基于視頻圖像的車輛目標(biāo)識別

1、本欄目責(zé)任編輯:唐一東人工智能及識別技術(shù)Computer Knowledge and Technology 電腦知識與技術(shù)第5卷第36期(2009年12月基于視頻圖像的車輛目標(biāo)識別葉苗1,周愛軍1,袁鋒2(1.南京師范大學(xué)泰州學(xué)院,江蘇泰州225300;2.中國電信揚州分公司,江蘇揚州225009摘要:針對目前數(shù)字圖像目標(biāo)識別方法中存在識別精度和實時性的問題,該文提出一種結(jié)合Gabor 小波和神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識別方法。該方法首先對圖像進行預(yù)處理、用Canny 算子進行邊緣提取,然后通過神經(jīng)網(wǎng)絡(luò)獲取最優(yōu)的雙Gabor 小波復(fù)合濾波器參數(shù),再采用參數(shù)優(yōu)化過的濾波器組提取目標(biāo)的特征向量,最后進行目

2、標(biāo)的分類和識別。實驗表明這種方法魯棒性好、識別率高,具有較廣泛的實際應(yīng)用價值。關(guān)鍵詞:Gabor 小波濾波器;神經(jīng)網(wǎng)絡(luò);目標(biāo)識別中圖分類號:TP391文獻標(biāo)識碼:A 文章編號:1009-3044(200936-10328-02Image Target Recognition Based on Gabor Wavelet and Neural NetworkYE Miao 1,ZHOU Ai-jun 1,YUAN Feng 2(1.Nanjing Normal University,Taizhou College,Taizhou 225300,China;2.Yangzhou Branch of

3、 China Telecom,Yangzhou 225009,ChinaAbstract:At present,many algorithms for object recognition have a narrow applicability and a low effectiveness.To address this issue,this paper presents an image recognition method which based on Gabor wavelet and neural network.First of all,the images are pre-pro

4、cessed and the edges of objects are extracted with Canny operator.And then,the combination of Gabor wavelet and neural network is used to obtain the best parameters of dual-compound Gabor wavelet filters.At last,the filter of which parameters had been optimized is applied to extract the eigenvector

5、of the target for object classification and identification.Experiments show that this approach is robust,with high recognition rate,and thereafter with a wide range of practical application.Key words:gabor wavelet filter;neural networks;target recognition數(shù)字圖像目標(biāo)的自動識別是目前國內(nèi)外研究的熱點。它在智能交通系統(tǒng),工業(yè)生產(chǎn)自動化和機器人視覺

6、等諸多領(lǐng)域有極高的應(yīng)用價值1,由于Gabor 小波變換在分析數(shù)字圖像的局部區(qū)域頻率和方向信息方面具有優(yōu)異的性能,故在計算機視覺及紋理分析中已經(jīng)得到廣泛應(yīng)用。而神經(jīng)網(wǎng)絡(luò)又具有自學(xué)習(xí)性、自適應(yīng)性、強魯棒性和推廣能力。因此在本文提出一種基于雙Gabor 小波復(fù)合濾波器提取圖像目標(biāo)特征向量。并結(jié)合神經(jīng)網(wǎng)絡(luò)得到最優(yōu)化濾波器參數(shù)值的方法,以此對圖像目標(biāo)進行識別。1圖像預(yù)處理本研究以車型圖像為例進行目標(biāo)識別。采用低誤判率和高定位精度的Canny 算子2進行邊緣檢測,檢測結(jié)果如圖1所示。 a3個典型樣本b邊緣檢測后的樣本圖13個典型樣本和預(yù)處理結(jié)果2Gabor 小波濾波器二維的Gabor 小波濾波器因可以同時

7、獲取空間和頻率域的最小不確定性而常用于信號處理,并且它和人眼視網(wǎng)膜神經(jīng)細胞的感受非常相似,從而應(yīng)用于圖像處理、理解、識別等領(lǐng)域,在人臉和特征識別領(lǐng)域3也已成功地應(yīng)用。二維Gabor 小波濾波器定義為,其極坐標(biāo)形式定義為 (1 其中,為高斯函數(shù)的標(biāo)準(zhǔn)差,0為復(fù)平面波的空間頻率,=arctan(/是方向角,r=x 2+y 2姨,=arctan(y/x。本文用兩組實Gabor 小波濾波器線性組合成復(fù)合濾波器n w n G n (n=1,2?？梢愿鶕?jù)圖像目標(biāo)的特點初始化w 1G 1+w 2G 2的參數(shù)值,其中w 為列向量,其包含復(fù)合濾波器的線性組合系數(shù)w n ,G 為矩陣,每一列包含復(fù)合濾波器的一個G

