论文题目: 智能交通中运动汽车检测及识别技术研究
论文类型: 博士论文
论文专业: 应用数学
作者: 刘循
导师: 游志胜
关键词: 智能交通,运动汽车检测,汽车分类识别,视频图像,形变模板模型,图像分层统计模型,聚类估价函数,信息熵,信息势能,粗糙集,神经网络
文献来源: 四川大学
发表年度: 2005
论文摘要: 汽车作为交通工具,是智能交通系统的主体。在智能交通系统中,无论是交通管理系统、综合交通枢纽协调系统、疏导信息服务系统、交通流优化与运输组织智能化系统,还是为驾驶员提供道路实时信息系统、车辆运营智能调度系统,其主体都是运动的汽车。因此,运动汽车的检测和分类识别在智能交通中起着十分重要的作用。在运动汽车检测上,传统的有感应线圈检测方式、激光和红外、超声检测方式,由于这些方式存在具体实施上复杂、受环境因素影响大、检测误差大等问题。近年来,随着计算机和数字技术的发展,视频检测方式由于具有实施简单、受环境变化影响小、检测可靠等优点,受到了人们的重视并得到了广泛应用。本文的运动汽车检测和识别技术的研究正是基于视频检测基础上展开,在理论和方法实现上跟踪当前智能系统研究的热点和前沿领域。运动汽车的检测与分类识别是集计算机技术、模式识别、图像处理、应用数学以及视觉理论等学科综合应用的一项艰巨的任务。本文在分析和总结国内外相关研究成果和最新研究技术基础上,针对目前技术上亟待解决的运动目标图像中存在运动背景(除待检测和识别的汽车目标外,其它的运动目标,如汽车和自行车、三轮车和行人等)和运动阴影,这样的复杂背景中的汽车检测和识别,完成算法分析、理论研究和应用试验。在研究中,本文主要围绕两个方面进行:运动汽车的自动检测和分类识别。运动汽车的自动检测力图从复杂背景图像中检测汽车,克服其它运动目标和运动背景的影响,为此提出了基于形变模板模型的运动汽车分割算法,针对无法或预先没有建立汽车形变模板模型的情况,还提出了基于分层统计模型HMM 汽
论文目录:
中文摘要
英文摘要
第1章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究目标与内容
1.2.1 本文的研究目标
1.2.2 本文的研究内容及研究方法
1.3 本文的内容结构
第2章 运动汽车检测和识别技术研究
2.1 引言
2.2 目前的运动汽车检测技术
2.2.1 基于电磁感应的运动汽车检测
2.2.2 红外图像热物理不变量的汽车检测
2.2.3 基于光流场的汽车检测
2.2.4 基于视频图像的汽车检测
2.2.4.1 基于图像序列帧间差的汽车检测方法
2.2.4.2 自适应背景对消汽车检测方法
2.2.4.3 基于视觉特征的汽车检测方法
2.3 目前的汽车识别方法
2.3.1 基于模板匹配的汽车识别方法
2.3.2 基于统计模式的汽车识别方法
2.3.3 基于神经网络的汽车识别方法
2.3.4 基于仿生模式识别(拓扑模式识别)的汽车识别方法
2.3.5 基于支持向量机的汽车识别方法
2.4 本章小结
第3章 基于形变模板模型的运动汽车分割和分类方法
3.1 引言
3.2 形变模型
3.2.1 形变轮廓模型
3.2.2 形变模板模型
3.2.3 汽车的形变模板模型
3.2.4 汽车形变模板模型的拓扑关系约束和形变
3.3 概率函数
3.3.1 先验概率密度函数
3.3.2 最大似然估计
3.4 以模板形变为约束的 EM 算法
3.4.1 退火过程的数学模型
3.4.2 形变模板模型参数使“退火”过程的能量最小化
3.4.3 模拟“退火”过程的温度进度确定
3.5 复杂背景图像中的运动汽车分割与分类
3.5.1 差分运动检测
3.5.2 多尺度封闭轮廓边缘检测
3.5.3 基于形变模板模型的最优化匹配与分割算法
3.6 实验及结果讨论
3.6.1 约束函数f_1的简化
3.6.2 分割过程
3.6.3 实验结果及讨论
3.6.4 与其它算法的比较
3.7 本章小结
第4章 基于分层统计模型的运动汽车分割技术
4.1 引言
4.2 图像的三层模型表示
4.3 隐马尔可夫模型(Hidden Markov Model)方法
4.3.1 HMM 模型
4.3.2 状态转移矩阵
4.3.3 HMM 目标函数
4.4 图像的 HMM 模型
4.5 汽车特征检测和基于模型的自适应分割算法
4.5.1 基于视觉特性的图像预处理
4.5.1.1 像素梯度与人的视觉特性
4.5.1.2 噪声剔除
4.5.1.3 变换运算
4.5.2 层次模型的参数学习
4.5.3 最大后验概率(MAP:Maximum A Posterior)
4.5.4 EM 算法
4.5.5 基于 EM 和最大似然的自适应区域分割算法
4.5.6 HMM 观测的滤波处理
4.6 运动汽车分割实验及结果分析
4.6.1 分割试验
4.6.2 与其它方法比较
4.6.3 结果讨论
4.7 本章小结
第5章 基于CEF 的信息势能聚类的汽车分类识别
5.1 引言
5.2 聚类度量与信息熵
5.2.1 几何距离
5.2.2 样本结构特征
5.2.3 类概率密度函数距离度量
5.2.4 信息熵
5.3 基于CEF 的聚类算法
5.3.1 聚类估价函数 CEF
5.3.2 基于 CEF 度量
5.3.3 基于 CEF 的多类聚类算法
5.3.4 分组算法
5.3.5 基于CEF 的最优聚类算法
5.4 基于 CEF 聚类的汽车分类识别
5.4.1 基于物理尺寸的汽车分类识别
5.4.2 基于特征的汽车分类识别
5.5 试验结果分析
5.6 本章小结
第6章 基于粗糙集的神经网络汽车识别
6.1 引言
6.2 粗糙集的基本概念及理论
6.2.1 知识、等价关系、粗糙集、上近似和下近似
6.2.2 知识(属性)的约简、核和决策表
6.3 决策表的约简
6.3.1 基于决策表的约简
6.3.2 基于决策规则的约简
6.3.3 基于近似的约简
6.4 神经网络
6.4.1 神经元模型
6.4.1.1 基本神经元模型
6.4.1.2 神经元的Fukushima 模型
6.4.1.3 自适应线性神经元模型
6.4.1.4 单层感知机模型
6.4.1.5 Hopfield 模型
6.4.1.6 Grossberg 模型
6.4.2 神经网络的结构
6.5 基于粗糙集的神经网络汽车识别
6.5.1 条件属性的量化
6.5.2 神经网络学习算法
6.5.2.1 网络的学习算法
6.5.2.2 改进的BP 学习算法
6.6 汽车识别实验及结果讨论
6.7 本章总结
第7章 结论与展望
7.1 本文工作总结
7.2 本文主要研究成果
7.3 未来的工作及展望
参考文献
附录一
附录二
论文申明
致谢
发布时间: 2005-10-08
标签：智能交通论文; 运动汽车检测论文; 汽车分类识别论文; 视频图像论文; 形变模板模型论文; 图像分层统计模型论文; 聚类估价函数论文; 信息熵论文; 信息势能论文; 粗糙集论文; 神经网络论文;