基于车脸的停车场车辆品牌识别

郑鹭斌

(厦门理工学院，福建厦门361024)

近年来，随着城市车辆的快速增长和道路监控设备的普遍架设，智能交通系统(intelligent transportation system，ITS)也得到了快速发展.在城市的智能交通系统中，车辆品牌识别是一个重要的组成部分.车辆品牌是指某辆车是大众还是福特等，通过自动识别车辆的品牌信息，可根据路网中不同类型车辆的分布和密集度，进行不同的信号灯调节、交警警力配置等等;在公安系统中，最直接的应用是套牌车辆的检测.如果某辆车识别出来的品牌和其车牌在公安系统的记录不一致时，该车辆就有可能是套牌车;在商业系统中，当了解某个停车场区域的车辆品牌分布情况，广告主的广告投放会更有针对性，效果更明显.

不同品牌的车辆标志在颜色外形上互不相同.车标识别对图像中车体上的车标进行分类得到车辆品牌信息，对车标的特征提取主要方法有傅里叶形状描述子［1］、颜色特征［2］，尺度不变特征［3］等.由于在现实生活中，高质量的车辆图像不易获取，车标识别法不论在定位还是识别上，都难以得到令人满意的效果.车辆的正面区域部分(车脸)包含车标显著信息和大量纹理信息，如排气口、车灯、车牌等，这是车型本质区别于其他品牌和型号的信息特征.如图1所示:宝马、大众及斯柯达等品牌车脸特征有着明显差异.由于车脸区域适用于纹理特征描述，Sun提取车脸的Gabor特征利用SVM进行分类［4］，Psyllos结合对称特征和神经网络进行车辆品牌的识别［5］.张利用HOG特征，实验了不同核函数的SVM的识别情况，指出基于径向基核函数的分类器性能最优［6］.以上用于车脸识别的纹理特征都是对整个车脸区域进行整体的描述，类似Gabor、HOG特征是统计车脸中各像素在纹理方向上的分布，对称信息的获取依赖于车脸信息的完整，这样对图像质量的要求相对较高，但在实际应用中，高质量的车脸图像不易获得.

图1是在某全天候停车场所入口及内容所拍摄车辆图像，摄像头架于入口或道路交叉处，图1(a)为白天时，阳光的照射角度不同，车辆的反光面不同，车体本身亮度不均匀，而图1(b)中，摄像头架设的位置及抓拍的时间造成拍摄出的车辆有一定的倾斜.图1(c)中，车辆在停车场内交叉口的抓拍，此时环境光较均匀，车灯未打开，图1(d)是车辆行驶在强光照区，并开车灯时的图像，此时车体、车标都有一定程度的反光，导致抓拍的图像中车标模糊.

图1 某停车场拍摄不同品牌的车辆图像Fig.1 Images of different brands in a parking lot shooting

本文采用塔式梯度方向直方图描述车脸图像的分层特征，以更好的适应复杂光照环境下所拍摄的车辆图像，建立品牌车脸样本库，训练SVM进行分类.本文在第1节介绍利用提对称的MSER区域定位车脸，在第2节给出基于PHOG特征的车脸特征描述，实验结果将在第3节详细说明，最后是展望部分.

1 车脸定位

如图2所示，车灯的开启与否，对亮度影响很大，传统的阈值法无法适应复杂的光照环境.因此，本文利用MSER算法，提取车位候选区域.MSER是Matas等提出的一种局部仿射不变特征检测子.给定一幅灰度图像和一系列阈值，MSER得到多组二值图像，通过分析前后相邻二值图像间的连通区域，最终得到极值稳定区域.以避免单一固定阈值造成检测失败.

具体步骤如下:

图2 车脸定位Fig.2 Face location

1)将彩色图像转换到YCbCr空间，国内车牌大多为蓝底白字，我们分别和Cb通道检测极值稳定区域，得到对称候选区域MSER_Y、车牌候选区域MSER_Cb.图2(a)是MSER在Y通道的检测结果，图2(b)是在Cb通道的检测结果.

2)每一个 MSER_Yi区域由 (xi，yi，ai，bi，θi)表示为坐标在 xi，yi轴 ai，bi为倾角 θi的一个椭圆区域，我们提取尺度为1.2 ×区域的SIFT特征，采用G.Loy的对称检测算法得到对称区域(MSER_Yir，MSER_Yil)，图2(c)中白点是对称算法筛选过的候选对称点.

3)MSER_Cbi区域由 (xi，yi，ai，bi，θi)，为车牌候选区域，设 h=2 × b ，设定检测区域region_platei，如图2(c)中绿色矩形区域.

判定函数如下:

isPlatei值为1的MSER_Cbi为车牌候选区域，对应的车脸候选区域region_frontviewi区间为:x∈［xi-4h，xi+4h］且 y∈［yi-3h，yi-h/2］，如图2(c)中的红色矩形区域.

