本文選題：車輛識別 + 主成分分析　； 參考：《合肥工業(yè)大學(xué)》2014年碩士論文

【摘要】：車輛的分類與識別的研究歷經(jīng)長時間的發(fā)展,至今仍是國內(nèi)外眾多科研機(jī)構(gòu)的重要研究方向。特別是基于圖像分析的車輛檢測,由于其成本低、靈活度高以及可以避免潛在的交通事故,成為學(xué)術(shù)界和工業(yè)界爭相關(guān)注的熱點(diǎn)。但是由于依然存在很多現(xiàn)階段無法解決的技術(shù)難題,如自然場景下的運(yùn)動車輛由于存在背景變化和部分遮擋而不易識別等,因此,有必要展開相關(guān)的理論研究工作。自然場景下的車輛,往往都存在著天氣、光照條件的變化以及車輛本身在顏色、尺寸、姿態(tài)等方面的不一致；另外,自然場景下不可避免的是遮擋問題,有些甚至是嚴(yán)重遮擋,這無疑加大了車輛識別的難度。本文針對自然場景下的車輛識別與分類問題,做了以下幾方面的工作：(1)首先概括的介紹了圖像分類與目標(biāo)識別的基本理論,然后總結(jié)了車輛識別與分類的研究背景和意義,回顧了國內(nèi)外車輛識別的發(fā)展現(xiàn)狀,明確了本文所要研究的內(nèi)容；(2)介紹了稀疏表示的發(fā)展由來以及稀疏表示的幾種流行算法,如全局優(yōu)化算法、貪婪算法以及其他幾類算法,同時分析了各種算法的利弊；(3)針對自然場景下的車輛識別問題,利用一種適合的特征提取方法,先用PCA降維方法對圖像的維數(shù)進(jìn)行簡化,接著用SIFT提取出尺度不變性特征。同時還描述了特征匹配問題；(4)提出一種基于核的K-SVD字典訓(xùn)練結(jié)合稀疏表示的分類方法：首先在利用上述所介紹的特征提取方法對圖像進(jìn)行預(yù)處理之后,然后對所得特征矩陣?yán)煤撕瘮?shù)將其從低維空間映射到高維空間,在這個高維空間里用K-SVD對新的高維特征矩陣進(jìn)行訓(xùn)練,分別得到相應(yīng)的兩類特征字典。此時,即可用稀疏表示分類器SRC對測試樣本進(jìn)行識別分類。在與其他幾種經(jīng)典識別方法對比后發(fā)現(xiàn),所提出的方法識別率有改善,更重要的是能夠消除部分遮擋對車輛識別的影響；(5)最后,提出利用當(dāng)今比較流行的分類器——支持向量機(jī)SVM與稀疏表示結(jié)合的方法來確保識別率的準(zhǔn)確性。首先介紹了SVM的理論及分類原理,分析了其優(yōu)缺點(diǎn)；接著用二者結(jié)合的思想進(jìn)行了算法設(shè)計和實(shí)驗驗證實(shí)驗結(jié)果證明：這種結(jié)合一方面不僅繼承了SVM的優(yōu)點(diǎn)——識別過程中得到的是全局最優(yōu)解,并且避免了其缺點(diǎn)：減少了SVM在運(yùn)算消耗上的代價同時結(jié)果逼近由稀疏表示分類器所得的識別性能,且保留了稀疏表示無需事先訓(xùn)練的優(yōu)勢,大大減少了計算量。最后總結(jié)了本文所研究內(nèi)容,分析了實(shí)驗的結(jié)果和性能,對可以提高和完善的方面提出了合理的構(gòu)想,并對車輛識別與分類的發(fā)展做出了進(jìn)一步的探討和展望。
[Abstract]:The research of vehicle classification and recognition has been developing for a long time, and it is still an important research direction of many scientific research institutions at home and abroad. Especially, vehicle detection based on image analysis, because of its low cost, high flexibility and can avoid potential traffic accidents, has become a hot spot in academia and industry. However, there are still many technical problems that can not be solved at this stage, such as the moving vehicles in natural scenes are difficult to recognize because of background changes and partial occlusion, so it is necessary to carry out relevant theoretical research work. In the natural scene, the vehicle often has the weather, the illumination condition change and the vehicle itself in the color, the size, the posture and so on inconsistent; in addition, under the natural scene inevitably is the occlusion question, some is even the serious occlusion, This undoubtedly increases the difficulty of vehicle identification. Aiming at the problem of vehicle recognition and classification in natural scene, this paper firstly introduces the basic theory of image classification and target recognition, then summarizes the research background and significance of vehicle recognition and classification. This paper reviews the development of vehicle recognition at home and abroad, and clarifies the content of this paper.) the development of sparse representation and several popular algorithms of sparse representation, such as global optimization algorithm, greedy algorithm and other algorithms, are introduced. At the same time, the advantages and disadvantages of various algorithms are analyzed. Aiming at the problem of vehicle recognition in natural scene, a suitable feature extraction method is used to simplify the dimension of the image by using PCA dimensionality reduction method, and then to extract the scale invariant feature by using SIFT. At the same time, the feature matching problem is also described. A kernel based K-SVD dictionary training method combined with sparse representation is proposed. Firstly, after preprocessing the image by using the feature extraction method mentioned above, Then the feature matrix is mapped from low-dimensional space to high-dimensional space by kernel function. In this high-dimensional space, the new high-dimensional feature matrix is trained by K-SVD, and two kinds of feature dictionaries are obtained respectively. At this point, the sparse representation classifier SRC can be used to identify and classify the test samples. Comparing with other classical recognition methods, it is found that the recognition rate of the proposed method is improved and, more importantly, the effect of partial occlusion on vehicle recognition can be eliminated. In order to ensure the accuracy of recognition rate, a new method combining support vector machine (SVM) and sparse representation is proposed. Firstly, the theory and classification principle of SVM are introduced, and its advantages and disadvantages are analyzed. Then, the algorithm is designed and the experimental results show that the combination not only inherits the advantages of SVM, but also obtains the global optimal solution in the process of recognition. And the disadvantages are avoided: the cost of SVM is reduced and the result approximates the recognition performance obtained by the sparse representation classifier, and the advantages of sparse representation without prior training are preserved, and the computational complexity is greatly reduced. Finally, the contents of this paper are summarized, the results and performance of the experiment are analyzed, a reasonable conception is put forward for improving and perfecting, and the development of vehicle recognition and classification is discussed and prospected.
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP391.41;U495

