基于紋理特征與BP神經網絡的運動車輛識別

張秀林，王浩全，劉 玉，安 然

(中北大學a.動態測試技術重點實驗室;b.信息與通信工程學院，山西 太原 030051)

責任編輯:任健男

Gabor小波［1］具有變焦能力及多分辨率特性，廣泛應用于內容圖像檢索、模式識別和計算機視覺等領域。紋理特征的有效提取成為對紋理進行分割、檢索和分類的關鍵。運動車輛的識別是智能交通系統(ITS)中的重要組成部分，通過減背景技術、顏色塊、局部灰度極值點［2］，可以得到區分運動車輛與背景的256級灰度圖像。利用特征值加權的Gabor小波紋理特征的提取方法，從運動車輛圖像的顯著方向和尺度下獲得紋理信息，根據這些信息構造紋理特征向量，然后利用BP神經網絡進行訓練和仿真，實現運動車輛紋理圖像的自動分類，達到運動圖像的識別。實驗證明，該方法一方面能使圖像紋理特征向量的維數減少，另一方面保持了系統的檢索性能。

1 運動車輛紋理圖像的特征提取

1.1 Gabor濾波器的設計

Gabor函數既能兼顧信號在頻域和時域中的分辨能力，又能很好地實現時頻測不準關系下界［3－4］，同時Gabor濾波器是帶通的，與人類視覺接收模型相吻合［5］。對 Gabor函數［6］，公式為

進行適當的尺度和旋轉變換，公式為

式中:x′=a－m(xcosθ+ysinθ)，y′=(－ xsinθ+ycosθ)，a－m為尺度因子，m=0，1，…，L －1，L為多分辨率多分解的尺度數目;θ=，M表示總的方向數目。方向和尺度都不同的濾波器族，可以通過改變m和n的值來獲得，代入一組特定的參數集合(m，n，σx，σy)將獲得一個離散的Gabor濾波器Hmn(x，y)。

1.2 卷積值的加權處理

設經過紋理分割后的樣本紋理圖像I(x，y)中抽取樣點(X，Y)，則該點的卷積值為

式中:w為濾波器的窗口大小，Gabor濾波器覆蓋的地方稱為卷積子窗口，盡量對整幅圖像均勻覆蓋不能間隔太小。圖1中25個窗口每個窗口包含4個卷積抽取子窗口，把25個窗口化為互相重疊的16個卷積加權組。{w1，…，w8，w21，…，w28}∈ W1，以此類推{w73，…，w80，w93，…，w100}∈W16。

圖1 卷積加權組示意圖

式中N=16 代表Wl中包含卷積抽取子窗口的個數。對于W1，當Gabor濾波器為i是依次提取的卷積值為{Fi1，…，Fi8，Fi21，…，Fi28}，得到加權后的卷積值［7］為

式中:i代表第 i個 Gabor濾波器(i=1，2，…，10)，j代表第j個特征抽取子窗口(j=1，2，…，100)。在樣本圖像中均勻抽取100個樣點，分成100個大小為10×10的特征抽取子窗口，對每個特征抽取子窗口，取其中心點為樣點。這樣，對于每個樣點來說，分別有10個不同的Gabor濾波器響應進行特征抽取，將得到大小為1 000×1維的特征矢量，具有較高的維數。

雖然能量信息可以有效地表示紋理特征，但很容易產生分類誤差。所以，紋理特征將用均值和方差代替［8］，這不但降低了維數，而且降低了分類誤差。

卷積加權后的均值和方差為式中:T=1 000。當m=4，n=6，則紋理圖像的特征向量表示為

2 三層BP神經網絡紋理分類器的構建

線性分類模型并不適合用于區分復雜的紋理圖像中種類不同的紋理圖像。BP神經網絡是一種多層前饋網絡，采用反向傳播的算法，它不僅能夠對任意的非線性映射關系進行逼近，而且有很好的泛化能力［9］，選擇一個可以用于任意分類問題的三層BP神經網絡［10］的過程來識別運動的車輛。

