基于分块分割GASVM算法的汽车侧面轮廓提取

孟含 高述勇 符朝兴 沈威 闫福珍

摘要： 针对基于图片的汽车侧面轮廓难以准确提取的问题，本文提出了基于图像分块遗传算法优化支持向量机参数方法。首先对汽车侧面轮廓进行分割，以图像分块处理的方式，将图像的前景或背景直接作为输出，运用支持向量机（support vector machine， SVM）对需要分割的部分进行分割，同时为了选择SVM的最优核参数c和g，运用遗传算法进行寻优，形成了GASVM算法。对分割后的图像进行二值化处理，并采用滤波运算除去杂点。在车窗及车灯位置极容易产生孔洞，对图片内部存在孔洞采用区域填充算法，最终得到汽车的侧面轮廓。实验结果表明，该算法能够较准确的提取汽车的侧面轮廓，减少分割时间。该研究具有一定的实际应用价值。

关键词： 遗传算法; 支持向量机; 彩色图像分块; 汽车侧面轮廓

中图分类号： TP317.4   文献标识码： A

随着社会的发展，汽车品牌之间的竞争逐渐集中在汽车外形设计上，而汽车侧面轮廓是汽车外形最重要的特征线，对已有车型侧面轮廓进行提取和表达是汽车外形研究和设计的基础。胡伟峰等人[12]采用贝塞尔曲线，逼近已有的汽车图片轮廓;苏建宁等人[3]采用人工选取侧面轮廓的数个坐标点，近似表达汽车侧面轮廓。随着机器学习领域的发展，基于数字图像的表达方式成为热门，但是并没有发现用数字图像表達汽车侧面轮廓进行后续设计的方法。用数字图像表达汽车侧面轮廓作为样本进行设计的方法不需要人工参与选择样本点，节省大量时间，减少了人工误差。Tang J L等人[4]利用决策二叉树和SVM结合的方式，提高了玉米和多种杂草的分类识别率，但是SVM参数是基于经验进行选择，不容易获得最佳参数。为解决SVM最佳参数获取的问题，最常采用交叉验证（cross validation， CV）和启发式选择参数的方法[57]，但CV在较大范围寻找最佳参数费时，采用启发式参数选择方法，可以在一定程度上克服CV所面临的问题，常见的启发式算法有遗传算法、粒子群算法、蚁群算法等。张成梁等人[816]提出利用遗传算法优化支持向量机参数的机采籽棉图像分割算法和杂质识别方法，但是机采籽棉的背景较为单一，当背景较为复杂时效果并不理想，而图像分块处理[1720]的方法可以有效的处理全局阈值和局部阈值不匹配的问题。基于此，为获取汽车侧面数字图像轮廓，本文运用SVM对汽车侧面彩色图像进行分割，以图像分块处理的方式，对判断为背景或车身的部分直接输出，对需要分割的部分运用GASVM进行分割，即基于分块分割的GASVM算法，最后进行二值化、去噪和孔洞填充后处理，最终得到汽车的侧面轮廓图片。提取结果表明，该算法能够较准确的提取汽车侧面轮廓。该研究具有一定的实际应用价值。