基于AdaBoost的集装箱检测方法研究

论文摘要

目前,采用计算机视觉技术是集装箱自动化装卸作业中实现集装箱识别和定位操作的发展方向。本文分析和探讨了两种集装箱检测方法的基本理论,搭建了集装箱装卸模型系统（Container Handling Model System--CHMS）,在Windows环境下编写软件算法,并在CHMS系统上对分别对两种方法进行了仿真实验。实验表明本文提出的集装箱检测方法是合理的,具有一定的理论价值与实用价值。本文的研究工作主要包括以下几个方面:1.将基于AdaBoost的学习算法用于集装箱检测,从一个较大的特征集中选择少量关键的haar-like特征,产生一个高效的强分类器。再用级联方式将单个的强分类器级联成为一个更加复杂的级联分类器。对AdaBoost算法的收敛性能、泛化能力以及权重更新方法对分类器性能的影响等进行了深入的分析。本文使用了自己创建的集装箱模型样本库进行训练得到分类器,并在多种背景、光线条件下进行了集装箱模型检测实验。实验结果表明,得到的集装箱模型分类器效果理想。2.提出基于Kalman滤波的彩色模板更新的方法。介绍了基于色彩直方图的模板匹配方法和Kalman滤波的基本原理,给出了色彩直方图的具体算法。对模板内每一个像素值的三个颜色分量使用Kalman滤波进行更新,得到最优的模板图像,然后用模板匹配算法来检测集装箱。此方法与原先的固定模板匹配算法相比,提高了模板匹配的准确度和稳定度。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的背景和意义
• 1.2 目标检测算法简介
• 1.3 本论文的主要内容
• 2 AdaBoost 算法的检测原理
• 2.1 AdaBoost 算法概述
• 2.2 矩形特征
• 2.2.1 概述
• 2.2.2 特征模版
• 2.2.3 检测器内特征总数
• 2.3 积分图
• 2.3.1 概念
• 2.3.2 利用积分图计算矩形特征值
• 2.4 集成学习与Adaboost 算法
• 2.4.1 集成机器学习
• 2.4.2 两类问题的AdaBoost 算法及其性能分析
• 2.4.3 Viola 的形变（variant）AdaBoost 算法
• 2.4.4 弱分类器
• 2.4.5 强分类器
• 2.5 级联分类器
• 2.5.1 级联分类器的分析
• 2.5.2 级联分类器训练
• 3 基于 Kalman 滤波的集装箱检测
• 3.1 集装箱模板的选取
• 3.1.1 模板匹配算法
• 3.1.2 色彩空间的选择
• 3.1.3 基于色彩直方图的图像检测
• 3.2 模板更新
• 3.2.1 卡尔曼滤波的理论基础
• 3.2.2 基于卡尔曼滤波的模板更新
• 4 实验结果及分析
• 4.1 实验装置简介
• 4.2 基于AdaBoost 的集装箱检测实验
• 4.2.1 样本的选取
• 4.2.2 实验结果
• 4.3 基于Kalman 滤波的集装箱检测实验
• 4.4 两种方法的对比
• 5 总结与展望
• 参考文献
• 致谢
• 个人简历
• 发表的学术论文