CN104598928A - 一种基于类字典稀疏识别的车辆分类方法 - Google Patents
一种基于类字典稀疏识别的车辆分类方法 Download PDFInfo
- Publication number
- CN104598928A CN104598928A CN201510051034.8A CN201510051034A CN104598928A CN 104598928 A CN104598928 A CN 104598928A CN 201510051034 A CN201510051034 A CN 201510051034A CN 104598928 A CN104598928 A CN 104598928A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- dictionary
- class
- sparse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于类字典稀疏识别的车辆分类方法,所述方法首先将训练图像变成灰度图像并归一化为同一尺寸,提取LBP特征和SIFT特征并级联,采用RLS-DLA算法进行字典训练,针对自行车、摩托车、汽车三类典型目标的图像数据集,分别训练出三个对应的类字典;将待分类目标灰度化和归一化后,提取LBP特征和SIFT特征并将二者进行级联;利用训练好的三个类字典,进行稀疏识别,分别求出各类对应的稀疏系数,依据最近邻原则进行分类。本发明方法中类字典对于特定类的表征能力强于由全体数据集生成的全局字典,可以滤除光照对车辆目标图像处理的影响,并且对不同角度的目标图像仍能达到良好的分类效果。
Description
技术领域
本发明公开了一种基于类字典稀疏识别的车辆分类方法,涉及智能交通和图像处理技术领域。
背景技术
在现代社会发展日新月异的今天,交通作为涉及到人们日常生活的重要领域,虽然取得了长足的进步,但不断凸显的交通问题已成为一个全球性的棘手问题,交通拥挤、事故频繁发生、环境污染加剧。为了解决这些问题,20世纪80年代以来,智能交通***便应运而生,发挥着重要的作用。车辆分类是推进智能交通***发展的一个重要的研究方向,在道路交通监控***、交通车辆管理***和高速公路收费***等方面都有着广泛的应用前景。
车辆分类主要包括两大步骤:特征提取和分类器构造。这两个因素对分类性能的好坏有重要的影响。现阶段有很多特征提取的方法,比如:颜色直方图特征、LBP特征、Gabor特征、HOG特征、Surf特征等。但是不同的特征提取方法有不同的适应场景,场景稍加变化,就会使分类性能降低,很难同时获得好的鲁棒性和高的精确度;现阶段常用的分类器主要有:BP神经网络分类器、SVM分类器、线性分类器、贝叶斯分类器等。BP神经网络分类器虽然分类效果良好,但是所需训练样本比较多,并且对样本的要求也比较高。SVM分类器对二分类的分类效果优良,但是对于多分类效果不佳,并且算法比较复杂。
发明内容
本发明所要解决的技术问题是:针对现有技术的缺陷,提供一种基于类字典稀疏识别的车辆分类方法,首先将训练图像变成灰度图像并归一化为同一尺寸,提取LBP特征和SIFT特征并级联,采用RLS-DLA算法进行字典训练,针对自行车、摩托车、汽车三类典型目标的图像数据集,分别训练出三个对应的类字典;将待分类目标灰度化和归一化后,提取LBP特征和SIFT特征并将二者进行级联;利用训练好的三个类字典,进行稀疏识别,分别求出各类对应的稀疏系数,依据最近邻原则进行分类。
本发明为解决上述技术问题采用以下技术方案:
一种基于类字典稀疏识别的车辆分类方法,所述方法包括如下步骤:
步骤一、对车辆图像集中的样本进行灰度化,再归一化为同一尺寸的图像I1;
步骤二、提取图像I1的LBP特征和SIFT特征,并把上述两个特征相级联,组合成一个与I1对应的融合特征VR;
步骤三、采用RLS-DLA字典学习算法对融合特征VR进行训练,针对不同类型的车辆分别训练出各自对应的类字典;
步骤四、对待分类目标图像进行灰度化处理,并归一化为同一尺寸的图像Ic;
步骤五、提取图像Ic的LBP特征和SIFT特征,并把两个特征相级联,组合成一个与Ic对应的融合特征VC;
步骤六、根据步骤三中训练好的类字典进行稀疏识别,分别求出各类对应的稀疏系数,依据最近邻原则进行分类,判断步骤四中的待分类目标图像具体所属的车辆类型。
作为本发明的进一步优选方案,步骤一中,所述车辆图像包括自行车、摩托车和汽车三类,每类图像都包含不同拍摄角度的图像,每类图像的数量为150张;归一化为同一尺寸的图像I1为40×50大小的灰度图像。
作为本发明的进一步优选方案,步骤二中,所述特征提取的过程具体包括:
201:采用LBP算子对图像I1进行特征提取,得到一个1×2000维的LBP特征VL;
202:采用SIFT算子对图像I1进行特征提取,得到一个1×1280维的SIFT特征VS;
203:把特征VL和VS相融合,将特征VS直接串联至特征VL后,得到一个1×3280维的融合特征VR。
作为本发明的进一步优选方案,步骤三中,采用RLS-DLA算法对融合特征VR进行训练的过程具体包括:
301:将一类图像中150个融合特征VR组成一个3280×150维的融合特征矩阵HR,采用RLS-DLA算法对HR进行训练,其中递归次数为50次,峰值信噪比为35,字典中原子数量为128,进而得到一个3280×128维的字典D1;
302:根据步骤301中的方法训练出针对其他类图像的字典D2和D3。
作为本发明的进一步优选方案,步骤六中,采用MP算法计算稀疏系数,所述稀疏识别的具体步骤包括:
601:采用MP算法分别计算出待分类目标图像的融合特征VC用字典D1表示的稀疏系数w1,用字典D2表示的稀疏系数w2,用字典D3表示的稀疏系数w3;
602:分别计算稀疏系数w1、w2、w3的1范数,以及其中的最小值:
wR=min{||w1||1,||w2||1,||w3||1};
603:所有类字典的稀疏系数1范数的最小值wR所对应的类别即为待测目标所属的类别。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:本发明方法中类字典对于特定类的表征能力强于由全体数据集生成的全局字典;把LBP纹理特征和SIFT角点特征相结合,不仅能保留图像的全局特征,还可以有效突出局部特征;本发明可以滤除光照对车辆目标图像处理的影响,并且对不同角度的目标图像仍能达到良好的分类效果。所述方法具有较好的鲁棒性和较高的精确度,对光照变化,目标尺寸变化以及角度变化的待分类目标图像都能取得较好的分类效果。
附图说明
图1是本发明中基于类字典稀疏识别的车辆分类方法流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明中基于类字典稀疏识别的车辆分类方法流程图如图1所示,本发明一种基于类字典稀疏识别的车辆分类方法,其步骤如下:
步骤A:采集交通监控视频和小区监控视频中的自行车、摩托车、汽车的图像,要求有效目标自行车、摩托车、汽车应占所采集图像的20%以上区域。每类图像各采集150张,包含不同拍摄角度的图像,如正面、侧面、后面等。这样共采集450张图像,作为训练图像。对每张训练图像首先进行灰度化处理,然后归一化为同一尺寸40×50大小的灰度图像I1。
步骤B:提取图像I1的LBP特征VL和SIFT特征VS,并把两个特征相级联,组合成一个与I1对应的融合特征VR。详细步骤如下:
步骤B-1(提取LBP特征VL):使用LBP算子对I1进行特征提取。其中,LBP算子的窗口的尺寸为3×3,邻域半径R为1,邻域上像素点的个数P为8。将图像I1的任意一点定义为中心点,以此中心点的灰度值为阈值对3×3窗口内的另外8个像素点作二值化处理。若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3×3邻域内的8个点经比较产生8位2进制数,然后将其转换成十进制数即LBP码,即得到该邻域中心像素点的LBP值。LBP值计算公式如下:
其中(xc,yc)表示3×3邻域的中心元素,它的像素值为ic,ip表示邻域内其他像素的值。S(x)是符号函数,定义如下:
用上述方法计算出图像I1每个像素点的LBP值,得到大小为40×50的LBP编码图,然后把此LBP编码图拉成1×2000维的向量,即LBP特征VL。
步骤B-2(提取SIFT特征VS):使用SIFT算子对图像I1进行特征提取。首先对图像I1进行4个不同尺度的高斯模糊,连续进行两次2倍降采样,得到一个高斯金字塔,共三层,每层4张图片;然后检测SIFT特征点,用1×128维的列向量进行描述;最后选取其中的十个特征点串联得到1×1280维的向量,即SIFT特征VS。
步骤B-3(得到融合特征VR):采用特征VS直接串联到特征VL后面的方法,得到一个1×3280维的融合特征VR。
步骤C:采用RLS-DLA字典学习算法(递归最小二乘字典学习算法),针对自行车、摩托车、汽车这三类,分别训练出各自的类字典。如针对自行车,有150张自行车图片,每张图片经过步骤A、B,得到一个融合特征VR,把这150个融合特征VR组成一个3280×150维的融合特征矩阵HR,采用RLS-DLA算法对HR进行训练,其中递归次数为50次,峰值信噪比为35,字典中原子数量为128,得到一个3280×128维的字典D1。以同样的方法训练出针对摩托车、汽车的字典D2、D3。
步骤D:将待分类目标图像进行灰度化处理,并归一化大小为40×50的同一尺寸的图像Ic。
步骤E:采用与步骤B相同的方法提取图像Ic的LBP特征和SIFT特征,并把两个特征相级联,组合成一个与待测目标图像对应的融合特征VC(1×3280维的向量)。
步骤F:利用步骤C训练好的三个字典D1、D2、D3,分别对融合特征VC进行稀疏表示,求出对应的稀疏系数w1、w2、w3,依据最近邻原则进行分类,判断待分类目标属于自行车,摩托车,汽车中的哪一类。详细步骤如下:
步骤F-1:采用MP算法(匹配追踪算法)分别计算出待分类目标图像的融合特征VC用字典D1表示的稀疏系数w1,用字典D2表示的稀疏系数w2,用字典D3表示的稀疏系数w3。计算公式如下所示:
步骤F-2:分别计算稀疏系数w1、w2、w3的1范数,以及wR=min{||w1||1,||w2||1,||w3||1};
