本文關鍵詞：基于KPCA和GPC的復雜環(huán)境下車標識別算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著國民經(jīng)濟高速發(fā)展及人民生活水平日益提高,汽車已成為人們?nèi)粘３鲂凶畛Ｓ玫拇焦ぞ�。然�?汽車數(shù)量的飛速增長給城市交通安全管理帶來了新的挑戰(zhàn),車輛身份識別技術已成為智能交通研究領域的重要課題。車標識別是車輛身份識別的核心內(nèi)容之一,針對車牌遮擋、車牌套用等不法行為,識別車標能很好地輔助交通部門及公安部門進行交通運輸?shù)挠行�、高效性以及安全性管理。作為典型的目標識別問題,車標識別通常指對從靜態(tài)數(shù)字圖像或視頻數(shù)據(jù)流中檢測到的車標區(qū)域進行自動識別的過程,主要通過特征提取和分類器構建兩個步驟實現(xiàn)。在廣泛調(diào)研國內(nèi)外車標識別相關技術基礎上,針對主成分分析方法(PCA)在處理非線性圖像特征中的不足,本文采用核主成分分析法(KPCA)對車標圖像進行了特征提取,在盡可能消除、處理圖像冗余信息的同時,保留了車標圖像的部分非線性特征,保證了車標圖像數(shù)據(jù)在由高維空間映射到低維空間過程中,其特征信息的充分性和有效性,并通過復雜環(huán)境下采集得到的車標數(shù)據(jù)庫進行了仿真實驗驗證。結果表明,在最小距離分類器(MDC)和支持向量機(SVM)上,KPCA表現(xiàn)出比PCA更優(yōu)的特征提取性能。此外,本文針對目前車標識別方法的缺點,即超參數(shù)多且難以確定、預測效果不理想等,提出了通過構建尋參更便捷、學習能力更強的高斯過程分類器(GPC)車標識別方法。首先運用圖像預處理方法降低環(huán)境因素對圖像有效信息的干擾,隨后利用KPCA充分提取車標圖像的線性及非線性特征信息,再將特征信息分別輸入概率高斯過程分類器(P-GPC)和最小風險高斯過程分類器(LR-GPC)進行識別。仿真實驗結果表明:利用GPC進行車標識別能得到理想的識別效果且對復雜環(huán)境表現(xiàn)出良好的魯棒性。其中多項式核KPCA與LR-GPC相結合的車標識別方法具有上佳的分類效果及令人滿意的識別速度,是一種實用的實時車標識別新方法。
【關鍵詞】：車標識別 核主成分分析法 最小距離分類器 支持向量機 高斯過程分類器 特征提取
【學位授予單位】：北京理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 課題研究背景及意義10-11
• 1.2 車標識別技術的應用11-12
• 1.3 車標識別技術研究狀況12-16
• 1.3.1 車標定位技術研究狀況13-14
• 1.3.2 車標識別技術研究狀況14-16
• 1.4 論文結構安排16-17
• 第2章 車標數(shù)據(jù)庫建立與圖像預處理17-27
• 2.1 建立車標數(shù)據(jù)庫17-20
• 2.2 RGB顏色空間理論20-22
• 2.2.1 RGB顏色空間模型20-21
• 2.2.2 灰度圖像21-22
• 2.3 圖像預處理22-26
• 2.3.1 圖像灰度化22-24
• 2.3.2 圖像歸一化24-26
• 2.4 本章小結26-27
• 第3章 車標的特征提取27-36
• 3.1 PCA方法27-31
• 3.1.1 PCA原理27-29
• 3.1.2 基于PCA的車標特征提取29-31
• 3.2 KPCA方法31-34
• 3.2.1 核函數(shù)原理31-33
• 3.2.2 基于KPCA的車標特征提取33-34
• 3.3 PCA與KPCA的特征提取實驗結果34-35
• 3.4 本章小結35-36
• 第4章 基于KPCA的車標識別36-50
• 4.1 車標識別方法36-42
• 4.1.1 最小距離分類器36-38
• 4.1.2 支持向量機38-42
• 4.2 多類分類決策理論分析42-44
• 4.2.1 一對多決策方法42-43
• 4.2.2 一對一決策方法43-44
• 4.3 實驗結果及對比分析44-49
• 4.3.1 PCA與KPCA結合MDC的實驗結果44-46
• 4.3.2 PCA與KPCA結合SVM的實驗結果46-47
• 4.3.3 PCA與KPCA的實驗結果對比分析47-49
• 4.4 本章小結49-50
• 第5章 基于GPC的車標識別50-69
• 5.1 高斯過程機器學習方法50-53
• 5.1.1 高斯分布51-53
• 5.1.2 高斯過程53
• 5.2 高斯過程回歸53-57
• 5.2.1 高斯過程回歸方法54-55
• 5.2.2 協(xié)方差函數(shù)的確定55-57
• 5.3 高斯過程分類57-62
• 5.3.1 概率高斯過程分類法57-60
• 5.3.2 最小風險高斯過程分類法60-62
• 5.4 實驗結果及對比分析62-68
• 5.4.1 實驗步驟62-63
• 5.4.2 P-GPC和LR-GPC實驗結果與分析63-67
• 5.4.3 GPC與MDC、SVM的對比分析67-68
• 5.5 本章小結68-69
• 結論69-71
• 參考文獻71-76
• 攻讀學位期間發(fā)表論文與研究成果清單76-77
• 致謝77

