基于D-S證據理論的特征融合車標識別方法①

陳仿雄,程良倫,黃國恒

(廣東工業大學 自動化學院,廣州 510006)

車輛識別系統作為智能交通系統(ITS)中的關鍵子系統.車標識別提供車輛制造商最重要的信息,正確識別車標將有助于車輛身份的確定.因此對于車標快速準確的識別在如違章停車、假套牌檢測、違章車輛逃逸等方面有著廣泛的應用.然而,相比較于目前成熟的車牌識別技術,專門對于車標識別研究的人員相對較少.

國內外已有不少學者對車標的定位與識別進行研究,取得了不錯的成果[1].車標檢測識別一般包括兩個步驟:定位和識別.由于車標的形狀各異,導致了車標定位是比較困難的,因此一般比較流行的方法采用先驗知識作為互補信息[2,3].他們首先找到一些明顯的對象,如車牌和車頭燈,根據相對位置或對稱性來繪制包含車標的粗糙區域,然后,利用大多數標志具有豐富的垂直邊緣或者與車身純背景的可區分的顏色特征,在該區域從粗略到精細掃描處理,進行精準定位.

對于車標識別,現有方法主要是基于模板匹配,特征點以及邊緣檢測等.模板匹配一種比較傳統的圖像分類方法,文獻[4,5]提出一種使用模板匹配和邊緣方向直方圖進行車標分類的方法.然而這種方法通常需要大量的模板樣本的收集,比較耗時,而且容易受到圖像質量的影響,導致識別結果降低,而且在匹配的過程比較耗時,不滿足實時性.為此文獻[6]使用主成份分析法(PCA)與不變矩對車標進行識別,這些方法相對簡單,速度較快,但準確率較為一般.基于特征點識別的方法[7-9],比如SIFT,文獻[9]提出一種基于SIFT的增強匹配算法,提高的識別精準度,但是基于特征點的算法對于原始圖像要有比較高的分辨率,對于低分辨率的圖像識別效果比較差.許多車標識別方法基于邊緣的特征來對圖像進行分類,如形狀描述符.然而難以從低分辨率圖像準確地提取邊緣.隨著深度學習的發展,為提取低分辨圖像特征提供了一種新的方法[10-12].文獻[13]提出了一種基于卷積神經網絡模型的方法,達到了精準識別的要求,但是訓練時間過長,不滿足實時性的要求.

總之,單一方法幾乎不能很好的處理低分辨率圖像,然而在實際應用中,車輛圖像有懸掛在街道交叉口處的相機進行捕獲,具有1024×768的分辨率,因此對于前視圖中車標具有相對較小的尺寸和分辨率.為了解決這一問題,本文提出一種基于D-S證據理論的多特征融合方法,結合不變矩所具有的旋轉、縮放和平移的不變性以及HOG特征,利用D-S證據理論組合不完全、不清晰信息的優勢,根據決策規則得到最終的識別,有效提高對于低質圖像的識別準確度,相比于單一特征識別更具有魯棒性.

1 相關工作

1.1 圖像預處理

幀為了提高識別率,將采集到得圖像進行預處理.首先對于圖像進行幾何歸一化為70×70,為了提高圖像對光照的魯棒性,對圖像進行光照預處理,步驟如下:

Step 1.對圖像進行γ校正,來抑制高亮和增強高暗像素點:

Step 2.對圖像進行差分高斯濾波(DoG),用來消除圖像陰影以及一些高頻和低頻噪音的干擾.參數根據Tan[9]等實驗參數進行設置A1,A2為1.0,σ1為2,σ2為1.5.

Step 3.對圖像進行對比度均衡化,使得圖像的局部特征更加突顯.

1.2 HOG特征提取

HOG特征是由SIFT特征演變而來[14],主要是通過計算局部區域的梯度方向直方圖作為特征.

Step 1.首先將已預處理后的圖像分割為若干個7×7的像素單元block.

Step 2.將block均勻分成4個小塊(此處稱為cell)計算cell內每個像素點的梯度方向和幅值.并將梯度方向劃分為m個方向,統計單元內每個像素的梯度方向落在這m個方向塊中的個數即得到該單元的方向梯度直方圖.如圖1所示,式(3),式(4)中的 θ (x,y)為梯度方向,m(x,y)為幅值.

圖1 HOG特征提取過程圖

Step 3.將block內的cell梯度直方圖連接成為一個直方圖,表示在該區域的HOG特征.

Step 4.對于整幅圖以7個像素的步長進行滑動檢測,串聯所有區域的梯度直方圖,作為整幅圖的HOG特征.

1.3 不變矩

不變矩特征[15]常被用作圖像特征的描述參數.通過提取具有平移、旋轉和比例不變性的圖像特征,基于區域的幾個矩作為形狀特征,進行圖像識別.

一副數字圖像f(x,y)的二維(p+q)階矩定義為,其中,p,q=0,1,2,···.

相應的中心距定義為:

歸一化(p+q)階中心距定義為:

其中,r=(p+q+2)/2,p+q=2,3,···.

基于區域的不變矩理論構造出7個平移、旋轉、縮放和尺度不變矩(簡稱Hu矩)[15],以下為7個不變矩的計算公式:

1.4 D-S證據理論

D-S證據理論[16]由Dempster提出并Shafer完善的,原理如下:

設 θ為識別框架,若集函數滿足不可能事件概率為0,即m(φ)=0,以及θ 中的所有元素的基本概率之和為1,即則稱m為框架θ 上的概率分配函數,m(A)為對命題A的基本概率分配(BPA),表示對于命題A的信任程度.

