基于支持向量機方法的車型分類技術

　　下面對所選取的特征值進行簡要介紹。

　　1)幾何特征

　　反映在視頻圖像上的車輛的長度和寬度是車型識別最直觀的信息，它可以從車輛定位過程中直接獲取，如圖1(b)所示。

　　2)不變矩特征

　　矩特征由于旋轉不變的描述特性和良好的抗噪性得到了人們的重視，圖像的矩特征實質上是該圖像整個空間特性的集成。在相繼提出的多種矩特征中，當前最常用的有Hu矩、Li矩、Zernike矩?？紤]到實際情況和算法的實效性，本實驗采用Hu的區(qū)域矩作為矩特征。

　　假定{Ii，j}表示高度為H、寬度為W的當前輸人灰度圖像，其中Ii，j為第i(0≤i≤H-1)行、第j(0≤j≤W-1)列像素的灰度值。

　　3)紋理特征

　　前面提取的長度、寬度和不變矩特征可以對車輛的大小形狀進行較好的全局描述，為車輛大小的識別提供了很好的依據。但對于客貨車的識別，特征差異往往表現在局部紋理上，如果僅用上述特征來區(qū)分客貨可能會導致一些形狀相似的客貨車識別錯誤。因此，引入了由共生矩陣導出的5個描述子。

　　由車輛圖像生成的問隔為d、方向為θ的灰度共生矩陣為：

 
　　式中：k、m表示橫坐標；l、n表示縱坐標；g1、g2表示灰度等級；e為集合中元素的個數；eT表示像素對的總和數；p(g1，g2)表示灰度級分別為g1和g2的像素對出現的頻率。

　　由上述共生矩陣導出的5個紋理特征為：

 
　　式中：f1為最大頻率；f2為對比度；f3為反差矩；f4為角二階矩；f5為熵。

　　考慮到實際車輛的紋理特征，取d=1、θ=0。

　　由于所提取的特征可能在量值上有很大差異，為了避免大值特征湮沒小值特征對分類的貢獻，將所提取的特征進行歸一化非常重要。本文采用如下公式對特征進行歸一化：

 
　　經過歸一化處理后，各特征值的范圍被限定在[-1，1]之間。