8、 n 。為了獲取目標(biāo)的局部特征,可以假定目標(biāo)的尺寸在一定的范圍之內(nèi),因此參數(shù),b 應(yīng)小于目標(biāo)的尺寸,一般取這個范圍的下限。復(fù)合濾波器參數(shù)的選擇要使濾波器窗口中心位于目標(biāo)頭部時的相關(guān)輸出區(qū)別于濾波器窗口中心位于目標(biāo)尾部時的相關(guān)輸出,其中J 是標(biāo)準(zhǔn)函數(shù)。標(biāo)準(zhǔn)函數(shù)的選擇:假設(shè)兩類待識別目標(biāo)的特征矢量分別為f 1,f 2,在一般情況下,為了準(zhǔn)確地區(qū)分兩類目標(biāo),特征矢量f 1、f 2應(yīng)當(dāng)分屬于特征空間中的兩個不同的區(qū)域。最常用的衡量兩類目標(biāo)特征矢量分離和聚合程度的標(biāo)準(zhǔn)函數(shù)是:收稿日期:2009-09-25ISSN 1009-3044Computer Knowledge and Technology 電腦

9、知識與技術(shù)Vol.5,No.36,December 2009,pp.10328-10329E-mail:eduf Tel:+86-551-5690963569096410328人工智能及識別技術(shù)本欄目責(zé)任編輯:唐一東Computer Knowledge and Technology 電腦知識與技術(shù)第5卷第36期(2009年12月(2 式中,式中s 表示輸入圖像的平移,z i 表示所有屬于類別i 的s 的平均值。E ,F 只與輸入圖像有關(guān),對識別問題而言是固定的;由(2式可知J 與G ,w 有關(guān),可以用神經(jīng)網(wǎng)絡(luò)選擇G ,w 的參數(shù)以活得最大的J 值。 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。它由3層神經(jīng)元(輸

10、入,輸出和隱含層和兩個連接權(quán)重集合(G,w組成。輸入層神經(jīng)元的數(shù)據(jù)是不同的供訓(xùn)練神經(jīng)網(wǎng)絡(luò)用的圖像像素數(shù)據(jù)。輸入層和隱含層之間的連接權(quán)重集合是矩陣G 。在隱含層神經(jīng)網(wǎng)絡(luò)計算輸入訓(xùn)練圖像和矩陣G 中的G n 的矢量內(nèi)積。隱含層和輸出層之間的連接權(quán)重集合是。輸出層的結(jié)果用來計算J ,再根據(jù)J 值修改G ,w 以期得到最大的J 值。 設(shè)A=G T EG,B=G T FG ,由(2式可知,J=(w T Aw/(w T Bw。為了找到使J 最大的,可以采用以下的梯度迭代公式:(3 式中w 為收斂速度的步長。本文中,每一步迭代使改變大約1%。同理也可以得到使最大的G 。G 包含,b ,四個參數(shù),于是有下列迭

11、代公式:(4 式中, 等同。式中,a ,b ,是迭代步長。每一步迭代使,b ,分別改變大約1%。G 包含兩個實Gabor 小波濾波器,a ,b ,都是矢量;diag 是取對角線上的元素。4實驗結(jié)果實驗中輸入圖像是3類典型的汽車圖像(小汽車、卡車和客車,參見圖1。特征矢量由20個分量組成,即在輸入圖像與復(fù)合濾波器相關(guān)運算結(jié)果中沿其過中心的水平線上均勻取20點組成。結(jié)果選取8060的小汽車圖像為例。首先用(3式迭代100次,再用(4式迭代1次,最后重復(fù)上述過程300次。標(biāo)準(zhǔn)函數(shù)J 隨迭代次數(shù)的變化情況參見圖3,從中可以看出,標(biāo)準(zhǔn)函數(shù)J 隨迭代次數(shù)增加到峰值后,再下降到一個穩(wěn)定值3.80,而且穩(wěn)定值

12、約為J 初始值的4倍。這反應(yīng)了本文算法的有效性和高效性。圖4是濾波器G 的連接權(quán)重w 復(fù)合濾波器參數(shù)隨迭代次數(shù)的變化情況,圖中上線對應(yīng)于濾波器G 1的連接權(quán)重w 1,下線對應(yīng)于濾波器G 2的連接權(quán)重w 2。 圖3J 隨迭代次數(shù)的變化曲線圖4隨迭代次數(shù)的變化曲線圖5給出a ,b ,隨迭代次數(shù)變化的曲線圖。a中,最下面與橫坐標(biāo)重疊的線是;水平線是,大小為/2;最上面曲線是b ,最后穩(wěn)定于3.45;第二條曲線是a ,穩(wěn)定于2.00。b中,最下面一條曲線與橫坐標(biāo)重疊;b 線急劇下降,最后穩(wěn)定在0.25;a 線穩(wěn)定在1.95。 a濾波器G1b濾波器G2圖5a ,b ,迭代次數(shù)的變化曲線測試樣本是訓(xùn)練樣本時,當(dāng)使用表1的復(fù)合濾波器來提取特征時識別率為81%,當(dāng)使用表2時識別率為99.5%;當(dāng)測試樣本不是訓(xùn)練樣本時,識別率分別為70.3%和93.4%。可見本文算法對復(fù)合濾波器參數(shù)的選擇是有效的。以上的仿真實驗是針對同三種目標(biāo)的同一方位的圖像進行的,該算法具有較強的魯棒性,取得了較好的識別結(jié)果。參考文獻:1杜宇人,高浩軍.基于車輛輪廓定位匹配的車型識別方法J.揚州大學(xué)學(xué)報:自然科學(xué)版,2007,10(2:62-65.2WANG Li-wei,ZHANG Yan,FENG Ju-fu,et al.O