摘 要

随着机器学习、计算机视觉等人工智能领域技术的快速发展，基于图像处理、模式识别等技术的车型识别得到了越来越多人的关注和研究。车型识别作为智能交通系统的重要组成部分，在交通管理、校园门禁等场景有着重要的作用。本文针对道路过往车辆的识别问题，提出了一种基于HOG特征的车型识别算法。首先通过HOG算法提取车辆样本的HOG特征向量，再使用SVM分类器对训练样本的HOG特征向量进行训练，将测试样本的HOG特征向量放入SVM分类器中得到测试样本的分类结果。具体的工作如下：

(1)样本数据的获取：按照轴距和排量分类，将车型分为：微型车、小型车、紧凑型车、中型车、中大型车、豪华车、MPV、SUV、面包车九种并建立训练样本与测试样本车型库。由于缺少所需的公共车型数据库，本文车型数据库样本全部从公路上拍摄得到，且所拍摄车辆样本随机同时存在光照、天气等因素干扰。

(2)样本数据的处理：针对本文采集的数据，基于HOG特征提取和SVM分类器进行车型识别技术研究。首先针对训练样本，使用HOG算法提取HOG特征向量，完成SVM训练样本数据的分类器模型的初步训练。然后，为了提高识别的准确率，针对初次训练结果，剔除错误分类的训练样本，同时再添加新的训练样本数据继续训练。经过不断训练，最终得出效果最好的训练样本集数据的训练模型。最后针对测试样本集数据，提取HOG特征向量，并利用训练好的SVM分类模型实现车型识别。

(3)车型识别系统的建立：通过设计界面方便的完成车型识别特征提取、训练样本测试、测试样本测试以及单张样本测试等识别任务。同时在界面中显示测试样本图片和测试结果可以方便的判断识别是否正确，对于改进方法提高识别正确率有重要帮助。

关键词：车型识别；HOG特征提取；SVM分类器

Abstract

With the rapid development of machine learning, computer vision and other artificial intelligence technologies, vehicle identification based on image processing, pattern recognition and other technologies has attracted more and more attention and research.As an important part of intelligent transportation system, vehicle type identification plays an important role in traffic management, campus entrance guard and other scenarios.This paper proposes a HOG feature based vehicle model recognition algorithm for the recognition of road passing vehicles.First, HOG feature vector of vehicle samples is extracted through HOG algorithm. Then, SVM classifier is used to train the HOG feature vector of training samples. The HOG feature vector of test samples is put into SVM classifier to obtain the classification result of test samples. The specific work is as follows:

(1) sample data acquisition: according to wheelbase and displacement classification, models are divided into nine types: micro car, small car, compact car, medium car, medium and large car, luxury car, MPV, SUV and minivan, and a training sample and test sample model library is established.Due to the lack of the required database of public models, all the database samples of the models in this paper were taken from the highway, and the vehicle samples were randomly interfered with by lighting, weather and other factors at the same time.

(2) processing of sample data: for the data collected in this paper, HOG feature extraction and SVM classifier are used to conduct research on vehicle type recognition technology.First, HOG algorithm is used to extract HOG feature vector for training samples, and preliminary training of classifier model for SVM training sample data is completed.Then, in order to improve the accuracy of recognition, the misclassified training samples were removed from the initial training results, and new training sample data were added to continue the training.After continuous training, the training model with the best training sample set data is finally obtained.Finally, HOG feature vector is extracted for test sample set data, and the SVM classification model trained is used to realize vehicle type recognition.

(3) establishment of vehicle type identification system: identification tasks such as vehicle type identification feature extraction, training sample test, test sample test and leaflet sample test can be conveniently completed through the design interface.At the same time, displaying test sample pictures and test results in the interface can easily determine whether the recognition is correct, which is of great help for improving the method and improving the recognition accuracy.

