吳 逸 吳靜靜

（1.江南大學(xué)機(jī)械工程學(xué)院 無(wú)錫 214122）（2.江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室 無(wú)錫 214122）

1 引言

城市中大型工程運(yùn)輸車(chē)輛經(jīng)常存在車(chē)輛超載、渣土垃圾滴落、違章偷倒等情況，需要增強(qiáng)監(jiān)控管理［1］。但是實(shí)際監(jiān)控時(shí)發(fā)現(xiàn)工程車(chē)輛存在外形各異、車(chē)輛圖片紋理復(fù)雜、車(chē)輛存在遮擋等問(wèn)題，因此提升交通視頻監(jiān)控工程車(chē)輛的識(shí)別率有重要的意義。

國(guó)內(nèi)外學(xué)者在道路交通視頻監(jiān)控方面做了大量研究。在特征提取方面，林克正等針對(duì)單一HOG 特征丟失圖像局部信息的問(wèn)題，提出了基于分塊Gabor 的梯度直方圖特征提取算法，提升車(chē)輛識(shí)別算法的抗光照干擾性［2］。趙英男應(yīng)用Gabor濾波器，結(jié)合特征矢量中臨近分量的離散程度對(duì)自身進(jìn)行加權(quán)，增加了特征對(duì)不同背景環(huán)境的魯棒性［3］。劉芳在研究中應(yīng)用車(chē)輛的聲信號(hào)特征，結(jié)合SVM與神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了車(chē)輛類(lèi)型的穩(wěn)定識(shí)別［4］。賈子永等將HOG 特征與激光雷達(dá)的深度信息結(jié)合，提高了車(chē)輛檢測(cè)的準(zhǔn)確性與實(shí)時(shí)性［5］。楊志鋼等在提取出卷積特征時(shí)線性融合了圖像的尺度不變特征，提升了網(wǎng)絡(luò)的分類(lèi)準(zhǔn)確性［6］。在分類(lèi)器的應(yīng)用方面，郭克友等借鑒級(jí)聯(lián)的思想，首先使用局部二值模式特征分類(lèi)器進(jìn)行初步篩選，再使用HOG 特征分類(lèi)器過(guò)濾因光照變化產(chǎn)生的過(guò)檢，提高了車(chē)輛識(shí)別系統(tǒng)的魯棒性［7］。在應(yīng)用深度神經(jīng)網(wǎng)絡(luò)方面，張少巍利用CNN 網(wǎng)絡(luò)提取卷積特征，聯(lián)合貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)車(chē)輛準(zhǔn)確分類(lèi)［8］。李漢冰應(yīng)用反殘差網(wǎng)絡(luò)并改進(jìn)損失函數(shù)，使得檢測(cè)模型訓(xùn)練時(shí)聚焦于難分類(lèi)的復(fù)雜車(chē)輛樣本，提升了車(chē)輛檢測(cè)準(zhǔn)確率［9］。李宇昕通過(guò)改進(jìn)殘差網(wǎng)絡(luò)中激活函數(shù)的位置，使用分組卷積代替一般卷積，提高了模型對(duì)車(chē)輛圖像的特征提取和識(shí)別能力［10］。以上文獻(xiàn)從多角度研究了如何提升通用車(chē)輛識(shí)別的準(zhǔn)確率，但針對(duì)工程運(yùn)輸車(chē)輛的專(zhuān)門(mén)識(shí)別還需要進(jìn)一步深入研究。

基于以上研究發(fā)現(xiàn)，針對(duì)戶(hù)外車(chē)輛圖片提取輪廓、紋理等特征時(shí)，難免會(huì)面臨環(huán)境突變、光線變化等干擾，需要增強(qiáng)特征相應(yīng)描述能力及抗干擾性能。因此，本文提出了基于改進(jìn)HOG 特征的工程車(chē)輛識(shí)別方法。融合對(duì)角線方向梯度信息來(lái)豐富HOG 特征；基于圖像梯度先驗(yàn)知識(shí)進(jìn)行篩選，剔除低信噪比的圖像分塊；添加不同權(quán)值半徑LBP 信息，強(qiáng)化特征輪廓描述能力的同時(shí)增強(qiáng)特征分辨能力。分析不同類(lèi)型車(chē)輛的外形和紋理等屬性的差異，構(gòu)建多級(jí)SVM 分類(lèi)器結(jié)構(gòu)，完成輸入的車(chē)輛感興趣區(qū)域（ROI）的分類(lèi)。

