[发明专利]一种基于En-ULLELDA的多视角车型识别方法

权利要求书

1.一种基于集成的局部线性嵌入与线性判别分析结合的多视角车型识别方 法，其特征在于：包括离线训练模块与在线识别模块；其中离线训练模块对训练 样本集进行车辆感兴趣区域ROI提取与预处理，其次选用Gabor小波变换对车辆 感兴趣区域ROI进行初始的特征提取得到初始特征，训练模块中对训练样本集的 初始特征进行集成的局部线性嵌入与线性判别分析结合，得到其在子空间的表示， 建立不同车型Gabor特征模型作为后续识别的依据；其中在线识别模块对测试样 本进行车辆感兴趣区域ROI提取与预处理，其次选用Gabor小波变换对车辆感兴 趣区域ROI进行初始的特征提取得到初始特征，在线识别模块对测试样本的初始 特征根据离线训练模块建立好的不同车型Gabor特征模型进行线性组合得到表示 测试样本自身的低维空间特征，然后将测试样本自身的低维空间特征送入分类器 进行车辆识别最终得到车型识别结果。

2.如权利要求1所述的基于集成的局部线性嵌入与线性判别分析结合的多视 角车型识别方法，其特征在于：所说的车辆感兴趣区域ROI提取与预处理是通过 基于自适应阈值的垂直投影算法定位车辆的车牌，即对车辆图像计算其垂直方向 的梯度，然后进行OTSU自适应二值分割，对分割后的二值图通过水平和垂直两个 方向的定位，最终得到定位结果，将定位结果即对定位到的车牌位置进行比例缩 放对车头部进行定位和提取，预处理包括尺寸归一化、直方图均衡化和灰度归一 化三步：尺寸归一化是以提取到的ROI以车牌宽度为依据进行插值使得ROI尺寸 变成统一大小；直方图均衡化是通过灰度变换将图像转换为具有均衡的直方图分 布曲线的图像；灰度归一化是通过线性变换使得变换后的图像在灰度分布上具有 均值为0，方差为1的归一化特性。

3.如权利要求1所述的基于集成的局部线性嵌入与线性判别分析结合的多视 角车型识别方法，其特征在于：所说的提取车辆感兴趣区域ROI的Gabor小波初 始特征包括以下步骤：

1)用5个尺度8个方向的Gabor小波基与车辆感兴趣区域ROI即R(Z)进行 快速傅立叶变换FFT，得到车辆感兴趣区域ROI的5个尺度8个方向的实部： O_μ，v(z)＝fft^-1(fft(R(z))×fft(ψ_μ，v(z)))其中，O_μ，v(z)是车辆图像中的感兴趣区域R(Z) 与第v个尺度第μ个方向的Gabor基ψ_μ，v做卷积的结果，μ，v是Gabor基的方向和 尺度，v∈{0，1，...，4}和μ∈{0，1，...7}，fft是指快速傅立叶变换，fft^-1是指快速反傅 立叶变换；

2)对每个尺度和方向上的O_μ，v(z)进行下采样，然后把下采样后的结果按行或 列展开，并依次连接，拼接成一个单一的单位向量χ_R，即初始特征χ_R

χR=(O0,0ρ,O0,1ρ,...,Oi,jρ,...,O7,4ρ)]]>

其中O的下标i，j表示方向和尺度，上标ρ表示下采样的倍数，此处使用8 倍下采样，即用于训练的多视角车型初始特征数据集为Tr，Tr通过预处理后得到 对应的ROI集合记为Rtr，对Rtr中的每个样本都进行上述的Gabor小波初始特征 提取，得到训练样本的特征集合记为Gtr。

4.如权利要求1所述的基于集成的局部线性嵌入与线性判别分析结合的多视 角车型识别方法，其特征在于：所说的用分类器进行车型识别包括以下步骤：

1)首先计算出每一个车型的训练样本集在低维空间中的中心；

2)识别时用每类的中心作为分类的比照点，选择距测试样本最近的中心所在 的类为识别结果，使用欧氏距离进行距离度量得到车型的识别结果。