根据支持向量机的车型识别综述

上海工程技术大学机械与汽车工程学院 宋 铮 刘晓菲 韩培瑄

近年来，车型识别是智能汽车关键技术研究的重点之一。作为计算机视觉技术在智能交通领域中应用的重要研究趋势之一，通过车辆模型的自动识别使交通管理变得智能化已经非常重要。本文通过研究支持向量机在汽车模型识别中的应用，介绍了目前主流车型识别方法，以及基于支持向量机的车型识别方法的优势与不足。通过大量的文献综述和分析，总结出目前基于支持向量机的车型识别应用的特点和价值。

1 简介

车辆模型的自动识别是视频图像识别技术在交通领域中应用的重要研究方向之一，也是实现高海拔道路交通管理的重要环节。在此阶段，识别技术可以完成车辆的自动识别并自动验证车辆模型。该证书是汽车的车辆识别标记，可大大改善车辆管理，流量控制和交叉路口的通行费。各种效率的提高已导致高度的过程自动化。图像识别技术得到了广泛的应用，车辆模型的自动识别是高级道路交通领域的重要研究主题之一，并且是实现高级道路交通管理的重要环节。

考虑以上的因素，基于视频图像的车辆识别的研究需要我们重视并以长远的眼光看待，研究结果不仅具有广泛的应用前景和用途，而且还解决了拥挤的交通环境，规划了城市交通系统，也有助于发展我国的高速智能交通系统，具有重要的战略意义，对于实现现代智能交通网络非常重要。通常，利用KNN，SVM，BP神经网络，CNN和传递学习处理方法来处理图像。在本文中，我们将重点介绍SVM方法。

2 基于支持向量机的车型识别方法

2.1 目前车型识别方法研究

Pilzada发现，水平边缘对前车检测具有很强的特点。水平边缘滤波(HEF)作为初始候选，用于检测图像中精明边缘地图上的车辆。Broggi提出了一种新的三维点云实时技术。该算法在Vis实验室的一个AGV上进行了测试，该算法使用了一种基于SGM的改进立体系统作为三维数据源。Nguyen使用了一种反向遗传算法来检测多个车辆。针对适应度参数以典型的方式设计了适应度函数。Elangovan提出了一种多属性车辆检测和识别技术，旨在检测和分类静止车辆。提出了一种基于监督汉明神经网络的车辆形状分类模型。文献提出了一种基于双级视觉的方法来检测前后车辆的视图。通过纵横向边缘图，道路背景与车辆下部不同颜色，确定车辆底部位置。在不同的天气条件下，收集了一个关于实际车辆的大数据集。在RealAdaBoost框架中，在收集的数据集和具有相同评估协议的数据集上评估了六种最先进的特征。通过有效的特征提取和算法，Kim提出了一种基于视觉的车辆检测方法。同时提出了一种基于立体视觉、运动分析和道路检测的车辆检测和跟踪新方法。与每种单独的方法相比，这种集成方法使对象检测更加合适。国外提出了一种适用于轨道和巷道车辆的车辆检测系统。Lee提出了一种基于立体视觉的道路车辆检测方法，利用道路特征和视差直方图。它使得在不同的交通情况下更容易对道路上的车辆进行强有力的检测。Ferris提了一种城市监控视频中车辆检测的方法。它不仅可以处理拥挤的环境，大遮挡和不同的车辆形状，而且还可以处理一些条件，如照明变化，阴影，反射等。该系统可以在普通计算机上以平均66Hz的速度有效运行。Prevost等提出了一种基于增强分类器的车载视觉检测算法。他对矩形滤波器的特征、定向梯度直方图及其组合进行了比较。MacHida提出了一种具有集成GPU和CPU实现的快速行人和车辆检测框架。以定向梯度直方图和特征交互描述符作为对象描述符。程淑红等提出了一种基于多功能提取和支持向量机（参数优化）的车辆模型识别方法。耿庆田等提出了一种基于方向控制滤波器的改进HOG算法，用于解决高速环境下的车辆识别问题。基于SVM的车型识别方法因其准确率高，实时性好具有特定的检测优势被世界各地广泛使用。

