李 哲 于夢茹

（西安郵電大學(xué)電子工程學(xué)院 西安 710121）

1 引言

隨著智能交通系統(tǒng)［1］（Intelligent Transport Sys?tem，ITS）在城市交通監(jiān)控中的飛速發(fā)展，ITS可根據(jù)拍攝的視頻信息對車輛進(jìn)行追蹤、識別、檢測等操作。車標(biāo)作為車輛的重要信息而備受關(guān)注，為正確識別車輛提供了重要依據(jù)，特別是對套牌車輛的檢測和識別有著重要的意義。車標(biāo)識別作為車輛識別領(lǐng)域的一個新的切入點，研究方法可分為兩大步驟：車標(biāo)定位和車標(biāo)識別。定位部分，文獻(xiàn)［2］根據(jù)散熱器柵格背景的紋理信息，對車標(biāo)進(jìn)行精確定位；文獻(xiàn)［3］基于車牌定位算法粗定位車標(biāo)區(qū)域，通過紋理特征提取車標(biāo)的邊緣信息，精確定位車標(biāo)區(qū)域；文獻(xiàn)［4］對基于邊緣的方法進(jìn)行了改進(jìn)，根據(jù)車標(biāo)特殊的紋理特征與車牌的相對關(guān)系，計算出多個權(quán)重矩陣最終精確定位到車標(biāo)，對復(fù)雜環(huán)境有更強的適應(yīng)性。識別部分，文獻(xiàn)［5］提出一種基于HOG（Histogram of Oriented Gradient，HOG）和ASIFT（Af?fine scale-invariant feature transform，ASIFT）特征的車標(biāo)二次識別方法；文獻(xiàn)［6］提取車標(biāo)圖像的HOG特征，結(jié)合改進(jìn)的SVM（Support Vector Machine，SVM）和隨機森林算法進(jìn)行車標(biāo)識別；文獻(xiàn)［7］采用兩層卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對車標(biāo)進(jìn)行分類，引入預(yù)訓(xùn)練概念，利用主要成分分析提高了訓(xùn)練速率和準(zhǔn)確率。CNN分類不需要人為選擇目標(biāo)特征且準(zhǔn)確率比其它傳統(tǒng)的方法較高，但部署復(fù)雜且耗時長，不適用于工程應(yīng)用。

本文擬先對車輛圖像進(jìn)行傾斜校正，基于車牌與車標(biāo)的位置關(guān)系粗定位車標(biāo)位置，利用邊緣檢測和投影法精確定位車標(biāo)位置。其次選取改進(jìn)的HOG特征和局部二值化特征（Local binary pat?tern，LBP）作為聯(lián)合特征，訓(xùn)練BP（Back Propaga?tion，BP）神經(jīng)網(wǎng)絡(luò)分類器。最后，通過對5類車標(biāo)樣本進(jìn)行測試，驗證了改進(jìn)算法的有效性和魯棒性。

2 車標(biāo)定位

攝像機拍攝角度、道路坡度等外界因素導(dǎo)致圖像中的車輛發(fā)生傾斜，這將會影響車標(biāo)定位的準(zhǔn)確率?？紤]到這些特殊性，在車標(biāo)定位之前需要進(jìn)行車輛傾斜校正，以消除方向上的變形。車標(biāo)定位分為兩個步驟：車標(biāo)粗定位和車標(biāo)精確定位。車標(biāo)定位整體流程圖如圖1所示。車標(biāo)定位的候選區(qū)域如圖2所示，藍(lán)色的矩形框為車牌位置，綠色的矩形框為車標(biāo)粗定位區(qū)域，紅色的矩形框為車標(biāo)精確定位區(qū)域。

圖1 車標(biāo)定位流程圖

圖2 車標(biāo)候選區(qū)域

2.1 車輛圖像傾斜校正

目前傾斜校正方法有很多種，基于霍夫變換（Hough Transform）的方法簡單實用，對光照不敏感，抗干擾能力強，并且對于畸變的形狀也有也有良好的校正效果。采用Hough變換對車輛圖像進(jìn)行傾斜校正，步驟如下。

