本文關(guān)鍵詞：基于遠(yuǎn)紅外影像分析的輪轂過熱檢測

  更多相關(guān)文章： 輪胎過熱檢測 特征提取 多特征融合 增量支持向量機(jī)

【摘要】：輪胎是汽車的重要組成部分,承擔(dān)著整個(gè)汽車的重量。輪胎長時(shí)間與地面摩擦,會(huì)造成溫度過高而導(dǎo)致輪胎損壞、爆胎,尤其在具有長大下坡的山區(qū)高速公路段,輪胎過熱極易發(fā)生車體自燃,從而造成嚴(yán)重交通擁堵,因此及時(shí)檢測車輛輪胎輪轂的溫度尤為重要。目前檢測主要以接觸式傳感器和紅外測溫儀為主,其安裝量大且準(zhǔn)確率低,且當(dāng)溫度異常時(shí),駕駛員往往會(huì)忽視車內(nèi)提示的異常信息,難以及時(shí)對(duì)輪胎降溫。因此外界利用圖像處理技術(shù)檢測輪胎輪轂是否過熱,對(duì)異常車輛及時(shí)預(yù)警以便采取降溫措施,具有重要意義。本文對(duì)紅外圖像進(jìn)行分析,有效地將輪胎輪轂區(qū)域分割出來,并提取輪胎區(qū)域多種特征,利用分類器對(duì)車輛輪胎輪轂過熱與否進(jìn)行判別。該方法不易受到外界干擾,能及時(shí)發(fā)現(xiàn)異常車輛并采取措施,減少人員傷亡和財(cái)產(chǎn)損失。主要研究內(nèi)容如下:首先,介紹了車輛輪胎輪轂溫度檢測的背景、現(xiàn)狀及研究意義。輪胎輪轂過熱與否的識(shí)別過程分為三部分,目標(biāo)區(qū)域分割、特征提取和分類識(shí)別。本文主要對(duì)特征提取方法進(jìn)行研究,并從全局和局部兩個(gè)方面分別介紹了特征提取方法的基本概念和發(fā)展現(xiàn)狀。在此基礎(chǔ)上,對(duì)多特征融合方法進(jìn)行了闡述。其次,詳細(xì)介紹了方向梯度直方圖(Histogram of Oriented Gradient,HOG)、局部二值模式(Local Binary Patterns,LBP)特征提取方法的概念及步驟。本文根據(jù)紅外熱像儀采集的紅外圖像中輪胎輪轂溫度與亮度間的關(guān)系,提出散射狀亮度差(Scattering Brightness Difference Descriptor,SBDD)特征提取方法,經(jīng)過提取目標(biāo)區(qū)域不同位置的亮度特征與其他特征融合有效地對(duì)輪胎輪轂過熱與否進(jìn)行識(shí)別。最后詳細(xì)介紹支持向量機(jī)的增量學(xué)習(xí)算法,并提出多特征融合的輪胎輪轂過熱與否判定模型。再次,在輪胎輪轂過熱與否識(shí)別過程中,首先采用前景提取方法提取車輛輪胎圖像幀,接著對(duì)提取出來的圖像幀進(jìn)行預(yù)處理,包括輪胎輪轂?zāi)繕?biāo)區(qū)域的提取和分割等。隨后提取輪胎圖像的HOG特征、LBP特征及SBDD特征,其中為了減少HOG特征的冗余信息采用主成分分析法對(duì)特征向量進(jìn)行降維。多特征歸一化后串聯(lián)得到最終特征向量,利用增量支持向量機(jī)對(duì)輪胎輪轂圖像是否過熱進(jìn)行判別。最后,本文進(jìn)行了大量實(shí)驗(yàn),結(jié)果表明提出的SBDD特征可以很好地表達(dá)輪胎熱度信息,同時(shí)將其與HOG和LBP特征融合后,有效地提高了輪胎輪轂是否過熱識(shí)別性能。
【關(guān)鍵詞】：輪胎過熱檢測 特征提取 多特征融合 增量支持向量機(jī)
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U472.9;TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-14
• 1.1 研究背景及意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-10
• 1.3 研究內(nèi)容與方法10-12
• 1.3.1 研究內(nèi)容10-11
• 1.3.2 研究方法11-12
• 1.4 文章結(jié)構(gòu)安排12-14
• 第二章 特征提取與融合方法綜述14-20
• 2.1 特征提取方法14-17
• 2.1.1 全局特征提取14-16
• 2.1.2 局部特征提取16-17
• 2.1.3 特征提取方法比較17
• 2.2 特征的融合方法17-19
• 2.2.1 底層特征融合18
• 2.2.2 中層特征融合18
• 2.2.3 高層特征融合18-19
• 2.3 本章小結(jié)19-20
• 第三章 輪胎輪轂判別模型的建立20-36
• 3.1 引言20-21
• 3.2 輪胎輪轂的特征提取及融合21-28
• 3.2.1 方向梯度直方圖HOG21-23
• 3.2.2 局部二值模式LBP23-25
• 3.2.3 散射狀亮度差描述子SBDD25-27
• 3.2.4 輪胎輪轂特征的融合27-28
• 3.3 輪胎輪轂增量支持向量機(jī)判別模型28-35
• 3.3.1 SVM支持向量機(jī)28-32
• 3.3.2 支持向量機(jī)增量學(xué)習(xí)算法32-35
• 3.3.3 輪胎輪轂過熱與否判別模型35
• 3.4 本章小結(jié)35-36
• 第四章 基于在線模型判別的輪轂過熱檢測36-52
• 4.1 視頻幀中輪轂區(qū)域預(yù)處理36-38
• 4.1.1 有效幀的提取36-37
• 4.1.2 輪胎輪轂圖像預(yù)處理37-38
• 4.2 輪胎輪轂特征的構(gòu)建38-45
• 4.2.1 HOG特征40-41
• 4.2.2 LBP特征41-43
• 4.2.3 SBDD特征43-44
• 4.2.4 特征的融合44-45
• 4.3 基于增量支持向量機(jī)的輪轂過熱檢測45-46
• 4.4 實(shí)驗(yàn)結(jié)果與分析46-51
• 4.4.1 實(shí)驗(yàn)數(shù)據(jù)來源46-47
• 4.4.2 實(shí)驗(yàn)過程說明47-48
• 4.4.3 實(shí)驗(yàn)結(jié)果分析48-51
• 4.5 本章小結(jié)51-52
• 結(jié)論52-54
• 參考文獻(xiàn)54-59
• 攻讀學(xué)位期間取得的研究成果59-60
• 致謝60

