SVM分类器、利用SVM分类器识别车辆图像的方法和装置

摘要

本发明提供一种SVM分类器、利用SVM分类器识别车辆图像的方法和装置。按多种车辆识别特征将训练样本分类，分别对SVM分类器进行训练，得到对应于所述多种特征的各个SVM分类器，在进行车辆图像识别时，提取待识别图像所具有的特征，将待识别图像分派到与该特征对应的SVM分类器，对车辆图像进行识别。本发明能够缩短分类器的训练时间，提高车辆图像识别的识别率和实时性。

说明书

技术领域

本发明涉及车辆图像识别的技术，特别涉及车辆图像识别中的SVM(支持向量机，Support Vector Machines)分类器、利用SVM分类器识别车辆图像的方法和装置。

背景技术

车辆图像识别中的SVM(支持向量机，Support Vector Machines)分类器是基于统计学习理论框架下的通用机器学习方法，最初是针对两类分类问题而提出来的，它具有结构简单，泛化能力强的优点。

在车辆图像识别中，利用SVM分类器进行车辆图像识别时，以往的做法如图1所示，即首先在训练过程利用手工选取的车辆训练样本和背景训练样本进行训练，得到一个SVM分类器，然后在识别过程对利用各种特征(如车底阴影、水平边缘、垂直边缘和对称性等)分割得到的ROI(感兴趣区域，Region of Interest)，利用训练得到的分类器进行分类识别。

然而对于实际行驶道路上的车辆，不仅包括要求识别各种类型、各种颜色、与自车的距离、以及与自车行驶方向不同角度的车辆，还包括要求识别不同背景、不同光照以及不同天气下的车辆，从而使得样本分布范围非常广泛，因而以往仅用单一SVM分类器进行分类识别，一方面会导致训练样本集庞大，单一SVM分类器难于区分分布复杂的样本(如利用单一SVM分类器识别明、暗混合的车辆时，较暗的车辆识别效果不好)，从而识别率不高，另一方面，会导致用于分类识别的支持向量数量过多，使得分类器的训练时间和用于识别处理的时间过长，从而实时性不好。

发明内容

本发明的目的是，提供一种SVM分类器、利用SVM分类器识别车辆图像的方法和装置。能够缩短分类器的训练时间，提高车辆图像识别的识别率和实时性。

为此，本发明提供一种利用SVM分类器进行车辆图像识别的方法，其特征在于，按多种车辆识别特征将训练样本分类，分别对SVM分类器进行训练，得到对应于所述多种特征的各个SVM分类器。

在进行车辆图像识别时，提取待识别图像所具有的特征，将待识别图像分派到与该特征对应的SVM分类器，对车辆图像进行识别。

多种车辆识别特征包括：水平特征、垂直特征、亮度、颜色、对比度。

对所述待识别图像的特征的提取，是针对待识别图像的特定区域进行的。

当待识别图像具有多个车辆识别特征时，则分别分派到与各个特征对应的各分类器中。

根据车辆识别特征对SVM分类器进行的训练，是根据训练样本是否满足规定的特征识别条件来进行的。

所述规定的特征识别条件包括水平边缘数量、垂直边缘数量、图像亮度、图像对比度、图像颜色。

本发明还提供一种利用SVM分类器进行车辆图像识别的装置，其特征在于，包括：

摄像机构，对待识别车辆和背景进行拍摄；

分配机构，根据摄像机构拍摄的图像，提取各个车辆识别特征，将所述图像分配到对应的SVM分类器中；

多个SVM分类器，分别与所述多个车辆识别特征的每一个对应，根据训练样本的多种车辆识别特征预先进行训练；

所述SVM分类器，对于按待识别图像所具有的特征被分派的待识别图像，进行车辆图像识别。

此外，本发明还提供一种车辆图像识别中的SVM分类器，具有对应于多个车辆识别特征中的至少一个特征的识别模式，该识别模式对应于该至少一个特征进行训练，对车辆图像进行识别。

本发明具有以下技术效果：

1)提高了车辆识别率

本发明较好地对车辆样本的分布进行了分类聚类处理，从而将一类复杂的样本分布问题分解为若干相对简单的样本分布问题，因而与以往方法相比，能更好地反映车辆的分布特征。其结果是对较暗的车辆识别比以往有了明显改善，总体识别率得到较大提升；

2)提高了实时性

本发明对样本进行分类处理后，对于各个SVM分类器，训练样本数量少，支持向量数量大幅降低，而SVM分类器分类识别所耗时间主要依赖于支持向量数量，数量越少，所耗时间越少，因而提高了分类识别的实时性；