2 整體算法

本文主要識(shí)別的對(duì)象為渣土工程運(yùn)輸車(chē)及生活垃圾工程運(yùn)輸車(chē)，如圖1 所示。工程車(chē)輛相對(duì)于常見(jiàn)的面包車(chē)、轎車(chē)等，普遍具有更為復(fù)雜的外形輪廓；而對(duì)于輪廓較為相似的一般卡車(chē)來(lái)說(shuō)，本文目標(biāo)工程車(chē)輛的車(chē)頭紋理細(xì)節(jié)更為豐富、特殊。本文的整體識(shí)別流程如圖2 所示。首先，通過(guò)雙線性插值、設(shè)定環(huán)境判斷因子等方法快速剔除圖像信噪比明顯較低的視頻幀，完成視頻背景建模；接著，基于凸包算法將互相粘連的車(chē)輛輪廓分割開(kāi)，抑制車(chē)輛陰影及不同拍攝視角導(dǎo)致的車(chē)輛輪廓粘連情況，降低對(duì)特征提取和分類(lèi)識(shí)別的影響；最后，針對(duì)車(chē)輛ROI 圖片提取改進(jìn)的HOG 特征向量并進(jìn)行特征降維，將向量送入多級(jí)SVM分類(lèi)器完成最終識(shí)別。

圖1 目標(biāo)工程車(chē)輛類(lèi)別圖

圖2 識(shí)別流程圖

3 背景建模與車(chē)輛分割

3.1 改進(jìn)的GMM快速背景建模

混合高斯背景建模對(duì)圖像的每個(gè)像素點(diǎn)按不同權(quán)值的多個(gè)高斯分布來(lái)建模，各個(gè)高斯分布函數(shù)的權(quán)值和參數(shù)隨時(shí)間更新，避免了單一模型檢測(cè)的不穩(wěn)定性，提高了對(duì)動(dòng)態(tài)背景的適應(yīng)能力［11］。像素采樣點(diǎn)的混合高斯概率密度分布如式（1）與式（2）：xt為t時(shí)刻的樣本像素，η為t時(shí)刻第i個(gè)高斯模型，wi,t μi,tτi,t分別為t 時(shí)刻第i 個(gè)高斯分布的權(quán)重、均值與協(xié)方差矩陣。但整個(gè)建模過(guò)程不斷更新權(quán)值與參數(shù)，導(dǎo)致建模速度較慢。

本文為增加前景提取的魯棒性，提升建模速度，設(shè)計(jì)了基于混合高斯模型的背景更新策略。具體流程如圖2 所示，首先使用雙線性插值方法進(jìn)行視頻幀縮放。接著本文提出幀間灰度增量因子T及噪聲干擾幀判斷因子G，計(jì)算方法如式（3）和式（4）所示，計(jì)算當(dāng)前幀與下一幀的全局平均灰度增量和二值前景像素?cái)?shù)占總像素?cái)?shù)的比值，判斷當(dāng)前幀是否存在環(huán)境光突變等極端干擾情況，從而判斷當(dāng)前輸入的圖像序列是否具有處理價(jià)值。公式中，為視頻流中第i 幀平均灰度值，Ni,fore為第i幀二值前景像素?cái)?shù)，W,H分別為圖像寬度與高度。

針對(duì)環(huán)境光線發(fā)生變化的同一段視頻，分別使用原GMM與本文改進(jìn)的快速背景建模方法提取運(yùn)動(dòng)前景。結(jié)果如圖3 所示，由于本算法降低了低信噪比圖像像素更新背景的概率，背景模型對(duì)環(huán)境光變化更加魯棒，前景提取效果更好；同時(shí)減少干擾前景，有效降低后續(xù)處理的計(jì)算時(shí)間與資源開(kāi)銷(xiāo)。