步骤F-3:以wR来判断待测目标所属的类别,也就是所有类字典的稀疏系数1范数的最小值所对应的类别即为待测目标所属的类别。例如,若wR=||w1||1,则待测目标属于第一类,即待测目标是自行车。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (5)
1.一种基于类字典稀疏识别的车辆分类方法,其特征在于,所述方法包括如下步骤:
步骤一、对车辆图像集中的样本进行灰度化,再归一化为同一尺寸的图像I1;
步骤二、提取图像I1的LBP特征和SIFT特征,并把上述两个特征相级联,组合成一个与I1对应的融合特征VR;
步骤三、采用RLS-DLA字典学习算法对融合特征VR进行训练,针对不同类型的车辆分别训练出各自对应的类字典;
步骤四、对待分类目标图像进行灰度化处理,并归一化为同一尺寸的图像Ic;
步骤五、提取图像Ic的LBP特征和SIFT特征,并把两个特征相级联,组合成一个与Ic对应的融合特征VC;
步骤六、根据步骤三中训练好的类字典进行稀疏识别,分别求出各类对应的稀疏系数,依据最近邻原则进行分类,判断步骤四中的待分类目标图像具体所属的车辆类型。
2.如权利要求1所述的一种基于类字典稀疏识别的车辆分类方法,其特征在于:步骤一中,所述车辆图像包括自行车、摩托车和汽车三类,每类图像都包含不同拍摄角度的图像,每类图像的数量为150张;归一化为同一尺寸的图像I1为40×50大小的灰度图像。
3.如权利要求1所述的一种基于类字典稀疏识别的车辆分类方法,其特征在于:步骤二中,所述特征提取的过程具体包括:
201:采用LBP算子对图像I1进行特征提取,得到一个1×2000维的LBP特征VL;
202:采用SIFT算子对图像I1进行特征提取,得到一个1×1280维的SIFT特征VS;
203:把特征VL和VS相融合,将特征VS直接串联至特征VL后,得到一个1×3280维的融合特征VR。
4.如权利要求2所述的一种基于类字典稀疏识别的车辆分类方法,其特征在于:步骤三中,采用RLS-DLA算法对融合特征VR进行训练的过程具体包括:
301:将一类图像中150个融合特征VR组成一个3280×150维的融合特征矩阵HR,采用RLS-DLA算法对HR进行训练,其中递归次数为50次,峰值信噪比为35,字典中原子数量为128,进而得到一个3280×128维的字典D1;
302:根据步骤301中的方法训练出针对其他类图像的字典D2和D3。
5.如权利要求4所述的一种基于类字典稀疏识别的车辆分类方法,其特征在于:步骤六中,采用MP算法计算稀疏系数,所述稀疏识别的具体步骤包括:
601:采用MP算法分别计算出待分类目标图像的融合特征VC用字典D1表示的稀疏系数w1,用字典D2表示的稀疏系数w2,用字典D3表示的稀疏系数w3;
602:分别计算稀疏系数w1、w2、w3的1范数,以及其中的最小值:
wR=min{||w1||1,||w2||1,||w3||1};
603:所有类字典的稀疏系数1范数的最小值wR所对应的类别即为待测目标所属的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510051034.8A CN104598928A (zh) | 2015-01-30 | 2015-01-30 | 一种基于类字典稀疏识别的车辆分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510051034.8A CN104598928A (zh) | 2015-01-30 | 2015-01-30 | 一种基于类字典稀疏识别的车辆分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104598928A true CN104598928A (zh) | 2015-05-06 |
Family
ID=53124700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510051034.8A Pending CN104598928A (zh) | 2015-01-30 | 2015-01-30 | 一种基于类字典稀疏识别的车辆分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104598928A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106781513A (zh) * | 2016-11-28 | 2017-05-31 | 东南大学 | 一种基于特征融合的城市交通场景中车辆行为的识别方法 |
WO2017129015A1 (zh) * | 2016-01-29 | 2017-08-03 | 中兴通讯股份有限公司 | 一种车型识别方法及装置 |
CN107924465A (zh) * | 2016-03-18 | 2018-04-17 | Jvc 建伍株式会社 | 物体识别装置、物体识别方法以及物体识别程序 |
