[0062] 步骤2.2：对选取的P个视觉单词的直方图进行二值化处理：
[0063]
[0064]
[0065] 其中 为阈值；hp为所选P个视觉单词的直方图的集合， 为其中任意一个，j∈[1,…,P]；rankk(hp)表示集合hp中第k个直方图的索引脚标,所选视觉单词直方图中，前k个直方图被二值化为1，余下直方图被二值化为0；k表示排序的序列中的第k个值；
[0066] 步骤2.3：二值化后的直方图视为一个事务项x，重复随机选取R次，得到当前图像的R个事务项数据集X＝{x1,x2,…,xR}，其中xi(i∈[1,R])表示任意一个事务项；
[0067] 步骤2.4：对全部图像，按步骤2.3中相同的顺序选取R次，构成全部图像的R个事务项数据集Χ＝{Xi}。步骤3：对图像的二值化事务项数据集进行模式挖掘，构成图像的模式集直方图表示；
[0068] 具体地，对二值化处理后的结果进行模式挖掘，构成图像的模式集直方图表示，示意图如图4所示，包括以下几个步骤：
[0069] 步骤3.1：对图像的每一个事务项xi(i∈[1,R])，都将当前类别的车型图像的事务项设为正类 其他类别的车型图像的事务项设为负类
[0070] 步骤3.2：对得到的每个正类事务项数据集 和负类事务项数据集 进行跳跃显露模式挖掘，分别得到R个事务项的正类和负类的显露模式集 其中表示第j个事务项的正类显露模式集， 表示第j个事务项的负类显露模式集；
[0071] 步骤3.3：对当前类别图像，统计其每个事务项xi(i∈[1,R])在对应的正类和负类显露模式集 中的个数，得到最终2R维的模式集直方图表示；
[0072] 步骤3.4：重复步骤3.1到步骤3.3的操作，得到所有类别车型图像的模式集直方图表示。
[0073] 而对正类和负类事务项数据集进行跳跃显露模式挖掘，示意图如图5所示，包括以下几个步骤：
[0074] 步骤3 .2.1：对正类事务项数据集 和负类事务项数据集设定最小支持度阈值为δ，也即支持度s≥δ，其中支持度s定义为：
[0075]
[0076] 其中count(A)表示数据集 中包含实例A的数目，数据集Z中包含的总实例数为|Z|；
[0077] 步骤3.2.2：通过显露模式挖掘，首先在正类中寻找支持度大于等于δ，在负类中支持度为0的事务项集合{Y+}，然后在负类中寻找支持度大于等于δ，在正类中支持度为0的事务项集合{Y-}；
[0078] 步骤3.2.3：得到当前事务项数据集的正类和负类的显露模式集{Y+,Y-}。
[0079] 步骤4：对所有车型图像的模式集直方图进行one vs rest线性SVM训练，得到每种类别车型图像的分类器，联合后得到车型识别系统；
[0080] 具体地，对所有车型图像的模式集直方图进行one vs rest线性SVM训练，得到每种 类别车型图像的分类器，联合后得到车型识别系统，包括以下几个步骤：
[0081] 步骤4.1：将当前类别车型图像的模式集直方图作为正样本，其他类别车型图像的模式集直方图作为负样本；
[0082] 步骤4.2：使用线性SVM训练这两个样本，得到当前类别车型图像的分类器；
[0083] 步骤4.3：重复步骤4.1到步骤4.2的操作，得到所有类别车型图像的分类器，联合后构成车型识别系统。
[0084] 步骤5：对测试车型图像，提取其基于训练集中每种车型图像的模式集直方图表示，将其导入车型识别系统进行测试，识别出车型。
[0085] 具体地，对测试车型图像，提取其基于训练集中每种车型图像的模式集直方图表示，将其导入车型识别系统进行测试，识别出车型，包括以下几个步骤：
[0086] 步骤5.1：对测试车型图像，通过步骤1到步骤2的操作，得到其R个事务项数据集；
[0087] 步骤5.2：对提取到的R个事务项数据集，将其与训练集中每种车型图像的显露模式集进行匹配统计，得到其基于训练集中每种车型图像的模式集直方图表示；
[0088] 步骤5.3：将得到的测试车型图像的每种模式集直方图表示，导入步骤4中的车型识别系统进行测试，根据最大概率匹配，识别出车型。