圖3 前景提取試驗(yàn)對(duì)比圖

3.2 基于凸包算法的粘連車(chē)輛輪廓分割

由于攝像頭拍攝角度、環(huán)境光突然變化、光線導(dǎo)致的車(chē)輛陰影、相機(jī)的隨機(jī)噪聲等因素的影響，改進(jìn)GMM方法提取出的車(chē)輛前景仍然存在輪廓粘連情況。經(jīng)過(guò)分析，拍攝角度和光線陰影導(dǎo)致的輪廓粘連將對(duì)ROI 特征提取與分類(lèi)識(shí)別帶來(lái)極大的誤差。為解決以上兩種原因?qū)е碌能?chē)輛輪廓粘連問(wèn)題，本文基于凸包算法，尋找粘連輪廓最優(yōu)分割線完成分割。

本文借鑒凸包算法相關(guān)應(yīng)用論文［12］，提出了粘連輪廓判斷因子K。通過(guò)Graham 掃描法對(duì)目標(biāo)前景輪廓進(jìn)行凸包擬合，計(jì)算凸包內(nèi)非車(chē)輛區(qū)域中面積最大的兩個(gè)輪廓與所有非車(chē)輛區(qū)域輪廓面積的比值K，當(dāng)比值大于閾值，說(shuō)明此時(shí)提取的正是粘連輪廓。公式如下，Areai為降序排列的第i 個(gè)凸包內(nèi)非車(chē)輛輪廓面積，n為非車(chē)輛輪廓個(gè)數(shù)。

如圖4 所示，上述面積最大的兩塊非車(chē)輛輪廓子區(qū)域，往往位于兩車(chē)輛輪廓質(zhì)心連線的垂線方向上；其質(zhì)心連線便可作為粘連輪廓的最優(yōu)分割線。因此，本文基于輪廓凸包分析，設(shè)計(jì)了一種魯棒的粘連輪廓分割方法，算法流程如圖5所示。

圖5 基于凸包分析的輪廓分割算法流程圖

首先進(jìn)行形態(tài)學(xué)操作，通過(guò)腐蝕操作去除二值圖像中較大的噪聲區(qū)域；再進(jìn)行開(kāi)操作，以去除目標(biāo)輪廓外部剩余較小的噪聲點(diǎn)；最后進(jìn)行閉操作，實(shí)現(xiàn)目標(biāo)車(chē)輛輪廓內(nèi)部細(xì)小孔洞的填充，得到信噪比較高的前景圖像。接著進(jìn)行輪廓查找操作，記錄符合幾何形狀要求的輪廓為Corigin；對(duì)目標(biāo)輪廓Corigin進(jìn)行凸包分析并擬合得到凸包外輪廓Cconvex。計(jì)算得到原目標(biāo)車(chē)輛輪廓Corigin與凸包外輪廓Cconvex的差異輪廓點(diǎn)集Ci（i=1，2，3…）。對(duì)Ci（i=1，2，3…）進(jìn)行輪廓查找與分析，計(jì)算差異輪廓點(diǎn)集的面積，根據(jù)面積大小進(jìn)行降序排列；尋找面積前兩位的輪廓點(diǎn)集作為目標(biāo)輪廓Cgoali（i=1，2）。計(jì)算因子K 判斷是否為粘連輪廓。計(jì)算目標(biāo)輪廓Cgoali（i=1，2）歸一化的中心矩，從而找到目標(biāo)輪廓質(zhì)心點(diǎn)Pci（c=1，2）。連接質(zhì)心點(diǎn)Pci（c=1，2）之間的直線即可作為遮擋車(chē)輛的輪廓分界線。

4 改進(jìn)的HOG特征提取

4.1 基于梯度方向方差預(yù)篩選的改進(jìn)HOG特征

梯度方向直方圖（Histogram of Oriented Gradient，HOG）特征通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域（cell）各方向的梯度來(lái)構(gòu)成特征［13］，即通過(guò)梯度的方向密度分布來(lái)描述目標(biāo)的形狀，具有較強(qiáng)的外形輪廓描述能力，適合用來(lái)區(qū)分外形輪廓差異較大的各型車(chē)輛，因此本文使用HOG 作為特征提取算子。但HOG 在計(jì)算梯度時(shí)，只利用了水平與豎直方向的梯度幅值，因此在面對(duì)外形更為復(fù)雜的工程車(chē)輛時(shí)，輪廓描述能力會(huì)顯得不足。同時(shí)分析分塊后的HOG 特征圖譜發(fā)現(xiàn)：分塊內(nèi)梯度的方向變化程度，與分塊內(nèi)主體信息類(lèi)型有較強(qiáng)的關(guān)聯(lián)性。分塊內(nèi)是目標(biāo)車(chē)輛輪廓?jiǎng)t梯度方向變化較規(guī)則；是突變的環(huán)境光線、反光的車(chē)窗、路邊的樹(shù)葉等干擾信息則梯度變化雜亂無(wú)章。因此，本文添加圖像對(duì)角線方向的梯度方向密度分布，同時(shí)基于梯度方向變化方差進(jìn)行分塊先驗(yàn)預(yù)篩選，提出了一種改進(jìn)的梯度方向直方圖特征，增強(qiáng)了特征的魯棒性及針對(duì)復(fù)雜外形的描述能力。算法流程如圖6所示。

