基于马尔科夫随机场的车型识别

摘要

目前主要的车型识别算法有模板匹配，深度学习以及统计模式识别等，传统的车型识别算法在复杂场景下的识别率会降低，这是由于复杂场景下的光照变化、噪音以及复杂背景会影响传统算法的效果。本文的目标是给出一个在简单场景和复杂场景中识别率比较稳定，且在复杂场景下识别率高于传统方法的识别算法。模板匹配和深度学习算法对数据集的质量敏感，所以本文选择统计模式识别的算法进行改进。主要从车辆检测、车型特征和特征生成三个方面对算法进行改进。
　　在车辆检测方面，复杂场景下提取车辆图像主要存在两类困难：光照的变化和复杂的背景。光照变化会导致只有光照强度变化而没有位移的点被误认为属于运动目标，针对光照变化，采用颜色空间转化的方法进行改进。在提取运动车辆图像后，有些情况下图像中仍然有复杂背景残留，针对这种情况，采用固定背景先验的方法对原有算法做改进。实验证明本文的算法在复杂场景下可以有效地从视频中提取运动车辆图像。
　　在车型特征方面，现有的车型特征在复杂场景下难以被正确地提取，本文采用车窗、车灯、车牌的中心点的相对位置作为车型特征，这种特征具有鲁棒性强的特点。具体的做法为：以左车灯的几何中心点为起始点，分别以右车灯、车窗、车牌的几何中心点为终点，可以得到三个二维向量，将这三个二维向量组成一个六维向量，这个六维向量就是车型特征。
　　在车型特征生成方面，本文使用马尔科夫随机场将图像中车辆的车窗、车牌、左车灯和右车灯分割出来，从而得到他们的几何中心点。传统的马尔科夫随机场由于使用像素作为分割单元，采用随机的方法进行初始标记，以及似然函数和团势等原因，分割效果无法满足要求。针对传统的马尔科夫随机场在复杂场景下分割车辆图像存在的问题，对算法做了如下四方面的改进：（1）使用超像素代替像素作为分割单元；（2）在进行分割之前对所有的超像素通过识别的方法进行初始标记；（3）改进了似然函数；（4）改进了团势。
　　采用本文改进的算法分别在轻雾、夜晚、洗车行三种复杂场景的数据集上进行实验，分别针对复杂场景中的噪音、光照和复杂背景的干扰，同时还在简单场景下的数据集进行比对实验。实验结果显示本文改进的算法在复杂场景和简单场景下的识别率比较稳定，并且在复杂场景下的平均车型识别率高于传统方法。

目录

声明

第1章 绪论

1.1研究背景和意义

1.2 国内外研究现状

1.3本文的主要研究内容

1.4 论文组织

第2章 运动车辆的检测与提取

2.1视频图像的灰度化

2.2视频图像噪声处理

2.3 视频中的车辆检测

2.4本章小结

第3章 车型特征与特征生成

3.1车型特征

3.2马尔科夫随机场（MRF）

3.3 MRF与Gibbs分布

3.4基于马尔科夫随机场的图像分割

3.5基于马尔科夫随机场的特征生成

3.6 本章小结

第4章 基于近邻分类器的车型识别

4.1 车辆车型分类标准

4.2 训练车型分类器的基本流程

4.3 近邻分类器

4.4 实验及结果分析

4.5 本章小结

结论

参考文献

致谢