标准化HU不变矩算法的车脸图像特征提取

于 洋，梁佳鑫，李孟格

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

标准化HU不变矩算法的车脸图像特征提取

于 洋，梁佳鑫，李孟格

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

为了解决车型识别过程中车脸图像特征提取的问题，提出了一种标准化不变矩算法。在对车脸图像进行分割处理、提取出感兴趣区域、采用轮廓跟踪法得到形状轮廓的基础上，对原有的HU不变矩矩算法进行了标准化处理，并与典型的HU不变矩算法结果进行了对比。实验结果表明，该不变矩标准化算法在对图像进行特征提取方面可以得到更高精度的特征值。

HU不变矩；标准化；车脸图像；特征提取

智能交通系统(Intelligent Transportation System,ITS)[1]是以目前的道路设施为基础，驾驶员能够通过ITS随时随地了解道路交通的最新动态。通过寻找最具效益性的行驶方式缓解道路拥堵，降低交通事故率，并且能够通过节能减排达到保护环境的目的。

车型识别系统要求在道路沿途安装一系列的设施，实时地获取交通数据，然后通过网络系统传到监管控制中心，以便提高交通效率，经过近些年的发展，检测设备日益增多，并且出现了根据不同设备相应不同的技术。根据检测设施的工作方式及工作时的电磁波波长范围，可以把目前的车型识别系统大致分为三类：1)基于磁频的车型识别系统;2)基于波频的车型识别系统;3)基于视频图像的车型识别系统。然而上述识别方法很大程度上受到外界因素的影响很难达到预期效果。因此，本文提出一种基于车辆正面图像特征提取的方法，对车辆正面各个重点部分逐一进行分析提取，进行结合，提高识别的正确率，减小外界因素对于车型识别的影响。

提取车辆正面信息技术涉及到数字图像处理、计算机视觉、模式识别等领域的研究内容，是综合性很强的应用技术研究课题。由于图像信息的复杂性和不确定性，需要根据车脸的结构选用适合的技术方案，研究能够在各种复杂情况下有效。满足实现性要求的图像分割、特征提取算法是智能交通系统中极为重要的一环，目前提取车辆正面信息技术主要应用在三个方面[2]：1)公路收费系统:它不仅能提高公路收费系统的工作效率，还能有效地监督收费站的收费人员在工作上的违规收费行为。2)车辆管理系统：他能够对套牌车进行查处，可以减少逃费等违规行为和交通事故隐患。3)公安侦缉系统：能够协助公安部门对交通肇事逃逸事件或者其他犯罪活动进行破案，因此提取车脸信息的研究是一项具有挑战意义和研究价值的工作。本文以Matlab为开发界面对车辆图像进行特征提取存入SQLite数据库作为样本库。并以Matlab中自带的BP神经网络分类器进行算法优良的验证。

1 HU不变矩

1)Hu[3]于1962年首先提出了基于直角坐标系的几何矩的概念，不久之后，几何矩的非线性组合应运而生，推算出一系列具有尺度不变性、平移不变性和旋转不变性的矩不变量[4]。其主要特点：(1)矩空间的变换可以很容易地表示和分析图像的坐标中相应的变换；(2)对于拥有其它复数核的矩而言，几何矩的计算更容易执行和完成。

2)对于定义在直角坐标平面的二维实函数f(x,y)，它的(p+q)阶几何矩mpq定义为

(1)

式中p、q=0,1,2…。

f(x,y)的(p+q)阶中心矩定义为

(2)

2 矩不变量

中心矩upq具有平移不变性，要使upq具有伸缩不变性，应使用规格化后的中心矩ηpq，其定义为

(3)

式中，γ=(p+q+2)/4，p+q=2,3,…。

Hu定义了由三阶规格化后的中心矩的非线性组合构成的七个量值，对目标的位置尺度和方向的变化保持不变。其定义如下：

M1=μ20+μ02

M3=(η30-3η12)2+ (3η21-η03)2

M4=(μ30-3μ12)2+ (μ21+μ03)2

M5=(μ30-3μ12)(μ30+μ12)[(μ30+μ12)2-3(μ21+μ03)2] + (3μ21-μ03)(μ21+μ03)[3(μ30+μ12)2-(μ21+μ03)2]

M6=(μ20-μ02)[(μ30+μ12)2-(μ21+μ03)2]+ 4μ11(μ30+μ12)(μ21+μ03)

M7=(3μ21-μ03)(μ30+μ12)[(μ30+μ12)2- 3(μ21+μ03)2]+(μ30-3μ12)(μ21+μ03) [3(μ30+μ12)2-(μ21+μ03)2]

(4)

式中，M1到M6还具有反射不变性，M7在反射变换下将变号。

本文对图像进行预处理，分割出感兴趣区域，流程见图1。

图1 车标、车灯提取流程图

根据流程图利用颜色提取方式定位，截取出车脸图像，对车脸图像进行处理定位出车标、车灯图像信息，如图2、图3、图4所示。利用Matlab进行开发界面的设计，定位车牌提取车脸图像并进行轮廓提取，提取出车灯与车标图像信息。

图2 大众宝莱

图3 大众桑塔纳

图4 奥迪A6L

对图2、图3、图4中三辆车9个特征图像进行HU不变矩特征提取结果见表1、表2、表3，表中a代表车标，b代表左车灯，c代表右车灯。

表1 大众宝莱HU不变矩

表2 大众桑塔纳HU不变矩

表3 奥迪A6L HU不变矩

3 BP神经网络模型的构建

BP神经网络模型是由输入层、隐层和输出层组成，是目前研究结果最为突出和应用最为广泛的神经网络之一。BP神经网络的每一层都是由一个或者多个神经节点组成，并且每一层的神经节点的输入都只由前一层的神经元提供，经过输入层输入的信息只有经过各层神经元处理之后才会经输出层输出，也就是说输入层只接收来自外界的输入，隐含层只接收来自输入层的输入，输出层只接收来自隐含层的输入[5]。

