论文部分内容阅读
[摘 要]针对HOG特征提取维数较大，应用于交通标志识别系统时速度较慢的问题，提出利用PCA对HOG特征进行降维，以此提高实时性。引入一对多SVM线性分类器进行训练和测试。实验结果表明，基于HOG_PCA的算法在速度上相对于HOG有大幅提升，同时在准确率上也有一定改善。
[关键词]交通标志识别 HOG PCA SVM
中图分类号：S7520 文献标识码：A 文章编号：1009-914X（2015）10-0157-01
引言
越来越多的车载辅助设备应运而生，而交通标志的检测和识别成为了该领域一个相当重要的研究课题。在进行了初步的交通标志检测定位之后，如何在提取出的感兴趣区域中以兼具准确性和实时性的方式识别交通标志的内容更是成为了该领域的一大难题。
1、HOG特征提取
梯度方向直方图（HOG）由法国的Datal等人在2005年首先提出。其核心思想是由于梯度主要存在于边缘区域，因此在一副图像中，基于梯度或边缘的方向密度分布的统计信息可以非常有效地描述局部目标的形状。基于此思想，HOG特征具有对光照和形状的变化拥有较好的不变性的特点，同时可以忽视一定程度的光照平移等带来的影响，提供较好的鲁棒性。也由于其對目标的整体信息的把握能力较好，常被应用于行人检测等领域。考虑到交通标志的识别主要是根据其整体的形状特征进行的，因此HOG在交通标志识别领域中不失为一个特征提取算法的不错选择。
HOG特征提取步骤如下：
（1） 利用Gamma校正法对颜色空间标准化：
先进行灰度化操作，将图像转为灰度图。然后对所得到的灰度图进行标准化处理，这样可以减小光照变化所带来的影响。这里选用Gamma校准算法进行标准化，gamma取1/2。
（2） 计算梯度：
（3） 计算单元细胞内梯度直方图：
计算单元细胞内梯度直方图的目的是为能够保持对图像中交通标志形态以及外观的弱敏感性。首先将图像分成若干个单元细胞（cell），建立方向直方图。计算cell中的每个像素的梯度幅值和梯度方向，将其分别作为直方图权值和直方图通道的判断依据进行投票。
（4） 重叠块内直方图归一化
梯度算子对光照亮度和背景对比度等影响非常敏感，采用对局部cell进行归一化减小这类影响。归一化的基本思想是，将相邻的cell组成一个更大的区域块（block），对每个block做归一化处理，每个block包含相互重叠的cell，cell中的梯度信息通过多次计算以及在不同block中做归一化。
（5） 收集特征向量
最后一步就是将所有重叠的block的特征向量进行收集，并组合成最终的特征向量供后续使用。
2、PCA降维
主成分分析（PCA）的核心思想是：利用较少的特征去描述样本以此来达到降维的目的，根据样本点在空间中的位置分布，以样本点在空间中的方差最大方向作为特征进行提取。是一种常用的基于变量协方矩阵对信息进行处理、压缩和抽提的有效方法，是一种在统计领域被广泛使用的线性变换方法。其简要步骤如下：
（1） 对原始的样本进行尺度归一化。
（2） 利用K-L变换求得特征值和特征向量，建立矩阵。
（3） 由于维数很高，所以按特征值大小对特征向量进行降序排列，取前k个特征向量，便得到了k个特征。
因此，本文提出利用PCA对已经提取的HOG特征进行二次特征提取，将一张图像上提取出的几百乃至几千个特征压缩成几十上百个特征，在不损失多少准确率的情况下尽量加快系统的处理速度。
3、实验结果与分析
实验使用自行采集的交通标志图像库进行，库中共38种交通标志，每种30张，20张用于训练，10张用于测试，一共1140张，每张图像都归一化为像素。实验采用一对多SVM线性分类器作为训练和测试的分类器在matlab平台上进行。
3.1 基于HOG特征的实验
HOG算法由于不同的cell大小分块，将获得不同的特征维数。由于实验用的数据图像都是像素的，所以在这里将每个cell分为，，三个不同的尺寸大小，分别进行实验。
3.2 基于HOG_PCA特征的实验
此实验分别对上一个实验中的HOG特征进行不同维数的PCA降维，希望找到表现最佳的二次特征提取维数，并与上一个的实验结果进行对比。
3.3 实验总结
表3-3中比对了各维数下未经PCA降维的HOG与经过PCA降维到最佳维数的HOG特征的准确率和耗时。由于自行采集的图像库有所局限，准确率甚至出现了100%的情况.但从结果不难看出，本文提出的利用PCA降维HOG特征的方法在速度上远快于HOG。不但如此，其准确率上甚至不降反升，也比HOG高。究其原因，可能是因为经过PCA降维之后保留的HOG特征都是较主要的特征，而忽略了一些可能使分类器出现难以分类的冗余特征所致。
4、结束语
本文提出利用PCA对HOG特征提取进行降维的方式提高交通标志识别系统的实时性，并利用HOG与PCA_HOG的实验进行对比，证明了降维后的HOG在耗时上有明显下降，同时准确率不降反升，对系统性能的提升帮助很大，此方法切实可行。
参考文献
[1] Turk M， Pentland A. Eigenfaces for Recognition[J].Cognitive Neuroscience J.1991，3（1）：71～86.