1）車輛圖像灰度化、Canny算子提取車輛邊緣。

2）用霍夫變換檢測直線，有效地提取車輛正面照底部、前擋分玻璃四周的邊緣直線。

3）計算直線傾斜角度、保留不超過一定角度的直線，最后求傾斜角度的均值。

4）根據(jù)傾斜角度，對車輛圖像進(jìn)行旋轉(zhuǎn)校正。

2.2 車標(biāo)粗定位

一般情況下，大多數(shù)的車標(biāo)區(qū)域在車牌正上方（車牌上方的0.5～3.5個車牌高度的區(qū)域內(nèi)），可粗略地估計出車標(biāo)的候選區(qū)域。另外，車標(biāo)比較小且它的寬度小于車牌外接矩形寬度。所以，粗定位的車標(biāo)區(qū)域水平寬度等于車牌外接矩形的寬度。車標(biāo)粗定位的結(jié)果如圖3所示。

圖3 車標(biāo)粗定位

2.3 車標(biāo)精確定位

車標(biāo)粗定位之后，進(jìn)行灰度化、中值濾波等預(yù)處理。對預(yù)處理之后的灰度圖像進(jìn)行邊緣檢測時，車標(biāo)的背景紋理會對檢測結(jié)果造成很大的干擾。背景紋理大多為水平方向和垂直方向。通過對車標(biāo)圖像進(jìn)行垂直邊緣檢測和水平邊緣檢測，并且兩幅圖像進(jìn)行與操作，最終能消除背景紋理的影響。采用Sobel算子［8］對車標(biāo)粗定位區(qū)域進(jìn)行邊緣檢測。對雪鐵龍車標(biāo)進(jìn)行邊緣提取如圖4（a）、（b）、（c）所示。最后，通過水平投影確定車標(biāo)的左右邊界，垂直投影確定車標(biāo)的上下邊界，可精確定位到車標(biāo)位置，結(jié)果如圖4（d）、（e）、（f）所示。

圖4 車標(biāo)精確定位

3 車標(biāo)識別

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行車標(biāo)識別，并且加入非車標(biāo)樣本（即車輛圖像的任意背景區(qū)域），使分類模型能夠有效地識別出非車標(biāo)樣本，消除由于車標(biāo)定位失敗導(dǎo)致的傳播誤差；在識別之前，需要訓(xùn)練相應(yīng)的模型。對常見的5類車標(biāo)進(jìn)行樣本訓(xùn)練，樣本訓(xùn)練過程如圖5所示。

圖5 樣本訓(xùn)練流程圖

在訓(xùn)練分類器時，首先對樣本進(jìn)行灰度化和歸一化（64×64）處理，再對樣本分別提取改進(jìn)的HOG特征和LBP特征，聯(lián)合兩種特征形成最終特征，最后訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)并優(yōu)化參數(shù)得到最終的模型。

3.1 改進(jìn)的HOG特征值提取

HOG［9］是一種描述圖像本身梯度方向的特征，常用于物體檢測。它的主要思想：通過計算圖像局部區(qū)域的梯度直方圖來表示圖像局部的紋理信息和形狀大小，并消除圖像形變帶來的不利影響。

HOG特征值的提取步驟。

1）采用一階微分算子計算圖像的像素點在水平和垂直兩個方向的梯度（大小和方向）。

2）將圖像均勻地劃分為若干個小塊，統(tǒng)計m個通道的直方圖梯度。即統(tǒng)計m個方向的投影，生成梯度方向直方圖。若m=9，像素的梯度方向為0°～20°，該特征向量為9維。

3）對組成圖像區(qū)域中的小塊進(jìn)行梯度直方圖歸一化。

4）若HOG特征向量由n個窗口（2×2）中的小塊直方圖組成，則構(gòu)成特征向量維度是為2×2×m×n。

在連續(xù)函數(shù)的傳統(tǒng)整數(shù)階微分的運算法則中可推導(dǎo)出分?jǐn)?shù)階微積分，把整數(shù)階微分?jǐn)U展到分?jǐn)?shù)階微分［10］，分?jǐn)?shù)階微分表達(dá)式為

式中：a∈（0，1），微分步長：取h=1；Γ（n）為Gamma函數(shù)；t為分?jǐn)?shù)階微分上限；α為分?jǐn)?shù)階微分下限。

由此，推廣到一元函數(shù)的分?jǐn)?shù)階微分的差分表達(dá)式［11］如下：

由于圖像是二維空間，把分?jǐn)?shù)階微分應(yīng)用到圖像處理，需將分?jǐn)?shù)階微分的一元函數(shù)的差分表達(dá)式推廣到二維空間，得到的二維分?jǐn)?shù)階微分在水平和垂直方向上的差分表達(dá)式分別為

