上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院 宋 錚 劉曉菲 韓培瑄

近年來，車型識(shí)別是智能汽車關(guān)鍵技術(shù)研究的重點(diǎn)之一。作為計(jì)算機(jī)視覺技術(shù)在智能交通領(lǐng)域中應(yīng)用的重要研究趨勢(shì)之一，通過車輛模型的自動(dòng)識(shí)別使交通管理變得智能化已經(jīng)非常重要。本文通過研究支持向量機(jī)在汽車模型識(shí)別中的應(yīng)用，介紹了目前主流車型識(shí)別方法，以及基于支持向量機(jī)的車型識(shí)別方法的優(yōu)勢(shì)與不足。通過大量的文獻(xiàn)綜述和分析，總結(jié)出目前基于支持向量機(jī)的車型識(shí)別應(yīng)用的特點(diǎn)和價(jià)值。

1 簡(jiǎn)介

車輛模型的自動(dòng)識(shí)別是視頻圖像識(shí)別技術(shù)在交通領(lǐng)域中應(yīng)用的重要研究方向之一，也是實(shí)現(xiàn)高海拔道路交通管理的重要環(huán)節(jié)。在此階段，識(shí)別技術(shù)可以完成車輛的自動(dòng)識(shí)別并自動(dòng)驗(yàn)證車輛模型。該證書是汽車的車輛識(shí)別標(biāo)記，可大大改善車輛管理，流量控制和交叉路口的通行費(fèi)。各種效率的提高已導(dǎo)致高度的過程自動(dòng)化。圖像識(shí)別技術(shù)得到了廣泛的應(yīng)用，車輛模型的自動(dòng)識(shí)別是高級(jí)道路交通領(lǐng)域的重要研究主題之一，并且是實(shí)現(xiàn)高級(jí)道路交通管理的重要環(huán)節(jié)。

考慮以上的因素，基于視頻圖像的車輛識(shí)別的研究需要我們重視并以長遠(yuǎn)的眼光看待，研究結(jié)果不僅具有廣泛的應(yīng)用前景和用途，而且還解決了擁擠的交通環(huán)境，規(guī)劃了城市交通系統(tǒng)，也有助于發(fā)展我國的高速智能交通系統(tǒng)，具有重要的戰(zhàn)略意義，對(duì)于實(shí)現(xiàn)現(xiàn)代智能交通網(wǎng)絡(luò)非常重要。通常，利用KNN，SVM，BP神經(jīng)網(wǎng)絡(luò)，CNN和傳遞學(xué)習(xí)處理方法來處理圖像。在本文中，我們將重點(diǎn)介紹SVM方法。