2.2 基于支持向量机的车型识别方法

程淑红等提出了一种基于多功能提取和支持向量机（参数优化）的车辆模型识别方法。这种方法成功处理了单个功能对环境敏感的问题，例如光线、气候和阴影，同时还可以对行驶中的车辆进行建模。首先，收集车辆样本并对图像进行预处理从而达到提取车辆几何特征的目的，包括纹理特征和方向梯度直方图特征。接下来，利用提取的特征进行重组和测试，并拿测试结果与单个特征的进行比较和分析。比较粒子组算法用于优化SVM参数，优化后的SVM参数用于识别移动车辆的车辆类型。实验结果表明，所提出的车辆类型识别方法将多功能提取和支持向量机参数的优化相结合，可以实现良好的识别。实际识别率超过90%。

耿庆田等提出了一种基于方向控制滤波器的改进HOG算法，这是一种用来处理高速环境下的车辆识别问题的算法。通过方向可控滤波算法与HOG算法的结合，可以实现对车辆图像的特征提取。通过使用主元素分析算法（PCA），可以减少特征向量的维数并降低计算的复杂度。支持向量机算法用于训练提取的特征，可以达到对车辆外观特征识别的目的。通过对仿真实验的分析，可以得出使用该算法的原始车辆模型的平均识别精度为92.36%的结论，与传统的HOG函数算法相比，该方法的识别速度提高了3.45%，提高了实时性。该算法优于传统的HOG算法，可以有效提高车辆识别效率。

陈胜等通过对图像的处理和人工智能发展的研究，智能交通系统在现实生活中将得到广泛的应用，同时智能交通系统中的车辆自动分类的方法也将会越来越多。结合实验和支持向量机方法，他们提出了一种分类系统——基于图像处理的自动车辆分类系统。然后，通过matlab实验平台，他们设计了一种分类器，该分类器可以对提供的车辆图像进行分析并自动分类，并获得令人称赞的实验结果。

针对道路视频监控中的车辆识别问题，张红兵提出了一种基于正面梯度方向直方图的识别算法，以准确识别车辆的前方。通过提取视频中的前景区域并使用形态学粗略定位和精细投影算法来精确定位前景，可以提高全局特征算法的识别效果。线性辨别分析算法用于特征提取，以正面图像的梯度特征为识别的初始特征。这样可以减小特征的尺寸并提高识别速度。基于整体学习的思想，对汽车的前部进行网格分割，然后将从每次分区训练中获得的分类器进行集成以生成分类器。这将提高车辆模型的识别率。建立了一个15车系列的80款车型正面图像的数据库用于实验。根据实验结果，上述方法对汽车模型的正确回答率为93.5%。

尹玉梅等研究了一种基于支持向量机(SVM)的车型图像识别算法。通过图像边缘检测的方法。首先，该方法基于邻域灰度极值提取边界候选图像，进而以边界候选像素和与它邻域像素的二值模式作为样本集，进行运动目标的分割并提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。除此之外，与传统的算法比较，该算法使用的核函数少，计算量也较小，可以比较理想的解决小样本、非线性和局部极小点等问题。该实验表明，基于支持向量机的车型图像识别算法拥有更好的性能。

冯超提出利用轿车图像快速、准确地识别出轿车车型，可以采用支持向量机方法作为分类器，使用轿车的长、宽、高和轴距等4个特征参数作为输入的特征向量，同时使用支持向量机方法作为分类器，以便根据汽车图像快速建模汽车。提议准确识别并使用两个特征参数作为输入的特征向量，并且根据这些特征向量对不同的汽车模型进行分类和识别。实验结果显示，来自11个品牌的15个模型的识别精度为100%。这项研究得出：通过正确选择汽车的特征参数，SVM方法能够在识别汽车模型方面取得良好的效果。支持向量机在智能交通管理系统等领域具有较高的应用价值。

总结：目前，支持向量机在车型识别中的应用主要有两个方面。一种是利用支持向量机和支持向量机在分类中的适用性来解决分类问题。例如，支持向量机能够找到覆盖密钥分类信息的支持向量。同时作为强大的增量式和主动式学习的工具实现支持向量机可以更好的应用的目标。第二个是调查图像分类应用程序中支持向量的开放性或开放性问题。针对图像的特点，提出新的方法来提高支持向量机在车型分类中的有效性非常重要。