【摘要】：近年來(lái),隨著交通事業(yè)的迅速發(fā)展,汽車數(shù)量也迅猛增加,道路交通安全問(wèn)題日益突出,為了解決這一問(wèn)題,社會(huì)各界致力于研究各種交通輔助系統(tǒng),旨在通過(guò)智能交通系統(tǒng)來(lái)提高駕駛的安全性。車輛檢測(cè)是智能交通系統(tǒng)中的重要組成部分,通過(guò)對(duì)駕駛環(huán)境的有效分析,對(duì)可能發(fā)生的交通事故進(jìn)行預(yù)警,有效的降低交通事故的發(fā)生率。目前,基于特征的車輛檢測(cè)方法被研究者廣泛使用,這種方法主要分為特征提取和分類器訓(xùn)練兩個(gè)部分。首先,在特征選取上要選擇能有力表征車輛信息的特征,多層次垂直導(dǎo)向梯度和多層次局部二值模式都能較好的描述車輛的信息。其次,在分類器訓(xùn)練上要選用分類速度快,識(shí)別率高的分類器,交叉核SVM分類器具備這些優(yōu)點(diǎn)。根據(jù)上述分析,本文設(shè)計(jì)了一種基于特征融合和交叉核SVM的車輛檢測(cè)算法。本文設(shè)計(jì)了一種融合多層次垂直導(dǎo)向梯度特征和多層次局部二值模式算子的車輛特征,為避免融合后特征維數(shù)過(guò)高而造成訓(xùn)練模型時(shí)較為耗時(shí),本文將主元分析應(yīng)用到車輛檢測(cè)系統(tǒng)中。用主元分析對(duì)多層次垂直導(dǎo)向梯度特征降維,然后再和多層次局部二值模式算子串聯(lián)融合。本文使用交叉核SVM對(duì)得到的特征訓(xùn)練并分類,有效的縮短了訓(xùn)練生成模型和檢測(cè)分類的時(shí)間。利用多尺度滑動(dòng)窗遍歷的方法實(shí)現(xiàn)對(duì)不同大小車輛的檢測(cè)。這樣就可能會(huì)導(dǎo)致同一目標(biāo)車輛有多個(gè)檢測(cè)結(jié)果,本文使用窗口融合的方法對(duì)多個(gè)檢測(cè)結(jié)果進(jìn)行融合,得到最終的檢測(cè)結(jié)果。為驗(yàn)證本文算法的性能,本文做了對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,本文的基于特征融合的車輛檢測(cè)算法在有效的提升了車輛檢測(cè)準(zhǔn)確率的同時(shí)降低了虛警率,從整體上提高了車輛檢測(cè)的性能。最后對(duì)本文的工作進(jìn)行了總結(jié),并對(duì)未來(lái)的研究工作進(jìn)行了展望。
[Abstract]:In recent years, with the rapid development of traffic, the number of vehicles is also increasing rapidly, and the problem of road traffic safety is becoming increasingly prominent. In order to solve this problem, all walks of life are devoted to studying various traffic assistance systems. The aim is to improve the safety of driving through the intelligent transportation system. Vehicle detection is an important part of intelligent transportation system. Through the effective analysis of driving environment, early warning of possible traffic accidents can effectively reduce the incidence of traffic accidents. At present, the feature-based vehicle detection method is widely used by researchers. This method is mainly divided into two parts: feature extraction and classifier training. First of all, in the feature selection, we should choose the feature which can represent the vehicle information. The multi-level vertical guidance gradient and multi-level local binary mode can all describe the vehicle information well. Secondly, the fast classifier and the high recognition rate should be used in the training of classifier. The crossover kernel SVM classifier has these advantages. Based on the above analysis, this paper designs a vehicle detection algorithm based on feature fusion and cross kernel SVM. In this paper, we design a vehicle feature which combines multi-level vertical guidance gradient and multi-level local binary pattern operator. It is time-consuming to avoid the excessive dimension of feature after fusion. In this paper, principal component analysis is applied to vehicle detection system. Principal component analysis (PCA) is used to reduce the dimension of multi-level vertical guiding gradient and then merge with multi-level local binary pattern operator in series. In this paper, the cross-kernel SVM pair is used to train and classify the features, which effectively shortens the time of training generation model and detection and classification. Multi-scale sliding window traversal method is used to detect vehicles of different sizes. This may lead to multiple detection results of the same target vehicle. In this paper, the window fusion method is used to fuse the multiple detection results, and the final detection results are obtained. In order to verify the performance of this algorithm, the experiment results show that the vehicle detection algorithm based on feature fusion can effectively improve the accuracy of vehicle detection and reduce the false alarm rate. The performance of vehicle detection is improved as a whole. Finally, the work of this paper is summarized, and the future research work is prospected.
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;U495

