楊予諾 江昆 黃巧 倪維遙 朱蓓蓓

摘 要 現(xiàn)如今，城市化現(xiàn)象日益嚴(yán)重，智能交通發(fā)展迅速。目標(biāo)識別作為計(jì)算機(jī)視覺的重要組成部分，帶動(dòng)了車輛檢測和識別系統(tǒng)的發(fā)展，具有著很重要的現(xiàn)實(shí)意義。它有著可克服錄像或者監(jiān)控設(shè)備獲取信息模糊和實(shí)時(shí)檢測的優(yōu)勢，在獲得測試圖片之后，系統(tǒng)會根據(jù)深度學(xué)習(xí)訓(xùn)練出來的分類器首先對車輛的前臉進(jìn)行檢測，然后基于框出的車前臉部分進(jìn)行車標(biāo)檢測，識別出車型類別。該系統(tǒng)適用于交通管理，有利于解決通行自動(dòng)扣費(fèi)、事故調(diào)查、交通堵塞預(yù)防等問題的解決。

【關(guān)鍵詞】智能交通 深度學(xué)習(xí) 分類器 車型識別

1 引言

項(xiàng)目涉及簡單研究國內(nèi)的交通系統(tǒng)的現(xiàn)狀，初步認(rèn)識改進(jìn)交通系統(tǒng)可行的解決方案。該技術(shù)所采用的的算法涉及圖像處理、模式識別以及嵌入式的初步認(rèn)識，在圖像預(yù)處理以及特征匹配部分應(yīng)用到Haar，HOG算法特征值以及提取、匹配的算法如SVM，PCA等，這些都是圖像識別領(lǐng)域系統(tǒng)實(shí)現(xiàn)過程中的關(guān)鍵技術(shù)。

車型識別技術(shù)是智能交通系統(tǒng)中的關(guān)鍵技術(shù)，無論是在交通監(jiān)控領(lǐng)域還是在道橋、高速公路以及停車場的全自動(dòng)收費(fèi)領(lǐng)域，都有著重要和廣泛的應(yīng)用。例如：現(xiàn)在高速收費(fèi)站車道主要分為ETC車道和MTC車道，前者能夠快速且自動(dòng)扣費(fèi)，而MTC車道則大多還采用人工發(fā)卡和收費(fèi)。車型識別技術(shù)應(yīng)用在MTC車道，可以實(shí)現(xiàn)高速收費(fèi)站入口的MTC車道的自動(dòng)化。架在收費(fèi)站入口車道頂棚上的攝像頭不僅能夠識別車牌，更能識別車輛的品牌、大小，再依據(jù)收費(fèi)標(biāo)準(zhǔn)迅速將車分類，機(jī)器代替人工識別，不僅能迅速交費(fèi)，同時(shí)還能防止收錯(cuò)費(fèi)、車輛冒牌頂用的問題。

隨著經(jīng)濟(jì)的高速發(fā)展，機(jī)動(dòng)車數(shù)量迅速增加，各國都受到不同程度的交通問題的困擾。因此各國諸如治安卡口等交通系統(tǒng)都在不同程度的改進(jìn)。車輛信息識別具有研究對象特殊性、應(yīng)用領(lǐng)域局限性、車輛和交通發(fā)展局限性的特點(diǎn)，受這些特性的限制約束，雖已有不少國內(nèi)外研究人員對此進(jìn)行過研究，但目前暫時(shí)不是識別領(lǐng)域中廣為熟悉的課題。我國早在70年代就將電子、信息等高新技術(shù)應(yīng)用于交通領(lǐng)域。國內(nèi)一些科研院所也一直在從事這方面的研究，并已取得階段性的成果，但真正投入到現(xiàn)實(shí)生活中的研究應(yīng)用并不多。

2 關(guān)鍵算法

2.1 HOG特征

HOG特征具體計(jì)算步驟如下：

（1）計(jì)算梯度；

（2）構(gòu)建細(xì)胞單元方向直方圖；

（3）細(xì)胞單元組合成更大的區(qū)間塊。

2.2 HAAR特征

Haar特征是Viola等人提出的一種簡單矩形特征，最早由Papageorgiou等人應(yīng)用于人臉表示。Haar特征分為4類：邊緣特征、線性特征、中心特征和對角特征，這些特征提取具有固定的特征模板，特征模板內(nèi)有灰色和黑色兩種矩形，并定義該模板的特征值為灰色矩形像素和減去黑色矩形像素和。

