基于SIFT特征与支持向量机的车辆分类系统研究

摘要：基于视频的车辆实时分类是交通系统实现自动化管理的关键技术。该文主要介绍了以SIFT（尺度不变特征变换）特征为基础，通过SVM(支持向量机)算法对视频车辆进行实时分类的系统设计和实现。SIFT特征有对旋转、尺度缩放、亮度变化保持不变的优点，而SVM具有分类快速稳定的特点。实验表明，该文所述方法运算量很小且实时性较好，在同等条件下具有较高的分类准确度。

关键词：车辆实时分类；SIFT；SVM

中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)17-4277-04

Research on Vehicle Classification System Based on SIFT Features and Support Vector Machine

ZHANG Song-song, ZHAN Zhi-cai

(School of Computer Science and Telecommunication Engineering, Jiangsu University, Zhenjiang 212013, China)

Abstract: Vehicle real-time classification based on video is the key technology to realize automatic management in traffic system. In this paper, the design and realization of a real-time classification system on video with Support Vector Machine (SVM) based on Scale Invariant Feature Transform (SIFT) is proposed. SIFT feature is invariant to image rotation, scaling and illumination changes, meanwhile, SVM is fast and stable on classification. The experimental results show that the proposed method in this paper has characteristics of less calculation, good real-time performance and high classification accuracy.

Key words: video vehicle classification; SIFT; SVM

智能交通系统是实现城市交通智能化管理的关键，它是在交通流检测系统的基础上完成各种功能。经过近年来的发展，检测系统的研究取得了很大进展，然而，车型的准确分类一直是智能交通系统系统中的难点问题。目前，车型分类方式按照工作原理不同，可以分为电磁感应、声波式、激光式、视频检测方式等多种类型。与其他交通检测手段相比，视频检测识别技术具有操作简单、投资成本低、以及获取信息丰富等优点[1]。

就当前而言，随着计算机硬件和运算性能的不断提升,基于图像处理的车辆分类方法逐渐得到重视。现在已经被广泛采用的基于图像处理的车型分类方法有模式匹配[2]和神经网络[3]两种。所谓模式匹配就是将得到的车辆外形信息与系统中已有的车型模式库进行对比，从而把匹配度最大的模式类型作为车辆类型。而基于神经网络的车型分类就是将车辆特征信息通过已训练好的神经网络分类器进行分类。基于模式匹配的分类方法尽管实现原理简单，但是由于交通车辆种类繁多、外形差异较大，对每一辆待分类车辆，需要与所有的模版都进行匹配，这使得该类算法繁琐耗时，不利于满足系统实时性要求。在神经网络的分类方法中，由于神经网络本身存在网络结构无规律可循，且作用机理不明确并易陷入局部极小值等缺陷，从而限制了这种方法的应用。另外，选取何种车辆特征信息也是分类的关键。

本文在以上分析的基础上，设计了一种基于SIFT特征与支持向量机的车辆实时分类系统。由于SIFT特征有对旋转、尺度缩放、亮度变化保持不变的优点，并且经过优化的SIFT匹配算法能够达到实时性的要求，所以选取SIFT特征作为车辆分类的基础。通过支撑向量机SVM实现对视频车型特征的分类，由于SVM擅长应付样本数据线性不可分的情况，这正好被用来实现对从图像上提取的海量的、复杂的线性不可分的数据，有利于增强分类的准确性。

1算法背景

1.1 SIFT特征匹配算法

SIFT算法是一种提取局部特征的算法。SIFT（Scale Invariant Feature Transform）即尺度不变特征变换，是David G.Lowe在2004年总结了现有的基于不变量技术的特征检测方法，而提出的一种特征匹配算法。该算法是在尺度空间寻找极值点，提取位置，尺度，旋转不变量。利用SIFT算法提取的SIFT特征具有如下特性[4]：

1）SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

2）独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。

3）多量性，即使少数几个物体也可以产生大量SIFT特征向量。

2车辆分类的实现

基于SIFT特征与支持向量机的车辆实时分类系统流程如图1所示，系统首先需要对视频帧进行一定的预处理，因为在视频的采集和传输过程中，受环境和设备的影响，会产生很多的噪音。所以，对视频图像的预处理显得尤为重要。预处理操作包括彩色图像的灰度化和利用高斯滤波进行去噪平滑图像。

对于处理后的图像利用相邻帧差法，可以得到运动区域的轮廓。为了能够将车辆目标完整提取出来，需要对差分后区域进行适当的膨胀。对于膨胀后的图像，每一个轮廓所包含区域即为每个运动目标在视频中的区域。

在得到运动目标之后，即可利用车辆分类模块进行实时分类。下面对车辆分类模块作详细介绍。

3实验测试结果

本系统基于WINDOWS平台，核心模块采用C语言编写，利用 2005 MFC制作系统界面。本系统的运行需要opencv2.0版本库的支持。系统运行界面如图4所示。

另外，为了验证本文所介绍的分类方法，我们还进行了车型预测的对比实验。预测样本全部来自某路段监控摄像头所获得的视频流。根据分类器的训练样本的不同，测试分成两组。在第一组中，车辆训练样本图片来自监控摄像头所获得的视频流，第二组

参考文献：

[1]余军涛,张跃.运动车辆自动识别分类研究[J].交通与计算机,2000,18(6):29-31.

[2]耿彦峰,马钺.基于模糊模式识别的车型分类研究[J].计算机工程,2002,28(1):133-135.

[3] Naixue Xiong,Jing He,Jong Hyuk Park,Donald Cooley,Yingshu Li.A Neural Network Based Vehicle Classification System for Pervasive Smart Road Security[J].Journal of Universal Computer Science, 2009,15(5):1119-1142.

[4] David G.Lowe.Distinctive image features from scale-invariant key points[J].International Journal of Computer Vision,2004,60(2):91-110.

[5] GUO G,LI S Z,CHAN K L.Support vector machines for face recognition[J].Image and Vision Computing，2001,19(9):631-638.