孟含 高述勇 符朝興 沈威 閆福珍

摘要： 針對(duì)基于圖片的汽車側(cè)面輪廓難以準(zhǔn)確提取的問題，本文提出了基于圖像分塊遺傳算法優(yōu)化支持向量機(jī)參數(shù)方法。首先對(duì)汽車側(cè)面輪廓進(jìn)行分割，以圖像分塊處理的方式，將圖像的前景或背景直接作為輸出，運(yùn)用支持向量機(jī)（support vector machine， SVM）對(duì)需要分割的部分進(jìn)行分割，同時(shí)為了選擇SVM的最優(yōu)核參數(shù)c和g，運(yùn)用遺傳算法進(jìn)行尋優(yōu)，形成了GASVM算法。對(duì)分割后的圖像進(jìn)行二值化處理，并采用濾波運(yùn)算除去雜點(diǎn)。在車窗及車燈位置極容易產(chǎn)生孔洞，對(duì)圖片內(nèi)部存在孔洞采用區(qū)域填充算法，最終得到汽車的側(cè)面輪廓。實(shí)驗(yàn)結(jié)果表明，該算法能夠較準(zhǔn)確的提取汽車的側(cè)面輪廓，減少分割時(shí)間。該研究具有一定的實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞： 遺傳算法; 支持向量機(jī); 彩色圖像分塊; 汽車側(cè)面輪廓

中圖分類號(hào)： TP317.4? ?文獻(xiàn)標(biāo)識(shí)碼： A

隨著社會(huì)的發(fā)展，汽車品牌之間的競(jìng)爭(zhēng)逐漸集中在汽車外形設(shè)計(jì)上，而汽車側(cè)面輪廓是汽車外形最重要的特征線，對(duì)已有車型側(cè)面輪廓進(jìn)行提取和表達(dá)是汽車外形研究和設(shè)計(jì)的基礎(chǔ)。胡偉峰等人[12]采用貝塞爾曲線，逼近已有的汽車圖片輪廓;蘇建寧等人[3]采用人工選取側(cè)面輪廓的數(shù)個(gè)坐標(biāo)點(diǎn)，近似表達(dá)汽車側(cè)面輪廓。隨著機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展，基于數(shù)字圖像的表達(dá)方式成為熱門，但是并沒有發(fā)現(xiàn)用數(shù)字圖像表達(dá)汽車側(cè)面輪廓進(jìn)行后續(xù)設(shè)計(jì)的方法。用數(shù)字圖像表達(dá)汽車側(cè)面輪廓作為樣本進(jìn)行設(shè)計(jì)的方法不需要人工參與選擇樣本點(diǎn)，節(jié)省大量時(shí)間，減少了人工誤差。Tang J L等人[4]利用決策二叉樹和SVM結(jié)合的方式，提高了玉米和多種雜草的分類識(shí)別率，但是SVM參數(shù)是基于經(jīng)驗(yàn)進(jìn)行選擇，不容易獲得最佳參數(shù)。為解決SVM最佳參數(shù)獲取的問題，最常采用交叉驗(yàn)證（cross validation， CV）和啟發(fā)式選擇參數(shù)的方法[57]，但CV在較大范圍尋找最佳參數(shù)費(fèi)時(shí)，采用啟發(fā)式參數(shù)選擇方法，可以在一定程度上克服CV所面臨的問題，常見的啟發(fā)式算法有遺傳算法、粒子群算法、蟻群算法等。張成梁等人[816]提出利用遺傳算法優(yōu)化支持向量機(jī)參數(shù)的機(jī)采籽棉圖像分割算法和雜質(zhì)識(shí)別方法，但是機(jī)采籽棉的背景較為單一，當(dāng)背景較為復(fù)雜時(shí)效果并不理想，而圖像分塊處理[1720]的方法可以有效的處理全局閾值和局部閾值不匹配的問題?；诖?，為獲取汽車側(cè)面數(shù)字圖像輪廓，本文運(yùn)用SVM對(duì)汽車側(cè)面彩色圖像進(jìn)行分割，以圖像分塊處理的方式，對(duì)判斷為背景或車身的部分直接輸出，對(duì)需要分割的部分運(yùn)用GASVM進(jìn)行分割，即基于分塊分割的GASVM算法，最后進(jìn)行二值化、去噪和孔洞填充后處理，最終得到汽車的側(cè)面輪廓圖片。提取結(jié)果表明，該算法能夠較準(zhǔn)確的提取汽車側(cè)面輪廓。該研究具有一定的實(shí)際應(yīng)用價(jià)值。