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張文溥;;視頻車輛檢測(cè)技術(shù)及發(fā)展趨勢(shì)[J];中國(guó)人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

2 劉珠妹;劉亞嵐;譚衢霖;任玉環(huán);;高分辨率衛(wèi)星影像車輛檢測(cè)研究進(jìn)展[J];遙感技術(shù)與應(yīng)用;2012年01期

3 錢志明;楊家寬;段連鑫;;基于視頻的車輛檢測(cè)與跟蹤研究進(jìn)展[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S2期

4 湯灝;張峰;;車輛檢測(cè)技術(shù)的選用[J];中國(guó)交通信息產(chǎn)業(yè);2004年03期

5 文學(xué)志;趙宏;王楠;袁淮;;基于知識(shí)和外觀方法相結(jié)合的后方車輛檢測(cè)[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年03期

6 劉振華;黃磊;劉昌平;;一種基于視頻圖像處理的車輛違章檢測(cè)算法[J];公路交通科技;2012年02期

7 楊阿麗;劉峽壁;魏雪;萬(wàn)玉釵;;用于交通治安卡口的全天候視頻車輛檢測(cè)方法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

8 魏凱;盛建平;熊凱;;基于陰影特征的前向車輛檢測(cè)和測(cè)距方法研究[J];機(jī)械設(shè)計(jì)與制造;2013年02期

9 郭磊;李克強(qiáng);王建強(qiáng);連小珉;;一種基于特征的車輛檢測(cè)方法[J];汽車工程;2006年11期

10 李光才;;一種改進(jìn)的背景重建與更新方法[J];中國(guó)水運(yùn)(下半月);2008年05期

相關(guān)會(huì)議論文 前10條

1 錢志明;楊家寬;段連鑫;;基于視頻的車輛檢測(cè)與跟蹤研究進(jìn)展[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

2 聞?dòng)?潘霓;;基于磁偏角的車輛檢測(cè)的研究[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

3 楊阿麗;劉峽壁;魏雪;萬(wàn)玉釵;;用于交通治安卡口的全天候視頻車輛檢測(cè)方法[A];全國(guó)第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國(guó)第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)議論文摘要集[C];2011年

4 楊淼;;基于卡爾曼濾波的電子警察系統(tǒng)車輛檢測(cè)算法[A];2011年全國(guó)電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

5 蔣大林;馬軍強(qiáng);;基于視頻的車輛檢測(cè)與跟蹤方法綜述[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（2）[C];2008年

6 鄒月嫻;王一言;關(guān)佩;楊華;陳維榮;;復(fù)雜視頻背景中的運(yùn)動(dòng)車輛檢測(cè)技術(shù)[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

7 李舜酩;繆小冬;;視覺車輛檢測(cè)方法的研究進(jìn)展及展望[A];2009全國(guó)虛擬儀器大會(huì)論文集（二）[C];2009年

8 王忠耀;任青春;王少華;郭春生;;基于紅外視頻的車載行人車輛檢測(cè)系統(tǒng)[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

9 孫明;孫紅;;智能交通系統(tǒng)中車輛的圖像檢測(cè)方法研究[A];農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國(guó)農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文集第三分冊(cè)[C];2005年

10 吳嶸;何培宇;徐自勵(lì);段文鋒;劉珂含;;一種去背景的車輛檢測(cè)與跟蹤快速算法[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