3)提高了适应性

本发明由于将训练样本分条件分类后更好地反映了实际车辆样本的分布特征，因而在不同的光照、天气和道路条件下适应性更好。

附图说明

图1是已有的车辆图像识别中对SVM分类器进行训练的示意图。

图2是本发明的车辆图像识别中对分条件SVM分类器进行训练的原理图。

图3是本发明的车辆图像识别中对分条件SVM分类器识别过程的原理图。

图4是本发明的车辆图像识别装置的结构框图。

图5是本发明实施例的按照各种识别特征训练对应的SVM分类器过程。

图6是本发明实施例的对应各种特征的SVM分类器进行分类识别的过程。

图7是本发明实施例的对训练样本图像进行水平线条数进行判断的示意图。

图8是本发明实施例2中对训练样本图像进行明、暗判断的过程。

具体实施方式

针对已有的车辆图像模式识别中存在的单一SVM分类器难于区分分布复杂的样本的问题，本发明提出了利用分条件的SVM分类器来进行车辆的分类识别，其总体思路如图2和图3所示，即先对训练样本根据不同的特征(如水平特征、垂直特征、亮度、对比度和颜色)分别进行训练，得到相应的各个SVM分类器，然后在分类识别阶段，将ROI基于不同的特征分派到不同的分类器，如果一个ROI符合多个特征条件，则分派到对应的每个分类器，然后将所得结果进行仲裁，最终输出识别结果。

本发明的车辆图像模式识别装置如图4所示，包括：摄像机装置10，用于获取输入图像；图像预处理装置11，用于去除噪声等；图像分割装置12，用于从图像中获取感兴趣的区域ROI；分派器13，根据ROI的车辆识别特征，例如水平线特征、垂直线特征、亮度、颜色以及对比度等，将ROI分派到不同的SVM分类器；多种分类器14，对应于上述各种车辆识别特征；各种车辆分类器仲裁器15，用于对SVM分类器的输出结果进行仲裁，以决定对应的ROI是车辆还是背景，输出车辆识别装置用来输出具体的识别结果，比如车辆或背景。图4中的虚线表示可能的分派。

以下具体说明本发明的按照车辆识别特征对分类器进行分类训练的过程。在本发明的实施方式中，给出了按照亮度、对比度、颜色、水平边缘，垂直边缘等特征分类的方式。但本发明并不限于此，本发明的实施方式在不脱离本发明的精神的范围内，可以进行各种变形和替换。

实施例1

实施例1分别采用图像的水平边缘和垂直边缘的特征，对对应的分类器进行训练。

在车辆图像识别中，待识别图像中的车辆或背景中，都有若干条水平的和垂直的边缘(水平线和垂直线)。

对车辆样本和背景样本进行水平线条数判断，提取水平线特征方法可以是差分法和边缘算子及其它方法。本发明以差分法提取水平线特征为例，详细进行说明。

首先，将样本图像转换为灰度图，假设待处理样本灰度图像共有n行，为了方便描述，每一行按由下向上从“1”开始编号，然后在第2行到第n行对所有行分区域，如图7所示。每k(这里为了说明方便，设为3≤k≤9)行构成一个区域，用符号“R”表示，记第2行～第k+1行构成的区域为R1，第3行～第k+2行构成的区域为R2，…，第k+2行～第2k+1行构成的区域为Rk+1，…，Rs，共s个区域。

先从R1区域开始考察，对于R1中第1行，从最左边第一个像素点开始，先与第2行对应像素点求灰度差运算，若差运算结果大于给定的值d₁(这里例如设为8≤d₁≤16)，则将其作为由亮变暗的像素点计数，并停止与第3行及第3行以上各行对应像素点的差运算，继续第1行下一个像素点与上面行的差运算；若差运算结果小于给定的值d₂(这里例如设为-16≤d₂≤-8)，则将其作为由暗变亮的像素点计数，停止与第3行及第3行以上各行对应像素点的差运算，继续第一行下一个像素点的差运算。

如果第一行由亮变暗和由暗变亮的像素点个数的最大值大于事先给定的值d₃(这里d₃例如取图像一行像素点个数的35％～60％)，则认为是水平线，将其作为水平线条数计数，然后转到Rk+1区域，进行与R1类似的水平线考察；若不是水平线，则转到R2区域，进行与R1类似的水平线考察，以此类推。

若提取的水平线条数在给定的范围值d₄(这里例如设为d₄[3，6])内，则认为是候选小型车样本，将其分到水平特征训练样本集1；否则，认为是其他候选车型样本，将其分到水平特征训练样本集2。然后用水平特征训练样本集1训练SVM分类器7，用水平特征训练样本集2训练SVM分类器8。

