[发明专利]基于多特征融合的车型分类方法

权利要求书

1.基于多特征融合的车型分类方法，其特征在于，该方法包括：

步骤1：输入实时视频，对车辆进行检测；

步骤2：对检测到的车辆进行定位与分割；

步骤3：对提取出的车辆图像进行形态学预处理；

步骤4：提取车辆图像的三种特征，对三种特征进行有效融合；

步骤5：利用支持向量机对所提取出的融合特征进行训练，生成车型分类器；

步骤6：利用车型分类器对实时视频中的车辆进行识别与分类；

所述的步骤1利用虚拟线圈进行车辆检测，当视频中检测到车辆时作后续处理；

所述的步骤2利用寻找连通域的方法定位到车辆所在位置，利用三帧差法对车辆图像进行分割与提取；

所述的步骤3针对所提取的不同特征类型对车辆图像作不同规格的形态学预处理，包括以下步骤：

步骤3-1：针对传统的特征提取，只需对图像进行大小归一化，以及高斯平滑去噪处理；

步骤3-2：针对深度信念网络所提取的特征，在图像大小归一化的基础之上需要对图像的像素值按照公式：

x_i^′＝(x_i-x_min)/(x_max-x_min)归一化至0～1之间；

所述的步骤4提取车辆图像三种类型的特征包括以下步骤：

步骤4-1：提取车辆图像的三层金字塔梯度方向直方图特征；

首先提取车辆图片第一层HOG特征，利用两个滤波器(1 0 -1)和(1 0 -1)^T对图片进行水平和垂直方向滤波，得到图像水平和垂直方向的梯度，根据图像中各点在水平和垂直方向上的梯度值DX_i,DY_i计算出各点梯度的幅值D_i和方向θ_i；

将各点的梯度方向归并量化为有限个方向，由于θ_i∈(-п/2,п/2)，设定每18度为一个区域，共10个区域，得到一层HOG特征的10维向量；然后提取车辆图片第二层HOG特征，将图像平均划分为4个区域，每个区域提取10维的HOG特征向量，共40维；最后提取车辆图片第三层HOG特征，得到160维的HOG特征向量；三层HOG特征向量总计210维；

步骤4-2：提取车辆图像的基于LBP算子的边缘方向直方图特征；

首先利用LBP算子提取车辆的边缘信息，然后利用Sobel算子，计算边缘方向的水平梯度D_x和垂直梯度D_y:

D_x＝f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)-

f(x-1,y-1)-2f(x,y-1)-f(x+1,y-1)

D_y＝-f(x-1,y-1)+f(x+1,y-1)-2f(x-1,y)+

2f(x+1,y)-f(x-1,y+1)+f(x+1,y-1)

边缘方向：θ(x,y)＝acrtan(D_y/D_x)θ(x,y)∈(-π/2,π/2)

将边缘方向归并量化为有限个方向，设定每18度为一个方向，即共有10个方向；通过对边缘方向直方图的计算，可以得到车辆图片的一个10维的特征向量；加上非边缘的一维向量，共11维特征向量；

步骤4-3：利用深度信念网络深度挖掘出车辆图像底层像素的高阶特征描述符；

步骤4-4：对提取的三种特征进行有效融合；

所述的步骤5利用支持向量机对大量的车辆图片样本特征进行训练，得到车型分类器；

所述的步骤6利用训练完成的车型分类器对实时视频中的车辆进行识别与分类，得到最终的分类结果。