车辆识别模型训练方法、车辆识别方法及装置的制作方法

《车辆识别模型训练方法、车辆识别方法及装置的制作方法》由会员分享，可在线阅读，更多相关《车辆识别模型训练方法、车辆识别方法及装置的制作方法（3页珍藏版）》请在金锄头文库上搜索。

1、车辆识别模型训练方法、车辆识别方法及装置的制作方法专利名称：车辆识别模型训练方法、车辆识别方法及装置的制作方法技术领域：本发明涉及车辆识别技术领域，特别是涉及种车辆识别模型训练方法、车辆识别方法及车辆识别装置。背景技术：随着技术的发展，在现代智能交通系统中，基于监控视频的车辆检测识别方法已经逐步取代线圈传感器检测方法，成为了智能交通系统中车辆检测的主流手段和发展趋势。基于监控视频的车辆检测识别方法的识别率是现代智能交通系统的重要的指标，在很大程度上决定了智能交通系统的优劣。如何提高违规车辆的识别率，降低误判率是当前智能交通行业的研究热点和难点。目前在目标识别分类领域比较成功方法是使用非线性SV

2、M(supportvectormachine，支持向量机)算法，其能够得到较高的分类准确率。但是，非线性SVM算法计算复杂度高，假设n为训练样本数，在模型训练时其计算时间复杂度为0(n3)，存储复杂度为0(n2)，在检测图像时，其计算复杂度是0(n)。可见，在训练模型过程中，非线性SVM的训练复杂度是随着样本数量增加而呈非线性的快速增长，即使在检测图像的过程中，其计算复杂度也随样本数量増加而增加。而计算机有限的计算能力不能无限地满足其迅猛增长的计算和存储需求，这就制约了其模型所使用的训练样本数量不宣很大，限制了其在现代智能交通系统中的应用。因为后者需要检测出众多厂商生产的，型号、尺寸、色彩等方

3、面差异很大的所有车辆，这就要求必须使用至少数以万计的训练样本来训练模型，以保证模型的通用性。如此之大的模型样本数量带来的庞大计算量，对现有的计算机系统的计算能力而言仍是个沉重的负担，因此，此种方法无法快速高效的对车辆进行检测识别。发明内容本发明所要解决的技术问题是提供种车辆识别模型训练方法、车辆识别方法及车辆识别装置，能够降低算法的复杂度、占用存储空间及计算时间，从而快速地进行车辆识另U，同时提高车辆识别的准确性。为了解决上述问题，本发明公开了种车辆识别模型训练方法，包括以下步骤搜集图像样本；变换搜集到的图像样本；用尺度不变特征变换特征矩阵表示变换后的图像样本；抽取各个图像样本的尺度不变特征变

4、换特征矩阵中的部分特征组成特征空间；对特征空间进行稀疏编码，得到稀疏编码特征基矩阵；计算各图像样本的多尺度最大特征向量；确定线性分类器的參数。进步地，所述用尺度不变特征变换特征矩阵表示变换后的图像样本包括将变换后的图像样本划分为NXN块，每块由D维SIFT向量表示，组成大小为N2XD的尺度不变特征变换特征矩阵，所述N与D为常数。进步地，所述抽取各个图像样本的SIFT特征矩阵中的部分特征组成特征空间的大小为N2XM，M彡DXn，所述n为训练样本总数。进步地，所述多尺度最大特征向量使用基于稀疏编码统计的最大归并函数计算。进步地，所述线性分类器中的參数采用基于方向梯度的有限存储算法求得。进步地，所述