4 HU不变矩标准化

4.1 HU矩的修正算法

基于HU矩的7个不变矩的变化空间比较大，直接使用作为识别的不变矩样本空间的特征，效果不会达到预期。所以先使用取对数的数学运算方法对所需数据进行压缩。

Mk=|lg|Mk‖,k=1,2,3…

(5)

首先将M1、M2、M3、M4、M5、M6、M7作为目标的不变矩特征，并构造矩特征空间：

H=(H1,H2…Hi…Hj)

式中，Hi=(Mi1,Mi2,Mi3…Mi7)表示第i个不变矩向量。

4.2 HU矩的标准化

如果将修正后的不变矩矢量直接输入神经网络进行训练，定会影响神经网络的收敛率和计算速率，为此，本文将修正后的不变矩矢量在输入神经网络训练之前，对其进行不变矩的矢量的标准化。

设Hmax和Hmin为不变矩输入矢量H中的最大值和最小值，因此不变矩矢量标准化过程如下：

Y=(H-Hmin)/(Hmax-Hmin)

(6)

不变矩矢量标准化可以理解为对输入矢量实行线性映射，将不变矩输入矢量中的特征转换到[0，1]之间，缩小不变矩变化范围，以便后续提高图像识别算法权值与阀值的调整与运算。

5 实验结果与分析

经过标准化后的HU不变矩特征提取结果见表4、表5、表6，表中a代表车标，b代表左车灯，c代表右车灯。

表4 大众宝莱HU不变矩标准化

表5 大众桑塔纳HU不变矩标准化

表6 奥迪A6L HU不变矩标准化

本文将车脸图像的HU矩和标准化HU矩结合BP神经网络[5]分别构成两种车脸识别算法，将市面常见的车辆利用上述两种特征提取方法分别进行特征值提取，即表1、表2、表3与表4、表5、表6中的特征值以及其他车型所提取的特征值分别存储于SQLite数据库中作为样本库。随机选取100张图像进行BP神经网络的识别。首先进行初始化，设定权值与阀值给定学习速度和激励函数；之后输入需要训练的样本和相对应目标输出的值，同时计算网络的隐含层输出和最终输出；当计算误差满足迭代终止条件之后将输出结果与样本库信息进行识别。

以文中的三种车型为例，图5、图6分别为经典HU不变矩与标准化HU不变矩在神经网络识别输出结果：1代表大众宝莱、2代表大众桑塔纳、3代表奥迪A6L，*为测试样本实际输出结果，+为测试样本目标结果。

为保证精确度与泛化能力选择训练步长为500。比较图5与图6的结果由于标准化HU不变矩的特征值变化区间远远小于经典HU不变矩特征提取出的特征值，不但提高了神经网络识别的正确率，而且还提高了BP神经网络识别的收敛性与计算速率。本文构造的BP神经网络具有比较强的适应能力和鲁棒性。

利用正确识别车辆的数量进行识别率判别：

(7)

式中x为正确识别车辆的个数。

HU不变矩特征提取算法结合BP神经网络分类器识别车辆的数量，识别率为66%。标准化HU矩特征提算法结合BP神经网络分类器识别车辆的数量，识别率为83%。显然，采用本文的算法获得的识别率比原有的算法识别率高。

图5 经典HU不变矩测试结果

图6 标准化HU不变矩测试结果

6 结束语

对HU不变矩进行标准化对车辆正脸图像特征进行特征提取，将提取的HU不变矩的数值范围压缩到[0,1]内，解决了HU不变矩7个特征量范围过大的问题，然后结合BP神经网络分类器进行识别，识别率明显高出原有算法，达到了预期的效果。

[1]徐武，杨印根，周卫东，等.智能交通系统模型的算法分析与改进[J].计算机技术与发展，2006,16(12)：162-165.

[2]迈尔斯.智能交通系统手册[M].北京：人民交通出版社，2007:1-32.

[3]M Hu.Visual Pattern Recognition by Moment Invariant[J].IRE Trans on Inf Theory,1962,8(2):179-187.

[4]李笑牛，袁克杰.基于Hu不变矩的加权矩方法及应用[J].大连民族学院学报，2010,12(5)：470-472.

[5]李聪.基于BP神经网络的股票指数期货价格预测[D].青岛:青岛大学,2012:25.

(责任编辑：马金发)

Extract of lmage Feature of Vehicle Face by Algorithm of Standardized Movement Invariants

YU Yang，LIANG Jiaxin，LI Mengge

(Shenyang Ligong University,Shenyang 110159,China)

A novel standardized moment invariants is presented in order to extract image feature of vehicle face during the process of vehicle model classification and identification.Based on the process of auto-face segmenting,interested region extracting,and the shape contour obtaining by contour tracing technique,the traditional HU moment invariants are normalized,which is in comparison with typical HU moment invariants.Experimental results demonstrate that much higher accuracy in terms of feature vector can be achieved by the introduced model.

HU moment invariants；standardized；vehicle face；extract the image feature

2015-09-11

于洋(1963—),男，教授，研究方向：智能检测与信息处理、网络化自动检测与控制装置。

1003-1251(2016)06-0072-05

TP391

A