圖6 改進(jìn)的梯度方向直方圖算法

改進(jìn)的HOG 算法主要分為以下幾個(gè)步驟。圖像預(yù)處理，圖像灰度化，大小規(guī)范化，便于提取維數(shù)相同的特征向量；伽瑪校正，通過(guò)調(diào)整圖像對(duì)比度，降低圖像局部光線變化影響，抑制噪聲干擾。本文參照HOG原理論文［9］，將ROI圖像的特征圖譜劃分為若干個(gè)8*8 像素的cell；將2*2 個(gè)cell 組成一個(gè)圖像塊（block）；對(duì)每個(gè)分塊進(jìn)行梯度值歸一化，減小其他分塊內(nèi)特征的劇烈變化對(duì)本分塊的影響。通過(guò)Sobel算子計(jì)算ROI每個(gè)像素的水平與豎直的梯度幅值及方向；通過(guò)如圖7 所示對(duì)角線卷積算子對(duì)車(chē)輛ROI進(jìn)行二維卷積，提取像素的對(duì)角線方向的梯度幅值及方向。

圖7 對(duì)角線方向卷積算子圖

將水平豎直方向的梯度特征圖譜與對(duì)角線方向的梯度特征圖譜線性融合，計(jì)算得到特征圖譜每個(gè)像素最終的梯度幅值及方向，從而得到更加豐富的輪廓梯度信息，增強(qiáng)特征描述能力。根據(jù)已知的像素梯度幅值及方向，計(jì)算分塊內(nèi)所有像素梯度方向的方差，以標(biāo)記每個(gè)分塊的梯度方向一致性；記錄所有分塊的梯度方向方差并排序，剔除方差偏大與偏小的固定個(gè)數(shù)分塊，僅使用篩選后的分塊進(jìn)行梯度方向直方圖統(tǒng)計(jì)，從而得到信噪比更高的特征圖譜。本算法通過(guò)計(jì)算特征圖譜的梯度積分直方圖以加速計(jì)算；同時(shí)參照HOG 原理論文［13］，統(tǒng)計(jì)每個(gè)分塊內(nèi)9 個(gè)梯度方向的幅值分布，得到描述每個(gè)分塊外形輪廓的統(tǒng)計(jì)特征向量。遍歷整張圖像的所有符合梯度方向一致性要求的分塊，將得到的特征向量串聯(lián)即可得到本文改進(jìn)后的HOG 特征描述向量。如圖8 所示即為添加對(duì)角線梯度信息前后，圖像提取出的9 個(gè)梯度方向幅值分布的可視化對(duì)比圖。觀察明顯發(fā)現(xiàn)添加對(duì)角線梯度后，圖像在更多梯度方向上獲得了更為豐富的特征描述。

圖8 梯度幅值分布對(duì)比圖

4.2 融合LBP紋理特征

本文發(fā)現(xiàn)，改進(jìn)的HOG 特征對(duì)外形輪廓差異不大，但實(shí)際車(chē)型不同的部分卡車(chē)與目標(biāo)工程車(chē)輛的區(qū)分能力較弱。經(jīng)過(guò)分析，錯(cuò)誤分類(lèi)的樣本外形輪廓差異不大，但車(chē)輛表面的紋理細(xì)節(jié)存在不同。局部二值模式（Local Binary Pattern，LBP）對(duì)車(chē)輛紋理描述能力較強(qiáng)［14］。張素雯在車(chē)標(biāo)分類(lèi)任務(wù)中，同時(shí)提取HOG 與LBP 特征作為特征向量實(shí)現(xiàn)車(chē)標(biāo)多分類(lèi)［15］。因此本文為增強(qiáng)特征因子針對(duì)相似輪廓工程車(chē)輛的分辨能力，在改進(jìn)的HOG 特征的基礎(chǔ)上，融合LBP紋理信息。但基本的LBP算法對(duì)目標(biāo)輪廓位置要求較高，限制了特征的紋理描述能力及分類(lèi)器的識(shí)別泛化性。因此，本文將計(jì)算符合梯度要求的分塊內(nèi)不同半徑尺度與采樣點(diǎn)數(shù)的LBP 特征值，并根據(jù)半徑尺度賦予LBP 值不同高斯權(quán)重，增強(qiáng)特征對(duì)背景光照及車(chē)輛位置變化的魯棒性，提取更加魯棒豐富的的車(chē)輛紋理特征。

