于 洋，梁佳鑫，李孟格

(沈陽理工大學 自動化與電氣工程學院，沈陽 110159)

標準化HU不變矩算法的車臉圖像特征提取

于 洋，梁佳鑫，李孟格

(沈陽理工大學 自動化與電氣工程學院，沈陽 110159)

為了解決車型識別過程中車臉圖像特征提取的問題，提出了一種標準化不變矩算法。在對車臉圖像進行分割處理、提取出感興趣區(qū)域、采用輪廓跟蹤法得到形狀輪廓的基礎(chǔ)上，對原有的HU不變矩矩算法進行了標準化處理，并與典型的HU不變矩算法結(jié)果進行了對比。實驗結(jié)果表明，該不變矩標準化算法在對圖像進行特征提取方面可以得到更高精度的特征值。

HU不變矩；標準化；車臉圖像；特征提取

智能交通系統(tǒng)(Intelligent Transportation System,ITS)[1]是以目前的道路設(shè)施為基礎(chǔ)，駕駛員能夠通過ITS隨時隨地了解道路交通的最新動態(tài)。通過尋找最具效益性的行駛方式緩解道路擁堵，降低交通事故率，并且能夠通過節(jié)能減排達到保護環(huán)境的目的。

車型識別系統(tǒng)要求在道路沿途安裝一系列的設(shè)施，實時地獲取交通數(shù)據(jù)，然后通過網(wǎng)絡(luò)系統(tǒng)傳到監(jiān)管控制中心，以便提高交通效率，經(jīng)過近些年的發(fā)展，檢測設(shè)備日益增多，并且出現(xiàn)了根據(jù)不同設(shè)備相應(yīng)不同的技術(shù)。根據(jù)檢測設(shè)施的工作方式及工作時的電磁波波長范圍，可以把目前的車型識別系統(tǒng)大致分為三類：1)基于磁頻的車型識別系統(tǒng);2)基于波頻的車型識別系統(tǒng);3)基于視頻圖像的車型識別系統(tǒng)。然而上述識別方法很大程度上受到外界因素的影響很難達到預(yù)期效果。因此，本文提出一種基于車輛正面圖像特征提取的方法，對車輛正面各個重點部分逐一進行分析提取，進行結(jié)合，提高識別的正確率，減小外界因素對于車型識別的影響。

提取車輛正面信息技術(shù)涉及到數(shù)字圖像處理、計算機視覺、模式識別等領(lǐng)域的研究內(nèi)容，是綜合性很強的應(yīng)用技術(shù)研究課題。由于圖像信息的復(fù)雜性和不確定性，需要根據(jù)車臉的結(jié)構(gòu)選用適合的技術(shù)方案，研究能夠在各種復(fù)雜情況下有效。滿足實現(xiàn)性要求的圖像分割、特征提取算法是智能交通系統(tǒng)中極為重要的一環(huán)，目前提取車輛正面信息技術(shù)主要應(yīng)用在三個方面[2]：1)公路收費系統(tǒng):它不僅能提高公路收費系統(tǒng)的工作效率，還能有效地監(jiān)督收費站的收費人員在工作上的違規(guī)收費行為。2)車輛管理系統(tǒng)：他能夠?qū)μ着栖囘M行查處，可以減少逃費等違規(guī)行為和交通事故隱患。3)公安偵緝系統(tǒng)：能夠協(xié)助公安部門對交通肇事逃逸事件或者其他犯罪活動進行破案，因此提取車臉信息的研究是一項具有挑戰(zhàn)意義和研究價值的工作。本文以Matlab為開發(fā)界面對車輛圖像進行特征提取存入SQLite數(shù)據(jù)庫作為樣本庫。并以Matlab中自帶的BP神經(jīng)網(wǎng)絡(luò)分類器進行算法優(yōu)良的驗證。

1 HU不變矩

1)Hu[3]于1962年首先提出了基于直角坐標系的幾何矩的概念，不久之后，幾何矩的非線性組合應(yīng)運而生，推算出一系列具有尺度不變性、平移不變性和旋轉(zhuǎn)不變性的矩不變量[4]。其主要特點：(1)矩空間的變換可以很容易地表示和分析圖像的坐標中相應(yīng)的變換；(2)對于擁有其它復(fù)數(shù)核的矩而言，幾何矩的計算更容易執(zhí)行和完成。

2)對于定義在直角坐標平面的二維實函數(shù)f(x,y)，它的(p+q)階幾何矩mpq定義為

(1)

