论文部分内容阅读
[摘要]：针对智能交通卡口中车辆颜色提取在定位和分类方面存在的准确性问题，本文提出了一种在移动侦测环境下动态鲁棒的车辆颜色提取与识别算法。实验结果表明，本文算法较传统算法在实际应用有着更好的精度和鲁棒性。
[关键词]： GAUSSHOGSVM纵横掩码 混合色彩空间
引言：
针对实际应用中存在的车辆信息检索等问题，本文基于混合色彩空间与纵横掩码，提升在移动侦测环境先的车辆颜色提取与识别算法。首先，通过低尺度的高斯背景重建获取前景信息，利用HOG+SVM分类方法对前景区域进行特征提取与识别，粗提取得到车辆的坐标位置与轮廓信息。其次，结合高斯背景重建的前景信息，通过建立纵向与横向车辆局部掩码图，实现待分类颜色区域的两层定位。最后，利用混合色彩空间模型，针对不同颜色进行带优先级的决策分类。
1、车身坐标粗提取
1）低尺度混合高斯背景重建
通过对图像运动目标进行背景建模，得到运动目标的前景区域。但由于多个模型的建立对计算资源占用较大，严重影响到了视频处理的实时性。因此，本文提出了低尺度混合高斯背景重建的方法。先将原图像尺度缩小n倍，在低分辨图像中高斯背景重建，对移动物体进行轮廓提取。
2）梯度方向直方图特征提取
智能卡口的视频分辨率多为720p及以上，如果采用较小的模板:64*64，则优质的视频资源无法得到有效利用。检测模板越大得到的特征就会越多，检测效果也会相应提升，但速度会受影响，为了兼顾性能与效率，采用尺度为128*128的检测模板，特征向量维度 为：
(1)
其中， 为每个块的胞元数量， 为每个胞元的方向数量， =((128-8)/16)2=225为检测窗口的块数量，特征向量维数是维。
3）支持向量机
HOG提取到的特征向量维数高达8100维，将提取到的特征通过SVM的线性核进行训练，得到N个支持向量SN，再对这N个支持向量加权求和，得到最终的支持向量S，将S作为分类超平面。超平面方程：
(2)
x为特征向量，b为分类间隔，当特征向量在S超平面上时，令 ；当x为正样本时 ；当x为负样本时， 。这样通过提取到的特征向量x，结合式(3)，就可以判断所提取特征的区域是否存在车辆（即正样本）。
2、颜色区域细定位
对检测区域进行颜色分类，大量的非车身区域会对结果造成很大的影响，因此本文在粗提取的基础上，对颜色检测区域进行进一步的精确。
3、混合色彩空间颜色分类
本文提出了混合色彩空间的概念，综合HSV色彩空间和人眼对色彩的感知非常接近的特点与YUV色彩空间在光照敏感方面的优势，建立新的混合色彩空间。我们将混合色彩空间定义为由色调MH，饱和度MS和亮度MYV分量组成。
(3)
，(4)(5) 一方面针对车辆颜色（红色，橙色，黄色，绿色）给予较高的优先级，通过色调信息MH进行区分。另一方面在高亮、低亮度情况下，色调信息便失去了主要的决策价值，针对（白色，黑色，蓝色，青色，紫色，灰色）车辆结合亮度信息MYV进行评判。实验图片是在光照变化明显的实际交通卡口场景视频获取的，共得到4082张图片通过文献[4]和本文进行颜色识别结果如图1所示：
图1颜色分类正确率对比
比较上图可以看出，本文的方法在实际环境中测试的性能要优于文献[4]的方法。本文通过的定位方法虽然会带来局部的背景信息，但通过混合色彩空间带优先级的决策，能够有效降低背景在识别中的权重，进而实现更好的分类效果。
4、结束语
由实验数据可以看出，本文的算法结合实际应用，在红、橙、黄、黑等颜色分类识别方面，较传统方法有了显著提升，青色蓝色和黑色的性能改进并不明显，这是由于实际环境中的车窗的存在和光线反光的原因造成的，使车辆本身的颜色在成像过程中发生了变化，导致了最终的判断失败。在应用分类中，可以将人眼区分不敏感的橙色和黄色合并，将蓝色和青色合并。由于光线变化的环境因素较难控制，针对光线变化的有效应对方案较少，如何进一步提升实际场景中，对光照变化问题的处理措施是下一步的主要研究工作。
参考文献
[1] Deb, Kaushik, and Kang-Hyun Jo. "HSI color based vehicle license plate detection." Control, Automation and Systems, 2008. ICCAS 2008. IEEE, 2008.
[2] 杨丹. 基于 BP 神经网络的汽车颜色识别[D]. 沈阳工业大学, 2009.
[3] 王运琼, 游志胜, 刘直芳. 利用支持向量机识别汽车颜色[J]. 计算机辅助设计与图形学学报, 2004, 16(5): 701-706.
[4] Lin C Y, Yeh C H, Yeh C H. Real-time vehicle color identification for surveillance videos[C]//Electronics, Communications and Computers (CONIELECOMP), 2014 International Conference on. IEEE, 2014: 59-64
[5] 王琪. 关于运动目标特征提取以及车辆颜色识别算法的研究[D]. 电子科技大学, 2011.
