發(fā)布時間：2018-03-13 03:35

  本文選題：海量圖像　切入點：車輛目標　出處：《北京交通大學》2017年碩士論文　論文類型：學位論文

【摘要】：隨著我國交通事業(yè)的迅猛發(fā)展,與日俱增的海量交通視頻圖像數(shù)據(jù)為圖像處理領(lǐng)域帶來了巨大的挑戰(zhàn),如何對這些海量圖像進行有效的存儲和處理成為目前國內(nèi)外學者的研究熱點問題�？v觀國內(nèi)外對于海量圖像處理以及車輛目標檢測的研究方式方法,大部分是通過使用已有的云平臺,實現(xiàn)傳統(tǒng)的圖像特征提取方法,并直接與待檢測車輛圖像進行計算或匹配,但不足的是從海量圖像中提取出來的特征維數(shù)之高、數(shù)量之多不但造成了大量的冗余信息,而且會產(chǎn)生很大的計算量,最終會影響車輛檢測的精度和效率。針對上述問題,本文研究了海量圖像背景下的特定車輛目標檢測的方法,主要研究目的在于更加高效的從海量圖像中檢測出特定車輛目標,且提高車輛目標檢測的精度,從而使得交通管理和城市發(fā)展變得更加智能化、高效化。論文的主要研究內(nèi)容包括:1、為了能夠提高最終特定車輛目標的檢測精度及效率,本文研究了基于Hadoop的海量圖像綜合特征的提取方法,根據(jù)車輛目標的特點,在并行架構(gòu)中多方面、全方位的對海量圖像中車輛目標進行特征的提取和描述。并根據(jù)人眼視覺研究出人眼視覺主觀特征模型,包括使用Harris角點檢測提取出目標區(qū)域、車輛主觀比例特征、車身主觀全局特征、車燈主觀幾何特征以及輪胎的主觀紋理方向特征;本文還考慮了車輛目標的客觀特征即SIFT特征,并使用Harris角點算子對其進行特征點的篩選。上述兩種特征構(gòu)成了本文提取的車輛目標綜合特征。2、為了能夠提高最終特定車輛目標的檢測效率,本文主要針對提取出來的高維SIFT特征進行降維映射處理,根據(jù)PCA算法善于發(fā)現(xiàn)高維數(shù)據(jù)中的線性結(jié)構(gòu)而LLE算法善于發(fā)現(xiàn)非線性流形結(jié)構(gòu)的特性,將PCA融入LLE中進行過渡,即局部PCA過渡非線性降維算法,該方法不僅消除了原始高維特征數(shù)據(jù)中的冗余和無關(guān)信息,還節(jié)省了大量不必要的存儲空間。3、針對特定車輛目標檢測方法的研究,本文對降維后的海量特征進行聚類分析,將蜂群算法與聚類模型相結(jié)合,并受到團隊管理學的啟發(fā),將蜂群聚類算法中蜜蜂采蜜的方式和團隊管理中成員的工作方式的優(yōu)劣勢相互彌補,形成了本文的團隊管理模式下的并行化智能蜂群聚類。綜合考慮距離測度、角度測度、匹配測度以及結(jié)構(gòu)測度,重新構(gòu)造了相似度測量函數(shù),通過計算待檢測的特定車輛目標與海量車輛圖像的相似度測量函數(shù)值的大小,來判斷相似程度,從而達到特定車輛目標檢測的目的。仿真實驗結(jié)果表明,本文海量圖像背景下的特定車輛目標的檢測方法具有良好的適用性,經(jīng)過篩選的特征提取方法、改進的降維映射算法以及團隊管理模式下的智能聚類分析等相比于傳統(tǒng)的算法都分別提高了檢測效率和檢測精度。最終得到測試樣本集的平均檢測完整率為86.38%、平均檢測準確率為71.25%,相比于其他文獻中的圖像檢索方法的精度有一定的提高。隨著路面交通與社會經(jīng)濟發(fā)展的聯(lián)系越來越緊密,在海量圖像背景下高效、正確地檢測出特定的車輛目標,對社會、經(jīng)濟的各個方面都具有深刻的研究意義。
[Abstract]:......
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：U495;TP391.41

【參考文獻】

相關(guān)期刊論文 前4條

1 張良將;宦飛;王楊德;;Hadoop云平臺下的并行化圖像處理實現(xiàn)[J];信息安全與通信保密;2012年10期

2 王珊;王會舉;覃雄派;周p，

本文編號：1604658