相關(guān)重要報(bào)紙文章 前10條

1 記者 何雪峰;宿州簡(jiǎn)政放權(quán)助推縣域經(jīng)濟(jì)[N];安徽日?qǐng)?bào);2009年

2 記者 賈瑞芳;檢車進(jìn)企業(yè) 溫暖送到家[N];河北經(jīng)濟(jì)日?qǐng)?bào);2009年

3 鄭利平;湖州車輛檢測(cè)科研項(xiàng)目通過(guò)鑒定[N];中國(guó)交通報(bào);2004年

4 張廣明;運(yùn)用高新技術(shù)審驗(yàn)運(yùn)輸車輛[N];巴彥淖爾日?qǐng)?bào)(漢);2007年

5 張奇 李小潔;車輛檢測(cè)，為何招來(lái)怨聲一片[N];檢察日?qǐng)?bào);2002年

6 本報(bào)記者 侯莎莎;車輛年檢強(qiáng)制免費(fèi)換牌釘[N];北京日?qǐng)?bào);2012年

7 奚榮武　顧剛;昆山：1100萬(wàn)元加強(qiáng)卡口監(jiān)控[N];人民公安報(bào);2009年

8 見習(xí)記者 黃鵬飛;檢測(cè)要細(xì)之又細(xì)，，事故要堅(jiān)決壓降[N];法治快報(bào);2006年

9 記者 楊耀青;車輛檢測(cè)更加公正透明[N];西安日?qǐng)?bào);2011年

10 張貴峰;車檢改革應(yīng)將交通部門納入其中[N];法制日?qǐng)?bào);2014年

相關(guān)博士學(xué)位論文 前7條

1 劉培勛;車輛主動(dòng)安全中關(guān)于車輛檢測(cè)與跟蹤算法的若干研究[D];吉林大學(xué);2015年

2 張偉;基于視覺的運(yùn)動(dòng)車輛檢測(cè)與跟蹤[D];上海交通大學(xué);2007年

3 徐琨;交通視頻監(jiān)控中的車輛檢測(cè)與跟蹤方法研究[D];長(zhǎng)安大學(xué);2009年

4 王曾敏;小波圖像融合算法及其在視頻車輛檢測(cè)系統(tǒng)中的應(yīng)用研究[D];天津大學(xué);2009年

5 許潔瓊;基于視頻圖像處理的車輛檢測(cè)與跟蹤方法研究[D];中國(guó)海洋大學(xué);2012年

6 嚴(yán)捷豐;交通視頻監(jiān)控中的車輛檢測(cè)與分割方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2008年

7 李衛(wèi)江;基于線陣CCD成像交通信息采集和檢測(cè)技術(shù)的研究[D];長(zhǎng)安大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 葉艷芳;城區(qū)復(fù)雜背景條件下的車輛檢測(cè)算法研究[D];重慶大學(xué);2008年

2 趙保佑;基于視覺的車輛檢測(cè)與跟蹤技術(shù)研究[D];武漢理工大學(xué);2009年

3 李立;基于機(jī)器視覺的運(yùn)動(dòng)車輛檢測(cè)[D];蘭州理工大學(xué);2009年

4 林人俊;基于視覺關(guān)注與分類的低空對(duì)地車輛檢測(cè)技術(shù)的研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2011年

5 馬偉;基于單個(gè)攝像機(jī)的車輛檢測(cè)與跟蹤[D];南京理工大學(xué);2008年

6 劉永霞;圖像/視頻車輛檢測(cè)若干問(wèn)題的研究[D];河北師范大學(xué);2012年

7 董高朋;車輛檢測(cè)系統(tǒng)的設(shè)計(jì)[D];武漢理工大學(xué);2013年

8 丁威;智能交通中車輛檢測(cè)相關(guān)算法的研究與實(shí)現(xiàn)[D];南京郵電大學(xué);2012年

9 黃雷;融合整體與組件特征的車輛檢測(cè)方法研究[D];北京理工大學(xué);2011年

10 張秋實(shí);基于單目視覺的車輛檢測(cè)算法的研究與實(shí)現(xiàn)[D];東北大學(xué);2010年

本文編號(hào)：2423917