[2] 唐睢睢.交通标志识别算法研究[D].北京：北京交通大学， 2014.
[关键词]交通标志识别 HOG PCA SVM
中图分类号：S7520 文献标识码：A 文章编号：1009-914X（2015）10-0157-01
引言
越来越多的车载辅助设备应运而生，而交通标志的检测和识别成为了该领域一个相当重要的研究课题。在进行了初步的交通标志检测定位之后，如何在提取出的感兴趣区域中以兼具准确性和实时性的方式识别交通标志的内容更是成为了该领域的一大难题。
1、HOG特征提取
梯度方向直方图（HOG）由法国的Datal等人在2005年首先提出。其核心思想是由于梯度主要存在于边缘区域，因此在一副图像中，基于梯度或边缘的方向密度分布的统计信息可以非常有效地描述局部目标的形状。基于此思想，HOG特征具有对光照和形状的变化拥有较好的不变性的特点，同时可以忽视一定程度的光照平移等带来的影响，提供较好的鲁棒性。也由于其對目标的整体信息的把握能力较好，常被应用于行人检测等领域。考虑到交通标志的识别主要是根据其整体的形状特征进行的，因此HOG在交通标志识别领域中不失为一个特征提取算法的不错选择。
HOG特征提取步骤如下：
（1） 利用Gamma校正法对颜色空间标准化：
先进行灰度化操作，将图像转为灰度图。然后对所得到的灰度图进行标准化处理，这样可以减小光照变化所带来的影响。这里选用Gamma校准算法进行标准化，gamma取1/2。
（2） 计算梯度：
（3） 计算单元细胞内梯度直方图：
计算单元细胞内梯度直方图的目的是为能够保持对图像中交通标志形态以及外观的弱敏感性。首先将图像分成若干个单元细胞（cell），建立方向直方图。计算cell中的每个像素的梯度幅值和梯度方向，将其分别作为直方图权值和直方图通道的判断依据进行投票。
（4） 重叠块内直方图归一化
梯度算子对光照亮度和背景对比度等影响非常敏感，采用对局部cell进行归一化减小这类影响。归一化的基本思想是，将相邻的cell组成一个更大的区域块（block），对每个block做归一化处理，每个block包含相互重叠的cell，cell中的梯度信息通过多次计算以及在不同block中做归一化。
（5） 收集特征向量
最后一步就是将所有重叠的block的特征向量进行收集，并组合成最终的特征向量供后续使用。
2、PCA降维
主成分分析（PCA）的核心思想是：利用较少的特征去描述样本以此来达到降维的目的，根据样本点在空间中的位置分布，以样本点在空间中的方差最大方向作为特征进行提取。是一种常用的基于变量协方矩阵对信息进行处理、压缩和抽提的有效方法，是一种在统计领域被广泛使用的线性变换方法。其简要步骤如下：
（1） 对原始的样本进行尺度归一化。
（2） 利用K-L变换求得特征值和特征向量，建立矩阵。
（3） 由于维数很高，所以按特征值大小对特征向量进行降序排列，取前k个特征向量，便得到了k个特征。
因此，本文提出利用PCA对已经提取的HOG特征进行二次特征提取，将一张图像上提取出的几百乃至几千个特征压缩成几十上百个特征，在不损失多少准确率的情况下尽量加快系统的处理速度。
3、实验结果与分析
实验使用自行采集的交通标志图像库进行，库中共38种交通标志，每种30张，20张用于训练，10张用于测试，一共1140张，每张图像都归一化为像素。实验采用一对多SVM线性分类器作为训练和测试的分类器在matlab平台上进行。
3.1 基于HOG特征的实验
HOG算法由于不同的cell大小分块，将获得不同的特征维数。由于实验用的数据图像都是像素的，所以在这里将每个cell分为，，三个不同的尺寸大小，分别进行实验。
3.2 基于HOG_PCA特征的实验
此实验分别对上一个实验中的HOG特征进行不同维数的PCA降维，希望找到表现最佳的二次特征提取维数，并与上一个的实验结果进行对比。
3.3 实验总结
表3-3中比对了各维数下未经PCA降维的HOG与经过PCA降维到最佳维数的HOG特征的准确率和耗时。由于自行采集的图像库有所局限，准确率甚至出现了100%的情况.但从结果不难看出，本文提出的利用PCA降维HOG特征的方法在速度上远快于HOG。不但如此，其准确率上甚至不降反升，也比HOG高。究其原因，可能是因为经过PCA降维之后保留的HOG特征都是较主要的特征，而忽略了一些可能使分类器出现难以分类的冗余特征所致。
4、结束语
本文提出利用PCA对HOG特征提取进行降维的方式提高交通标志识别系统的实时性，并利用HOG与PCA_HOG的实验进行对比，证明了降维后的HOG在耗时上有明显下降，同时准确率不降反升，对系统性能的提升帮助很大，此方法切实可行。
参考文献
[1] Turk M， Pentland A. Eigenfaces for Recognition[J].Cognitive Neuroscience J.1991，3（1）：71～86.
[2] 唐睢睢.交通标志识别算法研究[D].北京：北京交通大学， 2014.