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 陳銳;王敏;陳肖;;基于PCA降維的HOG與LBP融合的行人檢測[J];信息技術(shù);2015年02期

2 陳沅濤;徐蔚鴻;吳佳英;胡蓉;;基于增量學(xué)習(xí)向量SVM方法的圖像分割應(yīng)用[J];南京理工大學(xué)學(xué)報(bào);2014年01期

3 郭金鑫;陳瑋;;基于HOG多特征融合與隨機(jī)森林的人臉識(shí)別[J];計(jì)算機(jī)科學(xué);2013年10期

4 顧彬;鄭關(guān)勝;王建東;;增量和減量式標(biāo)準(zhǔn)支持向量機(jī)的分析[J];軟件學(xué)報(bào);2013年07期

5 范會(huì)敏;王浩;;模式識(shí)別方法概述[J];電子設(shè)計(jì)工程;2012年19期

6 梁進(jìn);劉泉;艾青松;;基于SURF和全局特征融合的圖像分類研究[J];計(jì)算機(jī)工程與應(yīng)用;2013年17期

7 林玲;周新民;商琳;高陽;;基于特征融合的多模態(tài)身份識(shí)別方法研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2011年08期

8 王文虎;任艷惠;趙波;;基于nRF2401的汽車輪胎溫度監(jiān)測裝置設(shè)計(jì)[J];電子測試;2008年04期

9 曹興舉;;汽車在高速公路上爆胎原因及防治措施[J];交通科技與經(jīng)濟(jì);2008年02期

10 付瑋;曾接賢;;基于形狀特征的圖像檢索技術(shù)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2007年11期

，

本文編號(hào)：549950