基于SURF特征与积分通道特征的车型识别

凌永国，胡维平

(1. 广西民族师范学院 物理与电子工程系，广西 崇左 532200；2. 广西师范大学 电子工程学院 广西多源信息挖掘与安全重点实验室，广西 桂林 541004)



基于SURF特征与积分通道特征的车型识别

凌永国1，胡维平2

(1. 广西民族师范学院 物理与电子工程系，广西 崇左 532200；2. 广西师范大学 电子工程学院 广西多源信息挖掘与安全重点实验室，广西 桂林 541004)

随着交通问题的日益严峻，智能交通系统技术的研发显得尤为迫切。车型识别系统作为ITS系统的一个重要组成部分，起着关键的作用。针对车辆图像的车型识别，提出了一种基于SURF(speeduprobustfeatures)特征与积分通道特征的车型识别方法。实验结果表明，此方法能够对车辆图像的车型进行准确的识别，且简单高效，具有较高的鲁棒性。

车型识别；车辆特征；SURF特征；积分通道特征；SVM支持向量机

图像特征是一幅图像区别于其他图像的基本属性，图像分类的结果取决于图像特征的有效性。为了提高车型识别系统的速度及识别率，必须提取良好的车辆特征，因此特征提取的算法研究显得尤为重要。

目标图像主要包含形状、颜色、纹理等特征。图像特征提取的算法有很多种，较为常用的主要有基于形状的提取算法[1]、基于纹理特征提取算法[2]、基于伪Zernike矩特征提取算法[3-4]、基于HOG特征提取算法[5]、基于积分通道特征提取算法[6]、基于SURF特征提取算法[7]等。本文主要分析了SURF特征量以及目前应较常用于人体检测的积分通道特征特征，综合比较两种特征的性能，提出将SURF特征与积分通道特征相结合的特征量作为车型分类的车辆特征。

1　SURF特征

SURF特征由BAY等人[8]在2008年提出。该算法的思想是通过积分图像及采用快速Hessian矩阵检测SURF的特征点，极大地缩减了SURF算法的计算时间。且SURF特征具有尺度不变性、旋转不变性及光照不变性，并且计算效率高，鲁棒性较好，因此可用于图像的分类识别中。SURF算法主要包括特征点检测和特征点描述两个步骤。

1.1SURF特征点检测

为了确保SURF特征点具备尺度不变性，SURF算法建立图像的尺度空间。对于二维图像I(x，y)，可通过与高斯核函数进行卷积来获得不同尺度空间

L(x,y,σ)=I(x,y)*G(x,y,σ)

(1)

式中：G(x，y，σ)为尺度可改变的高斯函数。

SURF算法采用Hessian矩阵检测特征点，检测出的特征点实际上是Hessian矩阵局部极值点的位置。对于图像I中某一像素X=(x，y)，则在尺度σ下的Hessian矩阵H(X，σ)如下

(2)

式中：Lxx(X，σ)，Lyy(X，σ)，Lxy(X，σ)分别为图像I与高斯函数在x，y，xy方向上的二阶偏导数在点X处的卷积。

图像中任意框状卷积滤波可通过积分图像非常方便的计算，Bay等人提出采用框状卷积滤波去近似模拟高斯二阶偏导滤波，这样可降低高斯二阶偏导计算的复杂度，提高算法的运算效率，模拟过程如图1所示。

图1　方框滤波近似高斯二阶偏导

设Dxx，Dxy，Dyy分别为Lxx，Lxy，Lyy的近似，则Hessian行列式的近似表达式为

det(Happrox)=DxxDyy-(ωDyy)2

(3)

式中：ω是调节参数，用来补偿近似过程中造成的误差，一般可取0.9。

如图2的3维(x，y，S)尺度空间中，在3×3×3邻域内采用Hessian矩阵求极值。统计某点3×3×3邻域内包括自己的27个响应值，如果这个点的响应值在其26个邻域响应值中为最大，则选取该点为候选特征点。得到候选特征点后，为了加强特征点抗噪能力，需舍弃对比度较低的极值点和不稳定的边缘极值点，从而得到较稳定的特征点位置。

