基于視頻的車型特征提取及識別方法研究

王慧斌，蘆蓉

0 引言

車型識別作為 ITS中的一個(gè)重要分支，在打擊盜竊車輛、規(guī)范交通秩序、大型停車場管理、高速公路自動(dòng)計(jì)費(fèi)、交通流量統(tǒng)計(jì)等方面具有廣闊的應(yīng)用前景[1] 。由于視頻圖像中包含的信息內(nèi)容豐富，因此，基于視頻圖像而進(jìn)行的車型識別技術(shù)相較于其他監(jiān)測技術(shù)而言更具有應(yīng)用優(yōu)勢。同時(shí)，也還存在一些問題迫切需要解決。一方面是計(jì)算的復(fù)雜性問題。這是由于車型識別包含諸多的處理環(huán)節(jié)（如，車輛檢測、車型特征提取等）流程，且在處理的各個(gè)環(huán)節(jié)采用了多種方法，因此如何簡化使得處理更加高效非常重要；另一方面是識別對象的復(fù)雜性問題。由于交通場景多變，車輛類型多樣，以及車輛移動(dòng)造成的變化等，增加了車型識別難度。因此，如何解決這些問題已成為車型識別研究的重要內(nèi)容。

目前主流的車型識別技術(shù)主要是基于統(tǒng)計(jì)模式識別的方法[2] ，該方法的流程見圖1所示：

統(tǒng)計(jì)模式識別就是在已知訓(xùn)練樣本集的基礎(chǔ)上設(shè)計(jì)分類算法，并進(jìn)而對未知樣本進(jìn)行辨別分類。分類算法是基于對訓(xùn)練樣本向量學(xué)習(xí)的，因此其計(jì)算的復(fù)雜度和樣本特征的維數(shù)密切相關(guān)，其分類的準(zhǔn)確度和樣本特征的鑒別性能密切相關(guān)。可見，基于統(tǒng)計(jì)模式識別的方法中，特征選取是其關(guān)鍵問題

圖1 基于統(tǒng)計(jì)模式識別的車型識別流程

本文的車型識別方法選擇車輛圖像的灰度矩陣作為初級描述特征，并采用基于子空間分析的特征提取優(yōu)化方法PCA-LDA，對初級特征進(jìn)行優(yōu)化處理。在此基礎(chǔ)上進(jìn)一步設(shè)計(jì)了一種1-V-1 SVMs車型分類器，并結(jié)合KNN方法來進(jìn)一步提高識別的準(zhǔn)確率。

1 車輛特征提取優(yōu)化方法

1.1 車型特征提取方案

目前大部分的車型識別所選擇的識別特征都是如車體的輪廓、車長、車高、面積和軸距等幾何數(shù)據(jù)[3,4] 。而在實(shí)際應(yīng)用中，車輛直觀性特征的準(zhǔn)確提取依賴于對運(yùn)動(dòng)車輛檢測的精度，然而，車輛精確檢測本身就是較為復(fù)雜的問題。同時(shí)，直觀性特征又較難反映車型的細(xì)節(jié)變化?？紤]到車輛的灰度圖像較易獲得且含有較多有效信息的。因此，本文采用車輛圖像灰度矩陣作為車型的初級描述特征。然而灰度特征的維數(shù)很高，特征數(shù)據(jù)之間的冗余大，不利于計(jì)算，因此需要進(jìn)行“二次特征”的提取，從而獲得一組有利于學(xué)習(xí)和分類的“少而精”的目標(biāo)特征用于識別。

“二次特征”提取的實(shí)質(zhì)是通過空間變換得到車輛的識別特征。這些特征要能夠滿足有效、冗余減少以及降維等要求。因此，本文設(shè)計(jì)了一種基于PCA-LDA的二次特征提取優(yōu)化方法，以提取更加有利于學(xué)習(xí)和分類的車型識別特征。

1.2 PCA-LDA特征提取優(yōu)化方法

PCA（Principle Component Analysis）[5,7] 是一種多元統(tǒng)計(jì)數(shù)據(jù)分析方法，其基本思想是通過線性變換，將高維空間的問題轉(zhuǎn)換到低維空間進(jìn)行處理。它能夠去除原始特征間的相關(guān)性，同時(shí)保持原始空間數(shù)據(jù)所提供的大部分信息，該方法具有很好的降維性能且丟失的數(shù)據(jù)信息最少，得到的特征能夠很好的代表原始數(shù)據(jù)但并不具有鑒別能力；LDA（Linear Discriminant Analysis）[6,7] 是一種用于判別樣本所屬類型的統(tǒng)計(jì)分析方法，它把高維數(shù)據(jù)投影到一個(gè)低維空間中，并且盡量使得在此低維空間中，同類樣本點(diǎn)聚集在一起，而不同類的樣本點(diǎn)分開。它能在降維的同時(shí)考慮到原始數(shù)據(jù)不同類別間的分類特征，從高維特征空間中提取出最具有鑒別能力的低維特征，但是對在實(shí)際中普遍存在的小樣本問題，其類內(nèi)散布矩陣經(jīng)常是奇異的。