具體算法流程如圖6 所示：對(duì)于基于梯度方向方差篩選出的分塊中每個(gè)元素，分別用半徑r 為1、2、3，采樣點(diǎn)數(shù)8、16、24 的圓形LBP 算子進(jìn)行計(jì)算，可視化結(jié)果如圖9 所示。本文以半徑值為指標(biāo)賦予LBP特征值不同高斯權(quán)重，以獲得不同尺度的豐富紋理特征；并基于深度學(xué)習(xí)中的最大池化思想（即通過(guò)核窗口覆蓋的所有值中的最大值代表整個(gè)覆蓋區(qū)域），將各分塊按像素位置取最大LBP 值作為最終的特征值，降低特征維數(shù)的同時(shí)保留最顯著的紋理特征分量。最大池化公式如式（6）所示，表示神經(jīng)網(wǎng)絡(luò)中第l 層網(wǎng)絡(luò)第i 行j 列的權(quán)重參數(shù)，m與n為該權(quán)重對(duì)應(yīng)的池化核覆蓋的區(qū)域。

圖9 不同半徑LBP特征圖譜對(duì)比圖

接著，統(tǒng)計(jì)每個(gè)分塊LBP 值的結(jié)果直方圖，將每個(gè)分塊的結(jié)果LBP 特征向量拼接在該分塊的HOG 特征向量后，形成每個(gè)分塊的改進(jìn)HOG 特征向量。分析各分塊LBP特征向量發(fā)現(xiàn)，各像素位置LBP 值均處于0～255 之間，即每個(gè)分塊統(tǒng)計(jì)出的直方圖特征向量長(zhǎng)度為256。本文將直方圖每隔25個(gè)灰度級(jí)設(shè)置一個(gè)區(qū)間，從而將特征向量的長(zhǎng)度從256 降維到10。該步驟通過(guò)將LBP 值分段，有效降低特征維數(shù)與特征表達(dá)的稀疏性，一定程度上描述了分塊內(nèi)紋理的基礎(chǔ)信息、靜態(tài)信息；同時(shí)抑制部分位置像素值突變對(duì)統(tǒng)計(jì)所得的向量造成的干擾，增加LBP特征魯棒性。最后，串聯(lián)所有篩選出的分塊特征向量，生成樣本最終的改進(jìn)HOG 特征描述向量。

5 多級(jí)SVM分類(lèi)器

本文提取的車(chē)輛ROI中，可能存在的車(chē)型有面包車(chē)、小轎車(chē)、廂車(chē)、有斗車(chē)、工程車(chē)等。車(chē)型種類(lèi)較多，并且有時(shí)會(huì)存在非機(jī)動(dòng)車(chē)（包括行人）、地面等干擾，若直接使用單級(jí)多分類(lèi)SVM，由于樣本的類(lèi)內(nèi)方差較大，類(lèi)間方差較小，會(huì)存在部分外形與紋理特征類(lèi)似的車(chē)輛分類(lèi)準(zhǔn)確率較低的情況。針對(duì)上述情況，本文分析發(fā)現(xiàn)，不同類(lèi)型車(chē)輛的外形和紋理等屬性差異較大，因此可以利用樣本的不同屬性在各節(jié)點(diǎn)進(jìn)行分叉分類(lèi)，構(gòu)建多級(jí)SVM 節(jié)點(diǎn)分類(lèi)器，結(jié)構(gòu)如圖10所示。

