智能交通监控视频中车型识别技术的研究

摘要

近年来，随着机动车数量的快速増长，智能交通系统是未来交通的发展方向。车型识别对于交通规划以及道路监控也越来越重要，具有较大的研究和应用价值。视频监控拍摄到的车辆类间特征差异小，并且在复杂场景中的干扰因素多。为了提高交通场景中车辆检测和识别的准确率，本文提出了一种基于计算机视觉的车型识别技术。 本文以交通道路视频图像为研究对象，为消除复杂外部环境的干扰和噪声，采用了包括图像去噪和图像增强的预处理方案；然后在视频序列中的车辆检测环节，本文详细分析三种常用运动检测算法的应用场景和优缺点，提出基于混合高斯模型改进的背景消去法进行运动车辆的识别，消除了车速引起的“拖影”“空洞”现象且避免了光强变化的影响；在运动目标检测结果中只包含二值化的车辆轮廓而缺乏足够的颜色、纹理、边缘和其它局部信息，所以本文对上述二值化结果依次进行了形态学运算、连通域分析、Graphcut方法，从原图像中完整地分割出包含车辆信息的前景目标；接着引入了LBP和HOG特征来获得图像的丰富特征，在输出层使用机器学习中的SVM分类器通过大量标记数据的多任务学习进行训练。与传统方法不同的是，通过对改进的HOG特征使用PCA降维处理加快运行速度，使用最小二乘法融入支持向量机的目标函数求解过程，并通过设计并联的分类器结构来达到最优识别效果。 本文采用公共车辆数据集作为分类器训练集，包括9850个高分辨率车辆正面视图图像。通过设计程序，在测试数据集上的实验结果验证了本文提出的方法，能够较好的对视频图像进行车辆检测和车型识别。

目录

声明

1 绪论

1.1 课题研究背景、目的和意义

1.2 国内外研究现状

1.2.1 计算机视觉在智能交通中的应用

1.2.2 车型分类和识别的相关研究

1.2.3 目前研究存在的问题

1.3 本文研究目标及主要工作

1.4 本文组织框架

2 本文技术路线、图像预处理和车辆检测

2.1 技术路线

2.2 图像预处理

2.2.1 图像去噪

2.2.2 图像增强

2.3 视频中的运动车辆检测

2.3.1 帧差法

2.3.2 光流法

2.3.3 背景差分法

2.4 基于混合高斯模型的运动目标检测

1. 单高斯背景模型

2. 混合高斯模型

2.5 本章小结

3 图像分割获取车辆区域

3.1 对车辆区域形态学运算

3.2 目标连通域分析

1. 连通区域划分规则

2. 连通区域分析

3.3 图像边缘检测

3.4 Graphcut基于图论的分割方法

3.5 本章小节

4 车辆特征提取及降维算法

4.1 图像特征描述

4.1.1 局部二值模式（LBP）特征

4.1.3 获取HOG特征

4.2 主成分分析（PCA）数据降维

4.3 本章小结

5 车辆分类器的设计

5.1 支持向量机

5.1.1 线性可分支持向量机

5.1.2 近视线性可分与松弛变量

5.1.3 非线性可分与核函数

5.2 多类SVM分类器的结构设计

5.3 最小二乘支持向量机分类器

5.4 车型识别实验结果与分析

5.4.1 图像数据获取

5.4.2 提取特征并分类

5.5 本章小节

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢

大连理工大学学位论文版权使用授权书