2.3 Adaboost算法

是一種基于統(tǒng)計(jì)學(xué)的學(xué)習(xí)算法，能夠在學(xué)習(xí)過程中不斷根據(jù)正例和反例中各個(gè)事先選好的特征所引起的效果進(jìn)行調(diào)整該特征的權(quán)值，最終按照特征性能的由好到壞給出判斷準(zhǔn)則，并利用瀑布算法達(dá)到減少計(jì)算量的目的。Adaboost算法是一種分類器算法，將簡單分類器通過一定的方法疊加起來，構(gòu)成一個(gè)強(qiáng)分類器。

3 實(shí)驗(yàn)過程

車型識別要求先訓(xùn)練得到知識庫，再匹配。

訓(xùn)練過程先采集大量車輛圖片信息，創(chuàng)建樣本，然后訓(xùn)練得xml文件，得到特征值。匹配過程通過對測試圖像的圖像預(yù)處理、特征提取、車標(biāo)識別、知識庫比對，最終得到匹配結(jié)果。其中圖像特征提取部分較為關(guān)鍵，通過不斷的實(shí)驗(yàn)調(diào)試，盡可能保證提取信息的可區(qū)別性、可靠性、獨(dú)立性并減少冗余量。

3.1 創(chuàng)建樣本

訓(xùn)練樣本包括正樣本和負(fù)樣本。正樣本是圖片中只有訓(xùn)練目標(biāo)的樣本，即視野中只有車輛的圖片，負(fù)樣本是不含目標(biāo)特征的圖片。但需要注意一點(diǎn)，負(fù)樣本并非隨便選取。訓(xùn)練分類器的最終目標(biāo)是汽車，負(fù)樣本就不能是一些包含天空的，海洋的，風(fēng)景這類圖片。汽車應(yīng)該出現(xiàn)在馬路上，分類器最終檢測的圖片應(yīng)該是包含馬路，交通標(biāo)志，建筑物，廣告牌，汽車，摩托車，三輪車，行人，自行車等在內(nèi)的圖片。很明顯，負(fù)樣本應(yīng)該是包含路面、摩托車、灌木叢、花草、交通標(biāo)志等。

采集大量車輛圖片并進(jìn)行規(guī)格化處理后，得到20*20的bmp格式的正負(fù)樣本圖片。其中正樣本有6855張，負(fù)樣本有23390張。

3.2 訓(xùn)練分類器

利用OpenCV內(nèi)置訓(xùn)練程序haartraining進(jìn)行特征訓(xùn)練。訓(xùn)練過程：

（1）打開info.txt，按ctrl+h， 把所有的bmp 換成 bmp 1 0 0 20 20，其中1代表一個(gè)文件，0 0 20 20表示這個(gè)文件的2個(gè)頂點(diǎn)位置坐標(biāo)）。

（2）為負(fù)樣本創(chuàng)建集合文件格式文件bg.txt， 并且把這個(gè)文件放在與樣本圖片同一目錄下。

（3）為正樣本生成pos文件。

（4）利用opencv_haartraining.exe 生成訓(xùn)練器。

訓(xùn)練完畢，生成xml文檔，即訓(xùn)練器。

3.3 車臉檢測

根據(jù)已描述的算法思路進(jìn)行代碼編寫，利用之前訓(xùn)練所得訓(xùn)練器進(jìn)行特征匹配。

3.4 車標(biāo)檢測

車標(biāo)檢測和識別的MFC程序窗口。

4 結(jié)束語

筆者基于OpenCV和VS2012設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)車輛識別系統(tǒng)。系統(tǒng)根據(jù)訓(xùn)練的分類器xml文件，只是對最基本的像素為320*240像素的照片進(jìn)行車前臉檢測，在檢測的車前臉基礎(chǔ)上進(jìn)行車型識別。筆者提出的算法可以對選取的測試圖片實(shí)現(xiàn)車輛識別，有利于推動(dòng)智能交通的發(fā)展和普及。

參考文獻(xiàn)

[1]劉津.基于KPCA和GPC的復(fù)雜環(huán)境下車標(biāo)識別算法研究[J].北京理工大學(xué)，2016.

[2]張楚金，王耀男，盧笑，王珂娜，王國峰.基于假設(shè)驗(yàn)證和改進(jìn)HOG特征的前車檢測算法，湖南大學(xué)和中國公路工程咨詢集團(tuán)有限公司，2015.

[3]蔣政，程春玲.基于Haar特性的改進(jìn)HOG的人臉特征提取算法[J].南京郵電大學(xué)，2017.

[4]龍伶敏.基于Adaboost的人臉檢測方法及眼睛定位算法研究[J].電子科技大學(xué)，2008.

作者單位

東北師范大學(xué) 吉林省長春市 130117