D-S合成規則為:設m1,m2,···,mn是 識別框架θ 上不同證據的基本概率分布(BPA),其正交和m=m1⊕m2⊕ ···⊕mn,運算為:其中,N表示證據間的沖突度.式(8)為證據理論融合公式,能夠將若干個不同的來源的獨立證據結合起來,獲得更加準確的數據.

2 特征融合

本文結合不變矩所具有的旋轉、縮放和平移的不變性以及HOG特征,利用D-S證據理論組合不完全、不清晰信息的優勢,根據決策規則得到最終的識別類型.本文提出的車標識別模型如圖2所示,算法步驟如下:

圖2 車標特征識別示意圖

2.1 基本概率分配的構建

2.1.1 不變矩的基本概率分配

由于歐式距離能夠有效反映出不同圖像之間的相似度,距離越大,則相似性就越小,針對不變矩所獲得的圖像特征值,構建基本概率分配的具體步驟如下:

假設n1,n2,···,ni分別表示訓練車標樣本,矢量(i=1,2,···,7)描述車標特征.測試車標圖像表示為矢量,分別計算訓練樣本和測試樣本之間的歐氏距離,分別表示為di,1,di,2,···,di,ni.

從di,1,di,2,···,di,ni中選擇測試樣本到第i個訓練樣本之間的最小值,即di=min(di,1,di,2,···,di,ni),因為di得真實值為[ 0 ,∞],因此進行歸一化:

其中,ni表示為總的車標樣本.

根據式(10)構造滿足D-S證據理論的不變矩基本概率分配m(Ai)

2.1.2 HOG的基本概率分配

為了構造HOG的基本概率分配,采用Chen等人[11]提出將二分類邏輯回歸擴展為多分類.從訓練數據X中獲得K類yi∈ 1,2,···,K,對于每一類的概率p(yi=k|Xi)可以表示為:

其中,w是由權重組成的矩陣,b為多類邏輯回歸模型的偏值.

由于車標形狀各異,保證多分類邏輯回歸具有最佳的性能,減少LR分類器訓練時發生過擬合的情況,因此本文在定義損失函數L(w)時添加了參數w的L2正則化項即:

其中,l(yi=k)是指示函數,若yi=k為真,則等于1,否則等于0.

因此對于一個測試樣本X*,HOG的基本概率分配函數可定義為:

2.2 決策融合及判別規則

根據上述兩個證據在同一個(識別框架下的基本概率分布(BPA)分別為m(Ai)和mBj,合成法則可以表示為考慮到若存在集合Ai,Bj,使得Ai∩Bj=φ,且m(Ai)＞0,m(Bj)＞0,此時使用D-S證據理論,將會導出m(φi)=0,與BPA函數的定義相悖,因進行修正,取沖突權值為修正系數K的對數.即,考慮到證據之間的沖突,令k=1/K,當k=0時證據完全沖突,反之,k越大沖突越小,對D-S合成法則進行如下改進:

通過式(14)求得融合后的信任度m(C)必須滿足以下規則:

(1)m(C)應具有最大的基本概率分配值;

(2)目標類別m(C)與其他類基本概率分配值之差應大于某個門限;

(3)目標類別m(C)必須大于某一門限

(4)若不滿足上述3條,則識別結果為“不確定”.

3 實驗結果分析

本文的車標圖片來自于交通卡口監控視頻拍攝的車輛圖片,共有12種車標圖片合計6000張,其中訓練集數據每一類400張車標圖像,測試集每一類車標為100張.本實驗在Intel i5,2.5 GHz CPU,4 GB內存的Windows平臺下進行.車標圖像歸一化為70×70像素,如圖3所示為經過車標定位獲得,分別為Buick、Chery、Citroen、Honda、Hyundai、lexus、Mazda、Peugeot、Toyata、Volkswagen、Chevrolet、Benz.

圖3 車標樣本

為了驗證本文所提出方法,提取車標的HU不變矩特征和HOG特征,分別比較單一特征分類的識別結果和本文所提出的融合方法識別結果.根據式(7)對每一個訓練樣本進行計算,取平均值從而獲得對應每一類車標特定的7個特征值.根據歐式距離公式求得車標測試樣本的分類結果,如表1所示.

對于所提取的HOG特征,采用多分類邏輯回歸作為作為分類器,實驗結果如表2所示.

根據上述實驗結果可知單一特征識別率偏低,主要由于車標樣本的分辨率以及光照變化的影響比較大,導致單一特征的識別信度值偏度,缺乏可靠性和穩定性.因此本文提出一種基于D-S證據理論,融合不變矩特征和HOG特征,融合后的信度值相比于單特征的信度值,能夠增加實際目標的信任度,降低目標識別的不確定性.對1200張測試樣本進行混合分成5組,實驗結果如表3所示.

表1 Hu不變矩分類結果

表2 HOG分類結果

表3 不同算法的識別結果

為了更好驗證融合特征的優越性,本文將與文獻[17]提出的一種基于LBP與HOG聯合特征的車標識別方法進行比較,在同等條件下,本文提出基于D-S證據理論,進行特征融合,相比于文獻[17]所提算法在光照變化和噪聲污染等情況下,都保持著較高的車標識別率,具有一定的魯棒性,但在算法識別的時間上,本文提出的算法相對更短,更加滿足實時性的要求,識別結果如表4所示.

4 實驗結論

傳統的單一特征識別的算法雖然取得不錯的識別結果,但是對車標圖像的質量要求比較高,不能很好識別出低分辨、低質的車標圖像,因此本文提出一種基于D-S證據理論,進行特征融合的方法,對于每一類車標提取的特征進行融合,以信度值得大小作為最終的判別依據,能夠有效解決對于低分辨圖像提取特征不足導致識別率較低的問題.

表4 本文算法與文獻算法分析比較