圖2 三層前饋網絡

三層BP神經網絡的第一層神經元從外部接收輸入為

第一層輸出為

第二層輸出為

第三層輸出為

式中:s1，s2，s3為敏感性，得到上述三層BP神經網絡分類器后，首先得到大量的樣本圖像特征值構成的矩陣，然后將樣本的特征值作為輸入使BP神經網絡自行學習，最后用學習結果對測試樣本進行自動分類，流程圖如圖3所示。

圖3 紋理分類系統流程

3 實驗結果和分析

實驗采用的紋理圖像庫由紋理分割后的90幅320×240不同的車輛紋理圖像組成，其中小型車輛紋理圖像30幅(清晨10幅、中午10幅、傍晚10幅)，中型車輛紋理圖像30幅(清晨10幅、中午10幅、傍晚10幅)，大型車輛紋理圖像30幅(清晨10幅、中午10幅、傍晚10幅)。針對圖像庫中的每幅圖像分別采用Gabor小波卷積值加權后提取不同尺度、不同方向的均值和方差作為紋理特征構成特征向量，并把這些特征向量存入特征庫。用于分類的車輛紋理圖如圖4所示。其中，圖4a為小型汽車早、中、晚的紋理圖像;圖4b為中型汽車早、中、晚的紋理圖像;圖4c為大型汽車早、中、晚的紋理圖像。

圖4 用于分類的車輛紋理圖

表1 紋理分類結果查準率

由實驗結果知，本算法對圖像紋理特征有較好選擇，使紋理分類準確率明顯提升，很好地克服了光照的影響，具有很強的穩健性，對小型車輛、中型車輛、大型車輛紋理圖像都有很好的識別分類效果，對質量較差的圖像具有很好的識別分類能力。

4 結語

Gabor小波函數與紋理圖像卷積值加權后取不同尺度、不同方向的均值和方差作為紋理圖像分類的特征向量，降低維數的同時增強了離散程度較小的特征分量、減弱離散程度相對較大的特征分量在分類中的作用，充分利用樣本紋理圖像的統計信息，具有較強的穩健性和類別表征能力，在利用BP神經網絡進行紋理圖像的識別過程中有效降低圖像的識別錯誤率，降低了光照的影響具有很強的穩健性，尤其適用于對質量較差圖像的識別。

［1］王宇，吳煒，張德銀.基于計算機視覺的機場跑道異物檢測識別系統［J］.電視技術，2010，34(5):101－104.

［2］DAI K X，LI G H，TU D，et al.Prospects and current studies on background subtraction techniques for moving objects detection from surveillance video［J］.Journal of Image and Graphics，2006，11(7):919－927.

［3］HU T，LIYANAGE C，SILVA D，et al.A hybrid approach of NN and HMM for facial emotion classification［J］.Pattern Recognition Letters，2002(23):1303－1310.

［4］PAI C J，TYAN H R，LIANG Y M，et al.Pedestrian detection and tracking at crossroads［J］.Pattern Recognition，2004(37):1025－1034.

［5］ZHU Z，TANG M，LU H.A new robust circular Gabor based object matching by using weighted Hausdorff distance［J］.Pattern Recognition Letters，2004(25):515－523.

［6］李秀秀，陳露，林怡茂.基于Gabor小波的頻域快速紋理特征提取［J］.現代電子技術，2012，35(10):64－66.

［7］趙英男，劉正東，楊靜宇.基于Gabor濾波器和特征加權的紅外圖像識別［J］.計算機工程與應用，2004(32):22－24.

［8］張剛，馬宗民.一種采用Gabor小波的紋理特征提取方法［J］.中國圖象圖形學報，2010，15(2):247－254.

［9］劉明霞，侯迎坤，郭小春，等.新的紋理圖像特征提取方法［J］.計算機應用，2009，29(12):2434－2436.

［10］喬明，劉守義，龐春雷.BP神經網絡在BD1定位技術中的應用研究［J］.電視技術，2010，34(S1):164－168.