基于HOG和SVM的級別自適應車型識別算法

?

基于HOG和SVM的級別自適應車型識別算法

引文格式： 吳迪，蔡曉東，華娜，等.基于HOG和SVM的級別自適應車型識別算法[J].桂林電子科技大學學報，2016,36(1):23-28.

吳迪，蔡曉東，華娜，朱利偉，梁奔香

(桂林電子科技大學 信息與通信學院，廣西 桂林541004)

摘要：針對現有智能交通系統中視頻車輛車型識別方法存在的誤檢率高、效率低的問題，提出一種基于梯度方向直方圖和支持向量機(SVM)的級別自適應車型識別算法。選擇大車車頭和小車車身的HOG特征作為車輛描述特征，建立一種新的級別自適應模型，以提高檢測識別效率；采用SVM訓練分類方法，設計了模板匹配策略，構造兩類車型分類器，以提升識別準確度。通過標準的交通卡口實驗，表明該算法不僅在正常的光照條件下具有較高的識別效率和較低的誤檢率，而且在不同的光照條件下具有很好的魯棒性。

關鍵詞：智能交通系統；梯度方向直方圖；支持向量機；級別自適應模型；模板匹配

車輛車型識別是智能交通系統的一個重要分支，在公路攝像頭監控、高速公路自動收費、車輛流量統計等方面具有廣闊的應用發展前景，但存在一些問題迫切需要解決。1)車輛車型識別過程主要包括前景分割、目標檢測、特征提取、車型分類4個階段，由于車輛種類繁多且差別不大，沒有明顯的區別特征，使得特征提取的過程比較復雜，如何更好地選擇特征參數非常重要；2)由于天氣、光線等對車型識別準確性的影響很大，如何增加識別的自適應性也是車輛分類有待解決的關鍵問題。

在實際應用中，特征提取是車型識別的重點和難點，特征參數的選取直接影響識別和分類的速度和準確度。季晨光等[1]提出一種基于Sobel邊緣細化提取車型特征的方法，選取車身側視圖的頂長比、頂高比、前后比作為特征參數。王慧斌等[2]提出一種基于PCA-LDA的特征提取結合KNN-SVM分類器的方法，選擇車輛的側面影像作為原始采集數據進行PCA-LDA特征提取。在本研究的標準交通卡口場景中，由于攝像頭拍攝角度固定且正對來方車輛，在卡口視頻圖像序列里無法得到文獻[1-2]的目標車輛的側視圖。此外，文學志等[3]采用基于統計模式識別的車型識別方法，提出一種基于類Haar特征和AdaBoost分類器的車輛圖像識別算法。文獻[4]使用截斷的小波系數特征結合SVM進行車輛檢測。陳明明[5]基于梯度方向直方圖(histogram of oriented gradient，簡稱HOG)特征和支持向量機(support vector machine，簡稱SVM)算法對視頻中的車輛進行檢測。上述方法均在某些方面取得了較好的效果，但各自存在著不足之處。基于AdaBoost的方法在訓練樣本空間很大時，訓練分類器所需時間過長；使用截斷的小波系數特征使車輛描述能力不足，識別性能有待進一步提高；而HOG特征[6]結合SVM的方法能應對復雜場景的變化，缺點是需要大量的計算。為此，提出一種基于HOG特征和SVM級別自適應模型的車型識別算法，在正常光照下兼顧識別的速度和準確度，并在光照突變、復雜場景下也具有較高的魯棒性。

1車輛車型的級別自適應識別算法框架

智能交通視頻車輛目標識別所面臨的一個重要挑戰來自于駛進和遠離攝像設備的車輛。對于視頻中主要的車輛目標小汽車、客貨車，當小車距離攝像頭很近時會誤檢為大車，當大車和攝像頭相距較遠時會誤檢為小車。忽略這些極端情況，為使車輛在同一個感興趣區域(region of interest，簡稱ROI)都能被識別，選擇大車車頭和小車車身圖像的HOG特征作為描述特征，結合線性SVM全特征訓練分類方法進行車輛車型的識別；同時，在HOG特征提取前由幀差法粗略提取目標車輛區域，以建立級別自適應模型，減小計算量，提高了精度。車型的級別自適應識別算法框架如圖1所示。