5、变换搜集的图像样本包括若搜集到的图像样本为彩色图像，则将彩色图像转换为灰度图像，再进行尺度缩放； 若搜集到的图像样本为灰度图像，则对灰度图像进行尺度缩放。为了解决上述问题，本发明还公开了种车辆检测识别方法，包括以下步骤 获取图像；变换获取的图像；用尺度不变特征变换特征矩阵表示变换后的图像；根据稀疏编码特征基矩阵和尺度不变特征变换特征矩阵计算所获取图像的多尺度最大特征向量；将所获取图像的多尺度最大特征向量输入线性分类器；根据线性分类器的输出结果对所获取图像进行分类识别。进步地，所述根据线性分类器的输出结果对所获取图像进行分类识别包括若线性分类器输出结果大于零，则表示获取图像为车的图像；若线性分类

6、器输出结果小于零，则表示获取图像为非车物体的图像。为了解决上述问题，本发明还公开了种车辆识别装置，包括图像获取模块，用于获取实时监测的图像；图像变换模块，对图像获取模块所获取的图像进行变换，以得到预定尺度的灰度图像；图像特征提取模块，用于从变换后的灰度图像中提取尺度不变特征变换特征矩阵；计算模块，根据已有的稀疏编码特征基矩阵与图像特征提取模块提取的尺度不变特征变换特征矩阵计算出该图像的多尺度最大特征向量；线性分类器，计算出获取图像的识别值；分类模块，判断所获取的图像的类别。与现有技术相比，本发明具有以下优点本发明的车辆识别模型训练方法、车辆识别方法及车辆识别装置，采用稀疏编码和线性SVM结合的

7、方式来进行模型训练及车辆识别。在模型训练及车辆识别的过程中，稀疏编码因为所受的限制性约束较少，重建错误也较少，因为在模型训练及车辆识别中所获取的图像为稀疏信号，采用稀疏编码来进行分析可以得到较为准确的結果。另外，采用最大归并函数计算可以使在模型训练中的统计结果及车辆识别时的识别结果较为准确。另外，假设n为训练样本数，若使用线性SVM，在训练模型时，其训练复杂度为0(n)，是随着样本数线性增长，因此其训练复杂度相较于使用非线性SVM的非线性增长来说会有显著的降低，而检测时，其计算复杂度为一固定常数，不会随样本数増加而增加，相对于非线性SVM的计算复杂度也会有显著的降低，具有计算速度快，占用存储空

8、间小的特点。因此，采用线性SVM和稀疏编码结合使用，能够降低算法的复杂度、计算时间及占用存储空间，与稀疏编码结合使用，能够快速地进行车辆识别，同时也提高了车辆识别的准确性。 图I是本发明的车辆识别模型训练方法实施例的流程图；图2是本发明的车辆识别方法实施例的流程图；图3是本发明的车辆识别装置的结构示意图。具体实施例方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进步详细的说明。本发明的车辆识别模型训练方法、车辆识别方法及车辆识别装置是基于已经训练好的模型及获取的图像的特征来对图像进行识别。在实际操作中，首先需要建立模型，并通过采集大量的图像样本来训练模

9、型，以确定模型的各项參数。在进行车辆识别吋，则可以根据模型和图像特征来判定需要识别的图像所属的类型，从而实现车辆的识别。下面，对本发明的车辆识别模型训练方法实施例进行说明步骤101，搜集图像样本。其中，样本包括正样本和负样本，因为该模型是用于车辆识别,所以正样本为各种汽车图片，负样本则为道路上可能出现的除车辆以外的其他物体的图片，如路面、行人、树木等。为了保证模型的精确性，图像样本的数量需要足够大，则样本所涉及的物体总类也需要足够多。步骤102，变换搜集到的图像样本。为了使模型的训练结果精准，首先需要统图像样本。本实施例中，图像样本需要转换为预定尺寸的灰度样本。因此，如果搜集到的图像样本为彩色

