基于Gabor特征的稀疏表示車型識別研究.pdf

1、智能交通系統(tǒng)（ITS）是實現(xiàn)現(xiàn)代化交通的關(guān)鍵組成部分，隨著智能交通的日益發(fā)展，作為計算機視覺研究和智能交通系統(tǒng)中的關(guān)鍵環(huán)節(jié)，車型識別技術(shù)也越來越受到研究人員的重視。該技術(shù)在交通監(jiān)控、高速公路系統(tǒng)、車輛檢測管理系統(tǒng)、電子繳費系統(tǒng)及停車場自動化建設(shè)等領(lǐng)域有著廣泛的應(yīng)用。同時在緩解城市交通壓力、城市安防以及減少交通事故等方面具有突出的應(yīng)用價值。
　　基于Gabor特征的稀疏表示車型識別算法由車輛樣本庫的建立、Gabor特征提取、車型分類

2、算法三部分組成。本文實驗環(huán)境為Matlab2009b，選取了60種不同類型的車輛類型進行分類試驗，每種車型由10幅不同的車臉圖像組成，這些圖像樣本在角度和光照上有變化，利用這些圖像建立樣本庫。之后利用Gabor濾波對樣本圖像進行特征提取，最后采用稀疏表示分類方法以及其改進方法對測試圖像進行分類。本文在實驗過程中采用了三種分類算法：稀疏表示車型識別法、基于Gabor特征的稀疏表示識別法、基于向量總變差模型的改進型Gabor特征的稀疏表示識

3、別方法。在不同大小的車輛類型樣本庫上對三種識別方法進行對比實驗，試驗結(jié)果證明了本文算法的可行性。對三種不同算法實驗數(shù)據(jù)進行比對，基于Gabor特征的稀疏表示識別法相較于稀疏表示識別法，識別率提高了31％，平均識別率達到了90.9％。之后將向量總變差模型代替原方法中最小l1范數(shù)的求解步驟，提出了改進的GSRC算法，使得求解系數(shù)更為準確，車型的識別率進一步提高，尤其是在低維度情況下識別率提升較為明顯，平均識別率為93.0％。實驗結(jié)果表明該車