基于方向梯度直方圖特征的車臉識別方法研究

曲愛妍 張正 梁穎紅 吳秋玲 黃曉婷

摘? 要：隨著道路監(jiān)控系統(tǒng)的數(shù)字化和智能化發(fā)展，車輛類型識別成為智能交通系統(tǒng)的研究重點之一。本文基于道路監(jiān)控系統(tǒng)中的視頻圖像，對車前臉進行粗定位，并在粗定位車臉的基礎(chǔ)上對車臉進行精確定位。對精確定位的車前臉進行水平梯度水平投影和水平梯度垂直投影，提取車標的方向梯度直方圖——HOG特征，由此提出了基于HOG特征描述的車臉特征點提取方法，并采用支持向量機（SVM）對車標特征向量進行了分類識別。實驗結(jié)果表明，只有選擇適當?shù)腍OG特征參數(shù)，才能提高車型識別率。

關(guān)鍵詞：車臉識別;視頻識別;方向梯度直方圖;支持向量機

中圖分類號：TP311.5? ? ?文獻標識碼：A

文章編號：2096-1472（2021）-09-38-06

Abstract： With the digital and intelligent development of road monitoring system， vehicle type recognition has become one of the research focuses of intelligent traffic systems. Based on video images of the road monitoring system， this paper proposes to roughly locate the front face of the car， and then accurately locate the face of the car on the basis of the rough positioning. Based on the horizontal gradient horizontal projection and the horizontal gradient vertical projection of the accurately located front face， Histogram of Oriented Gradients （HOG） feature of the vehicle logo is extracted. Thus， a car face feature point extraction method based on the HOG feature description is proposed， and the vehicle logo feature vector is classified and recognized by Support Vector Machine （SVM）. Experimental results show that only by selecting proper HOG feature parameters can the vehicle recognition rate be improved.

Keywords： car face recognition; video recognition; HOG; SVM

1? ?引言（Introduction）

隨著生活水平的提高，汽車越來越成為我們生活中不可缺少的交通工具，汽車數(shù)量的劇增促使智能化交通系統(tǒng)（Intelligent Traffic System， ITS）[1]也迅速發(fā)展。智能交通系統(tǒng)中重要的部分有車型、車牌、車標識別等。車型識別方法主要分為兩種，一種是基于車輛本身固有參數(shù)進行識別的方法，主要有環(huán)形感應線圈法、射頻識別法、激光識別法[2]等;另外一種是基于視頻技術(shù)的CCD（Charge Coupled Device）視頻識別法[3]，在智能交通系統(tǒng)中越來越常見，主要基于實時拍攝的目標公路信息視頻錄像進行識別。ITS探索的重點是基于圖像分析的車型識別技術(shù)，但目前在技術(shù)環(huán)節(jié)上相應地比較單薄?，F(xiàn)今在國內(nèi)外基于圖像分析的車型識別技術(shù)研究方向主要分為模板匹配法[4]、神經(jīng)網(wǎng)絡(luò)識別法[5]以及支持向量機（Support Vector Machine， SVM）識別法[6-7]。本文主要研究SVM的車型識別方法。

2? 車輛的車臉定位技術(shù) （Vehicle face positioning technology）

2.1? ?車臉的粗定位技術(shù)

粗定位車臉[8]主要使用開運算和閉運算。開運算主要用于消除圖像中物體的外部噪聲，閉運算主要用于增強圖像中物體之間的連接。實驗主要提取運動車輛的車頭部分，其中車臉定義為車燈左右邊沿和上邊沿，以及車頭下邊沿的矩形框部分。采用開運算能夠?qū)④囕v的引擎蓋跟車窗部分分離。車臉的開運算提取結(jié)果如圖1所示。

由于背景的顏色、光照對車輛前景圖像的影響，經(jīng)過閾值化處理后的像素分布有很大的差異，例如，車輛在光照下的陰影會被當成車輛的一部分被檢測出來。因此，開運算提取結(jié)果只能粗定位車臉的大致區(qū)域。

2.2? ?車臉的精確定位技術(shù)

車臉的精確定位[9]是在粗定位車臉的基礎(chǔ)上，提取圖像的水平梯度值，并將其在水平方向上和豎直方向上進行投影。圖2第一行圖像為原始圖像，圖2第二行圖像為水平梯度圖像，圖2第三行圖像為經(jīng)過式（1）的閾值化處理得到二值結(jié)果。

其中，為閾值。

（1）水平梯度水平投影

基于二值化水平梯度圖像，灰度值沿水平方向上將進行疊加，得到水平方向上的投影：

（2）水平梯度垂直投影

在二值化水平梯度圖像的基礎(chǔ)上，沿垂直方向上將灰度值進行疊加，得到垂直方向上的投影：

從圖像第一列開始，掃描到圖像的1/4寬度處，當時，定義其為車臉左邊界;從圖像1/2寬度處開始，掃描至最后一列，當滿足時，定義其為車臉右邊界。

車臉定位結(jié)果如圖3所示。不同車臉在不同背景下的水平和垂直投影如圖4所示。圖4中第二行圖像是車臉的垂直投影圖，第三行圖像是車臉的水平投影圖。第二行圖像和第三行圖像中的白色橫線和白色豎線分別代表水平投影的均值和垂直投影的均值。