[基金项目]：国家科技支撑计划课题（2012BAH20B01）；国家科技支撑计划课题（2014BAK11B02）广西自然科学基金项目（2012GXNSFAA053232, 2013GXNSFAA019326）
(此基金排版时保留)
[作者简介]：毕伟伟（1988-），男，硕士研究生，主要研究方向为图像和视频处理、模式识别。蔡晓东（1971-），男，博士，副教授，主要研究方向为并行化图像和视频处理、模式识别与智能系统、基于云构架的智能传感器网络；王春利*（1980-），男，硕士，讲师，主要研究方向为差分方程相关理论
[关键词]： GAUSSHOGSVM纵横掩码 混合色彩空间
引言：
针对实际应用中存在的车辆信息检索等问题，本文基于混合色彩空间与纵横掩码，提升在移动侦测环境先的车辆颜色提取与识别算法。首先，通过低尺度的高斯背景重建获取前景信息，利用HOG+SVM分类方法对前景区域进行特征提取与识别，粗提取得到车辆的坐标位置与轮廓信息。其次，结合高斯背景重建的前景信息，通过建立纵向与横向车辆局部掩码图，实现待分类颜色区域的两层定位。最后，利用混合色彩空间模型，针对不同颜色进行带优先级的决策分类。
1、车身坐标粗提取
1）低尺度混合高斯背景重建
通过对图像运动目标进行背景建模，得到运动目标的前景区域。但由于多个模型的建立对计算资源占用较大，严重影响到了视频处理的实时性。因此，本文提出了低尺度混合高斯背景重建的方法。先将原图像尺度缩小n倍，在低分辨图像中高斯背景重建，对移动物体进行轮廓提取。
2）梯度方向直方图特征提取
智能卡口的视频分辨率多为720p及以上，如果采用较小的模板:64*64，则优质的视频资源无法得到有效利用。检测模板越大得到的特征就会越多，检测效果也会相应提升，但速度会受影响，为了兼顾性能与效率，采用尺度为128*128的检测模板，特征向量维度 为：
(1)
其中， 为每个块的胞元数量， 为每个胞元的方向数量， =((128-8)/16)2=225为检测窗口的块数量，特征向量维数是维。
3）支持向量机
HOG提取到的特征向量维数高达8100维，将提取到的特征通过SVM的线性核进行训练，得到N个支持向量SN，再对这N个支持向量加权求和，得到最终的支持向量S，将S作为分类超平面。超平面方程：
(2)
x为特征向量，b为分类间隔，当特征向量在S超平面上时，令 ；当x为正样本时 ；当x为负样本时， 。这样通过提取到的特征向量x，结合式(3)，就可以判断所提取特征的区域是否存在车辆（即正样本）。
2、颜色区域细定位
对检测区域进行颜色分类，大量的非车身区域会对结果造成很大的影响，因此本文在粗提取的基础上，对颜色检测区域进行进一步的精确。
3、混合色彩空间颜色分类
本文提出了混合色彩空间的概念，综合HSV色彩空间和人眼对色彩的感知非常接近的特点与YUV色彩空间在光照敏感方面的优势，建立新的混合色彩空间。我们将混合色彩空间定义为由色调MH，饱和度MS和亮度MYV分量组成。
(3)
，(4)(5) 一方面针对车辆颜色（红色，橙色，黄色，绿色）给予较高的优先级，通过色调信息MH进行区分。另一方面在高亮、低亮度情况下，色调信息便失去了主要的决策价值，针对（白色，黑色，蓝色，青色，紫色，灰色）车辆结合亮度信息MYV进行评判。实验图片是在光照变化明显的实际交通卡口场景视频获取的，共得到4082张图片通过文献[4]和本文进行颜色识别结果如图1所示：
图1颜色分类正确率对比
比较上图可以看出，本文的方法在实际环境中测试的性能要优于文献[4]的方法。本文通过的定位方法虽然会带来局部的背景信息，但通过混合色彩空间带优先级的决策，能够有效降低背景在识别中的权重，进而实现更好的分类效果。
4、结束语
由实验数据可以看出，本文的算法结合实际应用，在红、橙、黄、黑等颜色分类识别方面，较传统方法有了显著提升，青色蓝色和黑色的性能改进并不明显，这是由于实际环境中的车窗的存在和光线反光的原因造成的，使车辆本身的颜色在成像过程中发生了变化，导致了最终的判断失败。在应用分类中，可以将人眼区分不敏感的橙色和黄色合并，将蓝色和青色合并。由于光线变化的环境因素较难控制，针对光线变化的有效应对方案较少，如何进一步提升实际场景中，对光照变化问题的处理措施是下一步的主要研究工作。
参考文献
[1] Deb, Kaushik, and Kang-Hyun Jo. "HSI color based vehicle license plate detection." Control, Automation and Systems, 2008. ICCAS 2008. IEEE, 2008.
[2] 杨丹. 基于 BP 神经网络的汽车颜色识别[D]. 沈阳工业大学, 2009.
[3] 王运琼, 游志胜, 刘直芳. 利用支持向量机识别汽车颜色[J]. 计算机辅助设计与图形学学报, 2004, 16(5): 701-706.
[4] Lin C Y, Yeh C H, Yeh C H. Real-time vehicle color identification for surveillance videos[C]//Electronics, Communications and Computers (CONIELECOMP), 2014 International Conference on. IEEE, 2014: 59-64
[5] 王琪. 关于运动目标特征提取以及车辆颜色识别算法的研究[D]. 电子科技大学, 2011.
[基金项目]：国家科技支撑计划课题（2012BAH20B01）；国家科技支撑计划课题（2014BAK11B02）广西自然科学基金项目（2012GXNSFAA053232, 2013GXNSFAA019326）
(此基金排版时保留)
[作者简介]：毕伟伟（1988-），男，硕士研究生，主要研究方向为图像和视频处理、模式识别。蔡晓东（1971-），男，博士，副教授，主要研究方向为并行化图像和视频处理、模式识别与智能系统、基于云构架的智能传感器网络；王春利*（1980-），男，硕士，讲师，主要研究方向为差分方程相关理论