基于轮廓的车型识别方法

摘要

本发明公开了一种新的基于轮廓的车辆目标识别特征提取方法，它是包含了全局形状信息、局部统计信息和方向信息的复合识别特征。同时，本发明结合已有的最近邻、K近邻识别方法，提出一种综合的双阈值近邻识别方法，并给出其快速算法。在快速识别算法中采用了C－均值动态聚类与哈夫曼二叉树原理相结合的方法，构造一种优化匹配顺序的二叉搜索树，从而大大提高了识别效率和速度。本发明可广泛应用于遥感图像识别，远程监控，智能交通管理，军事侦察，精确制导等各个领域。

主权项

1、一种基于轮廓的车辆目标识别算法，其特征包括如下执行步骤：假定所识别的车辆类型有c种，每种类型分别标记为w1，w2K wc(wi可以是如吉普、面包或者其他任何一种车型)；步骤1，车辆目标的分割及训练样本的选择首先，通过三帧法或时空法对视频序列进行处理，从视频序列中分割出每帧的车辆目标图像，表示为F，图像F中的象素表示为F(x，y)(0＜x＜M，0＜y＜N)，其中M是F的宽度，N是F的高度；其次，从分割出的车辆目标图像中为每种车型选择训练样本图像，选择的原则是作为训练样本的目标图像应该包括视频中车辆目标出现的所有角度和姿态信息；设为车型wi选择了Ni个训练样本{xi1，xi2K xijK xiNi}，其中，xij表示车型wi中的第j个训练样本，并且i＝{1，2K c}，则一共选择了N个训练样本，$N=\underset{i}{\Sigma }{N}_i;$ 步骤2，车辆目标的轮廓提取首先，在步骤1分割得到的车辆目标图像F中，将运动目标区域的象素均值赋予黑色背景区域3中的每一个象素，得到均值填充后的车辆目标图像F，步骤如下：运动目标区域的象素灰度均值graymean＝mean(F(x，y))，象素(x，y)∈(AB)；然后用灰度均值graymean替换F中黑色背景区域3中象素点的灰度值F(x，y)＝meangray，象素(x，y)∈C；得到均值填充后的车辆目标图像F，其象素表示为F(x，y)(0＜x＜M，0＜y＜N)，如图4所示；其次，用Canny算子对均值填充后的车辆目标图像F中每个训练样本进行边缘检测：将Canny算子边缘检测的过程表达为函数canny()，则车辆目标图像F每个训练样本经边缘检测得到的整体轮廓结果为Ec＝canny(F)，其宽度为M，高度为N，其中的象素表示Ec(x，y)(0＜x＜M，0＜y＜N)；步骤3，计算纵向和横向的轮廓分布用Sobel算子中垂直边缘检测模板的Sx和水平边缘检测模板的Sy将车辆目标的整体轮廓结果Ec(x，y)分解为纵向和横向的轮廓分布；用Sobel算子的垂直边缘检测模板Sx与Ec卷积，得到车辆轮廓的纵向分布值Ev＝|Ec*Sx|；用水平边缘检测模板Sy与Ec卷积，得到车辆轮廓的横向分布值Eh＝|Ec*Sy|；步骤4，车辆目标识别特征的提取(1)车辆目标全局形状矩特征的提取根据步骤2得到的车辆目标每个训练样本整体轮廓图像Ec(x，y)(0＜x＜M，0＜y＜N)，首先求出车辆目标每个训练样本的整体轮廓图像Ec(x，y)的长宽比特征fi＝M/N；车辆目标每个训练样本整体轮廓图像Ec(x，y)的p+q阶矩定义为：${\mu }_{\mathrm{pq}}=\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}{(x-\bar{x})}^p{(y-\bar{y})}^q\mathrm{Ec}(x,y)$ $\begin{array}{cc}\stackrel{-}{x}=\frac{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\mathrm{xEc}(x,y)}{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\mathrm{Ec}(x,y)},& \stackrel{-}{y}=\frac{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\mathrm{yEc}(x,y)}{\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\mathrm{Ec}(x,y)}\end{array}$ 其中，μ20为图像在水平方向上的伸展度，μ02为图像在垂直方向上的伸展度；μ11为图像的倾斜度；μ30为图像在水平方向上的重心偏移度，μ03为图像在垂直方向上的重心偏移度；μ21为图像水平伸展的均衡程度，μ12为图像垂直伸展的均衡程度；由以上二阶矩(p+q＝2)或三阶矩(p+q＝3)，得到全局轮廓图像的各种形状矩特征：轮廓长宽度：$f_2=(\frac{{\mu }_{20}-{\mu }_{02}}{{\mu }_{20}+{\mu }_{02}}+1)/2$ 轮廓拉长度：$f_3=\frac{{\lambda }_1-{\lambda }_2}{{\lambda }_1+{\lambda }_2}$ ${\lambda }_1=\frac{({\mu }_{20}+{\mu }_{02})+\sqrt{{({\mu }_{20}-{\mu }_{02})}^2+{{4\mu }^2}_{11}}}{2}$ ${\lambda }_2=\frac{({\mu }_{20}+{\mu }_{02})-\sqrt{{({\mu }_{20}-{\mu }_{02})}^2+{{4\mu }^2}_{11}}}{2}$ 轮廓伸展度：$f_4=\frac{\sqrt{({\mu }_{20}+{\mu }_{02})/m_{00}}}{\mathrm{size}}$ $\begin{array}{cc}{m}_{00}=\underset{x=0}{\overset{M-1}{\Sigma }}\underset{y=0}{\overset{N-1}{\Sigma }}\mathrm{Ec}(x,y),& \mathrm{size}=\sqrt{M*N}\end{array}$ 三阶矩分解为正和为负两部分，μpq＝μ+pq+μ-pq(p+q＝3)，通过三阶矩提取的特征如下：水平偏移度：$f_5=(\frac{{{\mu }^{+}}_{30}-{{\mu }^{-}}_{30}}{{{\mu }^{+}}_{30}+{{\mu }^{-}}_{30}}+1)/2$ 垂直偏移度：$f_6=(\frac{{{\mu }^{+}}_{03}-{{\mu }^{-}}_{03}}{{{\mu }^{+}}_{03}+{{\mu }^{-}}_{03}}+1)/2$ 水平伸展均衡度：$f_7=(\frac{{{\mu }^{+}}_{21}-{{\mu }^{-}}_{21}}{{{\mu }^{+}}_{21}+{{\mu }^{-}}_{21}}+1)/2$ 垂直伸展均衡度：$f_8=(\frac{{{\mu }^{+}}_{12}-{{\mu }^{-}}_{12}}{{{\mu }^{+}}_{12}+{{\mu }^{-}}_{12}}+1)/2$ (2)车辆目标局部统计特征对于M*N大小的车辆目标图像，其纵向轮廓分布图Ev(x，y)和横向轮廓分布图Eh(x，y)的尺寸大小同样是M*N；首先，将Ev(x，y)和Eh(x，y)分别平均划分为K*K个区域块(一般K取3或4)，然后，分别统计每个区域块中边缘轮廓点所占轮廓点总量的比例，并以此构建纵向和横向的比例值矩阵Rv和Rh；$R_v(i,j)=\frac{\underset{x=i*\mathrm{Nx}}{\overset{(i+1)\mathrm{Nx}-1}{\Sigma }}\underset{y=j*\mathrm{Ny}}{\overset{(j+1)\mathrm{Ny}-1}{\Sigma }}{E}_v(x,y)}{\underset{x=0}{\overset{N*\mathrm{Nx}-1}{\Sigma }}\underset{y=0}{\overset{N*\mathrm{Ny}-1}{\Sigma }}{E}_v(x,y)}i,j=\{\mathrm{0,1}...K-1\}{N}_x=\frac{M}{K}{N}_y=\frac{N}{K}$ $R_h(i,j)=\frac{\underset{x=i*\mathrm{Nx}}{\overset{(i+1)\mathrm{Nx}-1}{\Sigma }}\underset{y=j*\mathrm{Ny}}{\overset{(j+1)\mathrm{Ny}-1}{\Sigma }}{E}_h(x,y)}{\underset{x=0}{\overset{N*N_x-1}{\Sigma }}\underset{y=0}{\overset{N*\mathrm{Ny}-1}{\Sigma }}{E}_h(x,y)}i,j=\{\mathrm{0,1}...K-1\}{N}_x=\frac{M}{K}{N}_y=\frac{N}{K}$ (3)车辆目标复合特征向量的建立及识别特征库的建立将以上计算所得的比例值矩阵Rv和Rh中的元素按行排列起来，与(1)中所得的8个全局形状矩特征值f1f2…f8串接起来构成用于识别目标的特征向量 