Keywords: vehicle type identification; HOG feature extraction; SVM classifier

目录

摘要 I

abstract II

第一章 绪论 1

1.1.研究目的及意义 1

1.2.国内外研究现状 1

1.3本文主要研究内容 3

1.3.1基本内容 3

1.3.2研究目标 4

1.4 论文的组织结构 4

第二章 车型库的建立与HOG特征提取 5

2.1 车型库的建立 5

2.2 HOG算法概述 8

2.3训练样本与测试样本的HOG特征提取 11

2.4 本章小结 12

第三章 SVM车型分类 13

3.1 SVM算法概述 13

3.1.1最优分类超平面 13

3.1.2线性支持向量机 14

3.1.3非线性支持向量机 15

3.2 训练样本与测试样本的SVM分类 16

3.3 本章小结 17

第四章 车型识别系统的实现 18

4.1环境与外界库 18

4.2 车型识别系统界面搭建 18

4.3 整体实验过程 20

4.4 实验结果与分析 22

4.4实验总结分析 24

4.5 本章小结 25

第五章 总结与展望 26

5.1 工作总结 26

5.2 工作展望 26

参考文献 27

致谢 31

第一章 绪论

1.1.研究目的及意义

随着社会的发展，汽车作为一种十分方便的交通工具，数量逐年增长，种类也越来越多。汽车在带给人们出行方便的同时，也带来了交通拥挤，交通事故等一系列问题。因此，如何更有效的进行交通监管就变得十分重要了。随着科技的发展，自动控制、人工智能、模式识别等技术逐渐发展起来，智能交通系统^[1]在这些技术的发展中应运而生。车型作为汽车的一个重要信息，能否识别出汽车的车型对于管理公路上的汽车十分重要。因此对于智能交通系统来说，车型识别是其重要的组成部分。

车型的分类比较主观，在世界各地有着许多种不同的分类标准。比如德国常用的分类为A级车、B级车、C级车等，这种分类是以轴距为分类基准。美国能源部分类标准则是以车型结构为基础，将车型分为微型车、次紧凑型车、中型车、全尺寸车等。国内的分类标准也有很多，比如将车型分为乘用车和商用车两大类乘用车分为基本型乘用车、多功能乘用车、运动型乘用车和交叉型乘用车^[2]。

而本文采用生活中比较习惯的一种分类，将车型分为9种。他们分别是：微型车、小型车、紧凑型车、中型车、中大型车、豪华车、MPV、SUV、面包车。这种分类主要依据轴距和排量，在平时我们也比较习惯于这种车型分类方式。

目前已有许多方法可以应用于车型识别，如HOG^[3-11],SVM^[12-20],SIFT^[21]以及深度学习^[22-26]等。而考虑到路口，高速公路，学校、公司门口等地方在进行车型识别时所用时间一般比较少，在这些地方使用深度学习的方法并不合适。因此，本文针对道路过往车辆的车型识别问题，研究基于HOG与SVM算法的车型识别。

1.2.国内外研究现状

以机器学习方法进行车型识别主要分为两个步骤。一是对采集的车辆图片进行特征提取，二是根据提取的特征进行车型分类。其中特征提取算法有方向梯度直方图（HOG）、尺度不变特征变换（SIFT）等，而分类算法有支持向量机（SVM）、神经网络^[27][28]等。 本文所使用的特征提取算法为方向梯度直方图（HOG），分类算法为支持向量机（SVM）。不同的研究对于这两个部分的选择各不相同。同时，由于车型分类并没有具体的标准，不同研究中对于车型的分类也各不相同。

HOG特征是一种通过计算和统计图像局部区域的梯度方向直方图构成的特征描述子，能很好的描述目标的边缘特性。HOG特征结合SVM分类器是一种十分经典的方法，在车型识别等图像识别中有不错的效果，尤其在行人检测中十分成功。

2005年法国研究员Navneet Dalal和Bill Triggs在CVPR上发表的论文《Histograms of Oriented Gradients for Human Detection》^[29]中首次提出HOG算法。Dalal等人提出HOG算法的目的是用于行人检测，并且在描述行人特征和静态图像中的人体行为中取得了不错的效果。在以后的发展中，HOG特征不仅仅使用在行人检测，其他物体的识别HOG也有不错的效果。2012年Seonyoung Lee[30]提出了用于实时人体和车辆检测的HOG特征辅助电路。文中提出了一种适用于人体和车辆实时检测的辅助特征电路，并给出了硬件实现结果。2013年Llorca[31]等提出了基于HOG特征和SVM的车辆标志识别。作者使用分辨率很低的车辆图像进行识别，采用滑动窗技术和多数投票方案相结合的方法为汽车制造商提供估计值。其总体的识别率达到了92.59%。2015年张红兵[32]等研究了基于车前脸HOG特征的车型识别。该方法首先用形态学粗定位和投影细定位算法提取视频中车前脸区域，再进行HOG特征的提取。此方法当所有样本都使用车辆正面时可以达到93.5%的正确识别率。不过这里也可以看出HOG在进行车型识别时对车辆方向有较大的要求，当车辆样本图片都为同一个角度时能取得较好的效果，而对于各个角度的车型识别HOG特征处理起来就有困难。

