基于HOG特征及支持向量机的车辆品牌识别方法

张小琴 赵池航 沙月进 党 倩 张运胜

(东南大学交通学院，南京 210096)

基于HOG特征及支持向量机的车辆品牌识别方法

张小琴 赵池航 沙月进 党 倩 张运胜

(东南大学交通学院，南京 210096)

摘 要:为了解决套牌车与违章车的身份确认问题，提出了一种车辆品牌识别方法.该方法首先基于对称特征检测车辆前脸区域，然后提取车辆前脸区域的HOG特征，最后采用支持向量机对车辆品牌进行分类.实验根据苏州市公安局提供的道路卡口图片，构建了车脸数据库，该数据库包括奥迪、长安、日产等15种车辆品牌，共3 000张图片.基于构建的车脸数据库，采用所提出的车辆品牌识别方法进行了实验，并对比分析了支持向量机(support vector machine，SVM)线性核函数、多项式核函数和径向基核函数的性能，3种核函数的整体分类精度分别为89.27%，89.74%和89.89%.理论分析和实验结果表明，所提出的基于HOG特征及支持向量机的车辆品牌识别方法是可行的，并且基于径向基核函数的SVM分类器的性能最优.

关键词:车辆品牌;HOG特征;支持向量机;核函数

车辆识别和分类技术逐渐成为智能交通研究的热点，也是智能交通系统结合人工智能、自动控制、模式识别等技术的集中体现.随着城市汽车保有量的急剧增加和道路监控相机的普遍架设，道路车辆的有效管理和安全保障越显重要，因此很有必要利用卡口相机的数据来发展车辆识别和分类智能识别技术.车辆品牌分类系统在城市交通监控、应急指挥、事故检测、智能路径诱导等领域有着广泛的应用前景［1］.例如目前套牌车的查处主要是人工逐一比对系统登记信息中的车牌号码、车型、车辆颜色等，这影响到工作人员的执行效率.

要实现车辆品牌的自动识别、分类的关键是车辆特征的提取，这关系到识别和分类的速度和准确度.目标识别特征的提取主要方法有傅里叶描述子、矩特征、变换域特征［2］、边缘轮廓特征［3］、角点特征等.目前国内外对车辆品牌分类的主要方法有模板匹配、统计模式、神经网络、仿生模式和支持向量机［4］等方法.

针对目前基于图像处理的车辆品牌识别如车辆特征点提取［5］，Gabor轮廓特征匹配，PCA 和LDA维度变换并利用支持向量机识别等方法识别速度低，实时性差等问题.本文采用特征提取与模式识别相结合的车型分类方法，着重研究了基于车脸的方向梯度直方图特征提取及支持向量机的车辆品牌识别方法的可行性并分析了不同SVM核函数对车辆品牌分类精度的影响.

1 车脸数据库构建

车辆的正面区域部分包含车标显著信息和大量纹理信息，如排气口、车灯、车牌等，这是车型最本质区别于其他品牌和型号的信息特征.假设车牌的宽度为Wp，使用如图1所示的方法确定车辆前脸感兴趣区域，图中线框区域最终定义为车脸.

图1 车牌与车脸的位置关系

车脸提取采用的是基于对称特征［6］的检测方法.其流程是首先用拉普拉斯算子检测边缘，进行轮廓对称轴检测，计算水平扫描线上的每个像素点的对称值，统计对称轴的最大值.然后进行车牌对称轴检测，车牌水平对称轴搜索区域每条竖直扫描线上像素点对称值，将每行对称值之和最大行作为车牌水平对称轴，同样方法得到车牌垂直对称轴.最终再根据车牌与车脸的固定位置关系提取车脸.

