基于车前灯区域形状特征的卡口车辆品牌识别方法

孙盛，杨学军，教颖辉，冯力

（1.金鹏电子信息机器有限公司，广州510663；2.华南师范大学计算机学院，广州510631)

基于车前灯区域形状特征的卡口车辆品牌识别方法

孙盛1,2，杨学军1，教颖辉1，冯力1

（1.金鹏电子信息机器有限公司，广州510663；2.华南师范大学计算机学院，广州510631)

在智慧城市建设中，对于道路卡口中车辆对象的车辆品牌的识别是对整个车辆结构化信息提取的一项重要内容。以白天行车环境为背景，对卡口视频监控设备采集的图像进行车前灯提取。以方向梯度直方图（HOG）为描述算子，表征车前灯区域的形状特征。最后，利用支撑向量机分类器，完成车辆品牌的分类。克服车前脸区域尺寸较大导致的运算复杂度较高的问题，能够满足实时性应用需求。

视频监控；车辆品牌；方向梯度直方图

0 引言

在智慧城市建设中，对于道路卡口中的车辆对象的研究已经逐渐成为学术界、工业界的热点。对于车辆品牌的识别是对整个车辆结构化信息提取的一项重要内容，目前，主要有两大类方式来完成车辆品牌识别，第一类：对车辆的前脸区域进行识别；第二类：对车辆的标志进行提取并识别。第一类方法中，首先检测出车辆前脸区域，然后提取车辆前脸区域的特征，最后采用分类器进行分类，完成车辆品牌的识别。该类方法存在的最主要问题有：前脸区域尺寸较大，如果采用比较复杂的特征输入到分类器中，会导致运算复杂度较大，无法适应实时性应用需求；如果采用比较简单的特征输入到分类器，会出现不同品牌的特征距离比较相近的问题，导致识别准确率降低。第二类方法中，仍然是采取与第一类方法类似的思路，但是，由于车辆标志尺寸较小，因而在采集的图像中，车辆标志对应的目标尺寸也较小，在实际卡口应用中，识别率无法达到大规模实用的要求。

童雯[1]提出了一种利用主成分分析降维、再利用支撑向量机分类的车辆品牌识别方法；潘祥[2]提出了一种基于AdaBoost学习算法的级联分类方法；高倩[3]提出了一种结合SIFT特征描述子和神经网络分类器的车辆品牌分类方法；魏平顺[4]提出了一种利用车标图像的HOG特征及支撑向量机的车辆品牌分类方法；Gu[5]等人提出了一种基于SIFT流解析的方法；Xia[6]等人提出了利用卷积神经网络完成车辆品牌分类的方法。

本文将提取出车前灯区域特征，这种方法可克服由车前脸区域尺寸较大导致的运算复杂度较高的问题，同时可克服由车辆标志尺寸较小带来的识别准确率较低的问题，从而使得识别算法的执行效率大大地提高，增加了大规模实战应用的可行性。

1 车前灯区域特征提取

为了完成车前灯的定位，首先要对车前灯的结构进行分析和定义，本方法所要检测的车前灯，包括了由灯罩、灯泡及内部配件构成的车前灯目标区域，车前灯区域包含了纹理、边缘、形状、颜色等重要的图像信息，这些信息表征了车前灯区域与其他区域在图像中的区别，可以被用来进行车前灯的检测。本方法所要解决的车前灯定位是以白天行车环境为背景，白天行车环境下（与夜间行车环境对比），卡口摄像机采集的图像中包含更多的特征信息，可供利用的图像特征更加丰富。

首先，假设经过变换得到卡口车辆图像的灰度图像为G，将灰度图像G的各个像素点的灰度差值对水平方向做叠加投影运算，其中OV[i]表示的第i行像素灰度差值数组，该数组表示的是沿着水平方向各个像素在Y轴上的叠加投影，参见公式（1）。

车前灯所在区域位于水平投影方向的鼓形区域，根据卡口摄像机的位置关系和拍摄角度，可以设定一个预定高度阈值H。然后根据公式（2）（3）计算得到车前灯鼓形区域的平均值和方差[7-8]。

根据前述分析可知，如果出现灰度集中而且方差较小的水平带状区域，则可以认为该区域是候选车前灯区域。

之后，本方法采用方向梯度直方图作为车前灯区域的形状特征描述算子。

（1）以上一步骤中的车前灯区域子图像SI为对象，对子图像进行微弱的高斯平滑运算得到平滑之后的子图，然后实施以1维滤波模板，从而计算得到每个像素点的梯度值G。在完成滤波之后，开始对计算得到梯度方向进行量化，映射到N个方向上，如图1所示。在图1中选取的N=8，梯度的值进行量化之后的值就是图中的区域编号。

图1 车前灯子区域映射图

（2）将车前灯区域子图像SI分割成相互连通的单元格，共M个，每一个单元格记为Cell[i]。

（3）对单元格内的像素点求取直方图。利用步骤（1）中的计算方法计算单元格内部每个像素点的梯度值，并进行量化，单元格内的梯度直方图为内部像素点的梯度方向的加权平均，可用公式（4）进行计算。

