基于纹理特征与BP神经网络的运动车辆识别

张秀林，王浩全，刘 玉，安 然

(中北大学a.动态测试技术重点实验室;b.信息与通信工程学院，山西 太原 030051)

责任编辑:任健男

Gabor小波［1］具有变焦能力及多分辨率特性，广泛应用于内容图像检索、模式识别和计算机视觉等领域。纹理特征的有效提取成为对纹理进行分割、检索和分类的关键。运动车辆的识别是智能交通系统(ITS)中的重要组成部分，通过减背景技术、颜色块、局部灰度极值点［2］，可以得到区分运动车辆与背景的256级灰度图像。利用特征值加权的Gabor小波纹理特征的提取方法，从运动车辆图像的显著方向和尺度下获得纹理信息，根据这些信息构造纹理特征向量，然后利用BP神经网络进行训练和仿真，实现运动车辆纹理图像的自动分类，达到运动图像的识别。实验证明，该方法一方面能使图像纹理特征向量的维数减少，另一方面保持了系统的检索性能。

1 运动车辆纹理图像的特征提取

1.1 Gabor滤波器的设计

Gabor函数既能兼顾信号在频域和时域中的分辨能力，又能很好地实现时频测不准关系下界［3－4］，同时Gabor滤波器是带通的，与人类视觉接收模型相吻合［5］。对 Gabor函数［6］，公式为

进行适当的尺度和旋转变换，公式为

式中:x′=a－m(xcosθ+ysinθ)，y′=(－ xsinθ+ycosθ)，a－m为尺度因子，m=0，1，…，L －1，L为多分辨率多分解的尺度数目;θ=，M表示总的方向数目。方向和尺度都不同的滤波器族，可以通过改变m和n的值来获得，代入一组特定的参数集合(m，n，σx，σy)将获得一个离散的Gabor滤波器Hmn(x，y)。

1.2 卷积值的加权处理

设经过纹理分割后的样本纹理图像I(x，y)中抽取样点(X，Y)，则该点的卷积值为

式中:w为滤波器的窗口大小，Gabor滤波器覆盖的地方称为卷积子窗口，尽量对整幅图像均匀覆盖不能间隔太小。图1中25个窗口每个窗口包含4个卷积抽取子窗口，把25个窗口化为互相重叠的16个卷积加权组。{w1，…，w8，w21，…，w28}∈ W1，以此类推{w73，…，w80，w93，…，w100}∈W16。

图1 卷积加权组示意图

式中N=16 代表Wl中包含卷积抽取子窗口的个数。对于W1，当Gabor滤波器为i是依次提取的卷积值为{Fi1，…，Fi8，Fi21，…，Fi28}，得到加权后的卷积值［7］为

式中:i代表第 i个 Gabor滤波器(i=1，2，…，10)，j代表第j个特征抽取子窗口(j=1，2，…，100)。在样本图像中均匀抽取100个样点，分成100个大小为10×10的特征抽取子窗口，对每个特征抽取子窗口，取其中心点为样点。这样，对于每个样点来说，分别有10个不同的Gabor滤波器响应进行特征抽取，将得到大小为1 000×1维的特征矢量，具有较高的维数。

虽然能量信息可以有效地表示纹理特征，但很容易产生分类误差。所以，纹理特征将用均值和方差代替［8］，这不但降低了维数，而且降低了分类误差。

卷积加权后的均值和方差为式中:T=1 000。当m=4，n=6，则纹理图像的特征向量表示为

2 三层BP神经网络纹理分类器的构建

线性分类模型并不适合用于区分复杂的纹理图像中种类不同的纹理图像。BP神经网络是一种多层前馈网络，采用反向传播的算法，它不仅能够对任意的非线性映射关系进行逼近，而且有很好的泛化能力［9］，选择一个可以用于任意分类问题的三层BP神经网络［10］的过程来识别运动的车辆。

图2 三层前馈网络

三层BP神经网络的第一层神经元从外部接收输入为

第一层输出为

第二层输出为

第三层输出为

式中:s1，s2，s3为敏感性，得到上述三层BP神经网络分类器后，首先得到大量的样本图像特征值构成的矩阵，然后将样本的特征值作为输入使BP神经网络自行学习，最后用学习结果对测试样本进行自动分类，流程图如图3所示。

图3 纹理分类系统流程

3 实验结果和分析

实验采用的纹理图像库由纹理分割后的90幅320×240不同的车辆纹理图像组成，其中小型车辆纹理图像30幅(清晨10幅、中午10幅、傍晚10幅)，中型车辆纹理图像30幅(清晨10幅、中午10幅、傍晚10幅)，大型车辆纹理图像30幅(清晨10幅、中午10幅、傍晚10幅)。针对图像库中的每幅图像分别采用Gabor小波卷积值加权后提取不同尺度、不同方向的均值和方差作为纹理特征构成特征向量，并把这些特征向量存入特征库。用于分类的车辆纹理图如图4所示。其中，图4a为小型汽车早、中、晚的纹理图像;图4b为中型汽车早、中、晚的纹理图像;图4c为大型汽车早、中、晚的纹理图像。

图4 用于分类的车辆纹理图

表1 纹理分类结果查准率

由实验结果知，本算法对图像纹理特征有较好选择，使纹理分类准确率明显提升，很好地克服了光照的影响，具有很强的稳健性，对小型车辆、中型车辆、大型车辆纹理图像都有很好的识别分类效果，对质量较差的图像具有很好的识别分类能力。

4 结语

Gabor小波函数与纹理图像卷积值加权后取不同尺度、不同方向的均值和方差作为纹理图像分类的特征向量，降低维数的同时增强了离散程度较小的特征分量、减弱离散程度相对较大的特征分量在分类中的作用，充分利用样本纹理图像的统计信息，具有较强的稳健性和类别表征能力，在利用BP神经网络进行纹理图像的识别过程中有效降低图像的识别错误率，降低了光照的影响具有很强的稳健性，尤其适用于对质量较差图像的识别。

［1］王宇，吴炜，张德银.基于计算机视觉的机场跑道异物检测识别系统［J］.电视技术，2010，34(5):101－104.

［2］DAI K X，LI G H，TU D，et al.Prospects and current studies on background subtraction techniques for moving objects detection from surveillance video［J］.Journal of Image and Graphics，2006，11(7):919－927.

［3］HU T，LIYANAGE C，SILVA D，et al.A hybrid approach of NN and HMM for facial emotion classification［J］.Pattern Recognition Letters，2002(23):1303－1310.

［4］PAI C J，TYAN H R，LIANG Y M，et al.Pedestrian detection and tracking at crossroads［J］.Pattern Recognition，2004(37):1025－1034.

［5］ZHU Z，TANG M，LU H.A new robust circular Gabor based object matching by using weighted Hausdorff distance［J］.Pattern Recognition Letters，2004(25):515－523.

［6］李秀秀，陈露，林怡茂.基于Gabor小波的频域快速纹理特征提取［J］.现代电子技术，2012，35(10):64－66.

［7］赵英男，刘正东，杨静宇.基于Gabor滤波器和特征加权的红外图像识别［J］.计算机工程与应用，2004(32):22－24.

［8］张刚，马宗民.一种采用Gabor小波的纹理特征提取方法［J］.中国图象图形学报，2010，15(2):247－254.

［9］刘明霞，侯迎坤，郭小春，等.新的纹理图像特征提取方法［J］.计算机应用，2009，29(12):2434－2436.

［10］乔明，刘守义，庞春雷.BP神经网络在BD1定位技术中的应用研究［J］.电视技术，2010，34(S1):164－168.