基于關鍵邊緣特征的車型識別

張秀林 劉 玉 安然

（1.中北大學動態測試技術重點實驗室，山西太原 030051）2.中北大學信息與通信工程學院，山西太原 030051）

0 引言

車型識別的問題是典型的目標識別問題，而目標的特征與目標檢測息息相關?；谀０宓姆椒?，wei等[1]構造了參數化模型表示不同的車型，然后應用神經網絡進行識別?；诖鷶堤卣鞯姆椒?，魏等[2]引入灰度一致因子進行校正人臉識別中的奇異值方法應用于車型識別。同一車輛在不同角度、不同位置時，外觀變化很大，同一類型的車輛之間，外形也不盡相同。因此，車型識別的關鍵問題是提取有良好描述和分類性能的特征。

運動車輛車型識別問題本身的復雜性決定了，基于模板方法不但有較高的復雜度而且準確地獲取運動車輛的外部輪廓；基于代數特征的方法在提取代數特征時，需要增加較多的計算量和存儲負擔，實時性較差。T.R.Lim等[3]利用Gabor濾波器強大的分類鑒別能力對車輛樣本圖像抽取Gabor特征，因此，提出一種快速、實用的基于Gabor濾波器對車輛邊緣進行非均勻樣點采樣提取關鍵邊緣特征的方法，避免車型識別時對車輛外部輪廓的強依賴性，魯棒性得到增強的同時降低了Gabor濾波器的計算量和存儲負擔。最后，利用模板匹配法實現運動車輛車型的自動分類時不降低識別率。從而，實現運動車輛車型的自動分類，達到運動車輛車型的識別。

1 車型識別

1.1 Roberts邊緣檢測算子確定關鍵邊緣

運動車輛車型的輪廓取向無法事先確定,選擇不具備空間方向性的和具有旋轉不變的線性微分算子用于輪廓增強。Roberts邊緣算子[4]采用的是對角方向相鄰的兩個像素之差，是一種利用局部差分算子尋找邊緣的算子,它由下式給出。

Roberts算子:

其中G[x, y]表示處理后( x, y)點的灰度值, f [x, y]表示處理前該點的灰度值。

該算法的算子如下:

用Roberts算子、sobel算子和Laplacian算子三種邊緣檢測算子對一幅車輛樣本灰度圖像進行邊緣檢測，如圖1-1(a)為灰度圖像，圖1-2 (b)、（c）、（d）分別為所檢測的邊緣圖像。

圖1-1三種邊緣檢側算子Fig.1-1 three edge detection side operator

從圖像處理的實際效果來看,用Roberts算子計算速度快，邊緣定位準, 梯度檢測邊緣較好；Sobel 算子有一定噪聲抑制能力, 在檢測階躍邊緣時得到的邊緣寬度至少為二像素；Laplacian算子對噪聲是敏感的。

1.2 二值邊緣圖像的獲取

邊緣圖像就是圖像中各個像素的灰度級用來反映各像素符合邊緣像素要求程度。對車輛灰度圖像的邊緣圖像進行閾值分割得到二值邊緣圖像，閾值的選取參考邊緣圖像的直方圖[5]，二值邊緣圖像為非均勻樣點確定打下良好的基礎。

車輛邊緣圖象的梯度直方圖：

其中f(x)是灰度為x的所有像素梯度之和。

其中h(i,j)為像素點（i,j）值根據公式（7），對每個像素點（i,j）進行計算，便可得到梯度直方圖F。

一幅邊緣圖象h(i,j)取單閾值T分割后的二值圖像可定義為:

如圖1-2所示圖 (a)為原車輛的灰度圖象；(b)為經過Roberts算子檢測后的灰度邊緣圖像；（c）為車輛邊緣圖像的直方圖；(d)為二值邊緣圖像。

圖1-2 邊緣圖像的閾值分割Fig.1-2 edge image threshold segmentation

1.3 非均勻樣點的確定

Gabor特征的非均勻采樣策略[6]提取車輛中明顯的邊緣特征。根據得到的二值邊緣圖像我們可以將取樣窗口分為兩類。即：M類和N類。如果取樣窗口中包含的邊緣像素點大于取樣窗口中像素點總數的50%就直接歸為M類，而對于包含邊緣像素點但不足50%的取樣窗口以越靠近圖像中心的像素點越能代表物體的類別特征的原則，將取樣窗口湊成50%的比例而歸為M類。其余的取樣窗口歸為N類。

將一幅圖像分成網格后均勻抽取樣點，然后進行Gabor特征提取。顯然M類取樣窗口中的像素點都出現在樣本圖像中具有重要特征部位的周圍，因此在 M類取樣窗口中進行采樣間隔5×5的 密集采樣，在N類取樣窗口中進行采樣間隔 10×10 的稀疏采樣。大大降低了Gabor特征矢量的維數。