2PHOG特征分类

Anna Bosch等提出了形状的梯度方向直方图金字塔PHOG表示［7］.该方法先提取图像的边缘轮廓，然后将图像轮廓进行分层，每一层将上一层的各块按宽和高等分成更小的分块，分别提取各分块轮廓点的梯度方向直方图，按权值合并成一个大的梯度方向直方图金字塔作为图像的形状特征.PHOG形状描述特征能同时描述物体的局部形状和形状的空间布局.

图3 车脸的PHOG特征Fig.3 The PHOG features of car face

缩放区域regioni为大小64×64的图像块，将其分为3层，后一层子区域的尺寸是前一层区域的1/4，每层梯度的角度方向数为bin=8，第1层是整个图像，特征数为8，第2层将特定区域分为2×2的块，共有特征数为32，第3层将特定区域分为4×4的块，共有特征数为128，整个区域图像共有PHOG特征为168维特征.图3是3层PHOG形状描述特征的实例，其中第一行是图像轮廓的逐级分割，第二行是每一级分割对应的直方图.

3 实验及分析

本实验的图像来自于科拓停车场车辆图像库，用Matlab仿真实现，共建立5类品牌车脸样本库包括奥迪、宝马、斯柯达、丰田和大众五种品牌，测试图像库每类车辆图像各60张，SVM算法为libsvm多类函数，核函数为直方图的交:

同SVM分类器参数下，特征分别采用HOG和PHOG的，其中HOG是将图像分成8×8的区域，8个bin，特征共512维，地上入口与地下内部车辆图像的分类结果分别如表1、表2所示.从实验数据可知，PHOG特征对光照造成车脸特征缺损有着较强的鲁棒性，而HOG+SVM在地下转弯处测试时，识别率下降较大，这是由于地下车灯的开启和地下环境光照复杂，车脸部分反光或阴暗，造成了特征缺失，从而导致分类结果下降较大.无论地上入口还是地下拐弯的测试库中，斯柯达品牌的分类效果最差，原因在于:相对其它品牌，斯柯达的车脸特征不明显，而车标部分的色彩信息，在强光照下大量丢失，不再具备判决性.

表1 地上入口处测试库Tab.1 Test database in the entry

分类结果如下，混淆矩阵如图4所示，由混淆矩阵可以看出，宝马车脸由于特征鲜明，分类精度最高，斯柯达和大众车脸纹理接近，易被误判为同类;而丰田品牌的车型系列较多，各系列之间的车脸特征互不相同，错分的情况易于发生.

图5是部分车脸定位和分类结果，其中宝马的两张图片分别来自地面和地下拍摄图库，光照情况不同，相机角度不同，车脸都被准确地检测出来;在右侧光照下，斯柯达车标模糊，较大范围的车脸区域提供了更多的统计特征，从而可以准确分类;大众的车脸上有部分反光，造成局部特征损失，分层梯度方向直方图特征弥补了单一层梯度方向特征的不足;丰田车系列较多，与样本库中有相同车脸的系列被有效检出.

表2 地下转弯处测试库Tab.2 Test database on turning point

图4 混淆矩阵Fig.4 Confusion matrix

图5 测试库上分类结果Fig.5 Classification results of test database

4 结语

针对目前对复杂光照下车辆品牌分类问题，本文研究了基于的PHOG特征提取和SVM分类器对车辆品牌识别方法.从实验数据可知PHOG特征与SVM分类方法的结合将发挥特征维数少且分类精确的特点.未来要考虑结合车脸的彩色信息，进一步提高分类精度.

［1］Burkhard T，Minich A J，Li C.Vehicle logo recognition and classification:Feature descriptors vs.shape descriptors［J］.EE368 FINAL PROJECT，SPRING.2011:1-6.

［2］Butzke M，Silva A G，Hounsell M S，et al.Automatic recognition of vehicle attributes – color classification and logo segmentation［J］.Hifen，2008，32(62):293-300.

［3］Psyllos A P，Anagnostopoulos C N E，Kayafas E.Vehicle logo recognition using a SIFT-based enhanced matching scheme［J］.Intelligent Transportation Systems，2010，11(2):322-328.

［4］Sun Z，Bebis G，Miller R.On-road vehicle detection using Gabor filters and support vector machines［C］//Z.W.Zheng.Blind Space-Time Diversity RAKE Receiver for DS-CDMA with Multipath Fading-14th International Conference on Digital Signal Processing，IEEE.2002(2):1019-1022.

［5］Psyllos A，Anagnostopoulos C N，Kayafas E.Vehicle model recognition from frontal view image measurements［J］.Computer Standards ＆ Interfaces，2011，33(2):142-151.

［6］张小琴，赵池航，沙月进，等.基于 HOG特征及支持向量机的车辆品牌识别方法［J］.东南大学学报:自然科学版，2013，43(S2):410-413.

［7］Bosch A，Zisserman A，Munoz X.Representing shape with a spatial pyramid kernel［C］//Yang，B.Online video recommendation based on multimodal fusion and relevance feedback-Digital Signal Processing-Proceedings of the 6th ACM international conference on Image and video retrieval.ACM，2007:401-408.