CN109359666A (zh) * | 2018-09-07 | 2019-02-19 | 佳都新太科技股份有限公司 | 一种基于多特征融合神经网络的车型识别方法及处理终端 |
CN109598977A (zh) * | 2019-01-04 | 2019-04-09 | 上海钧正网络科技有限公司 | 基于视频监控的车辆检测方法、装置、***及服务器 |
CN110298308A (zh) * | 2019-06-28 | 2019-10-01 | 北京无线电计量测试研究所 | 一种自行车专用道车辆行人识别*** |
CN111222360A (zh) * | 2018-11-23 | 2020-06-02 | 隆基绿能科技股份有限公司 | 硅料熔化状态的检测方法、设备及存储介质 |
CN111612087A (zh) * | 2020-05-28 | 2020-09-01 | 北京益嘉阳光科技发展有限公司 | 动车组teds***图像特征字典生成方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295242A (zh) * | 2013-06-18 | 2013-09-11 | 南京信息工程大学 | 一种多特征联合稀疏表示的目标跟踪方法 |
-
2015
- 2015-01-30 CN CN201510051034.8A patent/CN104598928A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295242A (zh) * | 2013-06-18 | 2013-09-11 | 南京信息工程大学 | 一种多特征联合稀疏表示的目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
罗会兰,郭敏杰,孔繁胜: "《集成多特征与稀疏编码的图像分类方法》", 《模式识别与人工智能》 * |
邓楠,徐正光,王珺: "《基于稀疏表征多分类器融合的遮挡人脸识别》", 《计算机应用研究》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017129015A1 (zh) * | 2016-01-29 | 2017-08-03 | 中兴通讯股份有限公司 | 一种车型识别方法及装置 |
CN107924465A (zh) * | 2016-03-18 | 2018-04-17 | Jvc 建伍株式会社 | 物体识别装置、物体识别方法以及物体识别程序 |
CN107924465B (zh) * | 2016-03-18 | 2021-09-10 | Jvc 建伍株式会社 | 物体识别装置、物体识别方法以及存储介质 |
CN106781513A (zh) * | 2016-11-28 | 2017-05-31 | 东南大学 | 一种基于特征融合的城市交通场景中车辆行为的识别方法 |
CN109359666A (zh) * | 2018-09-07 | 2019-02-19 | 佳都新太科技股份有限公司 | 一种基于多特征融合神经网络的车型识别方法及处理终端 |
CN111222360A (zh) * | 2018-11-23 | 2020-06-02 | 隆基绿能科技股份有限公司 | 硅料熔化状态的检测方法、设备及存储介质 |
CN111222360B (zh) * | 2018-11-23 | 2023-10-31 | 隆基绿能科技股份有限公司 | 硅料熔化状态的检测方法、设备及存储介质 |
CN109598977A (zh) * | 2019-01-04 | 2019-04-09 | 上海钧正网络科技有限公司 | 基于视频监控的车辆检测方法、装置、***及服务器 |
CN110298308A (zh) * | 2019-06-28 | 2019-10-01 | 北京无线电计量测试研究所 | 一种自行车专用道车辆行人识别*** |
CN110298308B (zh) * | 2019-06-28 | 2022-03-04 | 北京无线电计量测试研究所 | 一种自行车专用道车辆行人识别*** |
CN111612087A (zh) * | 2020-05-28 | 2020-09-01 | 北京益嘉阳光科技发展有限公司 | 动车组teds***图像特征字典生成方法 |
CN111612087B (zh) * | 2020-05-28 | 2023-07-14 | 北京益嘉阳光科技发展有限公司 | 动车组teds***图像特征字典生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598928A (zh) | 一种基于类字典稀疏识别的车辆分类方法 | |
Puranic et al. | Vehicle number plate recognition system: a literature review and implementation using template matching | |
