上海工程技術大學機械與汽車工程學院 宋 錚 劉曉菲 韓培瑄

近年來，車型識別是智能汽車關鍵技術研究的重點之一。作為計算機視覺技術在智能交通領域中應用的重要研究趨勢之一，通過車輛模型的自動識別使交通管理變得智能化已經(jīng)非常重要。本文通過研究支持向量機在汽車模型識別中的應用，介紹了目前主流車型識別方法，以及基于支持向量機的車型識別方法的優(yōu)勢與不足。通過大量的文獻綜述和分析，總結出目前基于支持向量機的車型識別應用的特點和價值。

1 簡介

車輛模型的自動識別是視頻圖像識別技術在交通領域中應用的重要研究方向之一，也是實現(xiàn)高海拔道路交通管理的重要環(huán)節(jié)。在此階段，識別技術可以完成車輛的自動識別并自動驗證車輛模型。該證書是汽車的車輛識別標記，可大大改善車輛管理，流量控制和交叉路口的通行費。各種效率的提高已導致高度的過程自動化。圖像識別技術得到了廣泛的應用，車輛模型的自動識別是高級道路交通領域的重要研究主題之一，并且是實現(xiàn)高級道路交通管理的重要環(huán)節(jié)。

考慮以上的因素，基于視頻圖像的車輛識別的研究需要我們重視并以長遠的眼光看待，研究結果不僅具有廣泛的應用前景和用途，而且還解決了擁擠的交通環(huán)境，規(guī)劃了城市交通系統(tǒng)，也有助于發(fā)展我國的高速智能交通系統(tǒng)，具有重要的戰(zhàn)略意義，對于實現(xiàn)現(xiàn)代智能交通網(wǎng)絡非常重要。通常，利用KNN，SVM，BP神經(jīng)網(wǎng)絡，CNN和傳遞學習處理方法來處理圖像。在本文中，我們將重點介紹SVM方法。

2 基于支持向量機的車型識別方法

2.1 目前車型識別方法研究

Pilzada發(fā)現(xiàn)，水平邊緣對前車檢測具有很強的特點。水平邊緣濾波(HEF)作為初始候選，用于檢測圖像中精明邊緣地圖上的車輛。Broggi提出了一種新的三維點云實時技術。該算法在Vis實驗室的一個AGV上進行了測試，該算法使用了一種基于SGM的改進立體系統(tǒng)作為三維數(shù)據(jù)源。Nguyen使用了一種反向遺傳算法來檢測多個車輛。針對適應度參數(shù)以典型的方式設計了適應度函數(shù)。Elangovan提出了一種多屬性車輛檢測和識別技術，旨在檢測和分類靜止車輛。提出了一種基于監(jiān)督漢明神經(jīng)網(wǎng)絡的車輛形狀分類模型。文獻提出了一種基于雙級視覺的方法來檢測前后車輛的視圖。通過縱橫向邊緣圖，道路背景與車輛下部不同顏色，確定車輛底部位置。在不同的天氣條件下，收集了一個關于實際車輛的大數(shù)據(jù)集。在RealAdaBoost框架中，在收集的數(shù)據(jù)集和具有相同評估協(xié)議的數(shù)據(jù)集上評估了六種最先進的特征。通過有效的特征提取和算法，Kim提出了一種基于視覺的車輛檢測方法。同時提出了一種基于立體視覺、運動分析和道路檢測的車輛檢測和跟蹤新方法。與每種單獨的方法相比，這種集成方法使對象檢測更加合適。國外提出了一種適用于軌道和巷道車輛的車輛檢測系統(tǒng)。Lee提出了一種基于立體視覺的道路車輛檢測方法，利用道路特征和視差直方圖。它使得在不同的交通情況下更容易對道路上的車輛進行強有力的檢測。Ferris提了一種城市監(jiān)控視頻中車輛檢測的方法。它不僅可以處理擁擠的環(huán)境，大遮擋和不同的車輛形狀，而且還可以處理一些條件，如照明變化，陰影，反射等。該系統(tǒng)可以在普通計算機上以平均66Hz的速度有效運行。Prevost等提出了一種基于增強分類器的車載視覺檢測算法。他對矩形濾波器的特征、定向梯度直方圖及其組合進行了比較。MacHida提出了一種具有集成GPU和CPU實現(xiàn)的快速行人和車輛檢測框架。以定向梯度直方圖和特征交互描述符作為對象描述符。程淑紅等提出了一種基于多功能提取和支持向量機（參數(shù)優(yōu)化）的車輛模型識別方法。耿慶田等提出了一種基于方向控制濾波器的改進HOG算法，用于解決高速環(huán)境下的車輛識別問題?；赟VM的車型識別方法因其準確率高，實時性好具有特定的檢測優(yōu)勢被世界各地廣泛使用。

