面向嵌入式应用的高性能车型识别系统

杨予诺 江昆 黄巧 倪维遥 朱蓓蓓

摘 要 现如今，城市化现象日益严重，智能交通发展迅速。目标识别作为计算机视觉的重要组成部分，带动了车辆检测和识别系统的发展，具有着很重要的现实意义。它有着可克服录像或者监控设备获取信息模糊和实时检测的优势，在获得测试图片之后，系统会根据深度学习训练出来的分类器首先对车辆的前脸进行检测，然后基于框出的车前脸部分进行车标检测，识别出车型类别。该系统适用于交通管理，有利于解决通行自动扣费、事故调查、交通堵塞预防等问题的解决。

【关键词】智能交通 深度学习 分类器 车型识别

1 引言

项目涉及简单研究国内的交通系统的现状，初步认识改进交通系统可行的解决方案。该技术所采用的的算法涉及图像处理、模式识别以及嵌入式的初步认识，在图像预处理以及特征匹配部分应用到Haar，HOG算法特征值以及提取、匹配的算法如SVM，PCA等，这些都是图像识别领域系统实现过程中的关键技术。

车型识别技术是智能交通系统中的关键技术，无论是在交通监控领域还是在道桥、高速公路以及停车场的全自动收费领域，都有着重要和广泛的应用。例如：现在高速收费站车道主要分为ETC车道和MTC车道，前者能够快速且自动扣费，而MTC车道则大多还采用人工发卡和收费。车型识别技术应用在MTC车道，可以实现高速收费站入口的MTC车道的自动化。架在收费站入口车道顶棚上的摄像头不仅能够识别车牌，更能识别车辆的品牌、大小，再依据收费标准迅速将车分类，机器代替人工识别，不仅能迅速交费，同时还能防止收错费、车辆冒牌顶用的问题。

随着经济的高速发展，机动车数量迅速增加，各国都受到不同程度的交通问题的困扰。因此各国诸如治安卡口等交通系统都在不同程度的改进。车辆信息识别具有研究对象特殊性、应用领域局限性、车辆和交通发展局限性的特点，受这些特性的限制约束，虽已有不少国内外研究人员对此进行过研究，但目前暂时不是识别领域中广为熟悉的课题。我国早在70年代就将电子、信息等高新技术应用于交通领域。国内一些科研院所也一直在从事这方面的研究，并已取得阶段性的成果，但真正投入到现实生活中的研究应用并不多。

2 关键算法

2.1 HOG特征

HOG特征具体计算步骤如下：

（1）计算梯度；

（2）构建细胞单元方向直方图；

（3）细胞单元组合成更大的区间块。

2.2 HAAR特征

Haar特征是Viola等人提出的一种简单矩形特征，最早由Papageorgiou等人应用于人脸表示。Haar特征分为4类：边缘特征、线性特征、中心特征和對角特征，这些特征提取具有固定的特征模板，特征模板内有灰色和黑色两种矩形，并定义该模板的特征值为灰色矩形像素和减去黑色矩形像素和。

2.3 Adaboost算法

是一种基于统计学的学习算法，能够在学习过程中不断根据正例和反例中各个事先选好的特征所引起的效果进行调整该特征的权值，最终按照特征性能的由好到坏给出判断准则，并利用瀑布算法达到减少计算量的目的。Adaboost算法是一种分类器算法，将简单分类器通过一定的方法叠加起来，构成一个强分类器。

3 实验过程

车型识别要求先训练得到知识库，再匹配。

训练过程先采集大量车辆图片信息，创建样本，然后训练得xml文件，得到特征值。匹配过程通过对测试图像的图像预处理、特征提取、车标识别、知识库比对，最终得到匹配结果。其中图像特征提取部分较为关键，通过不断的实验调试，尽可能保证提取信息的可区别性、可靠性、独立性并减少冗余量。

3.1 创建样本

训练样本包括正样本和负样本。正样本是图片中只有训练目标的样本，即视野中只有车辆的图片，负样本是不含目标特征的图片。但需要注意一点，负样本并非随便选取。训练分类器的最终目标是汽车，负样本就不能是一些包含天空的，海洋的，风景这类图片。汽车应该出现在马路上，分类器最终检测的图片应该是包含马路，交通标志，建筑物，广告牌，汽车，摩托车，三轮车，行人，自行车等在内的图片。很明显，负样本应该是包含路面、摩托车、灌木丛、花草、交通标志等。

采集大量车辆图片并进行规格化处理后，得到20*20的bmp格式的正负样本图片。其中正样本有6855张，负样本有23390张。

3.2 训练分类器

利用OpenCV内置训练程序haartraining进行特征训练。训练过程：

（1）打开info.txt，按ctrl+h， 把所有的bmp 换成 bmp 1 0 0 20 20，其中1代表一个文件，0 0 20 20表示这个文件的2个顶点位置坐标）。

（2）为负样本创建集合文件格式文件bg.txt， 并且把这个文件放在与样本图片同一目录下。

（3）为正样本生成pos文件。

（4）利用opencv_haartraining.exe 生成训练器。

训练完毕，生成xml文档，即训练器。

3.3 车脸检测

根据已描述的算法思路进行代码编写，利用之前训练所得训练器进行特征匹配。

3.4 车标检测

车标检测和识别的MFC程序窗口。

4 结束语

笔者基于OpenCV和VS2012设计并实现了一个车辆识别系统。系统根据训练的分类器xml文件，只是对最基本的像素为320*240像素的照片进行车前脸检测，在检测的车前脸基础上进行车型识别。笔者提出的算法可以对选取的测试图片实现车辆识别，有利于推动智能交通的发展和普及。

参考文献

[1]刘津.基于KPCA和GPC的复杂环境下车标识别算法研究[J].北京理工大学，2016.

[2]张楚金，王耀男，卢笑，王珂娜，王国峰.基于假设验证和改进HOG特征的前车检测算法，湖南大学和中国公路工程咨询集团有限公司，2015.

[3]蒋政，程春玲.基于Haar特性的改进HOG的人脸特征提取算法[J].南京邮电大学，2017.

[4]龙伶敏.基于Adaboost的人脸检测方法及眼睛定位算法研究[J].电子科技大学，2008.

作者单位

东北师范大学 吉林省长春市 130117