基于计算机视觉的车辆识别技术

李嫩，王志雷，周琳，付鹏



基于计算机视觉的车辆识别技术

李嫩，王志雷，周琳，付鹏

（长安大学，陕西 西安 710064）

车辆识别是智能交通系统的重要组成部分。文章在探索计算机视觉基础上，探讨了车辆识别领域目前仍需解决问题和未来研究方向，分析和总结了基于特征分析和人脑模型的车辆识别前沿技术。

车辆识别；计算机视觉；特征分析；智能交通系统

前言

计算机视觉应用于智能交通系统中是近几年来的热点技术之一，车辆识别技术属于计算机视觉技术，广泛应用于停车场管理、违章车辆、电子收费等多项ITS 应用领域。

随着交通监控信息系统的不断优化，车辆识别技术也发展迅速，但仍然受到以下几个方面限制：光照、噪声、特殊天气、摄像头参数、摄像头安装方位、相似车型、复杂交通场景等。这些因素会导致车辆在图像中的尺寸及姿态变化较大，也增大了识别的难度。

1 基于特征分析的车辆识别

基于特征分析的车辆识别一般包括获取数据、初步处理、提取特征、生成图像、分类器设计等环节。核心问题是提取什么样的特征对车辆进行表达及应用何种学习模型设计分类工具。根据特征表达方法的不同，基于特征分析的车辆识别技术主要可以分为整体特征分析、细节特征分析以及三维轮廓特征分析。

1.1 整体特征分析

整体特征分析是通过提取车辆特征信息对图像的整体信息进行描述，得到表示图像的特征向量，结合浅层学习的方法，进行车辆类别判断和预测。通常适合用于对差别较大的车色识别和种类识别等任务。

整体特征一般有颜色、纹理、形状特征等，其中颜色是识别的主要线索之一。颜色直方图被广泛应用，其特点是将图像中各种颜色概率作为特征，这种概率对图像的旋转、平移和尺寸变化并不敏感。颜色直方图的优势：在色调、饱和度、亮度组成的HSB颜色空间[1]，使用H、S 两个分量构成二维特征向量，解决了颜色特征的表达问题。若考虑到在不同颜色通道中的特征信息对识别的重要程度不同，在色调、饱合度、强度组成的HSI颜色空间中，就需要为各颜色通道设置统计区间。

为了减少非车色区域的干扰，可以对不同区域提取颜色直方图，构造特征向量获得较好的车色识别性能，直接提取车辆颜色特征进行识别。这种方法还能较好地适应光照变化。

1.2 细节特征分析

采用整体特征分析的方法在识别同类型差别较小的车辆时细节信息的获取不够充分，导致识别的准确性和稳定性较差。因此需要采用细节特征分析方法进行车辆识别。Li等[2]提出的类似目标银行(Object Bank)方法，借助Deformable Parts Model思想，从训练的数据中挖掘出具有判别性的遮挡模式，较好地降低了遮挡问题对车辆识别的影响。

细节特征分析的首先提取细节特征进行描述，然后使用特征变换算法对部分特征进行编码，整合特征获得更准确的特征表达，进而得到一个符合的特征向量，最后选择适当的学习结构设计出分类器。其中如何有效地对细节特征进行紧凑表达是提升识别精确度的关键。

1.3 三维轮廓特征分析

目前，受采集设备的限制，采用二维图像进行识别会遇到很多问题，如几何形状、空间位置等变化，从而难以达到识别效果。为了提高识别度，人们对二维图像中的车辆进行三维建模获得三维数据，然后通过训练固定的三维模型进行车辆识别。Buch等[3]为识别车辆的地理位置和车辆类别，使用三维模型提取运动轮廓，与投影的模型轮廓进行比较，排除了车辆阴影的影响。

在某种程度上，三维建模的方法可以解决视点问题，但是三维车辆固定模型一般难以区分不同形状的目标对象。此外，由于提取特征信息和匹配模型环节会因为模型数量的增加而变得更加复杂，对于类别较多的车辆精细识别任务来说实现相对困难。因此，算法需要进行优化，从而提升模型的区分能力和适应能力。

2 基于人脑模型的车辆识别

图1 构建神经网络的2种方式

构造人脑模型[4]的目标在于通过模拟人类大脑的神经分层表达结构，建立识别神经网络来分析数据，逐层提取表达特征，提高识别精度。卷积神经网络作为一种最重要的神经网络模型，在图像处理领域取得了相当之大的成就，构建卷积神经网络模型通常有2种方式，如图1所示。下面对卷积神经网络(CNN)进行讨论。

2.1 两端表达的神经网络

每个特征提取层后面都紧跟着一个用来求局部平均和二次提取的子采样层，这种两次特征提取结构使网络对输入样本有较高的畸变容忍能力，在网络的末层一般连接几个全连接层，最终输出节点个数就是识别结果个数。例如8层的CNN(Alex-Net)降低了识别错误率，直接针对原始图像进行处理，经过卷积特征提取及映射直接得到识别结果，在复杂环境下更高效的识别。

如何训练神经网络是需要解决的一个关键问题。目前常用的训练两端表达网络模型的方法为：先对大规模标注数据进行预先训练，获得初始网络权重参数值；然后在相对较小的任务数据集上进行微调训练，得到分类识别模型。

2.2 中间表达的神经网络

多级联合的神经网络模型就是针对中间表达实现了车辆的精细识别。该模型首先应用优化的区域CNN算法对输入图像提取多个兴趣层，然后采用两端表达的神经网络对多个特征区进行学习。优点是不局限于应用单一网络结构完成识别任务，充分利用了深度学习在每个环节的优点，是具有代表性的车辆识别新方法之一。

3 结论

现有的网络模型一般是通用的学习模型，结构复杂，消耗时间和计算资源较多，难于移植到嵌入式系统中。在车辆识别模型优化方面，研究面临着如何设计轻型化的车辆识别专用网络的问题。在识别数据方面，小样本问题同样限制了技术发展。

[1] 胡焯源,曹玉东,李羊.基于HSV颜色空间的车身颜色识别算法[J]. 辽宁工业大学学报,2017, 37(1): 10-12.

[2] LI L J, SU H, XING E P, et al. Object bank: a highlevelimage repre -sentation for scene classification &semantic feature sparsification [C].Cambridge: MIT Press,2010: 1378-1386.

[3] BUCH N, ORWELL J, VELASTIN S A. Detection andclassification of vehicles for urban traffic scenes[C]∥Visual Information Engine -ering, 2008. London: IET,2008:182-187.

[4] 李轶南,张雄伟,李治中等.深度学习:开启人工智能的新纪元[J]. 军事通信技术,2015(4): 20.

Based on Computer Vision of Vehicle Recognition Technology

Li Nen, Wang Zhilei, Zhou Lin, Fu Peng

( Chang’an University, Shaanxi Xi’an 710064 )

Vehicle recognition is one of the most important parts of intelligent transportation system. Based on the explora -tion of computer vision, this paper discussed the problems that need to be solved in the field of vehicle identification and the future research directions, and analyzed the frontier technology of vehicle recognition based on feature analysis and human brain model and summarizes it.

vehicle recognition; computer vision; feature analysis; intelligent transportation system

B

1671-7988(2018)24-39-02

U462

B

1671-7988(2018)24-39-02

U462

李嫩，硕士研究生，就读于长安大学汽车学院。

10.16638/j.cnki.1671-7988.2018.24.012