摘 要： 針對復(fù)雜背景的視頻圖像車型識別，提出了一種利用尺度顯著性的車型識別方法。由于尺度顯著性對圖像均一亮度變化、縮放、旋轉(zhuǎn)以及噪聲都具有不變性，因此引入尺度顯著性算法提取車輛圖像的分類特征。最后采用RBF網(wǎng)絡(luò)分類驗證該方法對多種車型的識別。實驗結(jié)果表明，提取尺度顯著性特征能夠有效地識別汽車車型。
關(guān)鍵詞： 車型識別；尺度顯著性算法；特征提取；RBF神經(jīng)網(wǎng)絡(luò)
車輛自動識別技術(shù)是智能交通系統(tǒng)ITS（Intelligent Transportation System）的重要組成部分，它對特定地點和時間的車輛進行識別和分類，并以之作為交通收費、調(diào)度和統(tǒng)計的依據(jù)。
根據(jù)GB/T 3730.1-2001《汽車和掛車類型的術(shù)語和定義》[1]，汽車分為乘用車（不超過9座）和商用車。車型識別的研究主要應(yīng)用在車輛結(jié)構(gòu)和車輛型號（不同品牌型號）兩個方面。本文主要是在車輛結(jié)構(gòu)上進行車型識別，將識別的車輛分為乘用車（小車）和商用車（大車）兩類。
車型識別的汽車圖片中汽車所處環(huán)境復(fù)雜多變，并且同類車型包括眾多不同的車輛，車型識別的難點在于獲取最本質(zhì)、最有代表性的特征。在提取特征方面，英國曼徹斯特大學(xué)的PETROVIC V S等人對汽車前景圖像的參考曲面提取梯度特征[2]，NEGRI P和CLADY X等人提取汽車正面圖像定向輪廓點特征[3-4]，但是光線特征和輪廓點特征對光線變換敏感，當(dāng)光線不同時，識別率變化較大。隨后，PSYLLOS A等人采用尺度不變換特征（SIFT）提取車臉圖像特征[5]。SIFT特征具有圖像尺度（特征大小）和旋轉(zhuǎn)不變性，而且對光照變化也具有一定程度的不變性，但是圖像出現(xiàn)損壞、遮擋時，識別率也會受到影響。
本文根據(jù)人眼分辨事物的特點提取車輛前景圖像（車臉圖像）尺度顯著性特征，然后用徑向基神經(jīng)網(wǎng)絡(luò)作為分類器去測試提取特征方法的識別效果。實驗結(jié)果表明，本文所提出的方法能有效地對車型進行識別處理。
1 尺度顯著性算法
尺度顯著性算子是基于提取魯棒而有關(guān)聯(lián)的特征的需要而提出的[6]。如果一幅圖像的某些區(qū)域不能在特征和尺度空間同時進行預(yù)測，尺度顯著性算法將認為這些區(qū)域是顯著特征區(qū)域，即人眼辨別事物時的感興趣區(qū)域。其中的不可預(yù)測性通過統(tǒng)計方法確定，計算出位置和尺度的顯著特征值空間作為進一步理解圖像的基礎(chǔ)。與傳統(tǒng)方法相比，其目標是成為一個尺度和顯著特征的通用方法，因為這兩者的定義與特殊的基本形態(tài)意義無關(guān)，這些基本形態(tài)意義不是基于粒子、邊緣和角點等特殊的幾何特征。該方法通過確定某一尺度上圖像塊內(nèi)的熵（entropy，即一種稀有性的量度）進行處理，熵HD定義為：
3 算法性能分析
鑒于基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的模式分類方法在網(wǎng)絡(luò)結(jié)構(gòu)方面的簡潔性以及在識別率和訓(xùn)練速度方面的優(yōu)勢，本文采用其作為車型識別方法。用采集到的部分車輛圖去訓(xùn)練已經(jīng)設(shè)計好的RBF網(wǎng)絡(luò)，最后驗證該特征提取方法的有效性，計算車型識別率。
3.1 網(wǎng)絡(luò)模型設(shè)計
為驗證提取顯著性特征的區(qū)分性，選擇RBF神經(jīng)網(wǎng)絡(luò)作為分類器。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)一般采用具有輸入層、隱藏層和輸出層的3層模型，各層的權(quán)值向量維數(shù)等于其神經(jīng)元節(jié)點個數(shù)。
