基于支持向量機(jī)方法的車型分類技術(shù)
下面對(duì)所選取的特征值進(jìn)行簡(jiǎn)要介紹。
本文引用地址:http://www.butianyuan.cn/article/87263.htm1)幾何特征
反映在視頻圖像上的車輛的長(zhǎng)度和寬度是車型識(shí)別最直觀的信息,它可以從車輛定位過(guò)程中直接獲取,如圖1(b)所示。
2)不變矩特征
矩特征由于旋轉(zhuǎn)不變的描述特性和良好的抗噪性得到了人們的重視,圖像的矩特征實(shí)質(zhì)上是該圖像整個(gè)空間特性的集成。在相繼提出的多種矩特征中,當(dāng)前最常用的有Hu矩、Li矩、Zernike矩??紤]到實(shí)際情況和算法的實(shí)效性,本實(shí)驗(yàn)采用Hu的區(qū)域矩作為矩特征。
假定{Ii,j}表示高度為H、寬度為W的當(dāng)前輸人灰度圖像,其中Ii,j為第i(0≤i≤H-1)行、第j(0≤j≤W-1)列像素的灰度值。
3)紋理特征
前面提取的長(zhǎng)度、寬度和不變矩特征可以對(duì)車輛的大小形狀進(jìn)行較好的全局描述,為車輛大小的識(shí)別提供了很好的依據(jù)。但對(duì)于客貨車的識(shí)別,特征差異往往表現(xiàn)在局部紋理上,如果僅用上述特征來(lái)區(qū)分客貨可能會(huì)導(dǎo)致一些形狀相似的客貨車識(shí)別錯(cuò)誤。因此,引入了由共生矩陣導(dǎo)出的5個(gè)描述子。
由車輛圖像生成的問(wèn)隔為d、方向?yàn)?theta;的灰度共生矩陣為:
式中:k、m表示橫坐標(biāo);l、n表示縱坐標(biāo);g1、g2表示灰度等級(jí);e為集合中元素的個(gè)數(shù);eT表示像素對(duì)的總和數(shù);p(g1,g2)表示灰度級(jí)分別為g1和g2的像素對(duì)出現(xiàn)的頻率。
由上述共生矩陣導(dǎo)出的5個(gè)紋理特征為:
式中:f1為最大頻率;f2為對(duì)比度;f3為反差矩;f4為角二階矩;f5為熵。
考慮到實(shí)際車輛的紋理特征,取d=1、θ=0。
由于所提取的特征可能在量值上有很大差異,為了避免大值特征湮沒(méi)小值特征對(duì)分類的貢獻(xiàn),將所提取的特征進(jìn)行歸一化非常重要。本文采用如下公式對(duì)特征進(jìn)行歸一化:
經(jīng)過(guò)歸一化處理后,各特征值的范圍被限定在[-1,1]之間。
評(píng)論