شناسايي نوع و مدل وسيله نقليه با استخراج خودكار بخش‌هاي مشترك

Fined-Grained Vehicle Classification using Similar Auto Extracted Parts

پس از موضوعاتي چون تشخيص مكان خودرو و شناسايي گروه كلي خودرو، شناسايي نوع و مدل دقيق وسيله نقليه (VMMR) در دهه‌ي اخير در مركز توجه محققين قرار گرفته است. اين مسئله به دليل وجود تعداد كلاس‌هاي زياد و شباهت بسيار زياد اين كلاس‌ها به يكديگر، از مسائل طبقه‌بندي دشوار به حساب مي‌آيد. در اين مقاله، روشي براي شناسايي نوع و مدل وسيله نقليه پيشنهاد شده است. روش پيشنهادي شامل دو بخش است. ارائه‌ي رويكردي جديد براي شناسايي نوع و مدل وسيله نقليه و ارائه‌ي روشي براي پياده‌سازي اين رويكرد. رويكرد پيشنهادي با تمركز بر بخش‌هاي تشكيل دهنده‌ي خودرو از قبيل چراغ‌ها، جلو پنجره و نشان‌واره به طبقه‌بندي كلاس‌هاي مختلف وسيله نقليه مي‌پردازد. براي پياده سازي اين رويكرد، يك مدل مبتني بر بخش را با استفاده از الگوريتم ماشين بردار پشتيبان مخفي (Latent SVM) آموزش داده ايم. اين مدل قادر به استخراج پنج بخش براي هر خودرو است. توصيفگر هيستوگرام گراديان‌هاي جهت‌دار براي استخراج ويژگي و ماشين بردار پشتيبان براي طبقه‌بندي به كار گرفته شده‌اند. براي آزمايش رويكرد مورد اشاره، مجموعه داده‌اي متشكل از 720 تصوير از نماي جلو و پشت 21 كلاس مختلف از خودروها جمع‌آوري شده و تمامي بخش‌هاي آن‌ها هم به صورت دستي و هم به صورت خودكار علامت‌گذاري و استخراج گشته‌اند. نتايج آزمايشات انجام شده بر روي اين تصاوير، در درجه اول، برتري رويكرد مبتني بر بخش را نسبت به رويكردهاي پيشين نشان مي‌دهد؛ و در درجه دوم، نزديكي دقت روش علامت‌گذاري خودكار به روش دستي را اثبات مي‌كند. روش پيشنهادي موفق به كسب دقت 100% بر روي نماي جلو و پشت شده است.

After vehicle detection and vehicle type recognition, it is vehicle make and model recognition (VMMR) that has attracted researchers attention in the last decade. This problem is known as a hard classification problem due to the large number of classes and small inner-class distance. This paper is proposed a new method for recognition of make and model of vehicles.
The proposed approach has two parts. A new part-based approach for vehicle make and model recognition and a new method for auto extraction of parts. This approach concentrates on meaningful parts of vehicle like lights, grilles and logo for classification of different classes. The Histogram of Oriented Gradients (HOG) and Support Vector Machine (SVM) have been used for feature extraction and classification tasks respectively. For evaluation purposes, a dataset including 720 images from frontal and rear view of21 different classes of vehicles have been prepared and fully annotated based on their parts. The experimental results showed the effectiveness of the part-based approach in compare to the traditional approaches and the high accuracy gained from auto extracted parts. The proposed method achieved 100% accuracy on both frontal and rear view.