V，V＝[Rv(0，0)，Rv(0，1)...Rv(0，K-1)，Rv(1，0)...Rv(K-1，K-1)，Rh(0，0)...Rh(K-1，K-1)，f1，f2...f8]建立一个识别特征库，用于存放车辆训练样本的特征向量；首先将车型w1中N1个训练样本的特征向量V存放到识别特征库，再依次将车型w2，w3K wc中所有训练样本的识别特征向量V存放到识别特征库中；步骤5，用双阈值近邻识别算法识别车辆目标(1)车辆目标训练样本间的距离定义对于所选择的N个车辆训练样本{x1 x2 K xN}，每个样本提取的识别特征都是长度为K的向量，表示为$x_i=\left[\begin{array}{cccc}{x}_i^1& x_i^2& K& x_i^K\end{array}\right](i=1...N)$ 在此定义一个振幅向量，用来表示各维特征值的变化范围swing＝[s1 s2 K sK]，其中$s^j=\underset{i}{\max }\left(x_i^j\right)-\underset{i}{\min }\left(x_i^j\right)$ ，i＝{1，2K N)，j＝{1，2K K}则样本特征向量xi和xj间的距离定义为：$d(x_i,x_j)=\underset{k=1}{\overset{K}{\Sigma }}\frac{|x_i^k-x_j^k|}{s^k}$ (2)双阈值近邻识别方法对于识别系统处理的c个车辆类型w1，w2 K wc，wi代表不同的车型(比如吉普、面包或者其他)；第i个车型wi有Ni个训练样本{xi1，xi2KxijKxiNi}，其中，xij表示第wi类的第j个训练样本，并且i＝{1，2K c}，$\underset{i}{\Sigma }{N}_i=N$ ；现有未知待测样本x，要将其归入其中一类；首先设置阈值T1和T2，且T1＜T2；其中，T1＝(0.06～0.08)*K，T2＝(0.13～0.15)*K，K为特征向量长度；然后，计算未知待测样本x与各训练样本类间的最短距离：$d(x,w_i)=\underset{j}{\min }\left(d(x,x_{\mathrm{ij}})\right),j=\mathrm{1,2}K{N}_i,i=\mathrm{1,2}\mathrm{\Lambda c}$ 如果$d(x,w_l)=\underset{i}{\min }\left(d(x,w_i)\right)$ 且d(x，wl)＜T1，则判决x∈wl；否则，统计各类中与未知待测样本x的距离在T1和T2之间的样本数满足条件的样本总数$\mathrm{Num}=\underset{i=1}{\overset{c}{\Sigma }}{\mathrm{Num}}_i$ ，并设置比例λ＝(0.6～0.7)；如果${\mathrm{Num}}_l=\underset{i}{\max }\left({\mathrm{Num}}_i\right)$ 且Numl＞Num*λ，则判决x∈wl；否则拒绝识别；步骤6，双阈值近邻法的快速算法设有N个车辆训练样本X＝{x1 x2 K xN}，每个样本的特征向量$x_i=\left[\begin{array}{cccc}{x}_i^1& x_i^2& K& x_i^K\end{array}\right];$ (1)初始划分子类1>计算训练样本特征向量的均值向量mean＝[mean1 mean2 K meanK]，${\mathrm{mean}}^k=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i^k,k=\mathrm{1,2}...K;$ 2>计算用来表示各维特征向量值的变化范围的振幅向量s＝[s1 s2 K sK]，其中$S^j=\underset{i}{\max }\left(x_i^j\right)-\underset{i}{\min }\left(x_i^j\right),$ i＝{1，2K N}，j＝{1，2KK}；3>计算各训练样本特征向量与均值之间的距离$d(x_i,\mathrm{mean})=\underset{k=1}{\overset{K}{\Sigma }}|x_i^k-{\mathrm{mean}}^k|/S^k,i=\left\{\mathrm{1,2}\mathrm{KN}\right\}$ 