面向嵌入式應用的高性能車型識別系統

楊予諾 江昆 黃巧 倪維遙 朱蓓蓓

摘 要 現如今，城市化現象日益嚴重，智能交通發展迅速。目標識別作為計算機視覺的重要組成部分，帶動了車輛檢測和識別系統的發展，具有著很重要的現實意義。它有著可克服錄像或者監控設備獲取信息模糊和實時檢測的優勢，在獲得測試圖片之后，系統會根據深度學習訓練出來的分類器首先對車輛的前臉進行檢測，然后基于框出的車前臉部分進行車標檢測，識別出車型類別。該系統適用于交通管理，有利于解決通行自動扣費、事故調查、交通堵塞預防等問題的解決。

【關鍵詞】智能交通 深度學習 分類器 車型識別

1 引言

項目涉及簡單研究國內的交通系統的現狀，初步認識改進交通系統可行的解決方案。該技術所采用的的算法涉及圖像處理、模式識別以及嵌入式的初步認識，在圖像預處理以及特征匹配部分應用到Haar，HOG算法特征值以及提取、匹配的算法如SVM，PCA等，這些都是圖像識別領域系統實現過程中的關鍵技術。

車型識別技術是智能交通系統中的關鍵技術，無論是在交通監控領域還是在道橋、高速公路以及停車場的全自動收費領域，都有著重要和廣泛的應用。例如：現在高速收費站車道主要分為ETC車道和MTC車道，前者能夠快速且自動扣費，而MTC車道則大多還采用人工發卡和收費。車型識別技術應用在MTC車道，可以實現高速收費站入口的MTC車道的自動化。架在收費站入口車道頂棚上的攝像頭不僅能夠識別車牌，更能識別車輛的品牌、大小，再依據收費標準迅速將車分類，機器代替人工識別，不僅能迅速交費，同時還能防止收錯費、車輛冒牌頂用的問題。

隨著經濟的高速發展，機動車數量迅速增加，各國都受到不同程度的交通問題的困擾。因此各國諸如治安卡口等交通系統都在不同程度的改進。車輛信息識別具有研究對象特殊性、應用領域局限性、車輛和交通發展局限性的特點，受這些特性的限制約束，雖已有不少國內外研究人員對此進行過研究，但目前暫時不是識別領域中廣為熟悉的課題。我國早在70年代就將電子、信息等高新技術應用于交通領域。國內一些科研院所也一直在從事這方面的研究，并已取得階段性的成果，但真正投入到現實生活中的研究應用并不多。

2 關鍵算法

2.1 HOG特征

HOG特征具體計算步驟如下：

（1）計算梯度；

（2）構建細胞單元方向直方圖；

（3）細胞單元組合成更大的區間塊。

2.2 HAAR特征

Haar特征是Viola等人提出的一種簡單矩形特征，最早由Papageorgiou等人應用于人臉表示。Haar特征分為4類：邊緣特征、線性特征、中心特征和對角特征，這些特征提取具有固定的特征模板，特征模板內有灰色和黑色兩種矩形，并定義該模板的特征值為灰色矩形像素和減去黑色矩形像素和。

2.3 Adaboost算法

是一種基于統計學的學習算法，能夠在學習過程中不斷根據正例和反例中各個事先選好的特征所引起的效果進行調整該特征的權值，最終按照特征性能的由好到壞給出判斷準則，并利用瀑布算法達到減少計算量的目的。Adaboost算法是一種分類器算法，將簡單分類器通過一定的方法疊加起來，構成一個強分類器。

3 實驗過程

車型識別要求先訓練得到知識庫，再匹配。

訓練過程先采集大量車輛圖片信息，創建樣本，然后訓練得xml文件，得到特征值。匹配過程通過對測試圖像的圖像預處理、特征提取、車標識別、知識庫比對，最終得到匹配結果。其中圖像特征提取部分較為關鍵，通過不斷的實驗調試，盡可能保證提取信息的可區別性、可靠性、獨立性并減少冗余量。

3.1 創建樣本

訓練樣本包括正樣本和負樣本。正樣本是圖片中只有訓練目標的樣本，即視野中只有車輛的圖片，負樣本是不含目標特征的圖片。但需要注意一點，負樣本并非隨便選取。訓練分類器的最終目標是汽車，負樣本就不能是一些包含天空的，海洋的，風景這類圖片。汽車應該出現在馬路上，分類器最終檢測的圖片應該是包含馬路，交通標志，建筑物，廣告牌，汽車，摩托車，三輪車，行人，自行車等在內的圖片。很明顯，負樣本應該是包含路面、摩托車、灌木叢、花草、交通標志等。

采集大量車輛圖片并進行規格化處理后，得到20*20的bmp格式的正負樣本圖片。其中正樣本有6855張，負樣本有23390張。

3.2 訓練分類器

利用OpenCV內置訓練程序haartraining進行特征訓練。訓練過程：

（1）打開info.txt，按ctrl+h， 把所有的bmp 換成 bmp 1 0 0 20 20，其中1代表一個文件，0 0 20 20表示這個文件的2個頂點位置坐標）。

（2）為負樣本創建集合文件格式文件bg.txt， 并且把這個文件放在與樣本圖片同一目錄下。

（3）為正樣本生成pos文件。

（4）利用opencv_haartraining.exe 生成訓練器。

訓練完畢，生成xml文檔，即訓練器。

3.3 車臉檢測

根據已描述的算法思路進行代碼編寫，利用之前訓練所得訓練器進行特征匹配。

3.4 車標檢測

車標檢測和識別的MFC程序窗口。

4 結束語

筆者基于OpenCV和VS2012設計并實現了一個車輛識別系統。系統根據訓練的分類器xml文件，只是對最基本的像素為320*240像素的照片進行車前臉檢測，在檢測的車前臉基礎上進行車型識別。筆者提出的算法可以對選取的測試圖片實現車輛識別，有利于推動智能交通的發展和普及。

參考文獻

[1]劉津.基于KPCA和GPC的復雜環境下車標識別算法研究[J].北京理工大學，2016.

[2]張楚金，王耀男，盧笑，王珂娜，王國峰.基于假設驗證和改進HOG特征的前車檢測算法，湖南大學和中國公路工程咨詢集團有限公司，2015.

[3]蔣政，程春玲.基于Haar特性的改進HOG的人臉特征提取算法[J].南京郵電大學，2017.

[4]龍伶敏.基于Adaboost的人臉檢測方法及眼睛定位算法研究[J].電子科技大學，2008.

作者單位

東北師范大學 吉林省長春市 130117