式中p、q=0,1,2…。

f(x,y)的(p+q)階中心矩定義為

(2)

2 矩不變量

中心矩upq具有平移不變性，要使upq具有伸縮不變性，應(yīng)使用規(guī)格化后的中心矩ηpq，其定義為

(3)

式中，γ=(p+q+2)/4，p+q=2,3,…。

Hu定義了由三階規(guī)格化后的中心矩的非線性組合構(gòu)成的七個量值，對目標的位置尺度和方向的變化保持不變。其定義如下：

M1=μ20+μ02

M3=(η30-3η12)2+ (3η21-η03)2

M4=(μ30-3μ12)2+ (μ21+μ03)2

M5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2] + (3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]

M6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+ 4μ11(μ30+μ12)(μ21+μ03)

M7=(3μ21-μ03)(μ30+μ12)[(μ30+μ12)2- 3(μ21+μ03)2]+(μ30-3μ12)(μ21+μ03) [3(μ30+μ12)2-(μ21+μ03)2]

(4)

式中，M1到M6還具有反射不變性，M7在反射變換下將變號。

本文對圖像進行預(yù)處理，分割出感興趣區(qū)域，流程見圖1。

圖1 車標、車燈提取流程圖

根據(jù)流程圖利用顏色提取方式定位，截取出車臉圖像，對車臉圖像進行處理定位出車標、車燈圖像信息，如圖2、圖3、圖4所示。利用Matlab進行開發(fā)界面的設(shè)計，定位車牌提取車臉圖像并進行輪廓提取，提取出車燈與車標圖像信息。

圖2 大眾寶萊

圖3 大眾桑塔納

圖4 奧迪A6L

對圖2、圖3、圖4中三輛車9個特征圖像進行HU不變矩特征提取結(jié)果見表1、表2、表3，表中a代表車標，b代表左車燈，c代表右車燈。

表1 大眾寶萊HU不變矩

表2 大眾桑塔納HU不變矩

表3 奧迪A6L HU不變矩

3 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)模型是由輸入層、隱層和輸出層組成，是目前研究結(jié)果最為突出和應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)之一。BP神經(jīng)網(wǎng)絡(luò)的每一層都是由一個或者多個神經(jīng)節(jié)點組成，并且每一層的神經(jīng)節(jié)點的輸入都只由前一層的神經(jīng)元提供，經(jīng)過輸入層輸入的信息只有經(jīng)過各層神經(jīng)元處理之后才會經(jīng)輸出層輸出，也就是說輸入層只接收來自外界的輸入，隱含層只接收來自輸入層的輸入，輸出層只接收來自隱含層的輸入[5]。

4 HU不變矩標準化

4.1 HU矩的修正算法

基于HU矩的7個不變矩的變化空間比較大，直接使用作為識別的不變矩樣本空間的特征，效果不會達到預(yù)期。所以先使用取對數(shù)的數(shù)學運算方法對所需數(shù)據(jù)進行壓縮。

Mk=|lg|Mk‖,k=1,2,3…

(5)

首先將M1、M2、M3、M4、M5、M6、M7作為目標的不變矩特征，并構(gòu)造矩特征空間：

H=(H1,H2…Hi…Hj)

式中，Hi=(Mi1,Mi2,Mi3…Mi7)表示第i個不變矩向量。

4.2 HU矩的標準化

如果將修正后的不變矩矢量直接輸入神經(jīng)網(wǎng)絡(luò)進行訓練，定會影響神經(jīng)網(wǎng)絡(luò)的收斂率和計算速率，為此，本文將修正后的不變矩矢量在輸入神經(jīng)網(wǎng)絡(luò)訓練之前，對其進行不變矩的矢量的標準化。

設(shè)Hmax和Hmin為不變矩輸入矢量H中的最大值和最小值，因此不變矩矢量標準化過程如下：

Y=(H-Hmin)/(Hmax-Hmin)

(6)

不變矩矢量標準化可以理解為對輸入矢量實行線性映射，將不變矩輸入矢量中的特征轉(zhuǎn)換到[0，1]之間，縮小不變矩變化范圍，以便后續(xù)提高圖像識別算法權(quán)值與閥值的調(diào)整與運算。