本文实验数据是由苏州市公安局提供的卡口数据，人工筛选出定位精度高、图片清晰度高的3 000张图片，构建了一个15种车辆品牌的车脸数据库.这些车辆品牌涵盖了道路85%的车辆品牌，包括奥迪(Audi)、别克(Buick)、长安(Changan)、奇瑞(Chery)、雪佛兰(Chevrolet)、雪铁龙(Citroen)、福特(Ford)、本田(Honda)、现代(Hyundai)、马自达(Mazda)、日产(Nissan)、标致(Peugeot)、大众(Volkswagen)、丰田(Toyota)和五菱(Wulin).图2是选取的作为车脸数据库的部分图片，包含了不同品牌不同车型不同光照条件的车脸，使得数据库具有一定的鲁棒性和可靠性.

图2 车脸数据库示例

2 HOG特征提取

方向梯度直方图(HOG)特征最初是由Dalal等［7］提出的一种用于行人检测的特征，该特征对图像的微小几何形变和局部对比度变化都能保持很好的不变性.HOG采用一组局部直方图来描述物体，这些直方图统计图片中特定区域的梯度方向出现的次数.通过把一张图片分割为多个胞元(Cell)进行特征提取.HOG得到的描述子保持了几何和光学转化不变性.

HOG特征提取的步骤为首先将车脸图片灰度化，采用Gamma校正法对输入图像进行颜色空间的标准化调节图像的对比度降低图像局部的阴影和光照变化造成的影响.然后将图像归一化，计算每个像素的梯度(包括大小和方向)，图像划分成小的胞元，将每几个胞元组成一个块，梯度范围分级，最后统计块内的所有胞元特征，所有块串联起来即可得到整个车脸的特征向量.

本文所采用的HOG参数有归一化图像大小为64×64像素，胞元大小为8×8像素，块大小为16×16像素，应用滤波器［－1，0，1］获取梯度图，每个像素点的梯度0°～180°内分为9级，最终得到的特征维数为1 764维.提取的HOG特征用于SVM模型训练和分类.

3 支持向量机

支持向量机(SVM)是一种基于结构风险最小化原则的模式分类方法，在解决小样本、非线性及高维数方面有巨大优势.多类的问题可以转化为多个两类的问题.对于两类的情况，SVM假设训练集可由一个超平面划分，对于n维输入特征向量x和标记y={－1，+1}，定义一个点到超平面的间隔为

设H1和H2分别为各类中离超平面最近的样本且平行于分类超平面的平面，对于线性可分的情况，假设

将w和b进行归一化，可得分类间隔为2/‖w‖，使得分类间隔最大，即使‖w‖/2最小的超平面即最优分类超平面H.如图3所示.

图3 两类分类示意图

对于非线性情况，需要采用满足Mercer条件的核函数将输入向量映射到一个高维特征空间中数据即变成线性可分［8］.不同的核函数可以构造出不同的非线性决策面的学习机.常用的核函数类型有线性(LINEAR)核函数、多项式(POLY)核函数、径向基(RBF)核函数，其表达式分别为

式中，x1为第一类样本数据;x2为第二类样本数据;〈x1，x2〉为内积;R为扰动;d为级数;σ 为标准差;‖x1－x2‖为范数.

本文分别采用不同的核函数对车脸数据库提取的HOG特征进行训练，然后利用SVM分类器对测试数据进行分类.

4 实验

本实验是在研华科技610H型工控机上进行实验的，所用的SVM 分类器是OpenCV2.2库文件中的聚类支持向量机(C-SVM).15种车辆品牌的测试图片数各为50张.通过不断选取3种核函数的参数，最终选择了识别效果最佳的一组参数，分别为 d=10，R=1.0，σ =0.09.基于不同核函数SVM模型的每个车辆品牌分类识别率条形图和不同核函数的SVM分类器对分类精度影响的结果盒形图分别如图4和图5所示.

图4 15种车辆品牌分类识别率

图5 不同核函数SVM分类器识别率盒形图

3 种核函数的SVM分类器的整体识别精度和训练时间见表1.每张图片平均识别时间为0.10～0.15 s.