2.2 基于支持向量機的車型識別方法

程淑紅等提出了一種基于多功能提取和支持向量機（參數(shù)優(yōu)化）的車輛模型識別方法。這種方法成功處理了單個功能對環(huán)境敏感的問題，例如光線、氣候和陰影，同時還可以對行駛中的車輛進行建模。首先，收集車輛樣本并對圖像進行預處理從而達到提取車輛幾何特征的目的，包括紋理特征和方向梯度直方圖特征。接下來，利用提取的特征進行重組和測試，并拿測試結果與單個特征的進行比較和分析。比較粒子組算法用于優(yōu)化SVM參數(shù)，優(yōu)化后的SVM參數(shù)用于識別移動車輛的車輛類型。實驗結果表明，所提出的車輛類型識別方法將多功能提取和支持向量機參數(shù)的優(yōu)化相結合，可以實現(xiàn)良好的識別。實際識別率超過90%。

耿慶田等提出了一種基于方向控制濾波器的改進HOG算法，這是一種用來處理高速環(huán)境下的車輛識別問題的算法。通過方向可控濾波算法與HOG算法的結合，可以實現(xiàn)對車輛圖像的特征提取。通過使用主元素分析算法（PCA），可以減少特征向量的維數(shù)并降低計算的復雜度。支持向量機算法用于訓練提取的特征，可以達到對車輛外觀特征識別的目的。通過對仿真實驗的分析，可以得出使用該算法的原始車輛模型的平均識別精度為92.36%的結論，與傳統(tǒng)的HOG函數(shù)算法相比，該方法的識別速度提高了3.45%，提高了實時性。該算法優(yōu)于傳統(tǒng)的HOG算法，可以有效提高車輛識別效率。

陳勝等通過對圖像的處理和人工智能發(fā)展的研究，智能交通系統(tǒng)在現(xiàn)實生活中將得到廣泛的應用，同時智能交通系統(tǒng)中的車輛自動分類的方法也將會越來越多。結合實驗和支持向量機方法，他們提出了一種分類系統(tǒng)——基于圖像處理的自動車輛分類系統(tǒng)。然后，通過matlab實驗平臺，他們設計了一種分類器，該分類器可以對提供的車輛圖像進行分析并自動分類，并獲得令人稱贊的實驗結果。

針對道路視頻監(jiān)控中的車輛識別問題，張紅兵提出了一種基于正面梯度方向直方圖的識別算法，以準確識別車輛的前方。通過提取視頻中的前景區(qū)域并使用形態(tài)學粗略定位和精細投影算法來精確定位前景，可以提高全局特征算法的識別效果。線性辨別分析算法用于特征提取，以正面圖像的梯度特征為識別的初始特征。這樣可以減小特征的尺寸并提高識別速度?；谡w學習的思想，對汽車的前部進行網(wǎng)格分割，然后將從每次分區(qū)訓練中獲得的分類器進行集成以生成分類器。這將提高車輛模型的識別率。建立了一個15車系列的80款車型正面圖像的數(shù)據(jù)庫用于實驗。根據(jù)實驗結果，上述方法對汽車模型的正確回答率為93.5%。

尹玉梅等研究了一種基于支持向量機(SVM)的車型圖像識別算法。通過圖像邊緣檢測的方法。首先，該方法基于鄰域灰度極值提取邊界候選圖像，進而以邊界候選像素和與它鄰域像素的二值模式作為樣本集，進行運動目標的分割并提取具有RST不變性的輪廓特征向量，輸入支持向量機進行訓練和識別。除此之外，與傳統(tǒng)的算法比較，該算法使用的核函數(shù)少，計算量也較小，可以比較理想的解決小樣本、非線性和局部極小點等問題。該實驗表明，基于支持向量機的車型圖像識別算法擁有更好的性能。

馮超提出利用轎車圖像快速、準確地識別出轎車車型，可以采用支持向量機方法作為分類器，使用轎車的長、寬、高和軸距等4個特征參數(shù)作為輸入的特征向量，同時使用支持向量機方法作為分類器，以便根據(jù)汽車圖像快速建模汽車。提議準確識別并使用兩個特征參數(shù)作為輸入的特征向量，并且根據(jù)這些特征向量對不同的汽車模型進行分類和識別。實驗結果顯示，來自11個品牌的15個模型的識別精度為100%。這項研究得出：通過正確選擇汽車的特征參數(shù)，SVM方法能夠在識別汽車模型方面取得良好的效果。支持向量機在智能交通管理系統(tǒng)等領域具有較高的應用價值。

總結：目前，支持向量機在車型識別中的應用主要有兩個方面。一種是利用支持向量機和支持向量機在分類中的適用性來解決分類問題。例如，支持向量機能夠找到覆蓋密鑰分類信息的支持向量。同時作為強大的增量式和主動式學習的工具實現(xiàn)支持向量機可以更好的應用的目標。第二個是調查圖像分類應用程序中支持向量的開放性或開放性問題。針對圖像的特點，提出新的方法來提高支持向量機在車型分類中的有效性非常重要。