交通场景图像中车辆检测和分类研究

摘要

汽车保有量的逐年增加，摄像头的大量应用，使得交通场景中车辆的自动化管理已经成为一大难题。交通场景图像中车辆检测和分类技术是解决这一问题的重要手段，论文选题具有重要的理论意义和实际应用价值。论文主要工作如下:
　　1.给出了一种针对车辆的隐藏变量部件模型训练方法。基于隐藏变量支持向量机，对每类车型都分别训练了隐藏变量部件模型用于车辆检测，模型包含三个部分：主模型、部件模型及部件空间位置关系。车辆模型不仅可以从整体上描述车辆的外观轮廓信息，还可以从细节上描述车辆的部件轮廓信息。实验表明，训练得到的各类车辆模型可以有效的在交通场景图像中检测出车辆的位置。
　　2.给出了一种基于隐藏变量部件模型的车辆分类方法。用训练得到的各类车辆模型分别检测交通场景图像，选择响应值最大模型的检测结果提取车辆图像区域。在提取的车辆图像区域中用所有类别模型进行模型配准，找到最佳的、可以代表各类车型特征的主模型及部件模型位置，能够最大程度的反应车辆的独有信息，具有较大的区分度。提取所有位置的HOG特征作为图像的表示，利用SVM分类器进行分类。经实验表明，同当前已有方法对比，本文所提方法具有更高的分类准确率。
　　3.给出了一种基于卷积神经网络的车辆分类方法。使用卷积神经网络(CNN)对模型配准得到的主模型及部件模型位置进行深度特征提取，将得到的高维深度特征进行主成分分析(PCA)，再利用SVM分类器进行分类。实验结果表明，该方法可以有效的提升分类准确率。

目录

声明

致谢

摘要

1 绪论

1．2 国内外研究现状

1．3 论文的基本思想

1．4 论文的组织结构

2．1 引言

2．2 特征选取

2．2．1 全局图像特征

2．2．2 局部图像特征

2．3 隐藏变量部件模型

2．3．1 方向梯度直方图(HOG)

2．3．2 隐藏变量支持向量机

2．3．3 混合特征模型

2．3．4 检测方法

2．4 本章小结

3．1 引言

3．2 分类器选取

3．3 车辆模型训练

3．3．1 训练样本

3．3．2 车辆模型

3．4 车辆分类

3．4．1 车辆提取

3．4．2 模型配准

3．4．3 车辆特征表示

3．5 实验结果分析

3．5．1 实验参数评估

3．5．2 方法对比

3．6 本章小结

4．1 引言

4．2 卷积神经网络

4．2．1 卷积神经网络的网络结构

4．2．2 卷积神经网络的训练

4．3 车辆分类方案

4．3．1 卷积神经网络的特征提取

4．3．2 卷积神经网络的车辆模型配准与特征表示

4．3．3 主成分分析

4．4 实验结果分析

4．5 本章小结

5．1 总结

5．2 文章的不足和展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集