本文設(shè)計(jì)的 PCA-LDA特征提取優(yōu)化方法結(jié)合了 PCA和LDA各自的優(yōu)點(diǎn)，首先通過PCA方法將高維圖像空間壓縮至主成分向量張成的低維PCA子空間從而消除特征數(shù)據(jù)的奇異性，然后在此空間中再通過加權(quán)LDA方法提取最佳鑒別特征。通過該方法獲得的車型識別特征維數(shù)低、鑒別性能高，因此分類器的計(jì)算快速、準(zhǔn)確率高，取得了較好的識別效果。

PCA-LDA方法的特征提取流程如圖2所示：

圖2 PCA-LDA方法的特征提取流程

其具體實(shí)現(xiàn)過程如下：

（1）把每幅圖像對應(yīng)的灰度矩陣按照行或者列的形式展開成一個(gè)向量。這些向量構(gòu)成一個(gè)矩陣X，每一行代表一個(gè)樣本，每一列代表一個(gè)特征值。

計(jì)算矩陣X的協(xié)方差矩陣R：

式中的μ是樣本的總體均值向量，R是通過求矩陣的期望得到的。通過解特征方程，得到R的p個(gè)按照降序排列的特征值iλ及相應(yīng)的正交歸一特征向量取累計(jì)貢獻(xiàn)率達(dá)到的前k1個(gè)主成分，得到k1個(gè)主成分張成的特征空間W1。

（2）將所有訓(xùn)練圖像都投影到W1空間中，得到投影后的最佳描述特征。然后利用加權(quán)LDA方法計(jì)算圖像最佳描述特征的類內(nèi)散布矩陣Sw和類間散布矩陣sb。

假設(shè)共有c類樣本，Pi是每類樣本的先驗(yàn)概率（實(shí)際中，先驗(yàn)概率Pi往往等于類ωi的樣本數(shù)與總體樣本個(gè)數(shù)的比率），μi是第Ci類樣本的均值，μ是所有樣本的均值，Xi是屬于第i類的樣本。類內(nèi)散布矩陣Sw和類間散布矩陣Sb見式（2）和式（3）：

（4）求出W=W1*W2，W就是圖像的最佳投影矩陣；

（5）通過最佳投影矩陣，獲得所有訓(xùn)練圖像的最佳分類特征。

2 基于支持向量機(jī)的車型識別

2.1 支持向量機(jī)

支持向量機(jī)（Support Vector Machine, SVM）方法[8] 是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識別方法，其主要思想可以概括為兩點(diǎn)：（1）它是針對線性可分情況進(jìn)行分析，對于線性不可分的情況，通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分；（2）它是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論在特征空間中建構(gòu)最優(yōu)分類超平面，使得學(xué)習(xí)器得到全局最優(yōu)化,并且在整個(gè)樣本空間的期望風(fēng)險(xiǎn)以某個(gè)概率滿足一定上界。

設(shè)有樣本xi和它的分類yi，表示成是輸入空間的維數(shù)。對標(biāo)準(zhǔn)化SVM，它的分界面是其最優(yōu)化問題可以用下面的二次規(guī)劃問題表示：

ξi≥0（i=1,…N）是一個(gè)松弛變量，用來保證對線性不可分?jǐn)?shù)據(jù)的有效分類。參數(shù)C是一個(gè)正常數(shù)，稱為懲罰參數(shù)，是對經(jīng)驗(yàn)風(fēng)險(xiǎn)和表達(dá)能力的一個(gè)裁決。C越大表明對錯(cuò)誤分類的懲罰越大。函數(shù) ф是一個(gè)非線性映射函數(shù)，用于把數(shù)據(jù)映射到高維空間，但是它并不是顯性結(jié)構(gòu)函數(shù)。通過轉(zhuǎn)換空間，我們得到最優(yōu)超平面。

在構(gòu)造最優(yōu)超平面時(shí)，訓(xùn)練算法只涉及到空間中的內(nèi)積運(yùn)算，即可以采用滿足Mercer條件的核函數(shù)來代替該內(nèi)積運(yùn)算，目前主要的核函數(shù)有：

（3）RBF（徑向基）核函數(shù)：

2.2 車型識別分類器設(shè)計(jì)

