基于車前燈區域形狀特征的卡口車輛品牌識別方法

孫盛，楊學軍，教穎輝，馮力

（1.金鵬電子信息機器有限公司，廣州510663；2.華南師范大學計算機學院，廣州510631)

基于車前燈區域形狀特征的卡口車輛品牌識別方法

孫盛1,2，楊學軍1，教穎輝1，馮力1

（1.金鵬電子信息機器有限公司，廣州510663；2.華南師范大學計算機學院，廣州510631)

在智慧城市建設中，對于道路卡口中車輛對象的車輛品牌的識別是對整個車輛結構化信息提取的一項重要內容。以白天行車環境為背景，對卡口視頻監控設備采集的圖像進行車前燈提取。以方向梯度直方圖（HOG）為描述算子，表征車前燈區域的形狀特征。最后，利用支撐向量機分類器，完成車輛品牌的分類。克服車前臉區域尺寸較大導致的運算復雜度較高的問題，能夠滿足實時性應用需求。

視頻監控；車輛品牌；方向梯度直方圖

0 引言

在智慧城市建設中，對于道路卡口中的車輛對象的研究已經逐漸成為學術界、工業界的熱點。對于車輛品牌的識別是對整個車輛結構化信息提取的一項重要內容，目前，主要有兩大類方式來完成車輛品牌識別，第一類：對車輛的前臉區域進行識別；第二類：對車輛的標志進行提取并識別。第一類方法中，首先檢測出車輛前臉區域，然后提取車輛前臉區域的特征，最后采用分類器進行分類，完成車輛品牌的識別。該類方法存在的最主要問題有：前臉區域尺寸較大，如果采用比較復雜的特征輸入到分類器中，會導致運算復雜度較大，無法適應實時性應用需求；如果采用比較簡單的特征輸入到分類器，會出現不同品牌的特征距離比較相近的問題，導致識別準確率降低。第二類方法中，仍然是采取與第一類方法類似的思路，但是，由于車輛標志尺寸較小，因而在采集的圖像中，車輛標志對應的目標尺寸也較小，在實際卡口應用中，識別率無法達到大規模實用的要求。

童雯[1]提出了一種利用主成分分析降維、再利用支撐向量機分類的車輛品牌識別方法；潘祥[2]提出了一種基于AdaBoost學習算法的級聯分類方法；高倩[3]提出了一種結合SIFT特征描述子和神經網絡分類器的車輛品牌分類方法；魏平順[4]提出了一種利用車標圖像的HOG特征及支撐向量機的車輛品牌分類方法；Gu[5]等人提出了一種基于SIFT流解析的方法；Xia[6]等人提出了利用卷積神經網絡完成車輛品牌分類的方法。

本文將提取出車前燈區域特征，這種方法可克服由車前臉區域尺寸較大導致的運算復雜度較高的問題，同時可克服由車輛標志尺寸較小帶來的識別準確率較低的問題，從而使得識別算法的執行效率大大地提高，增加了大規模實戰應用的可行性。

1 車前燈區域特征提取

為了完成車前燈的定位，首先要對車前燈的結構進行分析和定義，本方法所要檢測的車前燈，包括了由燈罩、燈泡及內部配件構成的車前燈目標區域，車前燈區域包含了紋理、邊緣、形狀、顏色等重要的圖像信息，這些信息表征了車前燈區域與其他區域在圖像中的區別，可以被用來進行車前燈的檢測。本方法所要解決的車前燈定位是以白天行車環境為背景，白天行車環境下（與夜間行車環境對比），卡口攝像機采集的圖像中包含更多的特征信息，可供利用的圖像特征更加豐富。

首先，假設經過變換得到卡口車輛圖像的灰度圖像為G，將灰度圖像G的各個像素點的灰度差值對水平方向做疊加投影運算，其中OV[i]表示的第i行像素灰度差值數組，該數組表示的是沿著水平方向各個像素在Y軸上的疊加投影，參見公式（1）。

車前燈所在區域位于水平投影方向的鼓形區域，根據卡口攝像機的位置關系和拍攝角度，可以設定一個預定高度閾值H。然后根據公式（2）（3）計算得到車前燈鼓形區域的平均值和方差[7-8]。

根據前述分析可知，如果出現灰度集中而且方差較小的水平帶狀區域，則可以認為該區域是候選車前燈區域。

之后，本方法采用方向梯度直方圖作為車前燈區域的形狀特征描述算子。

（1）以上一步驟中的車前燈區域子圖像SI為對象，對子圖像進行微弱的高斯平滑運算得到平滑之后的子圖，然后實施以1維濾波模板，從而計算得到每個像素點的梯度值G。在完成濾波之后，開始對計算得到梯度方向進行量化，映射到N個方向上，如圖1所示。在圖1中選取的N=8，梯度的值進行量化之后的值就是圖中的區域編號。

圖1 車前燈子區域映射圖

（2）將車前燈區域子圖像SI分割成相互連通的單元格，共M個，每一個單元格記為Cell[i]。

（3）對單元格內的像素點求取直方圖。利用步驟（1）中的計算方法計算單元格內部每個像素點的梯度值，并進行量化，單元格內的梯度直方圖為內部像素點的梯度方向的加權平均，可用公式（4）進行計算。

（4）利用多個相鄰接的單元格構成圖像塊。首先，將多個較小的單元格組成較大的圖像塊，用Block表示，構成圖如圖2所示。對圖像塊內部的單元格進行規范化運算，在本方法中，采用的是2-范數規范化運算。最終車前燈子圖像的HOG描述算子為經過規范化之后的所有圖像塊中所有單元格的直方圖構成的向量。

