基于特征的车辆分类研究

论文摘要

智能交通系统(ITS)随着信息技术、通信技术、模式识别和图像处理技术等学科的快速发展,在现实生活中得到极为广泛的应用,使交通管理的智能化、规范化得到了极大地提高。现有的视频车辆分类技术多是从车辆侧面来实现,实际应用中容易被行人遮挡拍摄镜头,并且在车辆重合和遮挡时很难准确分类。故而本文提出一种基于车辆特征和支持向量机的车辆分类方法。基于特征和支持向量机的车辆分类方法,视频采集设备是安装在道路上方并且沿着道路所在方向进行视频采集。不仅避免了车辆遮挡的问题,而且还可以利用车辆的视觉特征进行分类。这些视觉特征在被挖掘作为分类标志的同时,也加快了含有此种特征的车型分类速度。没有这些特征的车辆依然会通过计算相关参数由支持向量机进行分类。在车辆分类方法中对特征的提取比较重要。本实验方法是完整提取检测到的目标车辆,对其进行滤波和灰度化以减少噪声对分类的影响和排除颜色对分类的影响,也节约存储空间。然后对灰度化的车辆图片进行角点检测,在车辆的后视镜区域会集聚大量角点,对于中型车可以很容易区分,而大型车的后视镜相对车身几乎显现不出来,因而这一特征可作为中型车的独有特征；当中型车的车身顶部有天线时,角点检测时会呈现为一个单独的点,而其它的车型无此特征。对于有特殊特征的车辆,就直接对其进行分类,反之,再根据车身周围的角点进行曲线模拟,作相关调整后计算车身的长和宽,通过支持向量机进行分类。通过实验分析,证明了该分类方法在车辆分类时具有较高的精确度,特征分类加速了分类的过程。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 智能交通系统简述
• 1.1.2 车辆分类简述
• 1.2 国内外研究现状
• 1.3 论文的主要工作
• 1.4 论文的创新
• 第二章 基于支持向量机的车辆分类器
• 2.1 统计学习理论
• 2.1.1 经验风险最小化
• 2.1.2 VC维
• 2.1.3 推广的界
• 2.1.4 结构风险最小化
• 2.2 支持向量机
• 2.2.1 广义线性最优分类面
• 2.2.2 核函数
• 2.2.3 多类分类构造算法
• 2.3 分类器的构造
• 2.4 小结
• 第三章 特征提取
• 3.1 从视频中获得原图像
• 3.2 去除噪声
• 3.2.1 邻域平均法
• 3.2.2 多幅图像平均法
• 3.2.3 空间域低通滤波法
• 3.2.4 中值滤波法
• 3.3 角点检测
• 3.3.1 Harris角点检测算法
• 3.3.2 改进的Harris算法
• 3.4 角点的特征
• 3.4.1 "触角"特征
• 3.4.2 "耳朵"特征
• 3.5 车身和车长的计算
• 3.6 小结
• 第四章 测试与实验结果分析
• 4.1 建立模型
• 4.1.1 模型的框架
• 4.1.2 模型的实现
• 4.2 实验框架
• 4.3 实验测试
• 4.4 实验结果
• 4.5 小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 存在问题与展望
• 参考文献
• 附录1 攻读硕士学位期间参与的研究课题及完成的论文
• 致谢