在頻域中表示圖像，低頻區(qū)域表示圖像的能量，高頻區(qū)域表示邊緣和噪聲，中頻區(qū)域表示紋理細(xì)節(jié)。傳統(tǒng)的sobel算子應(yīng)用整數(shù)階微分能夠檢測到高頻區(qū)域的邊緣，但中頻區(qū)域的紋理信息被模糊化，且會增加圖像的噪聲強度。分?jǐn)?shù)階微分相比基于傳統(tǒng)的整數(shù)階微分的邊緣檢測算子可保留中頻信號，達(dá)到增強紋理信息的目的，使邊緣提取的信息更豐富。改進(jìn)的HOG特征值的提取方法主要是把分?jǐn)?shù)階微分應(yīng)用到邊緣檢測算子中，由此計算圖像像素點的梯度。

根據(jù)上述式（3）、（4），在x，y方向構(gòu)造的3×3的分?jǐn)?shù)階微分算子的掩模如圖6所示，用此掩模來計算二維圖像的梯度，可得到更好的邊緣信息。其中a∈（0，1）表示微分變量，a＜0時表示積分；a＞0時表示微分；a=0時既不是微分也不是積分；通過大量的實驗測試，a的取值為0.6。改進(jìn)的HOG特征通過優(yōu)化梯度算子，使圖像獲取了更多的特征點。

圖6 x和y方向的分?jǐn)?shù)階數(shù)掩模

3.2 LBP特征值提取

LBP特征［12］是一種用來描述圖像局部紋理特征的算子，具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點。LBP算子定義在3×3的窗口內(nèi)，以窗口中心像素為閾值，將相鄰的8個像素的灰度值與其進(jìn)行比較，若周圍的像素值大于中心像素值，則該像素點位置被標(biāo)記為1，否則為0。因此，3×3鄰域內(nèi)的8個點經(jīng)比較可產(chǎn)生8位二進(jìn)制數(shù)，即得到該窗口中心像素的LBP值，并用這個值來反映該區(qū)域的紋理信息。

文獻(xiàn)［12］改進(jìn)后的LBP算子在半徑為r的圓形區(qū)域內(nèi)含有n個采樣點。采用文獻(xiàn)［12］的LBP算子進(jìn)行特征提取，步驟如下，r表示半徑，n表示采樣點數(shù)。

1）計算整幅圖像r=1，n=8對應(yīng)的LBP值，算子如圖7（a），LBP矩陣分成3×3個塊存儲，矩陣塊之間重疊14個像素，統(tǒng)計每個矩陣塊的直方圖，最后將3個直方圖連接起來構(gòu)成LBP特征，特征維度為531。

2）計算整幅圖像r=2，n=8對應(yīng)的LBP值，算子如圖7（b），并統(tǒng)計直方圖構(gòu)成LBP特征，特征維度為59。

3）計算整幅圖像r=2，n=16對應(yīng)的LBP值，算子如圖7（c），并統(tǒng)計直方圖構(gòu)成LBP特征，特征維度為243。

4）將以上三個部分的直方圖連接起來構(gòu)成最終的LBP特征，特征維度為833。

圖7 LBP特征三種算子

提取完基于分?jǐn)?shù)階微分的HOG特征及LBP特征后，聯(lián)合兩種特征作為車標(biāo)樣本的最終特征，進(jìn)行樣本訓(xùn)練。

3.3 BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)設(shè)計

具有單隱層的3層神經(jīng)網(wǎng)絡(luò)［13］雖然網(wǎng)絡(luò)結(jié)構(gòu)簡單，但能夠執(zhí)行任意復(fù)雜度的函數(shù)映射關(guān)系。采用3層BP進(jìn)行樣本訓(xùn)練。車標(biāo)特征維數(shù)為2597，組成輸入層的神經(jīng)元數(shù)目。待識別的車標(biāo)種類數(shù)為6，組成輸出層的神經(jīng)元數(shù)目。如下公式（5）決定隱含層神經(jīng)元個數(shù)，