5 實驗結(jié)果與分析

經(jīng)過標準化后的HU不變矩特征提取結(jié)果見表4、表5、表6，表中a代表車標，b代表左車燈，c代表右車燈。

表4 大眾寶萊HU不變矩標準化

表5 大眾桑塔納HU不變矩標準化

表6 奧迪A6L HU不變矩標準化

本文將車臉圖像的HU矩和標準化HU矩結(jié)合BP神經(jīng)網(wǎng)絡(luò)[5]分別構(gòu)成兩種車臉識別算法，將市面常見的車輛利用上述兩種特征提取方法分別進行特征值提取，即表1、表2、表3與表4、表5、表6中的特征值以及其他車型所提取的特征值分別存儲于SQLite數(shù)據(jù)庫中作為樣本庫。隨機選取100張圖像進行BP神經(jīng)網(wǎng)絡(luò)的識別。首先進行初始化，設(shè)定權(quán)值與閥值給定學習速度和激勵函數(shù)；之后輸入需要訓練的樣本和相對應(yīng)目標輸出的值，同時計算網(wǎng)絡(luò)的隱含層輸出和最終輸出；當計算誤差滿足迭代終止條件之后將輸出結(jié)果與樣本庫信息進行識別。

以文中的三種車型為例，圖5、圖6分別為經(jīng)典HU不變矩與標準化HU不變矩在神經(jīng)網(wǎng)絡(luò)識別輸出結(jié)果：1代表大眾寶萊、2代表大眾桑塔納、3代表奧迪A6L，*為測試樣本實際輸出結(jié)果，+為測試樣本目標結(jié)果。

為保證精確度與泛化能力選擇訓練步長為500。比較圖5與圖6的結(jié)果由于標準化HU不變矩的特征值變化區(qū)間遠遠小于經(jīng)典HU不變矩特征提取出的特征值，不但提高了神經(jīng)網(wǎng)絡(luò)識別的正確率，而且還提高了BP神經(jīng)網(wǎng)絡(luò)識別的收斂性與計算速率。本文構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)具有比較強的適應(yīng)能力和魯棒性。

利用正確識別車輛的數(shù)量進行識別率判別：

(7)

式中x為正確識別車輛的個數(shù)。

HU不變矩特征提取算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)分類器識別車輛的數(shù)量，識別率為66%。標準化HU矩特征提算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)分類器識別車輛的數(shù)量，識別率為83%。顯然，采用本文的算法獲得的識別率比原有的算法識別率高。

圖5 經(jīng)典HU不變矩測試結(jié)果

圖6 標準化HU不變矩測試結(jié)果

6 結(jié)束語

對HU不變矩進行標準化對車輛正臉圖像特征進行特征提取，將提取的HU不變矩的數(shù)值范圍壓縮到[0,1]內(nèi)，解決了HU不變矩7個特征量范圍過大的問題，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)分類器進行識別，識別率明顯高出原有算法，達到了預(yù)期的效果。

[1]徐武，楊印根，周衛(wèi)東，等.智能交通系統(tǒng)模型的算法分析與改進[J].計算機技術(shù)與發(fā)展，2006,16(12)：162-165.

[2]邁爾斯.智能交通系統(tǒng)手冊[M].北京：人民交通出版社，2007:1-32.

[3]M Hu.Visual Pattern Recognition by Moment Invariant[J].IRE Trans on Inf Theory,1962,8(2):179-187.

[4]李笑牛，袁克杰.基于Hu不變矩的加權(quán)矩方法及應(yīng)用[J].大連民族學院學報，2010,12(5)：470-472.

[5]李聰.基于BP神經(jīng)網(wǎng)絡(luò)的股票指數(shù)期貨價格預(yù)測[D].青島:青島大學,2012:25.

(責任編輯：馬金發(fā))

Extract of lmage Feature of Vehicle Face by Algorithm of Standardized Movement Invariants

YU Yang，LIANG Jiaxin，LI Mengge

(Shenyang Ligong University,Shenyang 110159,China)

A novel standardized moment invariants is presented in order to extract image feature of vehicle face during the process of vehicle model classification and identification.Based on the process of auto-face segmenting,interested region extracting,and the shape contour obtaining by contour tracing technique,the traditional HU moment invariants are normalized,which is in comparison with typical HU moment invariants.Experimental results demonstrate that much higher accuracy in terms of feature vector can be achieved by the introduced model.

HU moment invariants；standardized；vehicle face；extract the image feature

2015-09-11

于洋(1963—),男，教授，研究方向：智能檢測與信息處理、網(wǎng)絡(luò)化自動檢測與控制裝置。

1003-1251(2016)06-0072-05

TP391

A