2 基于支持向量機(jī)的車型識(shí)別方法

2.1 目前車型識(shí)別方法研究

Pilzada發(fā)現(xiàn)，水平邊緣對(duì)前車檢測(cè)具有很強(qiáng)的特點(diǎn)。水平邊緣濾波(HEF)作為初始候選，用于檢測(cè)圖像中精明邊緣地圖上的車輛。Broggi提出了一種新的三維點(diǎn)云實(shí)時(shí)技術(shù)。該算法在Vis實(shí)驗(yàn)室的一個(gè)AGV上進(jìn)行了測(cè)試，該算法使用了一種基于SGM的改進(jìn)立體系統(tǒng)作為三維數(shù)據(jù)源。Nguyen使用了一種反向遺傳算法來檢測(cè)多個(gè)車輛。針對(duì)適應(yīng)度參數(shù)以典型的方式設(shè)計(jì)了適應(yīng)度函數(shù)。Elangovan提出了一種多屬性車輛檢測(cè)和識(shí)別技術(shù)，旨在檢測(cè)和分類靜止車輛。提出了一種基于監(jiān)督漢明神經(jīng)網(wǎng)絡(luò)的車輛形狀分類模型。文獻(xiàn)提出了一種基于雙級(jí)視覺的方法來檢測(cè)前后車輛的視圖。通過縱橫向邊緣圖，道路背景與車輛下部不同顏色，確定車輛底部位置。在不同的天氣條件下，收集了一個(gè)關(guān)于實(shí)際車輛的大數(shù)據(jù)集。在RealAdaBoost框架中，在收集的數(shù)據(jù)集和具有相同評(píng)估協(xié)議的數(shù)據(jù)集上評(píng)估了六種最先進(jìn)的特征。通過有效的特征提取和算法，Kim提出了一種基于視覺的車輛檢測(cè)方法。同時(shí)提出了一種基于立體視覺、運(yùn)動(dòng)分析和道路檢測(cè)的車輛檢測(cè)和跟蹤新方法。與每種單獨(dú)的方法相比，這種集成方法使對(duì)象檢測(cè)更加合適。國外提出了一種適用于軌道和巷道車輛的車輛檢測(cè)系統(tǒng)。Lee提出了一種基于立體視覺的道路車輛檢測(cè)方法，利用道路特征和視差直方圖。它使得在不同的交通情況下更容易對(duì)道路上的車輛進(jìn)行強(qiáng)有力的檢測(cè)。Ferris提了一種城市監(jiān)控視頻中車輛檢測(cè)的方法。它不僅可以處理擁擠的環(huán)境，大遮擋和不同的車輛形狀，而且還可以處理一些條件，如照明變化，陰影，反射等。該系統(tǒng)可以在普通計(jì)算機(jī)上以平均66Hz的速度有效運(yùn)行。Prevost等提出了一種基于增強(qiáng)分類器的車載視覺檢測(cè)算法。他對(duì)矩形濾波器的特征、定向梯度直方圖及其組合進(jìn)行了比較。MacHida提出了一種具有集成GPU和CPU實(shí)現(xiàn)的快速行人和車輛檢測(cè)框架。以定向梯度直方圖和特征交互描述符作為對(duì)象描述符。程淑紅等提出了一種基于多功能提取和支持向量機(jī)（參數(shù)優(yōu)化）的車輛模型識(shí)別方法。耿慶田等提出了一種基于方向控制濾波器的改進(jìn)HOG算法，用于解決高速環(huán)境下的車輛識(shí)別問題?；赟VM的車型識(shí)別方法因其準(zhǔn)確率高，實(shí)時(shí)性好具有特定的檢測(cè)優(yōu)勢(shì)被世界各地廣泛使用。

2.2 基于支持向量機(jī)的車型識(shí)別方法

程淑紅等提出了一種基于多功能提取和支持向量機(jī)（參數(shù)優(yōu)化）的車輛模型識(shí)別方法。這種方法成功處理了單個(gè)功能對(duì)環(huán)境敏感的問題，例如光線、氣候和陰影，同時(shí)還可以對(duì)行駛中的車輛進(jìn)行建模。首先，收集車輛樣本并對(duì)圖像進(jìn)行預(yù)處理從而達(dá)到提取車輛幾何特征的目的，包括紋理特征和方向梯度直方圖特征。接下來，利用提取的特征進(jìn)行重組和測(cè)試，并拿測(cè)試結(jié)果與單個(gè)特征的進(jìn)行比較和分析。比較粒子組算法用于優(yōu)化SVM參數(shù)，優(yōu)化后的SVM參數(shù)用于識(shí)別移動(dòng)車輛的車輛類型。實(shí)驗(yàn)結(jié)果表明，所提出的車輛類型識(shí)別方法將多功能提取和支持向量機(jī)參數(shù)的優(yōu)化相結(jié)合，可以實(shí)現(xiàn)良好的識(shí)別。實(shí)際識(shí)別率超過90%。

耿慶田等提出了一種基于方向控制濾波器的改進(jìn)HOG算法，這是一種用來處理高速環(huán)境下的車輛識(shí)別問題的算法。通過方向可控濾波算法與HOG算法的結(jié)合，可以實(shí)現(xiàn)對(duì)車輛圖像的特征提取。通過使用主元素分析算法（PCA），可以減少特征向量的維數(shù)并降低計(jì)算的復(fù)雜度。支持向量機(jī)算法用于訓(xùn)練提取的特征，可以達(dá)到對(duì)車輛外觀特征識(shí)別的目的。通過對(duì)仿真實(shí)驗(yàn)的分析，可以得出使用該算法的原始車輛模型的平均識(shí)別精度為92.36%的結(jié)論，與傳統(tǒng)的HOG函數(shù)算法相比，該方法的識(shí)別速度提高了3.45%，提高了實(shí)時(shí)性。該算法優(yōu)于傳統(tǒng)的HOG算法，可以有效提高車輛識(shí)別效率。