（4）利用多个相邻接的单元格构成图像块。首先，将多个较小的单元格组成较大的图像块，用Block表示，构成图如图2所示。对图像块内部的单元格进行规范化运算，在本方法中，采用的是2-范数规范化运算。最终车前灯子图像的HOG描述算子为经过规范化之后的所有图像块中所有单元格的直方图构成的向量。

2 特征分类匹配

在获取了车前灯子图像的HOG特征向量之后，开始构造和训练SVM（支撑向量机）分类器。

（1）选取核函数

由于车前灯子图像的特征为非线性特征，因此需要引入核函数。在本方法中，引入了RBF（径向基函数）核函数，因为该核函数的平均性能是较好的，具有较宽的收敛域。

（2）选取核函数参数和惩罚因子

在完成核函数选取之后，需要确定核函数参数和惩罚因子c，在本方法中使用网格搜索法来确定核函数参数和惩罚因子。

（3）多分类器构造

在本方法中，采用的是一对一的方式构造多分类器。假设共有m类车前灯类别样本，每次只考虑两类车前灯类别样本，每两类车前灯样本间设计一个SVM分类器，一共需要m*（m-1）/2个SVM子分类器。

设定分类函数fij（x），对第i类和第j类车前灯样本进行判别：当fij（x）>0时，判定车前灯图像x属于第i类车前灯，同时记录第i类得分增加1分；反之，则认为属于第j类车前灯，同时记录第j类得分增加1分。按照这种方式依次进行，待测试样本经过m*（m-1）/2个SVM子分类器的判别之后，最后统计哪一类的得分最多，就可认定待测试样本属于该类车前灯。

在通过SVM分类器完成车前灯类别的识别后，就可以利用预先通过人工方式构建的车型库建立车前灯类别与车辆品牌的关联关系，从而完成车辆品牌的识别。

3 实验结果

本文选取了10个卡口的视频监控数据作为实验对象，单个卡口平均每天的过车记录为3000条，因本方法限定研究白天光照条件下的车辆品牌识别，通过时间筛选，共获得10812条记录。通过随机挑选的方式，从中取出225条记录作为实验数据。由于车辆品牌较多，只对该数据集中的常见品牌进行分类，包括：大众、通用、丰田、本田、现代、奇瑞，其他不常见的品牌则统一的归为一类：“其他”，并对这225条记录进行人工识别。在采用了本文提出的分类方法后，分类的结果参见表格1。

表1 分类结果误差矩阵

4 结语

本文给出了智慧城市卡口监控系统中车辆品牌识别的一种新方法。该方法通过提取车前灯区域的局部图像形状特征，并输入到支撑向量机分类器中进行分类，能够实现以较低的计算复杂度获得较高的识别准确率，适合于大规模城市卡口系统的实时应用。

[1]童雯.基于PCA和SVM的车标识别方法研究[D].太原理工大学，2012.

[2]潘祥.基于车标识别的车型细分类技术研究[D].西华大学，2010.

[3]高倩.车标识别方法研究[D].大连海事大学,2008.

[4]魏平顺.智能交通系统中车标图像识别技术研究[D].南京理工大学,2013.

[5]Qin Gu,Jianyu Yang,Guolong Cui,Lingjiang Kong,Huakun Zheng,Reinhard Klette.Multi-Scale Vehicle Logo Recognition by Directional Dense SIFT Flow Parsing[C].Proceedings of 2016 IEEE International Conference on Image Processing,2016:3827-3831.

[6]Yi-zhang Xia,Jing Feng,Bai-ling Zhang.Vehicle Logo Recognition and Attributes Prediction by Multi-Task Learningwith CNN[C].

Proceedings of 12th International Conference on Natural Computation,Fuzzy Systems and Knowledge Discovery,2016:668-672.

[7]张红兵,李海林,马守磊,汪飞.基于离散粒子群优化的车辆品牌和型号识别[J].计算机仿真,2016,0（1）:177-180.

[8]张小琴,赵池航,沙月进,党倩,张运胜.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 （A02）:410-413.

Vehicle Brand Classification Based on the Characteristics of Vehicle Head light for the Road Video Surveillance System

SUN Sheng1，2，YANG Xue-jun1，JIAO Yin-hui1，FENG Li1

（1.Jinpeng Electronics Information Machine Corporation，Guangzhou 510663 2.School of Computer Science of South China Normal University，Guangzhou 510631）

In smart city applications,it is a vital task to identify vehicle brand when extracting the structural information of vehicles.In daytime environment,the headlight region is segmented from the image obtained by the devices of video surveillance system.Describes the shape characteristics of headlight by histogram of oriented gradient operator.At last,builds a classifier of support vectormachine for identifying the vehicle brand.The proposedmethod has low computation complexity and can fulfill the real-time applications.

Video Surveillance;Vehicle Brand;Histogram of Oriented Gradient

1007-1423（2017）03-0010-04

10.3969/j.issn.1007-1423.2017.03.003

孙盛（1980-），男，湖北建始人，博士，研究方向为计算机视觉、模式识别

杨学军（1964-），男，湖北人，研究生，教授，研究方向为智慧城市建设

冯力（1974-），男，广东人，研究生，高级工程师，研究方向为视频监控

教颖辉（1976-），女，吉林人，研究生，工程师，研究方向为视频监控

2016-11-10

2017-01-15

广州市科技计划项目（No.201503020007）