交通图像场景理解中的关键技术研究

摘要

目前智能交通系统正处于飞速发展阶段，交通场景的监控视频与图像的数量增长迅猛。原有的海量交通视频与图像单凭人工在线分析，耗费大量的时间和人力。如何智能且准确地理解并管理大量的交通场景视频与图像已经成为当前的热点问题。智能索引和管理交通场景图像的基础是交通图像的场景理解，这一课题的研究有利于推动图像理解的理论及应用的发展。本文的主要目的是对交通图像场景理解中的关键技术进行探究，围绕这一中心思想，本文的主要研究工作体现在以下几个方面:
　　针对交通场景图像中冗余信息较多的问题，本文利用基于Local特征的显著性检测方法，充分利用人眼对目标的感知机制，对图像进行预处理，以提高后期对车辆目标检测的效率。在显著性检测后可以得到交通场景图像中的显著区域，本文在此基础上提出了一种基于颜色直方图的车辆检测方法。首先将候选区域的颜色空间由RGB空间转换到HSV空间。而后通过分析车辆颜色分布特征，对候选区的H分量的分布图进行判别，最终得到车辆的检测结果。该算法具有简单有效，准确率高的特点。
　　针对车辆对称性检测对于交通场景理解的重要意义，本文提出了一种基于聚类分析的车辆对称轴检测方法。首先利用Adaboost分类器获取车辆区域的大致位置，而后利用Harris角点检测方法，提取出车辆目标的特征点。再提取特征点处的灰度、邻域灰度、纹理特征值三个特征值并结合K-means分类法对特征点进行分类，利用随机采样的方法对类内点进行成对抽取，并分析特征点对与对称轴的关系。最终通过建立对称轴参数的核函数方程找出对称轴的准确位置。
　　实验结果表明，本文所提出的方法能够有效的对交通场景中的车辆进行检测，并能够对车辆的对称轴进行精确定位，对交通图像的场景理解能够提供有效信息。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．3 交通场景理解中的关键技术

1．3．1 目标识别

1．3．2 对称性检测

1．4 本文研究内容和组织结构

第二章 交通场景图像的显著性检测

2．1 Itti’s显著性特征检测

2．2 基于频域信息的显著性检测

2．3 基于Local和regional特征的显著性检测

2．3．1 局部特征的提取

2．3．2 全局特征的提取

2．3．3 融合Local特征与Regional特征

2．4 基于Local特征的车辆显著性检测

2．4．1 实验设置及结果分析

2．5 本章小结

第三章 基于颜色直方图的车辆检测

3．1 基于HOG特征和机器学习的车辆检测

3．2 基于边缘直方图特征的车辆检测算法

3．3 基于多特征的前方车辆实时检测方法

3．4 基于颜色直方图的车辆检测

3．4．1 目标颜色直方图模型

3．4．2 车辆目标的颜色分布特征

3．4．3 实验结果及分析

3．5 本章小结

第四章 基于聚类分析的车辆对称性检测

4．1 基于聚类的对称轴检测方法

4．2 Harris特征角点检测

4．3 LBP纹理特征提取

4．4 对称点聚类

4．5 对称轴的检测

4．6 实验结果与分析

4．7 本章小结

第五章 总结与展望

5．1 工作总结

5．2 工作展望

参考文献

攻读硕士学位期间发表的学术论著和参加科研情况

致谢