基于支持向量机方法的车型分类技术

　　下面对所选取的特征值进行简要介绍。

　　1)几何特征

　　反映在视频图像上的车辆的长度和宽度是车型识别最直观的信息，它可以从车辆定位过程中直接获取，如图1(b)所示。

　　2)不变矩特征

　　矩特征由于旋转不变的描述特性和良好的抗噪性得到了人们的重视，图像的矩特征实质上是该图像整个空间特性的集成。在相继提出的多种矩特征中，当前最常用的有Hu矩、Li矩、Zernike矩。考虑到实际情况和算法的实效性，本实验采用Hu的区域矩作为矩特征。

　　假定{Ii，j}表示高度为H、宽度为W的当前输人灰度图像，其中Ii，j为第i(0≤i≤H-1)行、第j(0≤j≤W-1)列像素的灰度值。

　　3)纹理特征

　　前面提取的长度、宽度和不变矩特征可以对车辆的大小形状进行较好的全局描述，为车辆大小的识别提供了很好的依据。但对于客货车的识别，特征差异往往表现在局部纹理上，如果仅用上述特征来区分客货可能会导致一些形状相似的客货车识别错误。因此，引入了由共生矩阵导出的5个描述子。

　　由车辆图像生成的问隔为d、方向为θ的灰度共生矩阵为：

　　式中：k、m表示横坐标；l、n表示纵坐标；g1、g2表示灰度等级；e为集合中元素的个数；eT表示像素对的总和数；p(g1，g2)表示灰度级分别为g1和g2的像素对出现的频率。

　　由上述共生矩阵导出的5个纹理特征为：

　　式中：f1为最大频率；f2为对比度；f3为反差矩；f4为角二阶矩；f5为熵。

　　考虑到实际车辆的纹理特征，取d=1、θ=0。

　　由于所提取的特征可能在量值上有很大差异，为了避免大值特征湮没小值特征对分类的贡献，将所提取的特征进行归一化非常重要。本文采用如下公式对特征进行归一化：

　　经过归一化处理后，各特征值的范围被限定在[-1，1]之间。