西交利物浦大学

张百灵 | 周逸凡 | 管文杰

基于静态图片的自动套牌车检测方法

[0029]本发明利用多层感知器作为判断图像是否包含车辆的依据，利用图像的haar-like特征进行判断。每组haar-like特征都对应于一个多层感知器，每个多层感知器都输出一个二值的结果，对应于是与否(是车辆或者不是车辆)。鉴于haar-like特征数量的庞大，发明中利用特征选择的思想，选取最能区分车辆与非车辆的特征组进行判断。这样做大量减少了，车辆区域确定的时间。在车型识别中，Classified Vector Quantization被用来作为分类器。该分类器训练快捷，结构简单，并且有很强的可扩展性。它的可扩展性体现在，如果需要临时添加分类的组别，不需要完全重新训练整个分类器，只需要对部分分类器进行调整即可完成。另外，该发明中还增加了分类器拒绝。其具体体现是，对于分类器不确定的输入图像，分类器可以拒绝进行分类，转而人工处理。这样做虽然增加了人的负担，但是分类的可信度大幅度上升。除了使用单一的分类器进行分类外，随着很多机器学习方法被用来设计准确而稳健的分类系统，分类器集成学习技术备也受关注。分类器集成可整合多个组件分类器，如决策树或多层感知器(MLP)，对于用于同一任务使用相同的基本学习算法。分类器集成学习的必要条件之一是集成系统的多样性，即，单独的分类器在不同的实例上产生不同的的错误，一个通常的办法是通过数据重采样技术获得不同的训练数据集来训练分类器组件，如自举(bootstrapping)。对于车品牌识别部分,基于此原则的一种流行的分类器集成的方法是随机子空间集成(RSE)。RSE的简单原则是：为每个分类器从原数据集合构建一个特征子集。其主要思想是加强各组件分类器的多样性，同时保持较高的分类精度。采用随机特征子集，RSE在构建和集成分类器上体现了一定的优势，特别是对于可训练对象的数量少于特征维度的情况，RSE能够一定程度化解这种所谓小样本问题。从另一个角度来看，RSE可避免维数灾难的困境，这是因为每个子空间的维数相对原始特征空间的维数变小，但训练对象的数量不会改变。很多应用结果表明，RSE分类器集成经常优于在原始特征空间训练的单一分类器。对于车牌识别部分,GASEN，基于遗传算法的选择性集成方法被用来分类器集成的学习。另外有Classified Vector Quantization被用来作为分类器。该分类器训练快捷，结构简单，并且有很强的可扩展性。它的可扩展性体现在，如果需要临时添加分类的组别，不需要完全重新训练整个分类器，只需要对部分分类器进行调整即可完成。GASEN同CVQ的结合使得识别准确度有了相当大的提升。 [0030]相对于现有技术中的方案，本发明的优点是：