車標(biāo)識(shí)別是車輛識(shí)別中不可或缺的一部分,通過(guò)對(duì)車標(biāo)的識(shí)別,可以極大縮小車型識(shí)別的搜索范圍,有助于規(guī)范交通秩序和偵察涉車犯罪等,是智能交通系統(tǒng)中重要的組成部分。近年來(lái),針對(duì)車標(biāo)識(shí)別方面的研究層出不窮,但大多數(shù)方法未能全面細(xì)致地分析車標(biāo)圖像的特點(diǎn)。一方面,算法提取的特征單一,不能全面的描述車標(biāo)圖像的特征;另一方面,提取到的特征過(guò)于冗雜,特征維度高,降低了車標(biāo)識(shí)別的速度,導(dǎo)致未能取得理想的識(shí)別效果。車標(biāo)形狀的繁雜多變、環(huán)境光照的干擾、車標(biāo)圖像分辨率低以及成像質(zhì)量的不穩(wěn)定等,使得車標(biāo)識(shí)別具有非常大的挑戰(zhàn)性。為了提升車標(biāo)識(shí)別的整體識(shí)別效果,本文針對(duì)以上問(wèn)題,提出了兩種車標(biāo)識(shí)別方法:增強(qiáng)邊緣梯度特征局部量化的車標(biāo)識(shí)別和基于抗模糊特征提取的車標(biāo)識(shí)別方法。本文的主要工作如下:（1）詳細(xì)描述并分析了近年來(lái)的車標(biāo)識(shí)別方法,通過(guò)歸納總結(jié)車標(biāo)圖像的特點(diǎn),指出了現(xiàn)有車標(biāo)識(shí)別方法中存在的不足,為車標(biāo)識(shí)別的進(jìn)一步研究打下了基礎(chǔ)。（2）提出了增強(qiáng)邊緣梯度特征局部量化的車標(biāo)識(shí)別方法:通過(guò)分析車標(biāo)圖像的整體特點(diǎn),提取車標(biāo)的增強(qiáng)邊緣特征信息,然后通過(guò)對(duì)特征的局部量化處理,在學(xué)習(xí)到關(guān)鍵特征的同時(shí),精簡(jiǎn)了特征數(shù)目。通過(guò)在HFUT... 

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 車標(biāo)定位
        1.2.2 車標(biāo)識(shí)別
    1.3 研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.3.1 研究?jī)?nèi)容
        1.3.2 組織結(jié)構(gòu)
第二章 相關(guān)算法分析與車標(biāo)數(shù)據(jù)集介紹
    2.1 相關(guān)傳統(tǒng)特征描述方法介紹
        2.1.1 SIFT相關(guān)介紹
        2.1.2 不變矩特征
        2.1.3 LBP特征
        2.1.4 HOG特征
        2.1.5 局部量化模式
    2.2 相關(guān)深度學(xué)習(xí)方法介紹
        2.2.1 基于經(jīng)典CNN模型
        2.2.2 基于GoogLeNet模型
    2.3 車標(biāo)數(shù)據(jù)集介紹
        2.3.1 HFUT-VL數(shù)據(jù)集
        2.3.2 XMU數(shù)據(jù)集
    2.4 本章小結(jié)
第三章 增強(qiáng)邊緣梯度特征局部量化的車標(biāo)識(shí)別方法
    3.1 算法整體思想
    3.2 算法描述
        3.2.1 POEM特征提取
        3.2.2 增強(qiáng)邊緣梯度特征提取
        3.2.3 特征的局部量化
        3.2.4 特征向量的降維與分類
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)參數(shù)評(píng)估
        3.3.3 與其他方法的比較
    3.4 本章小結(jié)
第四章 基于抗模糊特征提取的車標(biāo)識(shí)別方法
    4.1 算法整體思想
    4.2 算法描述
        4.2.1 車標(biāo)圖像金字塔模型
        4.2.2 抗紋理模糊特征提取方法
        4.2.3 抗邊緣模糊特征提取方法
        4.2.4 特征的融合與識(shí)別
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)數(shù)據(jù)集
        4.3.2 實(shí)驗(yàn)參數(shù)評(píng)估
        4.3.3 與其他方法的比較
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)SIFT特征提取的車標(biāo)識(shí)別[J]. 耿慶田,趙浩宇,王宇婷,趙宏偉.  光學(xué)精密工程. 2018(05)
[2]前背景骨架區(qū)域隨機(jī)點(diǎn)對(duì)策略驅(qū)動(dòng)下的車標(biāo)識(shí)別方法[J]. 余燁,聶振興,金強(qiáng),王江明.  中國(guó)圖象圖形學(xué)報(bào). 2016(10)
[3]基于深度學(xué)習(xí)的車標(biāo)識(shí)別方法研究[J]. 彭博,臧笛.  計(jì)算機(jī)科學(xué). 2015(04)
[4]基于HSV顏色空間的一種車牌定位和分割方法[J]. 王洪建.  儀器儀表學(xué)報(bào). 2005(S2)



本文編號(hào)：3710428