圖10 SVM多級(jí)分類(lèi)流程圖

由于車(chē)輛與地面及非機(jī)動(dòng)車(chē)輛圖像不管在紋理還是外形上都有明顯的差別，車(chē)輛紋理較密而地面紋理較平坦，車(chē)輛外形較規(guī)范而非機(jī)動(dòng)車(chē)外形各異；因此本文在第一級(jí)分類(lèi)器處，將車(chē)輛與地面及非機(jī)動(dòng)車(chē)進(jìn)行分類(lèi)。經(jīng)過(guò)一輪篩選后，剩下的絕大多數(shù)樣本為車(chē)輛。由于篩選后的車(chē)輛在車(chē)型大小方面有較大的差異，因此本文第二級(jí)分類(lèi)器基于各類(lèi)車(chē)輛輪廓外形的差異，將車(chē)輛分為中小型車(chē)輛與大型車(chē)輛；中小型車(chē)輛包括轎車(chē)、面包車(chē)及廂車(chē)，而大型車(chē)輛包括有斗車(chē)與目標(biāo)工程車(chē)。經(jīng)過(guò)兩輪篩選后，剩余的樣本基本為大型有斗車(chē)輛。由于一般的有斗車(chē)與目標(biāo)工程車(chē)在車(chē)頭紋理及車(chē)身外形方面有較大差別，一般有斗車(chē)車(chē)頭紋理較光滑而工程車(chē)輛車(chē)頭輪廓感更強(qiáng)，一般有斗車(chē)車(chē)斗較低而工程車(chē)車(chē)斗基本與車(chē)頭同高；因此本文在第三級(jí)分類(lèi)器中，基于車(chē)頭與車(chē)身的紋理與外形差異，將目標(biāo)車(chē)輛工程車(chē)與其他普通有斗車(chē)進(jìn)行分類(lèi)。

6 試驗(yàn)結(jié)果分析

為驗(yàn)證本文SVM 多級(jí)分類(lèi)器識(shí)別工程車(chē)輛的準(zhǔn)確性，收集非工程車(chē)和工程車(chē)各500 張作為訓(xùn)練集，各300 張作為測(cè)試集進(jìn)行分類(lèi)測(cè)試；所有樣本收集于不同天氣、路段、時(shí)間段的監(jiān)控路口。本文算法的試驗(yàn)環(huán)境為Visual studio 2015，處理器為i5-9400，16G 內(nèi)存。試驗(yàn)采用準(zhǔn)確率P（Prediction）和召回率R（Recall）作為判定指標(biāo)［16］。

式中，ci表示目標(biāo)工程車(chē)輛類(lèi)別；TP（ci）表示屬于目標(biāo)工程車(chē)輛類(lèi)且被正確分為目標(biāo)工程車(chē)輛類(lèi)的樣本數(shù)；FN（ci）表示屬于目標(biāo)工程車(chē)輛類(lèi)但被分為非工程車(chē)輛類(lèi)的樣本數(shù)；FP（ci）表示非工程車(chē)輛類(lèi)但被分為目標(biāo)工程車(chē)輛類(lèi)的樣本數(shù)。本試驗(yàn)測(cè)試中，P值與R值越大，代表分類(lèi)器分類(lèi)效果越好。

針對(duì)相互粘連的車(chē)輛ROI，進(jìn)行凸包輪廓分割試驗(yàn)，結(jié)果如圖11 所示。結(jié)果表明，面對(duì)因光線陰影以及不同拍攝角度導(dǎo)致的輪廓粘連問(wèn)題，本文基于凸包分析的輪廓分割方法，可以有效地尋找到粘連車(chē)輛輪廓的最優(yōu)分割線，完成車(chē)輛分割。

圖11 凸包輪廓分割試驗(yàn)圖

基于以上分割算法，本文針對(duì)所收集的訓(xùn)練集，提取基礎(chǔ)HOG 特征，使用相同超參數(shù)訓(xùn)練得到SVM 分類(lèi)器；并收集存在輪廓粘連的100 張車(chē)輛樣本圖，完成輪廓分割處理。使用分類(lèi)器分別對(duì)輪廓分割前后的樣本進(jìn)行分類(lèi)試驗(yàn)，結(jié)果如表1。分析結(jié)果發(fā)現(xiàn)，通過(guò)分割粘連車(chē)輛輪廓可以有效提升分類(lèi)器的識(shí)別召回率，減少分類(lèi)器誤判。