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 呂岳,施鵬飛,趙宇明;多分類器組合的投票表決規(guī)則[J];上海交通大學學報;2000年05期

2 韓宏;楊靜宇;;多分類器組合及其應用[J];計算機科學;2000年01期

3 陳剛,戚飛虎;多分類器結合的人臉識別[J];上海交通大學學報;2001年02期

4 韓宏,楊靜宇,婁震;基于層次的分類器組合[J];南京理工大學學報(自然科學版);2002年01期

5 趙誼虹,程國華,史習智;多分類器融合中一種新的加權算法[J];上海交通大學學報;2002年06期

6 王正群,葉暉,孫興華,楊靜宇;模糊多分類器組合[J];小型微型計算機系統(tǒng);2003年01期

7 楊利英,覃征,王向華;多分類器融合實現(xiàn)機型識別[J];計算機工程與應用;2004年15期

8 楊利英,覃征,王衛(wèi)紅;多分類器融合系統(tǒng)設計與應用[J];計算機工程;2005年05期

9 陳湘;;1-范數(shù)軟間隔分類器的風險[J];湖北大學學報(自然科學版);2006年02期

10 秦鋒;楊波;程澤凱;;分類器性能評價標準研究[J];計算機技術與發(fā)展;2006年10期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學術會議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗證對象集分類器的再訓練演進[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機手寫識別筆段特征分類器的學習方法[A];黑龍江省計算機學會2009年學術交流年會論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認證[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(英文)[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關”的說話人辨認[A];第四屆全國人機語音通訊學術會議論文集[C];1996年

7 謝秋玲;;應用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學術年會論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級聯(lián)分類器的快速人臉檢測方法[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認知結構評估的動態(tài)貝葉斯網(wǎng)絡分類器方法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

10 邵小健;段華;賀國平;;一種改進的最少核分類器[A];中國運籌學會第七屆學術交流會論文集（上卷）[C];2004年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報;2000年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 張非;對抗逃避攻擊的防守策略研究[D];華南理工大學;2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學;2014年

3 許勁松;智能交通中目標檢測與分類關鍵技術研究[D];南京理工大學;2014年

4 余家林;普通場景視頻人臉檢測與識別的關鍵技術研究[D];浙江大學;2016年

5 劉明;分類器組合技術研究及其在人機交互系統(tǒng)中的應用[D];北京交通大學;2008年

6 嚴志永;在劃分數(shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學;2011年

7 王U

本文編號：346343