支持向量机(support vector machines, SVM)是建立在统计学习理论^[33-35]VC维理论和结构风险最小化原理基础上的经典机器学习方法^[36][37]。最早由Vapnik等人在二十世纪60年代提出，并且在90年后得到快速的发展。2000年张学工在关于统计学习理论与支持向量机^[33]一文中详细介绍了统计学习理论与支持向量机之间的关系并详细介绍了支持向量机的原理与其核函数的原理。作者发现SVM是一个十分值得大力研究的领域，为后来许多学者提供了研究方向。2011年丁世飞等人在支持向量机理论与算法研究综述^[35]中给出了许多新型支持向量机的介绍，其中包括粒度支持向量机(GSVM)、模糊支持向量机(FSVM)、孪生支持向量机(TWSVMs)、排序支持向量机(RSVM)等。支持向量机的理论研究逐渐成熟后应用也逐渐增多。2010年，李文勇^[38]等研究了基于最小二乘支持向量机来研究车型识别。作者的特征提取并非以图像作为输入，而是使用感应线圈车辆检测器来获取数据数据，再通过建立车型识别模型来获取车辆的特征信息。而分类算法则采用基于最小二乘支持向量机。此方法在提出的基于最小二乘支持向量机的车型识别算法中,采用了修剪算法，保持了良好的回归性能,也加快了计算速度。但是此方法对于硬件设施的要求较高，需要设置地感线圈来检测车辆。2013年，王雪锋^[39]等研究了基于HOG与SVM的监控视频车辆识别方法。文中针对基于监控视频的车辆检测识别问题, 给出了一种基于视频监控的面包车识别算法。通过车辆大小的检测,分类识别该车辆是否为面包车。该方法面包车的分类准确率达到了90%左右。2014年Natthariya Laopracha^[40]研究通过调整HOG参数和支持向量机的核函数来改进车辆检测。

综上所述，国内外学者对于HOG特征提取算法与SVM分类算法进行了广泛且深入的研究，不仅理论逐渐成熟，而且应用范围也越来越广。在前人丰富的理论基础上，本文通过研究实际道路中过往车辆的车型识别问题，检验HOG算法与SVM算法在车型识别问题中的效果，丰富HOG算法与SVM算法的实际应用。

1.3本文主要研究内容

1.3.1基本内容

本文研究实际道路上过往车辆的车型识别问题，从公路上拍摄获取车辆样本建立样本库，使用C 编程完成界面设计、车辆特征提取、车型识别等工作。通过统计最终识别分类的成功率来验证算法的效果，并为以后的改进研究提供参考。

本文针对公路上的常见汽车进行车型识别，参考宋奇康的论文“你搞清楚汽车分类了吗”^[2]中常用车型分类方法，根据轴距和排量将车型分为以下9种类型：微型车、小型车、紧凑型车、中型车、中大型车、豪华车、SUV、MPV、面包车。其识别过程主要分为以下几个部分：

（1）完成训练样本库与测试样本库的建立。

通过在固定位置拍摄公路过往车辆模拟公路上摄像头拍摄的照片，再通过本人与同学对照片中车辆进行判断类型，将所有照片对应分到9种车型文件夹中。选取其中能明显判断车型的照片放入训练样本中，剩余的照片作为测试样本。这样，我们就建立起了训练样本库与测试样本库。

（2）对训练样本与测试样本分别提取HOG特征。

在建立好训练样本库与测试样本库之后，我们就可以开始进行HOG特征取。此时我们需要将训练样本与测试样本都进行HOG特征提取。同时需要将特征向量保存在文件中以方便后续的训练与识别分类。

（3）获取训练样本SVM训练模型

在完成HOG特征提取后，接下来完成SVM训练样本数据的分类器模型的初步训练，找到支持向量。然后以训练样本作为测试样本来进行测试,获得训练结果。之后剔除错误分类的训练样本并添加新的训练样本。经过不断训练，获得最好的训练样本集数据的训练模型。

（4）完成测试样本的识别分类并统计结果

当完成针对训练样本的训练后，采用训练好的模型，实现测试样本的识别分类，同时统计测试样本中每一类车型的识别成功率以及所有测试样本总的成功率，以验证本论文提出的算法的有效性。

1.3.2研究目标

作为智能交通系统重要部分的车型识别，虽然目前取得了许多不错的进展，但研究成果能应用到实际的并不多。为了推动智能交通的发展，本论文针对车型识别，在实际道路复杂的背景条件下，拍摄到行驶中的车辆，由于实际天气的变化、拍摄时的高度和位置及车辆本身带有污泥和广告等因素的影响，使得在道路车型识别的研究变得较为困难。因此，本论文针对复杂背景条件下的道路车型识别，完成9种车型识别分类。

1.4 论文的组织结构

第一章介绍车型识别的研究目的、意义、车型九种车型分类标准以及目前车型识别国内外的研究现状，并简要介绍了本文的研究内容。

第二章完成车型库的建立，其中包括训练样本库及测试样本库。同时对HOG算法以及对训练样本及测试样本进行HOG特征提取进行了详细的描述。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：