3? 基于HOG+SVM的車臉識別（Vehicle face recognition based on HOG+SVM）

3.1? ?提取車臉的HOG特征

方向梯度直方圖（Histogram of Oriented Gradient， HOG）特征[10]是一種描述圖像處理中物體檢測的數(shù)學特征，它通過計算和統(tǒng)計圖像局部區(qū)域的方向梯度直方圖來構(gòu)成特征。它的主要原理是基于統(tǒng)計圖像中局部目標的表象，以及形狀的梯度或邊緣的方向密度來提取特征的。本文圖像默認為64×64 像素，HOG特征提取的方法流程如圖5所示。

（1）將選取的車臉圖像灰度化成為一個的二維圖像。

（2）對輸入圖像利用gamma校正法進行顏色空間的歸一化處理。歸一化可以對圖像的對比度進行調(diào)整，也降低了陰影和光照對圖像造成的影響，同時噪音的干擾也可以被抑制。歸一化公式為：

式（8）中g(shù)amma取值1/2。

（3）計算圖像中每個像素點的梯度（包括水平方向和垂直方向），關(guān)鍵是輪廓的信息，與此同時弱化光照的干擾。計算圖像中像素點的水平梯度值與垂直梯度值如下所示。

（4）將block分成多個單元格（cell），每個cell占8×8 像素大小，用每個block塊中每個cell中的每個像素構(gòu)建方向梯度直方圖。

（5）針對每個block中的cell進行方向梯度直方圖的統(tǒng)計如下：分為9 個方向角，初始方向角為0°至180°。每個cell經(jīng)過9 個方向的計算后得到9 個特征值。假設(shè)block為16×16 像素大小，則每個block可以分為4 個cell，將block內(nèi)4 個cell的9 個特征值合并成一個特征向量，就得到該block的36 個特征值。

（6）將整個車臉圖像用block掃描，g表示一個block的特征向量維數(shù)，h表示車臉圖像的block個數(shù)，則車臉圖像的HOG特征用g×h 維特征向量表示。

3.2? ?支持向量機（SVM）

SVM主要用于小樣本、非線性、高維以及提高泛化性能的模式識別方法，它是一種基于“結(jié)構(gòu)風險最小化（Structural Risk Minimization， SRM）”原則的分類方法[11]。支持向量機最初用于解決兩類訓練樣本的分類問題，二分類線性最優(yōu)分割面示意圖如圖6所示。

圖6中，兩類樣本的最優(yōu)線性分割線為B，樣本中離B距離最近，且與B平行的兩類樣本分別用、表示。和之間的距離被稱為分類間隔。推廣于高維空間時，最優(yōu)分割線變成最優(yōu)分割面，則最優(yōu)分割面為：

式（23）中，支持向量所對應的，則的求和過程僅與支持向量相關(guān)。將滿足支持向量的任意值代入可求出。

上述是支持向量機線性可分的場景，但實際應用中很多都是非線性可分的。這樣，需要將原樣本中的特征數(shù)據(jù)非線性映射到一個特征空間中，則特征空間中存在一個廣義的最優(yōu)分界面，用來表示。

支持向量機的非線性多分類問題如圖7所示。

從以上分析過程可以看出，核函數(shù)實現(xiàn)了SVM從非線性可分空間到新的線性可分特征空間的非線性變換。根據(jù)不同的算法，核函數(shù)可分為線性、多項式、前饋神經(jīng)網(wǎng)絡(luò)以及徑向基等。

3.3? ?車臉識別系統(tǒng)設(shè)計

本文車臉識別系統(tǒng)前端是基于DM8168開發(fā)板開發(fā)的，主要實現(xiàn)交通監(jiān)控視頻中運動目標的檢測[12]。系統(tǒng)的框架圖如圖8所示。對運動車輛進行檢測，將檢測到的圖像進行灰化處理，然后針對車輛的前面板和車牌位置進行定位。在車牌定位的基礎(chǔ)上，針對車輛的前臉進行車型識別;在形態(tài)學與模板匹配進行車標定位的基礎(chǔ)上，對車標進行SVM分類。最后，對比車臉識別與車標識別的結(jié)果，確定輸出車型。