图2　特征点3×3×3邻域图

1.2SURF特征点描述

SURF特征点的描述主要分为主方向的确定和特征向量的计算两个过程。

1.2.1主方向的确定

为了确保提取的SURF特征具有旋转不变性，在描述特征点时，要对每个特征点都赋予一个可匹配的方向特征。

SURF特征点的主方向是通过计算特征点邻域内的Harr小波特征来确定。以特征点为中心，半径为6σ的圆内(σ为该特征点所在的尺度)，分别计算所有点x和y方向上，尺寸为4σ的小波特征。Harr小波原理图如图3所示。统计60°扇形区域的小波相应之和得到该区域内的矢量，并以60°为单位在园内滑动扇形区域，遍历整个圆后取最大的矢量作为该点的主方向，该过程如图4所示。

图3　Harr小波原理图

图4　确定特征点主方向

1.2.2特征描述向量

特征点的主方向确定之后，就要对特征点进行描述。在该特征点的方向上构建一个以特征点为中心，边长为20σ的矩形区域，并将矩形区域划分为4×4个子区域，分别计算这16个子区域的Harr小波响应。记dx为该点主方向的水平Harr小波响应，dy为垂直方向Harr小波响应，并分别计算每个子区域dx，dy之和及其绝对值之和构成向量V。特征描述子的构造如图5所示，特征向量V可表示为

(4)

因为每个子区域的特征向量为4维，一共有16个子区域，因此每一个特征点的描述向量为64维。为使特征对光照变化就有一定不变性，需对64维的特征向量进行归一化。

图5　SURF特征描述子构造

1.3车辆SURF特征点提取

将检测提取的车辆图像归一化后，即可进行车辆特征的提取。因为每一张车辆图像提取到的特征点数一般都不相同，所以由特征点组成的车辆图像特征维数也不相同。而提取的特征用于分类识别，要求提取车辆图像特征的维数相同。本文从4种车辆图像特征点分布情况出发，通过分块求平均的方法构造特征矢量，该方法的一般过程如图6所示。

图6　SURF分块平均法构造特征矢量

本文将车辆图像分成8×1块子图像，计算得到每个子区域的64维平均特征向量后，从上到下将每个子区域的平均特征向量连接成车辆的特征向量，即得到512维(8×64)特征向量。

2　积分通道特征

2.1通道的概念及属性

积分通道特征是PiotrDollar等于2009年提出的一种目标图像快速特征的表达方法。积分通道特征的基本思路是：通过对输入的图像做线性或非线性变换获得通道，利用积分图来快速计算通道特征。给定输入图像I，图像经过线性或非线性变换的通道计算函数为Ω，则输出响应C即为通道，即C=Ω(I)。为了可以采用滑动窗口进行快速计算，要求这些通道具有变换不变性，即C=Ω(I)和C′=Ω(I′)成立。而为了利用积分图像快速计算通道特征，要求通道具有局部可求和性，即单通道图像上某一个矩形区域内的像素之和f(C)应满足

(5)

2.2通道类型

通道是提取积分通道特征过程的第一步，常用的图像通道类型主要包括如下：

1)灰度和颜色变换

灰度变换是图像领域中最简单的变换之一。另外，颜色图像空间通常也会用到，Luv颜色空间对图像颜色变换具有较好的鲁棒性，因此Luv颜色空间常用于图像处理中的彩色处理领域。

2)线性滤波和非线性滤波

利用线性变换获取通道是一种较为简单有效的方法，通过使用不同的滤波器可以获得图像不同的信息，如DoG(DifferenceofGaussian)和滤波器Gabor滤波器。具有上述通道属性的非线性变换有很多种，其中Canny等一些边缘检测算子可以捕获边缘强度信息。