1.4 Gabor特征提取

我們采用的濾波器基于文獻[7]中構造的ODC值核函數，定義如下:

其中，（x,y）定義了時域中的像素位置，ω0為中心頻率，θ為Gabor小波的旋轉方向，σ是高斯函數沿x和y軸的標準偏差，這里加入補償圖像的直流分量。

得到某一樣點(X，Y)的一組濾波器響應：

其中aj和jθ分別表示Gabor特征的幅值和相位，n是樣點的個數。

1.5 匹配

在識別運動車輛車型之前,在學習的基礎上建立起的標準車輛車型的模板庫,里面存儲著標準車輛車型的特征表,將待識別圖像的Gabor集和不同的模板圖像的Gabor集進行比較，對于每一個模板圖像都會有一個相似值，取最高的相似值來確認待識別車輛的類型。

相似值應用下式進行計算:

其中，L是待識別圖像的Gabor集，*L是模板圖像的Gabor集。

2 實驗結果和分析

本實驗針對3類車型做了識別實驗，即公共汽車、貨車、轎車。每種車型10個樣本。每個待測樣本圖像和模板庫中標準車輛車型圖像大小為96×48，灰度級256。每個取樣窗口大小為6×6，則在一個樣本圖像中共有128個取樣窗口，在M類取樣窗口中采用5×5的均勻采樣間隔，在N取樣窗口中采用10×10的均勻采樣間隔。

為了驗證本算法的有效性，我們采用了只考慮邊緣部位的方法（保留M類取樣窗口，舍棄N類窗口）進行了對比試驗。

表2-1 不同車型的識別率Table 2-1 different vehicle type recognition rate

從實驗結果可知本算法在不降低識別率的前提下，大大降低 Gabor濾波器的計算量和存儲空間。識別率和魯棒性方面都要優于傳統方法，而且該方法對于非邊緣部位也進行了考慮，這樣能夠避免對于邊緣的強依賴性。

3 結語

本文的目的就是給出基于Gabor濾波器和邊緣特征的車型識別算法。該算法首先進行邊緣檢測，根據關鍵邊緣進行的非均勻采樣策略將取樣窗口分為 M和N 兩類，然后在取樣窗口中分別采用不同的取樣間隔，這樣通過Gabor的特征提取獲取了特征數目少且分類錯誤概率小的特征向量，最后進行匹配過程，確認待識別車輛的車型。此算法避免車型識別時對車輛外部輪廓的強依賴性，魯棒性得到增強的同時降低了Gabor濾波器的計算量和存儲負擔，而又不降低識別率。

[1]T.Kato, Y.Ninomiya, I.Masaki.Preceding vehicle recognition based on leaning from sample images[J].IEEE Trans.on Intelligent Transportation Systems.3(4):252-260,2002.

[2]魏小鵬,于萬波,金一粟.奇異值方法用于汽車車型識別[J].中國圖象圖形學報.2003,8(A)(l):47-50.Wei Xiao-peng, YU Wan-bo, JIN Yi-SU.Car Shape Recognition Based on Matrix Singular Value[J].Journal of Image and Graphics.2003,8(A)(l):47-50.

[3]T.R.Lim，A.T.Guntoro,Thiang.Car recognition using gabor filter feature extraction Circuits and Systems[J],APCCAS’02.2:451-455,2002.

[4]胡煒煒,李樹廣,吳舟舟.基于邊緣輪廓特征的實時車型分類.計算機工程[J].2007,33(13):185-187.Hu Wei-wei, LI Shug-uang, WU Zhou-zhou.Realtime Vehicle Classification Based on Edge Contour Feature[J].Computer Engineering.2007,33(13):185-187.

[5]張友兵,付勇智,楊亞會,周奎,史旅華.一種自動提取車型圖像邊緣閾值算法的仿真研究[J].湖北汽車工業學院學報.2012,36(2):29-41.Zhang You-bing, Fu Yong-zhi, Yang Ya-hui, Zhou Kui, Shi Lü-hua.Simulation Study on Automatic Extraction of Auto Style Image Edges Threshold[J].Journal of Hubei Automotive Industries Institute.2012,36(2):29-41.

[6]趙英男,劉正東,楊靜宇.一種基Gabor濾波器的車型識別方法[J].計算機工程.2005,31(22):172-174.Zhao Ying-nan, LIU Zheng-dong, YANG Jing-yu.A Vehicle Classification Method Based on Gabor Features[J].Computer Engineering.2005,31(22):172-174.

[7]D.H.Liu,K.M.Lam,L Shen.Optimal sampling of Gabor features for face recognition[J].Pattem Recognition Letters.25:267·276,2004.