摘  要： 用決策導(dǎo)向非循環(huán)圖支持向量機(jī)研究了汽車車型的識別。運(yùn)用圖像像素相減的差分方法去除背景，獲取車對象；然后對圖像進(jìn)行均值濾波，以除去噪聲干擾，再對圖像用“分水嶺”變化的閾值方法，獲取車的二值圖像；最后提取車的幾何形狀特征，并將其輸入DDAG支持向量機(jī)進(jìn)行訓(xùn)練和識別，以實(shí)現(xiàn)對車型分類的目的。
關(guān)鍵詞： 幾何特征；DDAG SVM分類器；車型識別

    隨著社會(huì)的發(fā)展，車輛越來越多，交通變得非常繁忙，城市對于公路和交通的管理已成為一個(gè)很重要的問題。交通管理部門要實(shí)現(xiàn)現(xiàn)代化的科學(xué)管理，必須依靠交通管理系統(tǒng)。汽車是交通系統(tǒng)管理中的主要對象，能否自動(dòng)識別汽車類型成為對公路和交通實(shí)現(xiàn)現(xiàn)代化管理的關(guān)鍵[1]。
    現(xiàn)實(shí)中種類繁多的汽車，需要實(shí)用而有效的車輛分類方法。SVM作為一種新的學(xué)習(xí)分類方法，目前在人臉識別、對象分類等領(lǐng)域得到了很好的應(yīng)用[2]。本文應(yīng)用一種基于DDAG SVM建立分類識別模型的車型識別方法進(jìn)行車型分類。
1 信息獲取和特征值提取
1.1 車對象獲取
    在分類前應(yīng)先獲取一幅如圖1所示的純背景圖像，再獲取到如圖2所示的同一背景下的車輛圖像后，就可以將兩幅圖像進(jìn)行逐像素“相減”。背景減法[1]，是將圖像中當(dāng)前幀圖像和背景幀圖像進(jìn)行背景消除，所得差值(圖像中的灰度值)若大于設(shè)定的閾值，則判斷為運(yùn)動(dòng)對象目標(biāo)，如圖3所示；否則即為背景。通過對稱比較圖3與對象原始圖2，存儲(chǔ)圖3中像素點(diǎn)對應(yīng)的圖2中的顏色值，并進(jìn)行截取，得到圖4所示的對象，即為差分提取得到的車對象圖像。此方法提取的目標(biāo)圖像可以克服因攝像機(jī)位置移動(dòng)和光線微弱變化帶來的影響。

1.2 圖像預(yù)處理
    由于圖像在攝取過程中常會(huì)受到噪聲干擾，原本均勻的灰度突然變大或變小，使得圖像的后續(xù)處理引入誤差。而均值濾波[2]可以去除背景中的這些干擾。其處理步驟如下：
    (1)設(shè)置模板大小，選取在灰度圖像f中以(x，y)為中心的5像素×5像素的窗口，濾波次數(shù)為兩次。
    (2)使模板在圖像中的每個(gè)像素上移動(dòng)，并使模板中心與該像素位置重合。
    (3)若平均灰度為a時(shí)，令f(x，y)=a。
    (4)把被處理點(diǎn)的某一臨域中所有像素灰度的平均值作為該點(diǎn)灰度的估計(jì)值，則其預(yù)處理后的圖像如圖5所示。

1.3 圖像分割
    預(yù)處理后的圖像中所包含的灰度信息比較多，還不能容易地進(jìn)行車型識別，需要將圖像轉(zhuǎn)化為二值圖像。由于圖像灰度直方圖形狀是多變的，對預(yù)處理的汽車圖像，不同的目標(biāo)區(qū)域和背景區(qū)域中，同一區(qū)域內(nèi)的像素，在位置和灰度級上同時(shí)具有較強(qiáng)的一致性和相關(guān)性。因此，本文選用基于“分水嶺”變化的閾值化方法[1]，按以下4個(gè)步驟完成圖像的分割。
    (1)用修正過的開、閉算子進(jìn)行濾波，消除圖像的亮斑或暗斑，并保持物體的邊界。
    (2)確定同質(zhì)區(qū)域，同時(shí)為區(qū)域做標(biāo)記。
    (3)以區(qū)域標(biāo)記為種子，用類似于區(qū)域生長的分水嶺算法進(jìn)行區(qū)域分割。
    (4)進(jìn)行分割質(zhì)量評價(jià)，確定區(qū)域是否需要繼續(xù)分割，直至轉(zhuǎn)化為二值圖像。
    原圖像經(jīng)過閾值分割之后，突出了汽車圖像，其效果如圖6所示。車身對象被置為“1”，其他均置為“0”，極大地方便了后期的車型識別。

1．4 圖像特征提取
    物體的形狀特征對物體的識別有重要作用[3]。本文選擇的對象形狀特征有：高度、寬度、車頂寬度、周長、面積等。由于這些基本參數(shù)大多是一些絕對特征，不能直接用來分析，需要轉(zhuǎn)換成相對值，本文轉(zhuǎn)化為頂長比(頂蓬長度與車輛高度之比)、頂高比(頂蓬長度與車輛高度之比)，前后比(以頂蓬中垂線為界，前后兩部分之比)和占空比(對象目標(biāo)的面積與此對象最小外接矩形的面積之比)。實(shí)驗(yàn)結(jié)果部分特征數(shù)據(jù)如表1所示。

