【摘要】：城市交通監(jiān)控體系,為智能交通系統(tǒng)的主要分支之一。城市交通中,交通監(jiān)管在智能化發(fā)展上發(fā)揮著核心效用,亦于交通領(lǐng)域以及模式識別上,皆發(fā)揮著舉足輕重的作用。隨著社會經(jīng)濟(jì)的發(fā)展,及大眾生活水平提升,機(jī)動車輛呈現(xiàn)出逐年增加趨勢,私人擁有機(jī)動車的增長,更為迅猛,由此誘發(fā)了系列交通問題。交通違章及事故增多,給城市交通及人身安全帶來隱患。故此,對交通管理提出更高要求,因無法實(shí)現(xiàn)對城市內(nèi)的所有路口與路段,實(shí)施全方位全天候的“人力監(jiān)控”,要解決這問題,就必須運(yùn)用“機(jī)器視覺及圖像處理”科技技術(shù),設(shè)立城市智能化交通監(jiān)管體系,對過往的車輛實(shí)施車型檢測及識別。本文對基于車輛圖像的車型分類問題展開研究,通過多視角車輛分類器和稀疏編碼,設(shè)計(jì)一個(gè)有效的車型識別方法,可對攝像機(jī)采集到的視頻與圖像內(nèi)的車輛,實(shí)施定位與車型分類,具體如下:1)邊界定位。于計(jì)算機(jī)上,分析及處理所采集到的圖像,獲取車輛的輪廓信息,即系車輛的長、寬、高等數(shù)據(jù)。2)采用HOG特征和SVM,構(gòu)建多視角分類器,對待分類的車輛圖像進(jìn)行視角估計(jì)。3)對于確定視角的車輛圖像,通過不同視角的數(shù)據(jù),采用稀疏編碼方式,提取有效的車型特征;每個(gè)視角下,單獨(dú)進(jìn)行稀疏編碼。4)將每種視角下稀疏編碼以及視角估計(jì)的結(jié)果,進(jìn)行合并,設(shè)計(jì)最終的車型特征,采用SVM對車型進(jìn)行分類,判斷出車型。相比與傳統(tǒng)的方法,本文的改進(jìn)之處在于將稀疏表示引入的車型特征的表示中,通過將單一尺度的HOG特征擴(kuò)展到多尺度的模式下。研究結(jié)果顯示,稀疏編碼方法分類的正確率高于傳統(tǒng)詞包方法,采取多視角識別手段,可提升識別正確率,經(jīng)與多級分類器相結(jié)合手段,對車型圖像實(shí)施多級劃分,亦有效提升了分類正確率。
[Abstract]:Urban traffic monitoring system is one of the main branches of intelligent transportation system. In urban traffic, traffic supervision plays a core role in the development of intelligence, and also plays an important role in the field of traffic and pattern recognition. With the development of social economy and the improvement of public living standards, motor vehicles show an increasing trend year by year, and the growth of privately owned motor vehicles is more rapid, which leads to a series of traffic problems. The increase of traffic violations and accidents brings hidden dangers to urban traffic and personal safety. Therefore, higher requirements for traffic management can not be realized for all intersections and sections in the city, and all round-the-clock "manpower monitoring" can be carried out. In order to solve this problem, we must use the technology of "machine vision and image processing", set up an intelligent traffic supervision system in the city, and carry out vehicle type detection and identification of vehicles in the past. In this paper, the problem of vehicle classification based on vehicle image is studied. Through multi-view vehicle classification and sparse coding, an effective vehicle recognition method is designed to locate and classify the vehicles in the video and image collected by the camera, as follows: 1) Boundary positioning. On the computer, the collected images are analyzed and processed to obtain the contours information of the vehicles, that is, the length, width and higher data of the vehicles. 2) HOG features and SVM, are used to construct a multi-view classifier to estimate the visual angle of the classified vehicle images. 3) for the vehicle images with different visual angles, sparse coding is used to extract the effective vehicle features. In each perspective, sparse coding is carried out separately. 4) the results of sparse coding and angle estimation from each angle of view are combined, the final vehicle features are designed, and SVM is used to classify the models and judge the models. Compared with the traditional method, the improvement of this paper is to extend the single-scale HOG feature to the multi-scale mode by extending the sparse representation to the vehicle feature representation. The results show that the classification accuracy of sparse coding method is higher than that of traditional word packet method, and the recognition accuracy can be improved by adopting multi-view recognition method. By combining with multi-level classifiers, the classification accuracy of vehicle image can also be improved effectively.
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U495;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫俊,王文淵,卓晴;基于稀疏編碼的提取人臉整體特征算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年03期

