基于机器学习的车辆目标识别方法

摘要

车辆目标识别无论是在军事领域还是民用领域都有着重要的应用价值。但是，由于卫星图像、高空遥感图像等图像源的分辨率限制，车辆目标在图像中的细节信息非常少，较难用模型化的方法进行车辆的检测识别。
　　 本文提出了基于机器学习的车辆目标识别方法，该方法完全基于图像中目标及其周边背景的像素灰度特征，而不需要利用目标的模型化特征。首先，利用图像分割算法对待识别图像进行分割，将目标区域与背景区域分离出来；随后利用种子填充算法进行区域搜索扫描，再利用经验规则对搜索到的区域进行滤除，将滤除后得到的疑似区域数据进行归一化和向量化；然后将向量化的数据输入训练好的前向反馈神经网络或者支撑向量机分类器进行识别；最后，将分类器输出的识别结果标记在源图像上，收集有效目标的信息。结果表明，基于机器学习的车辆目标识别方法具有较高的识别率和较低的错判率、漏判率。同时，该方法具有较高的运行效率，能够比较好地满足实时处理的要求，具有一定的实用价值。