2 支持向量機(jī)與非線性分類
2.1 SVM思想
    支持向量[3]是指那些距離此最優(yōu)分類面最近的訓(xùn)練樣本。支持向量機(jī)[4]SVM(Support Vector Machine)是20世紀(jì)90年代形成的一種新的模式識別方法，它將待解決的模式識別問題轉(zhuǎn)化為一個(gè)二次規(guī)劃尋優(yōu)問題，理論上保證了全局最優(yōu)解，避免了局部收斂現(xiàn)象。SVM的主要思想是把非線性可分的數(shù)據(jù)通過某一變換映射到高維線性空間。

2.2 基于DDAG SVM的非線性分類
    在本文中由于車的特征比較多，采用決策導(dǎo)向非循環(huán)圖法DDAG[5](Decision Direct Acyclic Graph)，對于n類問題，DDAG方法用一對一的訓(xùn)練方式進(jìn)行分類器的構(gòu)造，即得n(n-1)/2個(gè)兩類的SVM分類器。如圖7所示，本文采用SVM的分類器結(jié)構(gòu)共有4(4-1)/2個(gè)節(jié)點(diǎn)和4個(gè)葉子，即需6個(gè)分類器，實(shí)現(xiàn)多類目標(biāo)分類，將一輛車的特征值歸于一類或幾類。

    需要注意的是，此方法中根部節(jié)點(diǎn)分類器的作用很關(guān)鍵，因?yàn)楦?jié)點(diǎn)的分類結(jié)果直接影響到下面的路徑，乃至最終的分類結(jié)果，選用不同的根節(jié)點(diǎn)分類器可能會(huì)產(chǎn)生不同的分類路徑。
    該支持向量機(jī)的具體實(shí)驗(yàn)步驟如下：
    針對實(shí)際問題，根據(jù)分析所涉及對象具有的特征屬性及對象之間差異性，假設(shè)以字母A、B、C、D分別代表轎車、面包車、公交車和卡車的類別符號(其中符號“~”表示“非”)，分類過程的結(jié)構(gòu)如下：
    (1)利用DDAG-SVM法構(gòu)造多個(gè)分類器對車輛大類別內(nèi)的各子類別進(jìn)行區(qū)分，其中選取形狀差異較大的轎車(A)和卡車(D)作為此層的根節(jié)點(diǎn)，以盡量減小分類誤差的積累。
    (2)再把轎車(A)、公交車(C)作為根節(jié)點(diǎn)的一個(gè)子節(jié)點(diǎn)，面包車(B)、卡車(D)作為另一個(gè)子節(jié)點(diǎn)。
    (3)進(jìn)一步劃分為A/B、B/C、C/D 3個(gè)節(jié)點(diǎn)，即3個(gè)分類器。
    (4)依次區(qū)分出轎車、面包車、公交車和卡車。
3 實(shí)驗(yàn)分析
    本文用MATLAB7.0進(jìn)行仿真實(shí)驗(yàn)，主要選取轎車、面包車、公交車和卡車作為車輛分類圖像模式比對的實(shí)驗(yàn)類型，選取了280個(gè)樣本(每類平均70個(gè))，其中160個(gè)用于訓(xùn)練，120個(gè)用于測試。首先，構(gòu)造了相應(yīng)的SVM分類器，提取了180張車圖像的特征值作為訓(xùn)練集，獲取了最優(yōu)分類面；然后，將剩余的120張汽車圖像按照同樣的過程進(jìn)行特征值提取，再在訓(xùn)練好的支持向量機(jī)上進(jìn)行分類，所得到的分類結(jié)果如表2所示，神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果如表3所示。

    結(jié)果表明，與神經(jīng)網(wǎng)絡(luò)方法相比，DDAG SVM是一種對多類車進(jìn)行分類切實(shí)可行的有效方法，不但分類精度高，而且識別效果也比較好。
    為了解決對多類車的分類，本文提出了一種基于DDAG SVM對多種車型分類的方法，實(shí)驗(yàn)結(jié)果證明，DDAG SVM是一種對多類車進(jìn)行分類切實(shí)可行的有效方法。由于實(shí)驗(yàn)中選用的車輛圖片是以正側(cè)面為主，與現(xiàn)實(shí)中任意方位角的車輛相比，還只是較特殊的一類，要具有普遍性，還得進(jìn)一步繼續(xù)深入研究。
參考文獻(xiàn)
[1] 張兆楊，楊高波，劉志.圖像分割提取的原理與應(yīng)用[M].北京:科學(xué)出版社，2009.
[2] 王耀南，李樹濤，毛建旭.計(jì)算機(jī)圖像處理與識別技術(shù)[M].北京:高等教育出版社，2001.
[3] 王立國.支持向量機(jī)多類目標(biāo)分類器的結(jié)構(gòu)簡化研究[J]．中國圖像圖形學(xué)報(bào)，2005，10(5):571-574.
[4] LI S， JKWOK T， ZHU H， et a1． Texture classification using the support vector machines[J]． Pattern Recognition， 2003，36(13):1888-1890．
[5] PLATT J． How to implement SVMS[J]． IEEE Inteligent System， 2006，40(2):1578-1582．