圖1　算法框架Fig.1　Algorithm framework

2級別自適應模型的建立

2.1幀差法粗略提取運動車輛區域輪廓

為了在大尺寸復雜環境的視頻圖像中準確高效地自適應識別目標車輛，車型識別前采用幀差法[7-9]，在感興趣區域粗略提取包含目標車輛的子區域輪廓。幀差法是背景減除法的一種，它的背景就是上一幀圖像，速度很快。幀差法基本原理為：

(1)

其中：P(i)和P(i-1)分別為第i幀和i-1幀同一像素點的像素值；T為閾值。

2.2建立級別自適應模型

為了保證目標車輛檢測的準確性和完整性，對ROI需進行多次圖像縮放，直到待檢圖像的目標小于模板大小而停止檢測，以保證大于模板大小的目標車輛在整個ROI進行縮放后亦能被檢測出來。然而，每級縮放都要進行HOG特征的提取。由于HOG特征是在圖像的局部方格單元上操作得到高維度的邊緣梯度信息，其特征描述子生成速度較慢，每級的縮放需要龐大的計算量，從而導致整個目標車輛檢測速度緩慢。為此，提出一種權重滿足歸一化高斯函數的級別自適應模型(levels adaptive model，簡稱LAM)。

2.2.1模型建立

LAM由2個部分組成：1)幀差法提取的移動目標車輛高度S1與模板大小M的比值R1；2)檢測目標大小S2與模板大小M的比值R2。采用高斯函數作為權值衡量比值的貢獻優先級。第i幀圖像在R1和R2的影響下，建立縮放級別模型：

(2)

(3)

其中μq1、μq2、δq1、δq2分別為q1和q2的均值和標準方差。

2.2.2模型實現

通過模型的建立，一方面，對每幀圖像在指定的ROI進行檢測前，通過幀差法粗略提取了移動物體(圖2)，由比值R1可將圖像縮放到模板附近，一般情況下圖像縮小，分辨率的降低使得圖像的局部特征更加明顯，進一步提高了檢測的準確度；另一方面，HOG特征提取后的檢測目標車輛(圖3)由于待檢圖像已縮放到模板附近，結合比值R2，應用一個小的縮放級別可將目標車輛檢測出來，級別縮放次數的減少進一步降低了檢測的計算量，提高了檢測識別的速度。

圖2　幀差法提取的移動物體Fig.2　Moving object extracted by frame difference method

圖3　檢測的目標車輛Fig.3　Detection of the target vehicle

3車輛車型的識別

3.1大車車頭和小車車身的HOG全特征提取

選取特征的好壞將直接影響后期SVM分類的準確度。為保證同一模板下能夠在同一區域檢測到大小車輛的特征，提取車輛局部信息顯著的多角度大車車頭和小車車身圖像(圖4)的HOG特征對車輛進行描述，即全特征提取。

3.1.1全特征選取的意義

在實際的卡口視頻中，經觀測發現，場景尺度在小范圍變化時，單攝像頭在固定角度拍攝的視頻圖像

圖4　車輛圖像樣本Fig.4　Vehicle image samples

序列中的目標小車車輛的整個車身在視野范圍內；目標大車車輛由于拍攝角度的特性，過長的大車車身很難出現在一個視頻畫面里，而大車車頭首先進入視野且特征明顯。為此，選擇大車車頭和小車車身的HOG全特征參數作為SVM分類的特征輸入。

3.1.2HOG全特征提取原理

HOG特征主要用于靜態圖像或視頻的行人檢測。由于HOG特征表示的邊緣梯度信息能很好地應對來自光照、方向、大小等方面的變化而得到了廣泛的應用。借鑒文獻[6]在行人檢測中進行HOG特征提取的思想，采用圖5所示的車輛檢測窗口進行特征維數的提取。

圖5　車輛檢測窗口Fig.5　Vehicle detection window

如圖5所示，對于128×128的檢測窗口，每8×8像素構成一個單元，每4個單元構成一個塊，塊移動增量為8×8，共225個塊。單元梯度方向區間如圖6所示。每個單元的梯度方向平均劃分為9個區間，對所有像素的梯度方向在各個方向區間進行直方圖統計，得到一個9維的特征向量，則每個塊內有36個特征，總的特征維數為36×225=8100。HOG特征維數描述算子計算的邊緣梯度特征信息如圖7所示。圖中，x軸表示塊的個數，y軸表示每一個塊的特征數，z軸表示特征值大小。

圖6　單元梯度方向區間Fig.6　Unit gradient direction interval

圖7　大車車頭和小車車身HOG特征信息Fig.7　HOG feature information of front part ofbig car and body of small car

