基于主成分分析和样本融合的车标识别技术研究

论文摘要

随着现代高科技的发展及交通事业的需求,智能交通系统已成为国内外研究的热点问题。车辆识别作为智能交通领域应用的重要研究课题,在桥梁路口自动收费、停车场无人管理、违章车辆自动记录、盗抢车辆追查等领域都有着广泛的应用,它的实现具有巨大的经济价值和现实意义。车标识别是车辆识别技术的核心组成部分,其核心技术主要包括车标定位和车标识别两个部分。现有的车标识别技术的研究主要集中在:基于模板匹配、基于像素分布、基于边缘直方图、基于边缘不变矩、基于SIFT特征等方法。但这些算法的识别率和识别速度都有待进一步提高。本文将数据降维技术和样本融合技术应用于车标识别,在提高车标识别的速度同时提高了车标识别的可靠性。本文主要完成了以下两方面工作:在对各种数据降维技术进行了比较研究的基础上,提出了基于主成分分析(PCA)的车标识别方法。该方法的核心是利用PCA方法对原始车标数据降维,得到特征车标,将已知车标样本投影到特征车标张成的子空间得到一组作为进行车标识别依据的坐标。对待识别车标,计算出其投影坐标作为特征,输入到已训练的BP神经网络进行识别。实验证明了该方法的有效性。在视觉心理学基础上,提出了基于样本融合的车标识别方法。该方法利用融合技术将训练集中的配准后的同类车标进行融合,得到平均车标,将平均车标加入训练集中利用PCA方法进行车标识别。实验证明:与未采用平均技术的车标识别方法相比,其识别率有明显提高。实际测试表明,本文提出基于样本融合和PCA降维技术的车标识别算法能有效提高车标的识别率,对光照和噪声有很强的鲁棒性。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的研究背景
• 1.1.1 车标识别相关技术和方法
• 1.1.2 车标识别的目的和意义
• 1.2 车标识别技术发展现状
• 1.2.1 车标定位技术发展现状
• 1.2.2 车标识别技术发展现状
• 1.3 本文的主要内容
• 1.4 论文的结构安排
• 第二章 数据降维方法
• 2.1 数据降维方法概述
• 2.2 线性降维方法
• 2.2.1 主成分分析（PCA）
• 2.2.2 线性判别式分析（LDA）
• 2.3 非线性降维方法
• 2.3.1 多维尺度分析（MDS）
• 2.3.2 局部线性嵌入（LLE）
• 2.3.3 等距映射（Isomap）
• 2.3.4 拉普拉斯特征映射（Laplacian Eigenmaps）
• 2.4 各种降维算法的性能比较
• 第三章 基于主成分分析的车标识别方法
• 3.1 基于PCA 的车标数据降维方法
• 3.1.1 特征车标的建立
• 3.2 相似度判别依据
• 3.2.1 BP 神经网络
• 3.2.2 欧式距离
• 3.3 算法描述
• 3.3.1 基于特征车标和BP 神经网络的车标识别算法
• 3.3.2 基于特征车标和欧式距离的车标识别算法
• 3.4 实验分析
• 3.4.1 基于特征车标的车标识别
• 3.4.2 基于线性判别式分析的车标识别
• 3.4.3 基于局部线性嵌入的车标识别
• 3.4.4 实验结果
• 3.5 小结
• 第四章 基于样本融合的车标在车标识别中的应用
• 4.1 样本融合的视觉心理学基础
• 4.2 平均车标构建
• 4.2.1 图像融合
• 4.2.2 基于样本融合的车标的建立
• 4.3 基于平均车标的车标识别算法
• 4.4 实验分析
• 4.4.1 基于单个平均车标与多个车标样本的车标识别比较
• 4.4.2 基于平均车标的车标识别
• 4.5 小结
• 第五章 总结与展望
• 5.1 研究工作总结
• 5.2 研究工作展望
• 参考文献
• 致谢
• 攻读硕士期间公开发表的论文