證足夠的系統(tǒng)性能，設(shè)計(jì)了基于MapReduce的并行算法，通過(guò)對(duì)圖像分塊，實(shí)現(xiàn)數(shù)據(jù)并行。實(shí)驗(yàn)結(jié)果顯示本文設(shè)計(jì)基本能夠滿足實(shí)際需求。

目前的分類算法是采用比較簡(jiǎn)單的歐氏距離向量最近鄰法，使用實(shí)現(xiàn)多特征的融合，后期筆者計(jì)劃采用BP神經(jīng)網(wǎng)絡(luò)，將多特征分別作為BP神經(jīng)網(wǎng)的輸入，使用機(jī)器學(xué)習(xí)期望實(shí)現(xiàn)更高的識(shí)別率。另外，多特征的機(jī)器學(xué)習(xí)會(huì)使得系統(tǒng)性能急劇降低，所以并行化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程將是下一步工作的另一個(gè)重點(diǎn)。

參考文獻(xiàn)：

[1]陶青萍， 陶白云. 基于模糊神經(jīng)網(wǎng)絡(luò)的汽車類型自動(dòng)識(shí)別分類系統(tǒng)[J]. 計(jì)算機(jī)工程與應(yīng)用， 1998， 34(11)：78-81.

[2]霍煒，劉大維，王江濤. 復(fù)雜背景下的車型自動(dòng)分類研究[J].青島理工大學(xué)學(xué)報(bào)，2008，29(1)： 107-115.

[3]HSIEH J W，YU S H，CHEN Y S， et al. An automatic traffic surveillance system for vehicle tracking and classification[J]. IEEE transactions on intelligent transportation systems，2006，7(2)：175-187.

[4]LI BO，ZENG Z Y，CHEN J X. Vehicle classification and tracking based on particle swarm optimization and meanshift[C]//International Conference on Advances in Computer Science and Engineering.[S.l.]：IEEE Press，2010：417-422.

[5]周愛(ài)軍，杜宇人.基于視頻圖像Harris角點(diǎn)檢測(cè)的車型識(shí)別[J].揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，18(3)：13-15.

[6]FUNG G，YUNG N，PANG G. Vehicle shape approximation from motion for visual traffic surveillance [C]//IEEE Conference on Intelligent Transport System.[S.l.]：IEEE Press，2008，18(2)：608-613.

[7]SINATRA W，SUYKENS J A K. Vehicle recognition based on support vector machine[C]//International Symposium on Distributed Computing and Applications to Business， Engineering and Science.Stockholm：[s.n.]， 2010：179-182.

[8]MA W H， MIAO Z J，ZHANG Q.Vehicle classification based on multi-feature fusion[C]//International Conference on Wireless， Mobile & Multimedia Networks (ICWMMN) .[S.l.]：IEEE Press，2013： 215-219.

[9]秦克勝.基于圖像處理的車型識(shí)別技術(shù)研究[J].北京理工大學(xué)學(xué)報(bào)，2009，9(1)：9-11.

[10]ZAFARI，EDIRISINGHEEA，ACARBS.Localizedcontourletfeaturesinvehiclemakesandmodelrecognition[J].Electronicandimaging， 2009， 22(1)：74-76.

[11]黃燦.基于局部特征的車輛識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，2010，20(1)：14-16.

[12]IQBALU，ZAMIRSW，SHAHIDMH.Imagebasedvehicletypeidentification[C]//Proc.ofthe2thIEEEInt.ConferenceonInformationandEmergingTechnologies.Cairo：[s.n.]，2010：252-255.

[13]馬蓓，張樂(lè).基于紋理特征的汽車車型識(shí)別[J].電子科技，2010，8(7)：31-33.

[14]ZHANGY，WANGJQ，F(xiàn)UW，etal.Specificvehicledetectionandtrackinginroadenvironment[C]//3rdInternationalConferenceonInternetMultimediaComputingandService，ICIMCS2011.[S.l.]：IEEEPress，2011：182-186.

[15]LIMDR，GUNTOROAT.CarrecognitionusingGaborfilterfeatureextraction[J].Circuitsandsystems，2009，6(2)：453-455.

[16]KANGWX，SHENGZ.Trailing：vehiclevideoretrievalbasedonKalmanandOpenCV[C]//The3thInternationalConferenceonFutureBiomedicalInformationEngineering.[S.l.]：IEEEPress，2011：78-81.

[17]姜桂圓，張桂玲，張大坤.SIFT特征分布式并行提取算法[J].計(jì)算機(jī)研究與發(fā)展，2012，49(5)： 1130-1141.

許曉瓏(1985— )，碩士，高級(jí)工程師，主要研究方向?yàn)閿?shù)據(jù)挖掘.；

丁箐(1972— )，博士，講師，主要研究方向?yàn)闊o(wú)線網(wǎng)絡(luò)、分布式計(jì)算；

白天(1975— )，博士，講師，主要研究方向?yàn)閳D像處理與分析。

責(zé)任編輯：閆雯雯

Vehicle classification based on highway video using MapReduce programming model

XU Xiaolong1， DING Qing2， BAI Tian2， YE Yong2， SHI Zhu2

(1.InformationOffice，highwayadministrationofXiamen，F(xiàn)ujianXiamen361008，China；2.SchoolofSoftwareEngineering，UniversityofScienceandTechnologyofChina，Hefei230051，China)

Abstract:Vehicle classification with a higher accuracy based on highway video， using image analysis technology is a very valuable subject. However， how to improve system performance while ensuring the classification accuracy is undoubtedly a challenging task. Since both global features and local features are essential to classification， a multi-feature fusion classification framework is presented， which combines with global geometric features， SIFT， and Gabor local features to improve the classification accuracy. In order to improve system performance， a parallel algorithm based on MapReduce programming model is designed. Experimental results show that this scheme can improve the classification accuracy and still maintain a high system performance.

Key words:vehicle classification； multi-feature fusion； MapReduce

中圖分類號(hào):TP391.4

文獻(xiàn)標(biāo)志碼：A

DOI：10.16280/j.videoe.2016.03.024

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(61379130)

作者簡(jiǎn)介：

收稿日期：2015-07-22

文獻(xiàn)引用格式：許曉瓏， 丁箐， 白天，等. 基于MapReduce的公路視頻圖像車型分類研究[J].電視技術(shù)，2016，40(3)：111-115.

XU X L， DING Q， BAI T，et al. Vehicle classification based on highway video using mapreduce programming model[J].Video engineering，2016，40(3)：111-115.