[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。