由于在實(shí)際中所獲得的車輛訓(xùn)練樣本有限，因此本文采用在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出了很多特有的優(yōu)勢的SVM方法來進(jìn)行分類識別。

假設(shè)對小轎車、卡車和客車三類車型進(jìn)行分類。這是一個(gè)多類分類問題。在SVM的分類策略中[9] ，利用“一對一”方法構(gòu)造的組合分類器泛化能力較強(qiáng)，在實(shí)際應(yīng)用中能夠獲得比較高的分類精度，因此本文就采用這種構(gòu)造策略來構(gòu)造車型識別分類器1-V-1 SVMs。

設(shè)三種車型分別為ω1、ω2、ω3，類別數(shù)N=3。每類的樣本數(shù)為n1，n2，n3，總樣本數(shù)=n1+n2+n3。第i類和第j類之間的子分類器SVMt對應(yīng)的訓(xùn)練樣本是ωi和ωi（i≠j，i=1,2,3，j=1,2,3，t=1,2,…,N(N-1)/2），每個(gè)子分類器采用SVM算法對訓(xùn)練樣本集進(jìn)行學(xué)習(xí)，其最優(yōu)化問題如式所示。通過學(xué)習(xí)，求出每個(gè)子分類器對應(yīng)的支持向量、最優(yōu)分類面的系數(shù)及常數(shù)b等。

2.3 基于KNN-SVM的分類決策

SVM子分類器可以看做每類只有一個(gè)代表點(diǎn)的1NN分類器[10] ，它對每類只取一個(gè)代表點(diǎn)，如果該代表點(diǎn)無法很好的代表該類，那么分類結(jié)果就會出現(xiàn)錯(cuò)誤。而KNN方法將每類所有的支持向量都作為代表點(diǎn)，對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

對SVM分類時(shí)錯(cuò)分樣本的分布進(jìn)行分析發(fā)現(xiàn)，其出錯(cuò)樣本都在分界面附近。針對這種現(xiàn)象，為了進(jìn)一步提高識別率，本文在子分類器中結(jié)合使用了SVM和KNN兩種方法進(jìn)行分類決策。KNN-SVM 方法的分類思想是：當(dāng)樣本距SVM 最優(yōu)超平面的距離大于一定閾值ε即樣本離分界面較遠(yuǎn)時(shí)，用SVM方法進(jìn)行分類；反之即樣本離分界面較近時(shí)，用KNN方法對樣本進(jìn)行分類。ε一般設(shè)定為0～1之間的常數(shù)，可以看出當(dāng)ε=0時(shí)，就僅用SVM算法進(jìn)行分類。具體分類過程如圖5所示：

引入KNN算法不會增加SVM算法的時(shí)間復(fù)雜度，而且能減少SVM分類超平面附近樣本點(diǎn)的錯(cuò)分率，從而提高分類器的準(zhǔn)確率。

圖3 KNN-SVM方法的分類過程

設(shè)測試樣本集為T，由訓(xùn)練得到的支持向量集為Tsv，k是KNN算法中最近鄰的個(gè)數(shù)。KNN-SVM分類算法偽代碼如下：

Step1: 如果Φ≠T，取Tx∈；否則，停止；

Step4: 從測試樣本集中減去樣本x即TxT→?，回到步驟1繼續(xù)。

其中，Step3中使用的KNN算法是將支持向量集Tsv作為分類算法的代表點(diǎn)集合的，且其計(jì)算測試樣本和每個(gè)支持向量的距離都是在特征空間中而不是原始空間中進(jìn)行的，因此其使用的距離公式不能采用歐式距離公式，而是采用如下公式：

基于KNN-SVM的分類決策過程如圖4所示：

圖4 KNN-SVMs的決策過程

對所有子分類器的輸出結(jié)果利用投票法進(jìn)行統(tǒng)計(jì)。投票統(tǒng)計(jì)的過程是：計(jì)算關(guān)于i類的子分類器分類結(jié)果，判斷測試樣本x是否在第i類：若在，則給第i類的票數(shù)加1。用同樣的方法遍歷所有類最后比較每個(gè)類所得的票數(shù)，把測試樣本x歸類到票數(shù)最多的那類去。

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)中，所采集數(shù)據(jù)是車道上的車輛的側(cè)面影像。然后通過運(yùn)動(dòng)車輛檢測算法從交通視頻序列中定位分割出車輛目標(biāo)。最后將所分割出的車輛目標(biāo)圖像的大小全部轉(zhuǎn)化為160*50（長*寬），就是本文所使用的標(biāo)準(zhǔn)車輛圖片。選取30幅車輛圖片（共 3類，每類 10幅）作為訓(xùn)練樣本，15幅車輛圖片（共3類，每類5幅）作為測試樣本集1，將此測試樣本中的車輛圖片分別作旋轉(zhuǎn)、顏色調(diào)整、放大以及加入噪聲等變換，擴(kuò)充測試樣本集的樣本數(shù)目到 30，得到測試樣本集 2、3、4、5。車輛圖像四種變換的效果如圖5所示：