輸入層的節(jié)點數(shù)由特征向量的維數(shù)決定，本文選取車臉圖像的前15個顯著性區(qū)域作為車臉圖像顯著性特征，每個顯著性區(qū)域包含中心點（x，y）和尺度s，提取得到的特征向量為15×3=45維，故輸入層節(jié)數(shù)為45。
輸出層的節(jié)點數(shù)由輸出向量維數(shù)決定。本文將帶識別的車型分為乘務(wù)車（小車）和商務(wù)車（大車）兩類，因此輸出向量為二維向量，即輸出層節(jié)點數(shù)為2。
隱藏層的節(jié)點數(shù)可以通過網(wǎng)絡(luò)學(xué)習(xí)自適應(yīng)獲得。
3.2 試驗與結(jié)果分析
實驗數(shù)據(jù)來自于相機采圖，相機不是固定的，放置在車輛正前方3~5 m處，距離地面1.4~1.6 m，因此采集的車輛圖片在尺度和角度±5°都有的變化。在一個月時間內(nèi)不同天氣和不同光線條件下采集1 046幅車臉圖像，圖5為采集到的車臉圖像樣例。其中，700幅圖像用于訓(xùn)練（大車和小車圖像各350幅），346幅圖像用于測試（198幅小車圖像和148幅大車圖像），用這些訓(xùn)練圖像一次性完成對已設(shè)計好的RBF網(wǎng)絡(luò)的訓(xùn)練，得到車型識別結(jié)果如表2所示。
從表2可知，基于尺度顯著性的車型識別方法，乘用車（小車）和商務(wù)車（大車）的識別率都在94%以上，達到較好的效果。未能正確識別的車輛圖像中，大部分都是背景比較復(fù)雜，或是車輛目標不是很明顯。為進一步提高識別率，需在復(fù)雜背景下提取車輛圖像，這也是今后改進的方向。
本文首次提取圖像尺度顯著性因子作為圖像的分類特征，并應(yīng)用到圖像識別領(lǐng)域，提出了一種基于尺度顯著性的車型識別方法。相比于傳統(tǒng)的特征提取方法，尺度顯著性因子對圖像均一亮度變化、縮放、旋轉(zhuǎn)以及噪聲都具有不變性，并對視點的細微變化也有魯棒性。用RBF神經(jīng)網(wǎng)絡(luò)去驗證算法性能，實驗結(jié)果顯示，基于尺度顯著性的車型識別方法是有效的。鑒于圖像尺度顯著性因子的特性，可以將這種方法應(yīng)用復(fù)雜背景下的目標檢測和跟蹤，這也是下一步將研究的問題。
參考文獻
[1] GB/T 3730·1-2001. Motor Vehicles and Trailers-Types：Terms and Definitions[S].
[2] PETROVIC V S， COOTES T F. Vehicle type recognition with match refinement[C]. International Conference on Pattern Recognition， 2004（3）：95-98.
[3] NEGRI P， CLADY X， MILGRAM M， et al. An oriented-contour point based voting algorithm for vehicle type classification[C]. 18th International Conference on Pattern Recognition， 2006（1）：574-577.
[4] CLADY X， NEGRI P， MILGRAM M， et al. Multi-class vehicle type recognition system[C]. Lecture Notes in Computer Science， 2008（5064）：228-239.
[5] PSYLLOS A， ANAGNOSTOPOULOS C N， KAYAFAS E. Vehicle model recognition from frontal view image measurements[J]. Journal Computer Standards & Interfaces， 2011（33）：142-151.
[6] KADIR T， BRADY M. Scale， saliency and image description [J]. International Journal of Computer Vision， 2001， 45（2）：83-97.