3)积分直方图

Porikli等人提出利用积分图来快速计算直方图的方法。对于一幅图像I，Q表示图像的量化版本，其量化范围为{1，2，…，q}，对每个i≤q，当Q(x,y)=i

Qi(x,y)=1

(6)

通过计算某区域Qi的和即可得到该区域Q内等于i的元素的个数。因此，对于某一个区域内的直方图，可以对相应区域的直方图通道Qi进行加减运算得到。

4)梯度直方图

梯度直方图是一种加权的直方图，通过梯度方向计算它的容器的索引，通过梯度的幅值计算其相应的权值。当Θ(x,y)=θ时，其梯度通道计算表达式为

Qθ(x,y)=G(x,y)

(7)

式中：G(x，y)表示图像在(x，y)处的梯度幅值；Θ(x，y)表示其梯度方向。对原图像进行不同尺度的变换，可以得到不同尺度的梯度。此外，可以借助梯度幅值对梯度直方图进行归一化。若使用L1范数对梯度直方图归一化[9]，则此时可用于逼近图像的HOG特征。

PiotrDollar等人实验表明，由Luv颜色通道、梯度直方图通道和梯度幅值通道组合成的通道特征性能最好。因此本文采用这3种通道作为车辆图像的积分通道特征。车辆图像积分通道特征提取算法的流程如图7所示。

图7　提取积分通道特征流程图

将车辆图像划分为大小不一的block，获取丰富的特征信息。计算每个block的积分图像，一阶积分通道特征就是每个block区域各通道之和。

图像的SURF特征具有尺度不变性、旋转不变性及光照不变性，但SURF特征提取到的车辆特征点数较少，特征描述较为粗糙(如图8)，积分通道特征可以从图像的不同角度收集各种特征信息，但积分通道特征在图像尺度、旋转、光照变化不具有不变性，因此本文尝试将SURF特征与积分通道特征结合起来作为车辆图像的特征向量。

图8　4种车辆图像SURF特征点的检测结果

3　实验结果

4种车型图像SURF特征点的检测结果如图8所示。

车辆图像的Luv颜色通道、梯度幅值通道、梯度直方图通道如图9所示。

图9　车辆图像积分通道

为了验证本文特征提取算法的有效性，为车型识别系统选取较可靠的特征，本实验利用SVM分类器分别用提取的车辆特征对4种车型图像进行识别。其中，训练样本每类车型300张，测试样本每类车型200张，样本尺寸归一化大小为96×128。以下前3个实验是在Matlab平台下进行，后4个实验是在VS2010平台下进行。因此前3个实验与后4个实验在识别时间上没有可比性。实验结果如表1所示。

表1SVM对不同特征的识别结果

识别类型识别率/%轿车面包车货车客车平均识别率/%平均识别时间/ms不变矩特征识别84.571.070.072.074.3849.38纹理特征识别78.569.568.070.571.63132.30不变矩、纹理特征结合识别86.572.570.574.075.88158.97SURF特征识别87.089.584.582.585.8848.43HOG特征识别93.594.092.591.592.8847.16积分通道特征识别94.593.593.592.093.3846.52SURF特征、积分通道特征结合识别94.595.093.592.593.8869.94

由表1可以看出，在使用SVM分类器对7种不同特征及组合进行车型识别时，SURF特征与积分通道特征结合特征量的平均识别率最好，达到了93.88%，比SURF特征和积分通道特征各自的识别率都有所提高。

SURF特征与积分通道特征的结合，弥补了因SURF特征提取的车辆特征点数较少造成特征描述较粗糙的缺陷，而SURF也弥补了积分通道特征在图像尺度、旋转、光照变化方面的不足，使得结合后的特征向量具有较丰富的特征信息，且对车辆图像具有尺度、旋转及光照的不变性。