对训练样本进行垂直线条数判断，提取垂直线方法采用与水平线类似的方法，例如采用差分法和边缘算子，本发明以差分法为例，进行垂直线提取。

垂直线的提取可以包括三个步骤：第一步，先将训练图像转换为灰度图，在灰度图的下半部分确定提取垂直线的区域，记提取垂直线的区域为Region；第二步，对Region的左半部分按从左向右的顺序应用与上面提取水平线类似的差分法过程提取最左边垂直线；第三步，对Region的右半部分按从右向左的顺序应用与上面提取水平线类似的差分法过程提取最右边垂直线。

其中确定Region的方法如下：设样本图像为m行，n列，对每一行按由下而上的顺序从“1”进行编号，先考察第1行，若第一行像素点灰度值小于事先给定的值d₅(例如为4≤d₅≤7)的个数大于某个值d₆(例如为20≤d₆≤50)，则认为是样本图像底部较暗区域的下边缘；若不满足，则比较第2行，依次往上，一直到第k行若均不满足，将d₅的值调整为2d₅，从第1行开始重新进行考察，如果还不满足，将d₅的值调整为3d₅，直到20d₅。

若找到样本图像底部较暗区域的下边缘，设为第i(1≤i＜k)行，并设对应的d₅的值例如为2d₅，第i行大于2d₅的像素点个数为c，则从第i+1行开始进行与上面类似的考察过程，若有一行像素点灰度值大于值2d₅的个数小于给定的值d₇(例如为c的20％～40％)时，则认为该行样本图像底部较暗区域的上边缘，记为第j行，若一直没有这样的行，取j＝k。于是由i，j构成的区域(区域的宽度为样本图像的宽度)即为提取垂直线的区域。

然后进入第二步和第三步，若最后得到的垂直线条数大于等于1且小于等于2，则将其分到垂直特征训练样本集1；否则分到垂直特征训练样本集2。然后用垂直特征训练样本集1训练SVM分类器9，用垂直特征训练样本集2训练SVM分类器10。

分类识别时，对ROI进行水平特征和垂直特征判定后分派到相应的分类器。如果一个ROI符合多个特征条件(如既有4条水平线又有2条垂直线)，则将其分别分派到对应的分类器，然后对所得结果进行仲裁，仲裁可采用的方法包括根据置信度进行判断或投票法，最终输出识别结果。

实施例2

实施例2分别采用图像的亮度、对比度、颜色的特征，对对应的分类器进行训练。

首先对训练样本图像进行明、暗判断(亮度判断)，可用的方法有根据整幅图像的灰度值均值或图像中像素点的灰度值进行判断，本发明采用图像中像素点的灰度值进行判断，如图8所示，即将训练样本图像先转换成灰度图，然后统计灰度值小于给定的值d₈(例如设为60≤d₈≤100)的像素点的个数，若满足条件的像素点个数占整个图像像素点个数的百分比大于给定的值d₉(例如设为0.5＜d₉≤0.8)，则判定训练样本图像为低亮度样本；否则判定其为高亮度样本。最后用低亮度样本构成的集合来训练SVM分类器1，高亮度样本构成的集合训练SVM分类器2；

对训练样本进行高、低对比度判断，可用的方法是根据图像上像素点的灰度值来进行判断，即先求整幅图像的灰度值的均值，然后比较每一个像素点与均值的差值，若差值在给定的范围值d₁₀(例如设为d₁₀[-5，5])的像素点个数占整个图像像素点个数的百分比大于给定的值d₁₁(例如设为0.5＜d₁₁≤0.8)则认为对比度低，将对应的样本分到低对比度训练样本集；否则认为对比度高，将其分到高对比度训练样本集。最后用低对比度训练样本集训练SVM分类器3，用高对比度训练样本集训练SVM分类器4；

对训练样本颜色进行黑颜色、非黑颜色判断，可采用的方法是：在HSI(Hue-Saturation-Intensity，色调-饱和度-强度)颜色空间，如果样本图像中HSI三个分量中I分量的值满足给定的范围值d₁₂(例如设为d₁₂(0，0.55])，认为是黑颜色样本，将其分到黑颜色训练样本集；否则，将其分到非黑颜色训练样本集。最后利用黑颜色训练样本集训练SVM分类器5，用非黑颜色的训练样本集训练SVM分类器6；

分类识别时，对ROI进行亮度、对比度和颜色特征判定后分派到相应的分类器。如果一个ROI符合多个特征条件(如既是较暗的又是黑颜色的)，则将其分别分派到对应SVM1和SVM5，然后对所得结果进行仲裁，仲裁可采用的方法包括根据置信度进行判断或投票法，最终输出识别结果。