表1 測(cè)試結(jié)果對(duì)比表

為驗(yàn)證HOG 特征改進(jìn)方法的有效性，本文針對(duì)同一訓(xùn)練集分別提取原始HOG 特征與改進(jìn)的HOG 特征，使用相同超參數(shù)訓(xùn)練兩個(gè)SVM 分類(lèi)器，并對(duì)收集的同一測(cè)試集進(jìn)行分類(lèi)召回測(cè)試。結(jié)果如表2。分析測(cè)試數(shù)據(jù)可以發(fā)現(xiàn)，改進(jìn)后的HOG特征識(shí)別召回率更高。可以認(rèn)為由于添加了對(duì)角線方向的梯度，相比原始特征擁有更多方向上的梯度細(xì)節(jié)，從而統(tǒng)計(jì)得到的直方圖數(shù)據(jù)更具有魯棒性。因此本文改進(jìn)后的HOG 特征能夠提取樣本更加豐富的輪廓梯度細(xì)節(jié)，增強(qiáng)了特征的輪廓描述能力。

表2 測(cè)試結(jié)果對(duì)比表

表3 測(cè)試結(jié)果對(duì)比表

為驗(yàn)證本文融合LBP 算子增強(qiáng)本文HOG 特征分辨能力的有效性，針對(duì)上述訓(xùn)練集提取融合LBP的改進(jìn)HOG 特征，使用相同超參數(shù)，訓(xùn)練新的SVM分類(lèi)器進(jìn)行對(duì)比測(cè)試。結(jié)果如表2。分析結(jié)果發(fā)現(xiàn)：融合LBP 算子后，改進(jìn)的HOG 特征分類(lèi)準(zhǔn)確率有了進(jìn)一步的提升。可以認(rèn)為通過(guò)三個(gè)不同尺度的LBP算子，計(jì)算得到三種不同權(quán)重的LBP紋理圖譜；從而使HOG 特征融合了豐富的紋理細(xì)節(jié)，增強(qiáng)了特征針對(duì)相似輪廓車(chē)輛的分辨能力。

為進(jìn)一步驗(yàn)證本文多級(jí)SVM 分類(lèi)器結(jié)構(gòu)設(shè)計(jì)的有效性，在提取本文改進(jìn)的HOG 特征的基礎(chǔ)上，本試驗(yàn)將多級(jí)SVM 分類(lèi)器與單級(jí)多分類(lèi)SVM 分類(lèi)器進(jìn)行識(shí)別效果對(duì)比，結(jié)果如下表所示。由表4 可以看出，多級(jí)SVM 分類(lèi)器針對(duì)工程車(chē)輛的分類(lèi)準(zhǔn)確率達(dá)92.8%，召回率達(dá)90.6%，效果明顯優(yōu)于單級(jí)多分類(lèi)SVM 的89.4%與83.2%。對(duì)比結(jié)果顯示，針對(duì)各型車(chē)輛特征的差異設(shè)計(jì)多級(jí)分類(lèi)，可以有效提升分類(lèi)器的分類(lèi)準(zhǔn)確率與召回率。

表4 分類(lèi)效果對(duì)比統(tǒng)計(jì)表（單位：%）

7 結(jié)語(yǔ)

本文對(duì)城市道路中工程運(yùn)輸車(chē)輛的識(shí)別進(jìn)行了深入研究?；诨旌细咚?，使用多種判斷因子進(jìn)行先驗(yàn)篩選實(shí)現(xiàn)快速背景建模；使用凸包算法進(jìn)行輪廓分割線查找，解決車(chē)輛ROI粘連問(wèn)題。基于梯度方向方差進(jìn)行先驗(yàn)篩選，針對(duì)HOG 特征增加對(duì)角線方向梯度細(xì)節(jié)，融合不同權(quán)重不同半徑尺度LBP 算子提取豐富的紋理細(xì)節(jié)，增強(qiáng)了特征描述能力與分辨能力。根據(jù)不同類(lèi)型車(chē)輛屬性，構(gòu)建SVM的多級(jí)分類(lèi)拓?fù)浣Y(jié)構(gòu)，提升目標(biāo)工程車(chē)輛的分類(lèi)準(zhǔn)確率。結(jié)果表明，本算法針對(duì)工程車(chē)識(shí)別率較高且實(shí)時(shí)性良好，在城市交通智能監(jiān)控系統(tǒng)中具有較強(qiáng)的應(yīng)用價(jià)值。