10、图像，则需要先将彩色图像转换为灰度图像，再对灰度图像进行尺度缩放至预定的尺寸。如果搜集到的图像样本为灰度图像，则直接将灰度图像缩放至预定的尺寸。搜集到的彩色图像样本转换为灰度图像，可以通过如下公式转换Gray = RXO. 299+GXO. 587+BX0. 114 (I)式中，Gray为灰度值，R、G、B为彩色图像红绿蓝三个颜色分量。尺度缩放使用双线性插值进行，插值公式如下，f (i+u, j+v) = (l_u) (l_v) f (i, j) + (l_u) vf (i, j+1) (2)+u (1-v) f (i+1, j) +uvf (i+1, j+1)其中，f (i，j)表示第i行j

11、列的像素值，0 权利要求1.一种车辆识别模型训练方法，其特征在于，包括以下步骤 搜集图像样本； 变换搜集到的图像样本； 用尺度不变特征变换特征矩阵表示变换后的图像样本； 抽取各个图像样本的尺度不变特征变换特征矩阵中的部分特征组成特征空间； 对特征空间进行稀疏编码，得到稀疏编码特征基矩阵； 计算各图像样本的多尺度最大特征向量； 确定线性分类器的参数。2.如权利要求I所述的方法，其特征在于，所述用尺度不变特征变换特征矩阵表示变换后的图像样本包括 将变换后的图像样本划分为NXN块，每一块由D维SIFT向量表示，组成大小为N2XD的尺度不变特征变换特征矩阵，所述N与D为常数。3.如权利要求2所述的方法

12、，其特征在于，所述抽取各个图像样本的SIFT特征矩阵中的部分特征组成特征空间的大小为N2XM，M ( DXn，所述n为训练样本总数。4.如权利要求I所述的方法，其特征在于，所述多尺度最大特征向量使用基于稀疏编码统计的最大归并函数计算。5.如权利要求I所述的方法，其特征在于，所述线性分类器中的参数采用基于方向梯度的有限存储算法求得。6.如权利要求I所述的方法，其特征在于，所述变换搜集的图像样本包括 若搜集到的图像样本为彩色图像，则将彩色图像转换为灰度图像，再进行尺度缩放； 若搜集到的图像样本为灰度图像，则对灰度图像进行尺度缩放。7.种车辆检测识别方法，其特征在于，包括以下步骤 获取图像； 变换获

13、取的图像； 用尺度不变特征变换特征矩阵表示变换后的图像； 根据稀疏编码特征基矩阵和尺度不变特征变换特征矩阵计算所获取图像的多尺度最大特征向量； 将所获取图像的多尺度最大特征向量输入线性分类器； 根据线性分类器的输出结果对所获取图像进行分类识别。8.如权利要求7所述的方法，其特征在于，所述根据线性分类器的输出结果对所获取图像进行分类识别包括 若线性分类器输出结果大于零，则表示获取图像为车的图像； 若线性分类器输出结果小于零，则表示获取图像为非车物体的图像。9.一种车辆识别装置，其特征在于，包括 图像获取模块，用于获取实时监测的图像； 图像变换模块，对图像获取模块所获取的图像进行变换，以得到预定尺

14、度的灰度图像； 图像特征提取模块，用于从变换后的灰度图像中提取尺度不变特征变换特征矩阵； 计算模块，根据已有的稀疏编码特征基矩阵与图像特征提取模块提取的尺度不变特征变换特征矩阵计算出该图像的多尺度最大特征向量；线性分类器，计算出获取图像的识别值； 分类模块，判断所获取的图像的类别。全文摘要本发明提供了一种车辆识别模型训练方法，包括搜集图像样本；变换搜集到的图像样本；用尺度不变特征变换特征矩阵表示变换后的图像样本；抽取各个图像样本的尺度不变特征变换特征矩阵中的部分特征组成特征空间；对特征空间进行稀疏编码，得到稀疏编码特征基矩阵；计算各图像样本的多尺度最大特征向量；确定线性分类器的参数。本发明的车辆识别模型训练方法能够降低算法的复杂度、占用存储空间及计算时间，从而快速地进行车辆识别，同时提高车辆识别的准确性。本发明还提供一种基于前述车辆识别模型训练方法的车辆识别方法及车辆识别装置。