表1 三种核函数SVM分类器总识别率和训练时间

从上述数据和图表中可以看出基于HOG和SVM方法在车辆品牌分类中单张图片识别时间短，整体识别率均大于89%.对于某个车辆品牌如标致识别率最高可达97%，而福特和雪佛兰识别率相对较低，分别为71%和75%，其原因可能是福特和雪佛兰品牌的系列有两种或多种导致提取的HOG特征与其他车辆品牌的特征相似.基于不同核函数训练的三种SVM分类器中径向基核函数的识别率最高，虽然训练时间最长，但这并不影响其在实际系统中的应用，因为模型只要在最初训练一次即可.

5 结语

针对目前对车辆品牌分类的识别率低和实时性差等问题，本文研究了基于车脸的HOG特征提取和SVM分类器对车辆品牌识别方法.该方法识别率高，单张图片识别时间短，具有一定可行性，且能够满足实时性要求.由于研究目标的不同，本文着重研究了三种不同核函数的SVM分类器对车辆品牌分类精度的影响，实验结果表明采用RBF核函数的分类精度最高，整体识别率达89.89%.

［1］陈胜.基于实际特征和模糊SVM的车型分类方法研究［D］.昆明:昆明理工大学信息工程与自动化学院，2012.

［2］包力.基于特征与模板的人脸检测算法的研究和应用［D］.大连:大连海事学院计算机科学与技术学院，2006.

［3］Berg A，Berg T，Malik J.Shape matehing and object recognition using low distortion correspondence［J］.IEEE Transaetionson Pattern Analysis and Maehine Intelligence，2006，28:594-611.

［4］Yang Kuihe，Shan Ganlin，Zhao Lingling.Application of least squares support vector machine on vehicle recognition［C］//Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications.Jinan，China，2006，217-221.

［5］黄瑞建.基于图像的车辆外形及标识的综合识别［D］.吉林:吉林大学机械科学与工程学院，2009.

［6］连捷.基于图像的车辆区域检测及车辆品牌型号识别技术研究［D］.南京:东南大学交通学院，2013.

［7］Dalal Navneet，Triggs Bill.Histograms of oriented gradients for human detection［C］//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego，CA，USA ，2005，1:886-893.

［8］李国正，王猛，曾华军.支持向量机导论［M］.北京:电子工业出版社，2004:103-245.

Vehicle brand recognition based on HOG feature and support vector machine

Zhang Xiaoqin Zhao Chihang Sha Yuejin Dang Qian Zhang Yunsheng
(School of Transportation，Southeast University，Nanjing 210096，China)

Abstract:In order to solve the problem of fake-licensed car and illegal car identification，a vehicle brand recognition method is proposed.It detects the car front face based on symmetric feature，extracts the HOG(histogar of driented gradient)feature of the car face and then uses support vector machine(SVM)to classify the vehicle brand.According to the road bayonet pictures provided by the Suzhou Municipal Public Security Bureau，a car face database is built，which includes 3000 pictures of 15 kinds of vehicle brands such as Audi，Changan and Nissan.Based on the built database，experiments are conducted using the proposed method for vehicle brand recognition.The performance of three kinds of kernel functions(linear kernel function，polynomial kernel function and radial basis kernel function)of SVM is compared and analyzed.The overall classification accuracy of the three kernel functions are 89.27% ，89.74%and 89.89%.Theoretical analysis and experimental results show that the proposed recognition method based on HOG features and SVM is feasible，and the SVM classifier based on the radial basis function performs optimal.

Key words:vehicle brand;HOG feature;SVM(support vector machine);kernel function

中图分类号:P208

A

1001－0505(2013)S2-0410-04

doi:10.3969/j.issn.1001 －0505.2013.S2.041

收稿日期:2013-08-10.

张小琴(1989—)，女，硕士生;赵池航(联系人)，男，博士，副教授，博士生导师，chihangzhao@seu.edu.cn.

引文格式:张小琴赵池航沙月进，等.基于HOG特征及支持向量机的车辆品牌识别方法［J］.东南大学学报:自然科学版，2013，43(S2):410-413.［doi:10.3969/j.issn.1001 －0505.2013.S2.041］