4　结束语

针对正面车辆图像的车型识别，提取并分析了车辆图像的SURF特征和积分通道特征，考虑到图像的SURF特征具有尺度不变性、旋转不变性及光照不变性，但SURF特征提取到的车辆特征点数较少，特征描述较为粗糙，而积分通道特征可以从图像的不同角度收集各种特征信息，但积分通道特征在图像尺度、旋转、光照变化不具有不变性。本文提出将SURF特征与积分通道特征结合起来作为车辆图像的特征向量，结合的特征向量解决了它们各自的缺陷，同时保留了它们各自的优点，具有丰富的特征信息，且对车辆图像具有尺度、旋转及光照的不变性，可作为车型识别的特征向量。

[1]朱永珍，孟庆虎，普杰信.基于HSV色彩空间与形状特征的交通灯自动识别[J].电视技术，2015，39(5)：150-154.

[2]李玥灵，吴国平，耿秀秀，等. 基于LBP-GLCM纹理特征提取的服装图像检索[J]. 电视技术，2015，39(12)：99-103.

[3]MAHIH，ISABATENH，SERIEFC.ZernikemomentsandSVMforshapeclassificationinveryhighresolutionsatelliteimages[J].Theinternationalarabjournalofinformationtechnology，2014，11(1)： 43-51.

[4]REYES-LOPEZJ，CAMPOSS，ALLENDEH，etal.Zernike'sfeaturedescriptorsforirisrecognitionwithSVM[C]//Proceedingsofthe2011 30thInternationalConferenceoftheChileanComputerScienceSociety. [S.l.]：IEEEComputerSociety，2011：283-288.

[5]景阳，刘琳，黄鸿志，等. 基于头肩HOG特征的快速行人检测[J].电视技术，2014， 38(15)：227-230..

[6]DOLLARP，TUZ，PERONAP，etal.Integralchannelfeatures[C]//Proc.BritishMachineVisionConference.London：IEEE，2009： 247-252.

[7]吴月凤，何小海，张峰，等.SURF算法和RANSAC算法相结合的台标检测与识别[J]. 电视技术，2014，38(13)：191-195.

[8]BAYH，ESSA，TUYTELAARST，etal.Surf：speededuprobustfeatures[J].Computervisionandimageunderstanding，2008，110(3)：346-359.

[9]PORIKLIF.Integralhistogram：afastwaytoextracthistogramsincartesianspaces[C]//IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition. [S.l.]：IEEE，2005：829-836.

凌永国(1988— )，硕士，研究方向为图像处理；

胡维平(1963— )，教授，博士，研究方向为自适应信号处理理论及应用、生物医学信号处理、图像处理及模式识别。

责任编辑：闫雯雯

VehicletyperecognitionbasedonSURFandintegralchannelfeatures

LINGYongguo1，HUWeiping2

(1. Department of Physics and Electronic Engineering，Guangxi Normal University for Nationalities，Guangxi Chongzuo 532200， China；2. Guangxi Key Lab of Multi-source Information Mining and Security，College of electronic engineering，Guangxi Normal University，Guangxi Guilin 541004， China )

Withtheincreasinglyseriousoftrafficproblems，thedevelopmentofintelligenttransportationsystem(ITS)technologyisparticularlyimpendency.AsanimportantpartofITS，vehicletyperecognitionsystemplaysakeyroleinITS.AvehicletyperecognitionmethodbasedonSURFandintegralchannelfeaturesisproposedforvehicleimage.Experimentalresultsshowthatthismethodcanrecognizethetypeofvehicleimageaccurately，efficientandrobustness.

vehicletyperecognition；vehiclefeature；SURFfeature；integralghannelfeatures；SVM

TP391.41

ADOI： 10.16280/j.videoe.2016.07.030

广西多源信息挖掘与安全重点实验室基金项目(13-A-03-02)；广西民族师范学院科研支柱项目(2016YB038)

2015-09-02

文献引用格式：凌永国，胡维平. 基于SURF特征与积分通道特征的车型识别[J].电视技术，2016，40(7)：139-143.

LINGYG，HUWP.VehicletyperecognitionbasedonSURFandintegralchannelfeatures[J].Videoengineering，2016，40(7)：139-143.