4>先将所有训练样本作为一个类W，子类数量Nw＝1；遍历所有的训练样本，找出与均值距离最近的样本xnear和最远的样本xfar，将它们作为新的子类W1和W2代表点；遍历其他训练样本，根据与代表点的距离将样本归入子类W1或W2；即，如果d(xi，xnear)＜d(xi，xfar)，则将样本xi归入子类W1；否则，将样本xi归入子类W2；5>找出当前已有分类中样本最多的子类Wk，其样本数为Nk；计算该子类的均值，${\mathrm{mean}}_k=\frac{1}{N_k}\underset{i=1}{\overset{\mathrm{Nk}}{\Sigma }}{x}_j,x_j\in W_k$ 遍历Wk中所有样本，找出与均值meank距离最近的样本xnear和距离最远的样本xfar；子类数量增1，Nw＝Nw+1，并新增子类WNw和Wk′；将xnear作为子类Wk′的代表点，xfar作为子类WNw的代表点；重新遍历Wk中的样本，根据它们与代表点xnear和xfar间的距离进行归类；如果d(xj，xnear)＜d(xj，xfar)，则将样本xj归入子类W′k；否则，将样本xj归入子类WNk+1；遍历完成后，用Wk′赋值Wk，$W_k=W_k^{\prime },$ 并删去子类Wk′；6>如果当前分类数Nw已经达到预先指定的大小R(R可取值为接近的整数)，则停止分类，否则返回步骤5>；(2)调整子类划分1>经过步骤(1)，训练样本被初始划分为R个子类W1W2…WR；分别统计各子类中的训练样本个数，记为N1N2…NR；2>计算各子类Wi(i＝1，2…R)的特征向量均值${\mathrm{mean}}_i=\frac{1}{N_i}\underset{j=1}{\overset{\mathrm{Ni}}{\Sigma }}{x}_{\mathrm{ij}},i=\left\{\mathrm{1,2}\mathrm{KR}\right\}$ 用meani表示前一次向量均值，用meani′表示当前向量均值；3>以计算所得的均值特征向量作为各子类的代表点，用最近邻法重新调整子类；遍历所有样本点xj，j＝{1，2KN}如果$d(x_j,{\mathrm{mean}}_l)=\underset{i}{\min }\left(d(x_j,{\mathrm{mean}}_i)\right),$ 则将xj归入Wl；4>重新统计各子类中的训练样本个数，记为N1′N2′…NR′；再次计算各个新分类的特征向量均值，${\mathrm{mean}}_i={\mathrm{mean}}_i^{\prime },{\mathrm{mean}}_i^{\prime }=\frac{1}{N_i^{\prime }}\underset{j=1}{\overset{N^{\prime }i}{\Sigma }}{x}_{\mathrm{ij}},i=\left\{\mathrm{1,2}\mathrm{KR}\right\}$ 如果$\underset{i=1}{\overset{R}{\Sigma }}|{\mathrm{mean}}_i-{\mathrm{mean}}_i^{\prime }|>0,$ 则返回步骤2>，否则结束循环；(3)建立二叉搜索树1>将(2)中生成的子类Wi(i＝1，2…R)定义为一个节点Si(i＝1，2…R)，节点集S＝{S1，S2 K SR}；2>计算两两分类间的距离，$d(S_i,S_j)=\underset{k=1}{\overset{K}{\Sigma }}\frac{|{\mathrm{mean}}_i^k-{\mathrm{mean}}_j^k|}{S^k},$ i≠j，i(j)＝{1，2KR}3>按照哈夫曼编码的原理，找出距离最近的两个子类Sm和Sn，使得$d(S_m,S_n)=\underset{i,j}{\min }d(S_i,S_j),$ i≠j，i(j)＝{1，2KR}以Sm和Sn为左右子节点，生成一个新节点Smn，其特征向量定义为Sm和Sn的均值特征向量的均值：${\mathrm{mean}}_{\mathrm{mn}}=\frac{{\mathrm{mean}}_m+{\mathrm{mean}}_n}{2};$ 从节点集S中删去Sm和Sn，将Smn归入节点集S；4>如果S中不止一个节点，则计算节点Smn与其他节点间的距离，返回到3>；否则，二叉搜索树建立完毕，结束循环；(4)在识别过程中，从树根节点开始遍历二叉搜索树；原则是，比较未知待测样本x的特征向量与当前节点的左右子节点的特征向量间的距离，距离小则先遍历；用前述的双阈值近邻法判别当前叶子节点所对应的样本分类中的训练样本，直到判别出未知样本的类别，或者拒绝识别为止；