2 特征分類匹配

在獲取了車前燈子圖像的HOG特征向量之后，開始構造和訓練SVM（支撐向量機）分類器。

（1）選取核函數

由于車前燈子圖像的特征為非線性特征，因此需要引入核函數。在本方法中，引入了RBF（徑向基函數）核函數，因為該核函數的平均性能是較好的，具有較寬的收斂域。

（2）選取核函數參數和懲罰因子

在完成核函數選取之后，需要確定核函數參數和懲罰因子c，在本方法中使用網格搜索法來確定核函數參數和懲罰因子。

（3）多分類器構造

在本方法中，采用的是一對一的方式構造多分類器。假設共有m類車前燈類別樣本，每次只考慮兩類車前燈類別樣本，每兩類車前燈樣本間設計一個SVM分類器，一共需要m*（m-1）/2個SVM子分類器。

設定分類函數fij（x），對第i類和第j類車前燈樣本進行判別：當fij（x）>0時，判定車前燈圖像x屬于第i類車前燈，同時記錄第i類得分增加1分；反之，則認為屬于第j類車前燈，同時記錄第j類得分增加1分。按照這種方式依次進行，待測試樣本經過m*（m-1）/2個SVM子分類器的判別之后，最后統計哪一類的得分最多，就可認定待測試樣本屬于該類車前燈。

在通過SVM分類器完成車前燈類別的識別后，就可以利用預先通過人工方式構建的車型庫建立車前燈類別與車輛品牌的關聯關系，從而完成車輛品牌的識別。

3 實驗結果

本文選取了10個卡口的視頻監控數據作為實驗對象，單個卡口平均每天的過車記錄為3000條，因本方法限定研究白天光照條件下的車輛品牌識別，通過時間篩選，共獲得10812條記錄。通過隨機挑選的方式，從中取出225條記錄作為實驗數據。由于車輛品牌較多，只對該數據集中的常見品牌進行分類，包括：大眾、通用、豐田、本田、現代、奇瑞，其他不常見的品牌則統一的歸為一類：“其他”，并對這225條記錄進行人工識別。在采用了本文提出的分類方法后，分類的結果參見表格1。

表1 分類結果誤差矩陣

4 結語

本文給出了智慧城市卡口監控系統中車輛品牌識別的一種新方法。該方法通過提取車前燈區域的局部圖像形狀特征，并輸入到支撐向量機分類器中進行分類，能夠實現以較低的計算復雜度獲得較高的識別準確率，適合于大規模城市卡口系統的實時應用。

[1]童雯.基于PCA和SVM的車標識別方法研究[D].太原理工大學，2012.

[2]潘祥.基于車標識別的車型細分類技術研究[D].西華大學，2010.

[3]高倩.車標識別方法研究[D].大連海事大學,2008.

[4]魏平順.智能交通系統中車標圖像識別技術研究[D].南京理工大學,2013.

[5]Qin Gu,Jianyu Yang,Guolong Cui,Lingjiang Kong,Huakun Zheng,Reinhard Klette.Multi-Scale Vehicle Logo Recognition by Directional Dense SIFT Flow Parsing[C].Proceedings of 2016 IEEE International Conference on Image Processing,2016:3827-3831.

[6]Yi-zhang Xia,Jing Feng,Bai-ling Zhang.Vehicle Logo Recognition and Attributes Prediction by Multi-Task Learningwith CNN[C].

Proceedings of 12th International Conference on Natural Computation,Fuzzy Systems and Knowledge Discovery,2016:668-672.

[7]張紅兵,李海林,馬守磊,汪飛.基于離散粒子群優化的車輛品牌和型號識別[J].計算機仿真,2016,0（1）:177-180.

[8]張小琴,趙池航,沙月進,黨倩,張運勝.基于HOG特征及支持向量機的車輛品牌識別方法[J].東南大學學報：自然科學版,

2013,43 （A02）:410-413.

Vehicle Brand Classification Based on the Characteristics of Vehicle Head light for the Road Video Surveillance System

SUN Sheng1，2，YANG Xue-jun1，JIAO Yin-hui1，FENG Li1

（1.Jinpeng Electronics Information Machine Corporation，Guangzhou 510663 2.School of Computer Science of South China Normal University，Guangzhou 510631）

In smart city applications,it is a vital task to identify vehicle brand when extracting the structural information of vehicles.In daytime environment,the headlight region is segmented from the image obtained by the devices of video surveillance system.Describes the shape characteristics of headlight by histogram of oriented gradient operator.At last,builds a classifier of support vectormachine for identifying the vehicle brand.The proposedmethod has low computation complexity and can fulfill the real-time applications.

Video Surveillance;Vehicle Brand;Histogram of Oriented Gradient

1007-1423（2017）03-0010-04

10.3969/j.issn.1007-1423.2017.03.003

孫盛（1980-），男，湖北建始人，博士，研究方向為計算機視覺、模式識別

楊學軍（1964-），男，湖北人，研究生，教授，研究方向為智慧城市建設

馮力（1974-），男，廣東人，研究生，高級工程師，研究方向為視頻監控

教穎輝（1976-），女，吉林人，研究生，工程師，研究方向為視頻監控

2016-11-10

2017-01-15

廣州市科技計劃項目（No.201503020007）