摘 要：针对复杂背景的视频图像车型识别，提出了一种利用尺度显著性的车型识别方法。由于尺度显著性对图像均一亮度变化、缩放、旋转以及噪声都具有不变性，因此引入尺度显著性算法提取车辆图像的分类特征。最后采用RBF网络分类验证该方法对多种车型的识别。实验结果表明，提取尺度显著性特征能够有效地识别汽车车型。
关键词：车型识别；尺度显著性算法；特征提取；RBF神经网络

　车辆自动识别技术是智能交通系统ITS（Intelligent Transportation System）的重要组成部分，它对特定地点和时间的车辆进行识别和分类，并以之作为交通收费、调度和统计的依据。
　根据GB/T 3730.1-2001《汽车和挂车类型的术语和定义》[1]，汽车分为乘用车（不超过9座）和商用车。车型识别的研究主要应用在车辆结构和车辆型号（不同品牌型号）两个方面。本文主要是在车辆结构上进行车型识别，将识别的车辆分为乘用车（小车）和商用车（大车）两类。
车型识别的汽车图片中汽车所处环境复杂多变，并且同类车型包括众多不同的车辆，车型识别的难点在于获取最本质、最有代表性的特征。在提取特征方面，英国曼彻斯特大学的PETROVIC V S等人对汽车前景图像的参考曲面提取梯度特征[2]，NEGRI P和CLADY X等人提取汽车正面图像定向轮廓点特征[3-4]，但是光线特征和轮廓点特征对光线变换敏感，当光线不同时，识别率变化较大。随后，PSYLLOS A等人采用尺度不变换特征（SIFT）提取车脸图像特征[5]。SIFT特征具有图像尺度（特征大小）和旋转不变性，而且对光照变化也具有一定程度的不变性，但是图像出现损坏、遮挡时，识别率也会受到影响。
本文根据人眼分辨事物的特点提取车辆前景图像（车脸图像）尺度显著性特征，然后用径向基神经网络作为分类器去测试提取特征方法的识别效果。实验结果表明，本文所提出的方法能有效地对车型进行识别处理。
1 尺度显著性算法
　尺度显著性算子是基于提取鲁棒而有关联的特征的需要而提出的[6]。如果一幅图像的某些区域不能在特征和尺度空间同时进行预测，尺度显著性算法将认为这些区域是显著特征区域，即人眼辨别事物时的感兴趣区域。其中的不可预测性通过统计方法确定，计算出位置和尺度的显著特征值空间作为进一步理解图像的基础。与传统方法相比，其目标是成为一个尺度和显著特征的通用方法，因为这两者的定义与特殊的基本形态意义无关，这些基本形态意义不是基于粒子、边缘和角点等特殊的几何特征。该方法通过确定某一尺度上图像块内的熵（entropy，即一种稀有性的量度）进行处理，熵HD定义为：

3 算法性能分析
　鉴于基于径向基函数神经网络的模式分类方法在网络结构方面的简洁性以及在识别率和训练速度方面的优势，本文采用其作为车型识别方法。用采集到的部分车辆图去训练已经设计好的RBF网络，最后验证该特征提取方法的有效性，计算车型识别率。
3.1 网络模型设计
　为验证提取显著性特征的区分性，选择RBF神经网络作为分类器。径向基函数神经网络一般采用具有输入层、隐藏层和输出层的3层模型，各层的权值向量维数等于其神经元节点个数。
输入层的节点数由特征向量的维数决定，本文选取车脸图像的前15个显著性区域作为车脸图像显著性特征，每个显著性区域包含中心点（x，y）和尺度s，提取得到的特征向量为15×3=45维，故输入层节数为45。
输出层的节点数由输出向量维数决定。本文将带识别的车型分为乘务车（小车）和商务车（大车）两类，因此输出向量为二维向量，即输出层节点数为2。
隐藏层的节点数可以通过网络学习自适应获得。
3.2 试验与结果分析
　实验数据来自于相机采图，相机不是固定的，放置在车辆正前方3~5 m处，距离地面1.4~1.6 m，因此采集的车辆图片在尺度和角度±5°都有的变化。在一个月时间内不同天气和不同光线条件下采集1 046幅车脸图像，图5为采集到的车脸图像样例。其中，700幅图像用于训练（大车和小车图像各350幅），346幅图像用于测试（198幅小车图像和148幅大车图像），用这些训练图像一次性完成对已设计好的RBF网络的训练，得到车型识别结果如表2所示。

　从表2可知，基于尺度显著性的车型识别方法，乘用车（小车）和商务车（大车）的识别率都在94%以上，达到较好的效果。未能正确识别的车辆图像中，大部分都是背景比较复杂，或是车辆目标不是很明显。为进一步提高识别率，需在复杂背景下提取车辆图像，这也是今后改进的方向。
本文首次提取图像尺度显著性因子作为图像的分类特征，并应用到图像识别领域，提出了一种基于尺度显著性的车型识别方法。相比于传统的特征提取方法，尺度显著性因子对图像均一亮度变化、缩放、旋转以及噪声都具有不变性，并对视点的细微变化也有鲁棒性。用RBF神经网络去验证算法性能，实验结果显示，基于尺度显著性的车型识别方法是有效的。鉴于图像尺度显著性因子的特性，可以将这种方法应用复杂背景下的目标检测和跟踪，这也是下一步将研究的问题。
参考文献
[1] GB/T 3730·1-2001. Motor Vehicles and Trailers-Types：Terms and Definitions[S].
[2] PETROVIC V S， COOTES T F. Vehicle type recognition with match refinement[C]. International Conference on Pattern Recognition， 2004（3）：95-98.
[3] NEGRI P， CLADY X， MILGRAM M， et al. An oriented-contour point based voting algorithm for vehicle type classification[C]. 18th International Conference on Pattern Recognition， 2006（1）：574-577.
[4] CLADY X， NEGRI P， MILGRAM M， et al. Multi-class vehicle type recognition system[C]. Lecture Notes in Computer Science， 2008（5064）：228-239.
[5] PSYLLOS A， ANAGNOSTOPOULOS C N， KAYAFAS E. Vehicle model recognition from frontal view image measurements[J]. Journal Computer Standards & Interfaces， 2011（33）：142-151.
[6] KADIR T， BRADY M. Scale， saliency and image description [J]. International Journal of Computer Vision， 2001， 45（2）：83-97.