本文選題：客車超載 + 圖像處理　； 參考：《吉林大學(xué)》2017年碩士論文

【摘要】：目前,客車事故頻頻發(fā)生,導(dǎo)致交通事故率居高不下�？蛙囈蚱浔旧磔d客人數(shù)多的特點(diǎn),一旦發(fā)生事故極易出現(xiàn)傷亡情況,而客車超載更是使客車事故傷亡率大大提高的關(guān)鍵因素。當(dāng)前還沒有一個(gè)可以進(jìn)行客車超載檢測(cè)的自動(dòng)化計(jì)算機(jī)系統(tǒng),大部分都是通過人工檢查客車攝像頭拍攝的圖像是否超載來確定的,這種方法準(zhǔn)確率雖高,但是效率極低。隨著計(jì)算機(jī)行業(yè)的迅猛發(fā)展,圖像處理及圖像分類方面的研究一直都是世界各國(guó)研究學(xué)者討論的熱點(diǎn)。如果使用數(shù)字圖像處理和圖像分類技術(shù)相結(jié)合的方法來檢查客車超載的情況,必定能大大提高效率,節(jié)省人力資源,因此本文主要研究了基于圖像處理與支持向量機(jī)(Support Vector Machine,SVM)的客車圖像超載檢測(cè)的實(shí)現(xiàn)方法。本文研究了使用支持向量機(jī)實(shí)現(xiàn)客車圖像超載檢測(cè),并實(shí)現(xiàn)客車圖像的分類,主要設(shè)計(jì)了兩大模塊,圖像處理模塊和SVM分類器模塊。圖像處理模塊研究的是客車圖像特征輪廓的提取,主要用到了圖像增強(qiáng)技術(shù)、圖像分割技術(shù)、特征提取技術(shù)。首先通過直方圖均衡化實(shí)現(xiàn)了圖像的增強(qiáng),使圖像更加清晰明亮。然后提出了一種適合本文圖像樣本的Otsu閾值分割的改進(jìn)方法,通過改進(jìn)后Otsu閾值分割法,將圖像二值分割,并對(duì)分割后的圖像進(jìn)行腐蝕膨脹處理。最后通過邊緣檢測(cè)技術(shù)的Kirsch算子實(shí)現(xiàn)了分割圖像的特征提取,建立了圖像特征樣本數(shù)據(jù)庫。SVM分類器模塊概述了支持向量機(jī)的基礎(chǔ)知識(shí),完成基于不同SVM模型和不同核函數(shù)的SVM分類器的建模。對(duì)于一個(gè)支持向量機(jī)來說,如果要解決非線性的分類問題,建立最優(yōu)化的支持向量機(jī)分類器以及核函數(shù)的選擇會(huì)直接影響分類結(jié)果。本文并通過實(shí)驗(yàn)對(duì)各種SVM分類器的分類測(cè)試結(jié)果進(jìn)行對(duì)比,最終選擇出最有效的SVM分類器,實(shí)現(xiàn)了基于支持向量機(jī)的客車圖像分類和超載檢測(cè)。
[Abstract]:At present, bus accidents occur frequently, resulting in a high traffic accident rate. Because of its large number of passengers, passenger cars are prone to casualties once accidents occur, and bus overload is the key factor to greatly increase the casualty rate of bus accidents. At present, there is no automatic computer system for bus overload detection, most of which are determined by manually checking whether the images taken by the bus camera are overloaded. Although this method has high accuracy, but its efficiency is extremely low. With the rapid development of computer industry, the research on image processing and image classification has always been a hot topic for researchers all over the world. If a combination of digital image processing and image classification is used to check the overloading of passenger cars, it will greatly improve efficiency and save human resources. Therefore, this paper mainly studies the realization method of bus image overload detection based on image processing and support vector machine (SVM). In this paper, support vector machine (SVM) is used to realize image overload detection and classification of bus image. Two modules, image processing module and SVM classifier module, are designed. Image processing module is used to extract feature contour of bus image, which mainly uses image enhancement technology, image segmentation technology and feature extraction technology. Firstly, the image enhancement is realized by histogram equalization, which makes the image clearer and brighter. Then an improved Otsu threshold segmentation method suitable for the image samples in this paper is proposed. By using the improved Otsu threshold segmentation method, the binary image is segmented and the image is corroded and expanded. Finally, the feature extraction of segmented image is realized by Kirsch operator of edge detection technology, and the basic knowledge of support vector machine (SVM) is summarized in the module of image feature sample database .SVM classifier. The model of SVM classifier based on different SVM models and different kernel functions is completed. For a support vector machine, if the nonlinear classification problem is to be solved, the establishment of an optimal SVM classifier and the selection of kernel functions will directly affect the classification results. Finally, the most effective SVM classifier is selected to realize bus image classification and overload detection based on support vector machine.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱峗,吳煒;圖像分類中變形決策樹的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