2 晁永國;戴芳;韓舒然;何靜;;改進(jìn)的非負(fù)稀疏編碼圖像基學(xué)習(xí)算法[J];計(jì)算機(jī)工程與科學(xué);2010年01期

3 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學(xué)習(xí)及其在行人檢測中的應(yīng)用[J];廈門大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

4 郎利影;夏飛佳;;人臉識別中的零范數(shù)稀疏編碼[J];應(yīng)用科學(xué)學(xué)報(bào);2012年03期

5 程東陽;蔣興浩;孫錟鋒;;基于稀疏編碼和多核學(xué)習(xí)的圖像分類算法[J];上海交通大學(xué)學(xué)報(bào);2012年11期

6 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2013年03期

7 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識別與人工智能;2013年11期

8 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測[J];軟件學(xué)報(bào);2013年11期

9 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識別中的研究[J];電視技術(shù);2013年23期

10 王瑞霞;彭國華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計(jì)算機(jī)科學(xué);2014年08期

相關(guān)會議論文 前3條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負(fù)稀疏編碼收縮技術(shù)實(shí)現(xiàn)圖像消噪[A];蘇州市自然科學(xué)優(yōu)秀學(xué)術(shù)論文匯編(2008-2009)[C];2010年

2 劉揚(yáng);程健;盧漢清;;基于目標(biāo)局部特征的遷移式學(xué)習(xí)[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

3 張瑩瑩;梁培基;;視網(wǎng)膜神經(jīng)元的高效信息處理[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 唐海峰;基于信號稀疏表征的故障診斷方法研究[D];上海交通大學(xué);2014年

2 孫宇平;基于稀疏表征和自相似性的視覺數(shù)據(jù)識別關(guān)鍵技術(shù)及應(yīng)用[D];華南理工大學(xué);2015年

3 徐平華;基于稀疏編碼的多視域織物外觀平整度表征與評級[D];東華大學(xué);2016年

4 呂京磊;基于功能磁共振成像的大腦架構(gòu)表達(dá)的研究[D];西北工業(yè)大學(xué);2016年

5 王婧;面向在線環(huán)境的數(shù)據(jù)編碼問題研究[D];合肥工業(yè)大學(xué);2015年

6 李清勇;視覺感知的稀疏編碼理論及其應(yīng)用研究[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2006年

7 季昊;稀疏編碼研究及其在模式識別中的應(yīng)用[D];北京郵電大學(xué);2012年

8 孫俊;人臉圖像分析和識別方法研究[D];清華大學(xué);2001年

9 朱秋平;基于稀疏編碼的織物瑕疵檢測算法研究[D];武漢大學(xué);2014年

10 羅敏楠;T-S模糊推理系統(tǒng)的結(jié)構(gòu)稀疏編碼辨識理論與方法[D];清華大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 柏文強(qiáng);基于局部特征提取和稀疏編碼的人臉識別算法研究[D];燕山大學(xué);2015年

2 李明;目標(biāo)檢測與識別算法研究與應(yīng)用[D];中央民族大學(xué);2015年

3 許濤;面向視頻管理的指紋特征提取技術(shù)研究[D];電子科技大學(xué);2015年

4 鮑珍珍;基于多路分層稀疏編碼的遙感圖像場景分類[D];西安電子科技大學(xué);2014年

5 覃曉冰;基于稀疏編碼的語音去噪技術(shù)研究[D];電子科技大學(xué);2015年

6 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗(yàn)證中的應(yīng)用研究[D];電子科技大學(xué);2015年

7 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學(xué);2014年

8 黃成;基于非負(fù)稀疏編碼的視頻拷貝檢測方法研究[D];湘潭大學(xué);2015年

9 張文義;基于智能監(jiān)控系統(tǒng)的圖像質(zhì)量增強(qiáng)算法的研究[D];南京郵電大學(xué);2015年

10 丁文秀;基于分層深度學(xué)習(xí)的行人分類方法研究[D];合肥工業(yè)大學(xué);2015年

，

本文編號：2508254