式中HL_NUM是隱含層神經(jīng)元個數(shù)，I_NUM是輸入層神經(jīng)元個數(shù)，O_NUM是輸出神經(jīng)元個數(shù)，b∈［1，6］。隱含層神經(jīng)元個數(shù)為161。

BP神經(jīng)網(wǎng)絡(luò)［14］具有收斂的性質(zhì)，它的激活函數(shù)必須是可微的，采用S（sigmoid）型函數(shù)，如下式所示：

BP網(wǎng)絡(luò)在實驗過程中，總是受到局部最小值的約束。因此，選擇BP算法中的最速下降法［15］，它是沿著梯度的最陡下降方向不斷地修正BP權(quán)值。與其他梯度下降法相比，其收斂速度更快，通過變化的方向進(jìn)行搜索，以降低陷入局部極小值的概率。

通過以上方法確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，提取改進(jìn)的HOG和LBP特征作為特征向量，然后輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本訓(xùn)練。得到模型之后，利用模型對目標(biāo)圖片進(jìn)行分類判斷。

4 實驗結(jié)果及分析

4.1 車標(biāo)定位結(jié)果

實驗采用的開發(fā)工具為Visual Studio2013和Opencv2.4.9［16］。車標(biāo)定位的原始圖片來自道路交通監(jiān)控視頻和自己實際拍攝，原始圖片尺寸為1920×1080，隨機抽取200張車輛圖片進(jìn)行車標(biāo)定位測試，準(zhǔn)確率為92.42%，部分實驗結(jié)果如圖8所示。從實驗結(jié)果可以看出，上述的定位方法對光照較弱、噪聲復(fù)雜、圖片模糊的真實場景定位效果很好。

圖8 車標(biāo)定位部分結(jié)果

4.2 車標(biāo)識別結(jié)果

車標(biāo)識別涉及五類車標(biāo)：大眾、一汽、本田、東風(fēng)雪鐵龍和北京現(xiàn)代。通過對原始的車標(biāo)樣本進(jìn)行平滑、銳化、旋轉(zhuǎn)、放縮等操作，增大樣本數(shù)量，使得訓(xùn)練的分類模型能適應(yīng)各種環(huán)境。訓(xùn)練和測試樣本數(shù)量如表1所示。

根據(jù)以上車標(biāo)的定位結(jié)果，先手工將車標(biāo)圖像進(jìn)行分類，得到每類車標(biāo)的數(shù)目為200，輸入分類的圖片總數(shù)為1200。具體識別結(jié)果如表2所示。

表1 樣本數(shù)量

表2 車標(biāo)識別結(jié)果

從以上分類實驗結(jié)果可看出：

1）將5個品牌的車標(biāo)和非車標(biāo)樣本作為輸入，經(jīng)過車標(biāo)識別系統(tǒng)分類后，輸出結(jié)果的平均準(zhǔn)確率為1121/1200=96.4%。

2）對于非車標(biāo)樣本，基本不會被判為車標(biāo)。

為了比較算法的識別率，將本文方法和HOG與BP聯(lián)合特征進(jìn)行對比試驗，測試樣本及訓(xùn)練樣本都采用本文構(gòu)建的樣本集。具體識別結(jié)果如表3所示。

表3 不同方法識別率

由以上實驗結(jié)果可知，改進(jìn)的方法的車標(biāo)識別率大于HOG與LBP聯(lián)合特征的識別率，優(yōu)勢非常明顯，進(jìn)一步豐富了車標(biāo)圖像的特征，對提高車標(biāo)識別率效果顯著。

5 結(jié)語

基于改進(jìn)的HOG與LBP特征值的車標(biāo)識別方法，對得到的車輛圖像進(jìn)行傾斜校正，基于車牌與車標(biāo)的位置關(guān)系粗定位車標(biāo)，采用邊緣檢測和投影法精確定位車標(biāo)，通過對其提取LBP和改進(jìn)的基于分?jǐn)?shù)階微分的HOG特征，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類器，進(jìn)行車標(biāo)識別。實驗結(jié)果驗證了該方法的穩(wěn)定性，識別率達(dá)到96.4%，解決了多數(shù)車標(biāo)識別方法中定位難、適應(yīng)性差的問題。下一步將研究如何在嵌入式系統(tǒng)上實現(xiàn)車標(biāo)識別。