基于SIFT特征及支持向量机车辆分类系统探究摘要：基于视频的车辆实时分类是交通系统实现自动化管理的关键技术。该文主要介绍了以SIFTC尺度不变特征变换)特征为基础，通过SVM(支持向量机)算法对视频车辆进行实时分类的系统设计和实现。SIFT特征有对旋转、尺度缩放、亮度变化保持不变的优点，而SVM具有分类快速稳定的特点o实验表明，该文所述方法运算量很小且实时性较好，在同等条件下具有较高的分类准确度。关键词：车辆实时分类；SIFT；SVM中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)17-4277-04ResearchonVehicleClassificationSystemBasedonSIFTFeaturesandSupportVectorMachineZHANGSong-song,ZHANZhi-cai(SchoolofComputerScienceandTelecommunicationEngineering,JiangsuUniversity,Zhenjiang212013,China)Abstract：Vehiclereal-timeclassificationbasedonvideoisthekeytechnologytorealizeautomaticmanagementintrafficsystem.Inthispaper,thedesignandrealizationofareal-timeclassificationsystemonvideowithSupportVectorMachine(SVM)basedonScaleInvariantFeatureTransform(SIFT)isproposed.SIFTfeatureisinvarianttoimagerotation,scalingandilluminationchanges,meanwhile,SVMisfastandstableonclassification・Theexperimentalresultsshowthattheproposedmethodinthispaperhascharacteristicsoflesscalculation,goodreal-timeperformanceandhighclassificationaccuracy.Keywords：videovehicleclassification；SIFT；SVM智能交通系统是实现城市交通智能化管理的关键，它是在交通流检测系统的基础上完成各种功能。经过近年来的发展，检测系统的研究取得了很大进展，然而，车型的准确分类一直是智能交通系统系统中的难点问题。目前，车型分类方式按照工作原理不同，可以分为电磁感应、声波式、激光式、视频检测方式等多种类型。与其他交通检测手段相比，视频检测识别技术具有操作简单、投资成本低、以及获取信息丰富等优点［1］。就当前而言，随着计算机硬件和运算性能的不断提升,基于图像处理的车辆分类方法逐渐得到重视。现在已经被广泛采用的基于图像处理的车型分类方法有模式匹配［2］和神经网络［3］两种。所谓模式匹配就是将得到的车辆外形信息与系统中已有的车型模式库进行对比，从而把匹配度最大的模式类型作为车辆类型。而基于神经网络的车型分类就是将车辆特征信息通过已训练好的神经网络分类器进行分类。基于模式匹配的分类方法尽管实现原理简单，但是由于交通车辆种类繁多、外形差异较大，对每一辆待分类车辆，需要与所有的模版都进行匹配，这使得该类算法繁琐耗时，不利于满足系统实时性要求。在神经网络的分类方法中，由于神经网络本身存在网络结构无规律可循，且作用机理不明确并易陷入局部极小值等缺陷，从而限制了这种方法的应用。另外,选取何种车辆特征信息也是分类的关键。本文在以上分析的基础上，设计了一种基于SIFT特征与支持向量机的车辆实时分类系统。由于SIFT特征有对旋转、尺度缩放、亮度变化保持不变的优点，并且经过优化的SIFT匹配算法能够达到实时性的要求，所以选取SIFT特征作为车辆分类的基础。通过支撑向量机SVM实现对视频车型特征的分类，由于SVM擅长应付样本数据线性不可分的情况,这正好被用来实现对从图像上提取的海量的、复杂的线性不可分的数据，有利于增强分类的准确性。1算法背景1.1SIFT特征匹配算法SIFT算法是一种提取局部特征的算法。SIFT(ScaleInvariantFeatureTransform)即尺度不变特征变换，是DavidG.Lowe在2004年总结了现有的基于不变量技术的特征检测方法，而提出的一种特征匹配算法。该算法是在尺度空间寻找极值点，提取位置，尺度，旋转不变量。利用SIFT算法提取的SIFT特征具有如下特性［4］：1）SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。2）独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。3）多量性，即使少数几个物体也可以产生大量SIFT特征向量。2车辆分类的实现基于SIFT特征与支持向量机的车...