3.2SVM全特征訓練分類法

為了滿足HOG特征和檢測速度的需求，選用線性SVM[10-12]二分類進行HOG全特征的訓練分類。SVM是一種基于統計學習理論的機器學習方法，它在解決高維的模式識別中表現出了其特有的優勢。對于線性二分類，要找到一個超平面，即線性分類器，使得所有的訓練樣本都能被正確分類，即滿足

(4)

其中，

表示賦予輸入數據的類別標簽。

由于超平面的非唯一性，可通過二次規劃的方法求解最優超平面。

(5)

其中：αi為固定的拉格朗日乘子；w*為最優超平面的法向量；b*為最優超平面的偏移量。

本算法針對交通卡口實際場景，考慮其主要檢測的兩大類目標車輛，通過SVM對含有正負樣本的大型客貨車和小汽車分別進行HOG全特征訓練，得到2個最優超平面(模板1和模板2)作為圖像檢測的檢測算子。在卡口視頻圖像序列的ROI對待檢窗口進行HOG特征提取后與模板進行匹配，即可進行目標車輛的檢測識別。然而，面包車作為一種介于大型客貨車和小汽車之間的常見車型，如圖8所示，在檢測識別過程中被歸類為小汽車且產生了漏檢。

圖8　面包車樣本Fig.8　Van sample

面包車與大型客貨車在相對攝像頭比較遠的情況下不易區分，但對于本研究的場景尺度變化小的情況，面包車的車身局部梯度信息與小汽車的車身局部梯度信息吻合而歸類為小汽車。為了解決面包車漏檢問題，將部分面包車樣本作為小汽車的正樣本一起進行訓練分類后再進行檢測。由于樣本空間的完善，優化了分類器2，從而使得漏檢率明顯降低。

4實驗過程與結果分析

選擇2個標準的交通卡口進行車輛車型的識別實驗。對于大車和小車分別創建一個樣本庫，前者正樣本是大車車頭圖像，后者正樣本是小車車身圖像，負樣本選擇與正樣本不相關的圖像，大小均為128×128。

在HOG特征參數選取階段，對128×128的圖像進行特征統計，共有8100維特征向量。實驗結果分2個部分驗證：1)在正常光照下直接進行HOG特征提取，結合SVM方法對比本改進算法的識別效率和準確率；2)在不同的光照條件下同一場景本算法的魯棒性。此外，檢測識別的大車和小車分別用虛框和實框標識。

1)正常光照條件下，“北辰南”場景2種算法的檢測識別結果對比如圖9所示。選取同樣的樣本集，大車車頭正樣本1295張，負樣本6142張，小車車身正樣本1924張，負樣本8987張，分別進行原始HOG特征結合SVM算法和本算法的實驗，實驗結果如表1所示。

從圖9和表1可見，對于采集的1280×720視頻圖像，原始的HOG特征結合SVM算法由于直接對ROI進行HOG特征提取，不僅耗時且誤檢率較高，本算法是在HOG特征提取前先進行局部目標車輛區域的粗略提取，通過建立級別自適應模型，在模板附近直接進行檢測識別，降低計算量的同時提高了識別的準確度。

圖9　2種算法的檢測識別結果Fig.9　Detection and recognition result of two methods

檢測識別方法平均用時/(ms·幀-1)識別準確率/%大車小車原始HOG特征結合SVM算法458775.870.0本算法15991.590.3

2)“新興東門”場景的不同光照條件本算法的魯棒性效果如圖10和表2所示。由于視頻是在不同天氣情況下拍攝的，雨天或者強光情況下拍攝的視頻圖像質量與正常光照的相差很大，對算法的要求也就更高。雨天車輛下方陰影區擴大，強光照視頻圖像的質量不穩定，從而增加了移動物體特征提取和識別的難度。文獻[2-3,5]均未涉及特殊天氣的車輛檢測識別，本算法具有很好的魯棒性，從而解決了這一難題。

圖10　不同光照條件本算法的魯棒性效果Fig.10　Robustness renderings of the proposed method in different lighting conditions

光照條件識別準確率/%大車小車正常光照92.791.8雨天91.690.3強光照91.290.1

實驗發現，本算法對不同光照環境多個場景下的多個車輛方向都具備很好的檢測識別效果。同時，在一定的范圍內，隨著樣本數目的增加，漏檢率總體呈現降低的趨勢。在訓練模板進行檢測識別的過程中，將誤檢的車輛局部信息進行負樣本循環訓練，發現效果有削弱的趨勢，可見并不是樣本數目越多檢測識別效果越好。