陳勝等通過對(duì)圖像的處理和人工智能發(fā)展的研究，智能交通系統(tǒng)在現(xiàn)實(shí)生活中將得到廣泛的應(yīng)用，同時(shí)智能交通系統(tǒng)中的車輛自動(dòng)分類的方法也將會(huì)越來越多。結(jié)合實(shí)驗(yàn)和支持向量機(jī)方法，他們提出了一種分類系統(tǒng)——基于圖像處理的自動(dòng)車輛分類系統(tǒng)。然后，通過matlab實(shí)驗(yàn)平臺(tái)，他們?cè)O(shè)計(jì)了一種分類器，該分類器可以對(duì)提供的車輛圖像進(jìn)行分析并自動(dòng)分類，并獲得令人稱贊的實(shí)驗(yàn)結(jié)果。

針對(duì)道路視頻監(jiān)控中的車輛識(shí)別問題，張紅兵提出了一種基于正面梯度方向直方圖的識(shí)別算法，以準(zhǔn)確識(shí)別車輛的前方。通過提取視頻中的前景區(qū)域并使用形態(tài)學(xué)粗略定位和精細(xì)投影算法來精確定位前景，可以提高全局特征算法的識(shí)別效果。線性辨別分析算法用于特征提取，以正面圖像的梯度特征為識(shí)別的初始特征。這樣可以減小特征的尺寸并提高識(shí)別速度?；谡w學(xué)習(xí)的思想，對(duì)汽車的前部進(jìn)行網(wǎng)格分割，然后將從每次分區(qū)訓(xùn)練中獲得的分類器進(jìn)行集成以生成分類器。這將提高車輛模型的識(shí)別率。建立了一個(gè)15車系列的80款車型正面圖像的數(shù)據(jù)庫用于實(shí)驗(yàn)。根據(jù)實(shí)驗(yàn)結(jié)果，上述方法對(duì)汽車模型的正確回答率為93.5%。

尹玉梅等研究了一種基于支持向量機(jī)(SVM)的車型圖像識(shí)別算法。通過圖像邊緣檢測(cè)的方法。首先，該方法基于鄰域灰度極值提取邊界候選圖像，進(jìn)而以邊界候選像素和與它鄰域像素的二值模式作為樣本集，進(jìn)行運(yùn)動(dòng)目標(biāo)的分割并提取具有RST不變性的輪廓特征向量，輸入支持向量機(jī)進(jìn)行訓(xùn)練和識(shí)別。除此之外，與傳統(tǒng)的算法比較，該算法使用的核函數(shù)少，計(jì)算量也較小，可以比較理想的解決小樣本、非線性和局部極小點(diǎn)等問題。該實(shí)驗(yàn)表明，基于支持向量機(jī)的車型圖像識(shí)別算法擁有更好的性能。

馮超提出利用轎車圖像快速、準(zhǔn)確地識(shí)別出轎車車型，可以采用支持向量機(jī)方法作為分類器，使用轎車的長、寬、高和軸距等4個(gè)特征參數(shù)作為輸入的特征向量，同時(shí)使用支持向量機(jī)方法作為分類器，以便根據(jù)汽車圖像快速建模汽車。提議準(zhǔn)確識(shí)別并使用兩個(gè)特征參數(shù)作為輸入的特征向量，并且根據(jù)這些特征向量對(duì)不同的汽車模型進(jìn)行分類和識(shí)別。實(shí)驗(yàn)結(jié)果顯示，來自11個(gè)品牌的15個(gè)模型的識(shí)別精度為100%。這項(xiàng)研究得出：通過正確選擇汽車的特征參數(shù)，SVM方法能夠在識(shí)別汽車模型方面取得良好的效果。支持向量機(jī)在智能交通管理系統(tǒng)等領(lǐng)域具有較高的應(yīng)用價(jià)值。

總結(jié)：目前，支持向量機(jī)在車型識(shí)別中的應(yīng)用主要有兩個(gè)方面。一種是利用支持向量機(jī)和支持向量機(jī)在分類中的適用性來解決分類問題。例如，支持向量機(jī)能夠找到覆蓋密鑰分類信息的支持向量。同時(shí)作為強(qiáng)大的增量式和主動(dòng)式學(xué)習(xí)的工具實(shí)現(xiàn)支持向量機(jī)可以更好的應(yīng)用的目標(biāo)。第二個(gè)是調(diào)查圖像分類應(yīng)用程序中支持向量的開放性或開放性問題。針對(duì)圖像的特點(diǎn)，提出新的方法來提高支持向量機(jī)在車型分類中的有效性非常重要。