車輛視頻中車臉的識別結(jié)果如圖9所示。

由車輛視頻的識別結(jié)果可以看出，通過視頻圖像可實現(xiàn)車臉定位、車標定位，最終實現(xiàn)車型的識別和車牌的識別。

4? ?實驗與結(jié)果分析（Experiment and result analysis）

4.1? ?車前臉庫選取

本文選取從監(jiān)控視頻中定位的車臉圖像，對此進行歸一化大小為像素，如圖10所示。

4.2? ?HOG特征參數(shù)分析

HOG特征主要由block和cell的水平梯度和垂直梯度向量組成，所以圖像分割不同的網(wǎng)格所對應的block和cell的大小直接影響車臉識別的結(jié)果。本次實驗選取6 種車型：別克、本田、福特、上海大眾、雪佛蘭、尼桑，36 種車系，提取225 張車前臉的圖像。不同網(wǎng)格大小車型識別的誤差率如表1所示。

從實驗結(jié)果可以看出：當block為4×4、cell為4×4大小的像素時，識別車型的誤差率最小。當cell變大時，車型識別的誤差率也隨之變大;當cell變小時，車型的誤差率變大，且性能變差。因此，需要分割合適的block和cell大小，過大或過小的分割都會使性能變差。

顧偉等[13]的實驗采用了block重疊形式，由于重疊block會增加特征向量的維度和計算量，因此本實驗采用的是block不重疊的方式進行車型識別。圖11顯示了不重疊方式對車型的識別率。

5? ?結(jié)論（Conclusion）

本文針對道路監(jiān)控系統(tǒng)中的汽車視頻圖像，運用HOG特征對車前臉區(qū)域的圖像進行特征提取，并在SVM中進行訓練識別。本文設(shè)計實驗分析對比了不同模式下車型正確識別率和不同重疊方式對車型識別的影響，結(jié)果表明選擇合適的分割block非常重要，適當?shù)腷lock識別率才最高，過大或是過小識別率都會變差。以block不重疊計算HOG特征向量，可以減少特征向量的維度和計算量，能夠有效應用于車型的識別過程中。

參考文獻（References）

[1] 胡亮.用于車輛輔助駕駛系統(tǒng)中的前車追蹤算法研究[D].北京：北京工業(yè)大學，2017.

[2] DECKERT V， DECKERT-GAUDING T， CIALLAMAY D， et al. Laser spectroscopic technique for direct identification of a single virus I： FASTER CARS[J]. Proceedings of the National Academy of Sciences of the United States of America， 2020， 117（45）：27820-27824.

[3] 李衛(wèi)江.基于線陣CCD成像交通信息采集和檢測技術(shù)的研究[J].長安大學學報，2008，10（3）：22-24.

[4] 唐紅強.基于GRM模板匹配算法的車型和車系識別[D].成都：電子科技大學，2014.

[5] 晏世武，羅金良，嚴慶.基于卷積神經(jīng)網(wǎng)絡(luò)車型分類的研究[J].智能計算機與應用，2020，10（01）：67-70.

[6] 黃曉婷.基于DM8168雙核DSP的車型識別系統(tǒng)[D].南京：南京航空航天大學，2015.

[7] 黃燦.基于局部特征的汽車識別[J].微型電腦應用，2010，26（8）：51-56.

[8] 歐先鋒，晏鵬程，王漢譜，等.基于深度幀差卷積神經(jīng)網(wǎng)絡(luò)的運動目標檢測方法研究[J].電子學報，2020，48（12）：2384-2393.

[9] 張文鵬.復雜條件下多通道SAR運動目標檢測與參數(shù)估計方法研究[D].長沙：國防科技大學，2018.

[10] ERAZO-AUX J， LOAIZA-CORREA H， RESTREPO-GIRON A D. Histograms of oriented gradients for automatic detection of defective regions in thermograms[J]. Applied Optics， 2019， 58（13）：3620-3629.

[11] 劉渭濱，鄒智元，邢薇薇.模式分類中的特征融合方法[J].北京郵電大學學報，2017，40（04）：1-8.

[12] 張紅兵.基于TMS320DM8127的車型識別系統(tǒng)的研究與實現(xiàn)[D].南京：南京航空航天大學，2015.

[13] 顧偉，李菲菲，陳虬.基于多特征融合的行人檢測方法[J].電子科技，2021，34（05）：29-34.

作者簡介：

曲愛妍（1976-），女，碩士，高級工程師.研究領(lǐng)域：圖像處理，人工智能，數(shù)據(jù)安全，數(shù)據(jù)分析.

張? 正（1973-），男，本科，研究員.研究領(lǐng)域：專用網(wǎng)絡(luò)安全性，加解密技術(shù)，無線通信.本文通訊作者.

梁穎紅（1970-），女，博士，教授.研究領(lǐng)域：自然語言處理，智能對話系統(tǒng).

吳秋玲（1976-），女，博士，副教授.研究領(lǐng)域：信息隱藏技術(shù)，無線網(wǎng)絡(luò)與信息安全.

黃曉婷（1990-），女，碩士， 工程師.研究領(lǐng)域：圖像處理，DSP.