5結束語

通過建立級別自適應模型，基于HOG特征和SVM的車輛車型識別算法，提高了識別的準確度和速度。其中，大車車頭和小車車身的HOG特征的選取結合SVM全特征訓練分類算法，很好地解決了由于攝像頭攝取視頻的角度固定使得整個過長的大車車身很難出現在一個視頻畫面這一問題；通過LAM的建立，解決了原有HOG特征結合SVM算法中存在的速度慢、誤檢率高的問題，在提升識別正確率的同時具有較快的速度。在真實的卡口場景中，識別率達90.1%～92.7%。值得指出的是，對于橫向和小角度的車輛，會將車輛的局部信息作為車輛檢測出來，存在一定的誤檢，這是下一步研究的工作。

參考文獻:

[1]季晨光，張曉宇，白相宇.基于視頻圖像中的車型識別[J].遼寧工業大學學報，2010,30(1):5-7.

[2]王慧斌，蘆蓉.基于視頻的車型特征提取及識別方法研究[J].微型電腦應用，2010,26(10):50-53.

[3]文學志，方巍，鄭鈺輝.一種基于類Haar特征和改進AdaBoost分類器的車輛識別算法[J].電子學報，2011,39(5):1121-1126.

[4]文學志，袁淮，劉威，等.一種改進的小波特征提取算法及其應用[J].小型微型計算機系統，2009,30(2):335-339.

[5]陳明明.視頻中的車輛檢測及車型識別研究[D].南京：南京郵電大學，2013,25-51.

[6]DALALN,TRIGGSB.Histogramsoforientedgradientsforhumandetection[C]//IEEEConferenceonComputerVisionandPatternRecognition,2005:1-8.

[7]王振亞，曾黃麟.一種基于幀間差分和光流技術結合的運動車輛檢測和跟蹤新算法[J].計算機應用與軟件，2012,29(5):117-120.

[8]楊丹，于孟澤.車輛視頻檢測及陰影去除[J].計算機工程與設計，2011,32(6):2072-2079.

[9]薛麗霞，羅艷麗，王佐成.基于幀間差分的自適應運動目標檢測方法[J].計算機應用研究,2011,28(4):1551-1559.

[10]CHENPaihsuen,LINChihjen,SCH?LKOPFB.Atutorialonν-supportvectormachines[J].AppliedStochasticModelsBusinessandIndustry,2005,21:111-136.

[11]李弼程，邵美珍，黃潔.模式識別原理與應用[M].西安：西安電子科技大學出版社，2008:130-165.

[12]汪海燕，黎建輝，楊風雷.支持向量機理論及算法研究綜述[J].計算機應用研究，2014,31(5):1281-1285.

編輯：翁史振

A level-adaptive algorithm for vehicle types recognition based on HOG and SVM

WU Di, CAI Xiaodong, HUA Na, ZHU Liwei, LIANG Benxiang

(School of Information and Communication Engineering, Guilin University of Electronic Technology, Guilin 541004, China)

Abstract：A level-adaptive algorithm based on histogram of oriented gradient(HOG)feature and support vector machine(SVM) is presented to improve recognition rate and efficiency in vehicle recognition. Firstly the HOG features of front part of big car and body of small car are chosen. Secondly a novel level-adaptive model(LAM) is designed to increase efficiency of detection and identification. Furthermore, a SVM classification strategy is utilized for designing a matching template to raise identification accuracy. Experimental results show that the proposed mechanism can provide high recognition rate, low false alarm rate and good robustness in different lighting conditions.

Key words：intelligent transportation system; histogram of oriented gradient; support vector machine; level-adaptive model; template matching

中圖分類號：TP392.4

文獻標志碼：A

文章編號：1673-808X(2016)01-0023-06

通信作者：蔡曉東(1971-)，男，廣西貴港人，教授,博士，研究方向為智能視頻處理、云計算、無線傳感網絡。E-mail:caixiaodong@guet.edu.cn

基金項目：國家科技支撐計劃(2014BAK11B02)；廣西自然科學基金(2013GXNSFAA019326)；桂林電子科技大學研究生教育創新計劃(GDYCSZ201410)

收稿日期：2015-04-01