2 基于稀疏表示的车辆识别框架 - 中国图象图形学报.doc

中图法分类号： TP391.4 文献标识码：A 文章编号：1006-8961(2011) - - 文章索引信息: 复杂交通场景中采用稀疏表示的车辆识别方法 李修志1) ， 吴 健1),2)， 崔志明1),2) ，陈建明1),2) 1)（苏州大学智能信息处理及应用研究所, 苏州 215006） 2)（江苏怡和科技股份有限公司, 苏州 215002） 摘 要：针对智能交通系统中，复杂交通场景下对于车辆识别的难点问题，本文提出了一种基于方向梯度直方图特征和稀疏表示的车辆目标识别方法。该方法首先使用方向梯度直方图特征分别提取训练样本和待测目标信息，通过稀疏表示的方法将训练样本训练为过完备字典，最后通过待测目标在字典中稀疏度和重构残差判定目标是否为车辆并对其标注。实验结果表明，本文提出的方法在粘连遮挡、目标类别多样等复杂交通场景中有较好的识别率和实时性。 关键词 ：稀疏表示; 方向梯度直方图; 车辆识别; 智能交通; 压缩感知 Sparse representation method of vehicle recognition in complex traffic scenes LI Xiu-zhi1), WU Jian1),2), CUI Zhi-ming1),2) , CHEN Jian-ming1),2) 1) (The Institute of Intelligent Information Processing and Application, Soochow University, Suzhou, 215006) 2) (Jiangsu Yihe Technology Co., Ltd., Suzhou, 215002) Abstract: In the intelligent transportation system, vehicle recognition in complex traffic scenes is a key issue. In this article, a novel scheme using histograms of oriented gradient (HOG) feature and sparse representation target recognition for vehicle recognition in complex traffic scenes was proposed. Our method used the HOG to extract features from samples and candidate targets, and then trained samples as an overcomplete dictionary based on sparse representation. Finally, candidate targets were recognized by computing sparsity and reconstruction residual in dictionary. Experiment results show that the proposed scheme provides higher recognition preciseness in real time, even in complex traffic scenes such as occlusion and variety of target class. Keywords: sparse representation; HOG; vehicle recognition; intelligent transportation; compressive sensing 0 引 言 对于交通视频中的车辆识别是智能交通系统研究中重要的课题，同时也具有广泛的应用。但由于车辆所处背景和光照复杂，车型种类繁多，如何正确地从视频中特别是复杂交通场景的视频中识别车辆目标一直是尚未完全解决的问题。 车辆识别在模式识别中属于目标识别的范畴，目标特征提取和分类模型构建是对车辆识别的两个重要步骤。在目标特征提取方面，Sun[1]等人使用Gabor滤波提取车辆纹理信息，Tsai[2]等人基于颜色和边缘信息识别车辆，Rahati[3]使用Contourlet变换与统计的标准差获得特征参数，此外基于SIFT[4]、Harr-like以及Harris角点[5]等方法也都被国内外学者研究。在分类模型构建方面，以常用的判别模型为主，如采用训练的人工神经网络识别目标类别，以及基于SVM分类模型的车辆识别[1][3]，Kamijo[6]利用随机马尔可夫链模型来