多尺度车辆检测技术研究

论文摘要

对象检测技术是一门具有研究价值和实用意义的技术,同时也是一门极具难度和挑战性的技术。在众多对象检测技术中,车辆的检测是比较困难的一类检测,主要原因在于车辆具有各种车型,比如卡车,小车,货车,客车等,具有不同的颜色,而且随着角度的不同也有很大的差异。对象检测中不少技术可以用作车辆检测。运用haar-like特征,加上adboost学习算法进行训练分类的方法,在人脸检测上有着很好的效果,在车辆检测上也有一定效果,但因为车辆较为复杂的原因使得效果并不明显。利用Gabor变换提取特征用于车辆检测上也有着较好的效果,因为它不像haar-like特征那样对灰度敏感,因而有相对较好的效果。而HOG特征在比较复杂的行人检测和车辆检测上都有很好的效果,主要是因为它以边缘为主要特征,而且鲁棒性很高。对象检测中一个重要的重要的问题就是速度问题,cascade级联分类器则能大量的减少计算量,比传统分类器快很多。车辆检测中一个常见的问题是车辆的长宽比（尺度）会出现较大差异,比如汽车的前脸后脸略呈正方形,汽车的侧脸则略呈长方形,而公交车则显得更长。为了检测出不同尺度的汽车,需要训练不同长宽比的分类器,在密集扫描检测的时候利用多个分类来扫描检测。然后将多个分类器识别为车的检测窗口经过合并算法进行合并,这样就可以实现多尺度的车辆检测。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 主要研究工作
• 1.4 论文组织
• 2 基于HOG 和Cascade 的车辆检测
• 2.1 HOG 特征提取
• 2.2 Cascade 分类器
• 2.3 车辆检测的整体流程
• 2.4 本章小结
• 3 多尺度车辆检测方法
• 3.1 多尺度车辆检测方法
• 3.2 混合高斯背景模型的应用
• 3.3 本章小结
• 4 系统实现及结果分析
• 4.1 车辆检测系统概要设计
• 4.2 结果分析
• 4.3 本章小结
• 5 结束语
• 5.1 全文总结
• 5.2 进一步的研究工作
• 致谢
• 参考文献