【摘要】：車輛檢測(cè)和車型識(shí)別一直是智能交通領(lǐng)域研究的重要課題,隨著圖像處理和模式識(shí)別技術(shù)的不斷發(fā)展,基于圖像的車輛檢測(cè)和車型識(shí)別方法已成為研究熱點(diǎn)。圖像中的車輛檢測(cè)是指將車輛從拍攝的道路圖像中檢測(cè)出來(lái),圖像中的車型識(shí)別是指從車輛圖像中識(shí)別出車輛的類型。本文對(duì)圖像中的車輛檢測(cè)和車型識(shí)別算法分別進(jìn)行了研究,主要針對(duì)速度和準(zhǔn)確率兩個(gè)方面進(jìn)行了改進(jìn),具體的研究工作如下:(1)針對(duì)可變形部件模型的復(fù)雜性使其在檢測(cè)車輛時(shí)速度慢的問(wèn)題,對(duì)可變形部件模型進(jìn)行了改進(jìn),并使用改進(jìn)的可變形部件模型進(jìn)行車輛檢測(cè)。一方面使用加權(quán)PCA對(duì)可變形部件模型的基礎(chǔ)—HOG特征進(jìn)行降維來(lái)減少模型參數(shù);另一方面將HOG特征層組合后,使用FFT把濾波器與HOG特征層的卷積轉(zhuǎn)換為頻域乘積,來(lái)降低目標(biāo)得分的計(jì)算復(fù)雜度。仿真實(shí)驗(yàn)結(jié)果表明,改進(jìn)的可變形部件模型在進(jìn)行車輛檢測(cè)時(shí)檢測(cè)率和誤檢率都與原始模型相當(dāng),但檢測(cè)速度大幅提升,在UIUC和BIT兩個(gè)數(shù)據(jù)集上的平均耗時(shí)分別僅占原始模型平均耗時(shí)的29.6%和25.9%。(2)為提高車輛檢測(cè)的速度和準(zhǔn)確性,提出了一種基于多尺度HOG和多尺度MB-LBP兩種特征與嵌套級(jí)聯(lián)Gentle Adaboost的車輛檢測(cè)算法。分別使用積分直方圖和積分圖像加速提取多尺度HOG和多尺度MB-LBP特征。基于這兩種特征為Gentle Adaboost構(gòu)建兩種弱分類器,并采用嵌套級(jí)聯(lián)Gentle Adaboost分類器來(lái)進(jìn)一步提高檢測(cè)率和檢測(cè)速度。仿真實(shí)驗(yàn)結(jié)果表明,相比于現(xiàn)有的幾種車輛檢測(cè)算法,提出的算法檢測(cè)速度更快,且具有更高的檢測(cè)率。(3)針對(duì)原始詞包模型特征提取速度慢以及空間信息缺失問(wèn)題,提出一種基于改進(jìn)Dense-SURF特征和FC-VQ編碼的車型識(shí)別算法。首先使用Dense-SURF算法提取圖像特征,并通過(guò)改進(jìn)稠密采樣策略進(jìn)一步提高特征提取速度;然后使用特征上下文對(duì)矢量量化編碼進(jìn)行改進(jìn),提出特征上下文—矢量量化(FC-VQ)編碼算法,并用其對(duì)特征向量進(jìn)行編碼,使編碼后的特征包含空間位置信息,進(jìn)而提高識(shí)別率;最后采用快速直方圖相交核作為核函數(shù),將編碼后的特征送入SVM分類器進(jìn)行訓(xùn)練和識(shí)別。仿真實(shí)驗(yàn)結(jié)果表明,與其它幾種基于詞包模型的車型識(shí)別算法相比,提出的算法識(shí)別速度更快且識(shí)別率更高。
【圖文】：

0,1]對(duì)原圖像做卷積運(yùn)算，，得到 x對(duì)原圖像做卷積運(yùn)算，得到（y垂直）式如下：( , ) ( 1, ) ( 1, )xG x y I x y I x y( , ) ( , 1) ( , 1)yG x y I x y I x y 分別定義為：2 2( , ) ( , ) ( , )x yG x y G x y G x y1( , )( , ) tan( , )yxG x yx yG x y 個(gè) cell 構(gòu)建梯度方向直方圖個(gè)不重疊的單元格（cell），并將 cell如圖 2-3 所示。然后采用 9 個(gè) bin 的是根據(jù)像素點(diǎn)的梯度方向?qū)?cell 中度幅值。構(gòu)建的梯度方向直方圖即

基本LBP算子提取示意圖
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U495;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 張軍;孫文本;楊正瓴;;基于輪廓矩和Harris角點(diǎn)混合特征的車型識(shí)別系統(tǒng)[J];計(jì)算機(jī)應(yīng)用與軟件;2016年02期

2 蔣新華;高晟;廖律超;鄒復(fù)民;;半監(jiān)督SVM分類算法的交通視頻車輛檢測(cè)方法[J];智能系統(tǒng)學(xué)報(bào);2015年05期

3 劉操;鄭宏;黎曦;余典;;基于多通道融合HOG特征的全天候運(yùn)動(dòng)車輛檢測(cè)方法[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2015年08期

4 程麗霞;徐迎暉;;基于灰度共生矩陣紋理特征的車型識(shí)別系統(tǒng)[J];自動(dòng)化與信息工程;2015年02期

5 華莉琴;許維;王拓;馬瑞芳;胥博;;采用改進(jìn)的尺度不變特征轉(zhuǎn)換及多視角模型對(duì)車型識(shí)別[J];西安交通大學(xué)學(xué)報(bào);2013年04期

6 陳志猛;劉東權(quán);;基于對(duì)稱性的快速車輛檢測(cè)方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年03期

7 任建強(qiáng);;基于視頻序列的車型識(shí)別算法設(shè)計(jì)[J];計(jì)算機(jī)工程;2011年24期

8 齊美彬;楊愛(ài)麗;蔣建國(guó);李莉;;一種基于改進(jìn)碼本的車輛檢測(cè)與跟蹤方法[J];中國(guó)圖象圖形學(xué)報(bào);2011年03期

9 趙璐;于慧敏;;基于先驗(yàn)形狀信息和水平集方法的車輛檢測(cè)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2010年01期

相關(guān)碩士學(xué)位論文 前3條

1 吳東承;基于可變形部件模型的車輛檢測(cè)方法研究[D];華南理工大學(xué);2014年

2 王小龍;基于視頻圖像的車型識(shí)別算法研究與實(shí)現(xiàn)[D];西安電子科技大學(xué);2014年

3 錢志偉;智能交通系統(tǒng)中車型識(shí)別的研究與應(yīng)用[D];西安電子科技大學(xué);2011年

本文編號(hào)：2572044