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳思寶;趙令;羅斌;;局部保持的稀疏表示字典學(xué)習(xí)[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2014年01期

2 鄭軼;蔡體健;;稀疏表示的人臉識別及其優(yōu)化算法[J];華東交通大學(xué)學(xué)報;2012年01期

3 段菲;章毓晉;;一種面向稀疏表示的最大間隔字典學(xué)習(xí)算法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2012年04期

4 張佳宇;彭力;;基于聯(lián)合動態(tài)稀疏表示方法的多圖像人臉識別算法[J];江南大學(xué)學(xué)報(自然科學(xué)版);2014年03期

5 查長軍;孫南;張成;韋穗;;基于稀疏表示的特定目標(biāo)識別[J];吉林大學(xué)學(xué)報(工學(xué)版);2013年01期

6 朱啟兵;楊寶;黃敏;;基于核映射稀疏表示分類的軸承故障診斷[J];振動與沖擊;2013年11期

7 王國權(quán);張揚(yáng);李彥鋒;王麗芬;馬曉梅;;一種基于稀疏表示的圖像去噪算法[J];工業(yè)儀表與自動化裝置;2013年05期

8 耿耀君;張軍英;;一種基于投影稀疏表示的基因選擇方法[J];哈爾濱工程大學(xué)學(xué)報;2011年08期

9 翟懿奎;甘俊英;徐穎;曾軍英;;快速稀疏表示指背關(guān)節(jié)紋識別及其并行實(shí)現(xiàn)[J];吉林大學(xué)學(xué)報(工學(xué)版);2012年S1期

10 詹永照;張珊珊;成科揚(yáng);;基于非線性可鑒別的稀疏表示視頻語義分析方法[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2013年06期

相關(guān)會議論文 前3條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識別研究[A];虛擬運(yùn)營與云計算——第十八屆全國青年通信學(xué)術(shù)年會論文集（上冊）[C];2013年

2 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識別[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

3 葛鳳翔;任歲玲;郭鑫;郭良浩;孫波;;微弱信號處理及其研究進(jìn)展[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

相關(guān)碩士學(xué)位論文 前10條

1 張琨雨;在線字典訓(xùn)練及加權(quán)差異性稀疏表示的研究[D];大連理工大學(xué);2011年

2 王勇;基于稀疏表示的人臉識別研究[D];五邑大學(xué);2013年

3 李義真;基于詞包與稀疏表示的場景分類[D];華南理工大學(xué);2013年

4 孫麗花;基于稀疏表示的人臉識別方法研究[D];河南科技大學(xué);2013年

5 陳天嬌;基于分組稀疏和權(quán)重稀疏表示的人臉識別研究[D];安徽大學(xué);2014年

6 劉自成;基于稀疏表示的雷達(dá)目標(biāo)角度與距離估計[D];西安電子科技大學(xué);2014年

7 李立;基于稀疏表示的人臉圖像識別方法研究[D];南京理工大學(xué);2012年

8 滿江月;基于稀疏表示的代價敏感性人臉識別算法研究[D];南京郵電大學(xué);2012年

9 趙廣鑾;稀疏表示在圖像識別中的應(yīng)用[D];北京郵電大學(xué);2013年

10 羅燕龍;基于局部稀疏表示模型的在線字典學(xué)習(xí)跟蹤算法研究[D];廈門大學(xué);2014年

，

本文編號：1781165