2 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚(yáng)彬;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2005年01期

3 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類體系[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年07期

4 楊杰;陳曉云;;圖像分類方法比較研究[J];微計(jì)算機(jī)應(yīng)用;2007年06期

5 楊文潮;姜志堅(jiān);;圖像分類技術(shù)研究[J];福建電腦;2008年08期

6 葛寒娟;邱桃榮;王劍;盧強(qiáng);李北;劉韜;聶斌;;一種基于相容信息粒原理的圖像分類方法[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

7 王軍;王員云;;粒計(jì)算及其在圖像分類中的應(yīng)用研究[J];計(jì)算機(jī)工程與科學(xué);2009年03期

8 吳軍;王士同;;基于正負(fù)模糊規(guī)則的相結(jié)合的圖像分類[J];計(jì)算機(jī)應(yīng)用;2011年01期

9 吳軍;王士同;趙鑫;;正負(fù)模糊規(guī)則系統(tǒng)、極限學(xué)習(xí)機(jī)與圖像分類[J];中國(guó)圖象圖形學(xué)報(bào);2011年08期

10 郝永寬;王威;聶維同;王德強(qiáng);;圖像分類與聚類分析[J];數(shù)字技術(shù)與應(yīng)用;2011年12期

相關(guān)會(huì)議論文 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機(jī)的圖像分類[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術(shù)在油品分析中的應(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計(jì)的圖像分類方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類[A];第二十四屆中國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 胡堯;基于低秩矩陣估計(jì)的機(jī)器學(xué)習(xí)算法分析[D];浙江大學(xué);2015年

2 李昌英(Ri ChangYong);基于上下文信息的語義圖像分類研究[D];浙江大學(xué);2014年

3 陳博;基于集成學(xué)習(xí)和特征選擇的極化SAR地物分類[D];西安電子科技大學(xué);2015年

4 王曉東;基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類[D];西安電子科技大學(xué);2014年

5 顧迎節(jié);面向圖像分類的主動(dòng)學(xué)習(xí)算法研究[D];南京理工大學(xué);2015年

6 孟丹;基于深度學(xué)習(xí)的圖像分類方法研究[D];華東師范大學(xué);2017年

7 趙鑫;圖像分類中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

8 楊冰;基于藝術(shù)風(fēng)格的繪畫圖像分類研究[D];浙江大學(xué);2013年

9 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學(xué);2012年

10 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 張明靜;基于改進(jìn)遺傳算法的分塊綜合特征加權(quán)圖像分類研究[D];華南理工大學(xué);2015年

2 李函怡;融合主動(dòng)學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類中的應(yīng)用研究[D];西南大學(xué);2015年

3 王亞鳳;基于多特征的主動(dòng)學(xué)習(xí)方法在圖像分類中的應(yīng)用研究[D];河北工程大學(xué);2015年

4 陳榮安;基于改進(jìn)的Bag-of-Features模型的圖像分類研究[D];蘭州大學(xué);2015年

5 鐘畏丹;基于HSV和紋理特征的圖像分類[D];華中師范大學(xué);2015年

6 焦陽;基于主動(dòng)學(xué)習(xí)的多標(biāo)簽圖像分類方法研究[D];蘇州大學(xué);2015年

7 王騰川;基于主動(dòng)學(xué)習(xí)的SAR圖像分類方法研究[D];上海交通大學(xué);2015年

8 NGUYEN QUANG KHANH;基于極化SAR目標(biāo)信息提取與SVM分類[D];哈爾濱工業(yè)大學(xué);2015年

9 王朔琛;基于半監(jiān)督支持向量機(jī)的圖像分類方法研究[D];陜西師范大學(xué);2015年

10 楊東坡;基于深度學(xué)習(xí)的商品圖像分類[D];大連交通大學(xué);2015年

，

本文編號(hào)：2058768