圖5 車輛圖片四種變換效果圖

3.2 實(shí)驗(yàn)仿真

分別提取30幅訓(xùn)練樣本集的PCA、PCA-LDA特征，其維數(shù)變化如表1所示：

表1 特征的維數(shù)變化

原始特征是車輛的灰度矩陣，轉(zhuǎn)換成向量形式后其特征維數(shù)為160*50=80000。分別用PCA方法和PCA-LDA方法進(jìn)行二次特征提取，獲得的特征維數(shù)都大大降低，且PCA-LDA的特征維數(shù)僅為2。因此，在二維坐標(biāo)系中用橫、縱坐標(biāo)分別表示特征的第一、第二維數(shù)據(jù)，30幅訓(xùn)練樣本的分布情況如圖6所示：

圖6 訓(xùn)練集樣本分布圖

從圖6中可以觀察到，訓(xùn)練樣本集的分布符合不同類樣本點(diǎn)之間遠(yuǎn)離，同類樣本點(diǎn)之間靠近的規(guī)律，可見PCA-LDA特征有很好的鑒別性能。

本文的子分類器使用C-SVM算法，核函數(shù)選取相對比較穩(wěn)定的高斯核函數(shù)懲罰因子 C和高斯核函數(shù)參數(shù)σ的選擇采用交叉驗(yàn)證的思想，在 [2-10,210] 范圍內(nèi)進(jìn)行參數(shù)尋優(yōu)。分別對測試集1、2、3、4、5進(jìn)行分類，結(jié)果如表2所示。

表2 車型識別結(jié)果

從表2可以看出，經(jīng)過PCA-LDA特征提取優(yōu)化方法所提取的車型識別特征對車輛的變形、顏色變化、噪聲干擾都有較好的魯棒性，且識別率較高。

表3是車型識別速度。從表3中可以看出，經(jīng)過二次特征提取后獲得的識別特征，無論是PCA特征還是PCA-LDA特征，由于其維數(shù)大大降低，因此其分類識別的速度也有了大大提高。特別是PCA-LDA特征在分類識別率和識別速度方面都有很好的表現(xiàn)。

表3 車型識別速度

4 結(jié)論

本文采用了基于統(tǒng)計(jì)模式識別的車型識別方法，在車型特征提取時(shí)，充分利用了LDA方法能夠獲得最佳鑒別特征的優(yōu)勢，提出了一種基于PCA-LDA的特征提取方法。同時(shí)，采用“一對一”策略構(gòu)造了車型分類器1-V-1 SVMs，并基于KNN方法提高SVM子分類器分類準(zhǔn)確率。實(shí)驗(yàn)仿真結(jié)果證明了本文方法的有效性。

[1] Broggi A, Vehicles S. Intelligent Transportation Systems[C] . Citeseer, 2008: 2-7.

[2] Clady X, Negri P, Milgram M. Multi-class vehicle type recognition system[J] . Artificial Neural Networks in Pattern Recognition, 2008, 228-239.

[3] Fujiyoshi H,Kanade T. Algorithms for cooperative multisensor surveillance[J] . Proceedings of the IEEE,2001, 89(10):1456-1477.

[4] 袁志勇,查桂峰,陳綿云,張仁宏.基于反對稱小波的車型識別研究.武漢大學(xué)學(xué)報(bào),2005,30(6):560-563.

[5] Chengcui Zhang, Xin Chen,Wei-bang Chen.A PCA-based Vehicle Classification Framework [J] . IEEE International Conference on Data Engineering Workshops, 2006:17-26.

[6] 郭娟,林冬,戚文芽.基于加權(quán)Fisher準(zhǔn)則的線性鑒別分析及人臉識別.計(jì)算機(jī)應(yīng)用,2006,26(5):1037-1039.

[7] Peter N, Belhumeur, Joao P. Hespanha, and David J.Kriegman. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997,19(7):711-720.

[8] Cui B,Xue T,Yang K. Vehicle Recognition Based on Support Vector Machine[C] . International Symposium on Intelligent Information Technology Application Workshops, 2008:443-446.

[9] Gou B,Huang X.SVM multi-class classification [J] . Shuju Caiji yu Chuli(Journal of Data Acquisition & Processing,2006, 21(3):334-339.

[10] 李蓉,葉世偉,史忠植. SVM—KNN分類器:一種提高SVM分類精度的新方法[J] .電子學(xué)報(bào),2002,30(5) :745-748.