Abedin et al. | License plate recognition system based on contour properties and deep learning model | |
Hu et al. | Vehicle color recognition with spatial pyramid deep learning | |
Kaur et al. | Automatic License Plate Recognition System for Vehicles Using a CNN. | |
Jusoh et al. | Application of freeman chain codes: An alternative recognition technique for Malaysian car plates | |
Swathi et al. | Automatic traffic sign detection and recognition: A review | |
Malik et al. | Detection and recognition of traffic signs from road scene images | |
CN110263635B (zh) | 基于结构森林和PCANet的标志物检测与识别方法 | |
Zakir et al. | Road sign detection and recognition by using local energy based shape histogram (LESH) | |
CN103824081A (zh) | 一种室外恶劣光照条件下的快速鲁棒交通标志检测方法 | |
Yonetsu et al. | Two-stage YOLOv2 for accurate license-plate detection in complex scenes | |
Sugiharto et al. | Traffic sign detection based on HOG and PHOG using binary SVM and k-NN | |
Hossain et al. | Automatic detection and recognition of traffic signs | |
Abedin et al. | Traffic sign recognition using surf: Speeded up robust feature descriptor and artificial neural network classifier | |
Do et al. | Speed limit traffic sign detection and recognition based on support vector machines | |
Supreeth et al. | An approach towards efficient detection and recognition of traffic signs in videos using neural networks | |
CN112464731A (zh) | 一种基于图像处理的交通标志检测识别方法 | |
Yadav et al. | Indian traffic signboard recognition and driver alert system using machine learning | |
Pillai et al. | Vehicle type and color classification and detection for amber and silver alert emergencies using machine learning | |
Hamdi et al. | Road signs classification by ANN for real-time implementation | |
Bharadwaj et al. | A large scale dataset for classification of vehicles in urban traffic scenes | |
Ismail | License plate Recognition for moving vehicles case: At night and under rain condition | |
Pillai et al. | An initial deep CNN design approach for identification of vehicle color and type for amber and silver alerts | |
Swathi et al. | Automatic traffic sign detection and recognition in video sequences |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150506 |