基于圖像分類(lèi)的車(chē)型識(shí)別方法研究和實(shí)現(xiàn).pdf

1、目前,隨著城市化進(jìn)程的快速發(fā)展,人口的大量增加,城市交通問(wèn)題特別是交通阻塞問(wèn)題變得日益嚴(yán)峻,智能交通系統(tǒng)也越來(lái)越受到大家的廣泛重視,已成為世界交通系統(tǒng)的發(fā)展趨勢(shì)。智能交通系統(tǒng)的關(guān)鍵技術(shù)之一即是車(chē)型識(shí)別,其不僅在智能交通中擁有廣闊的應(yīng)用前景,而且也是計(jì)算機(jī)視覺(jué),機(jī)器學(xué)習(xí)和圖像處理等領(lǐng)域的研究熱點(diǎn)。
　　 目前基于圖像的車(chē)型識(shí)別方法主要是使用圖像處理的技術(shù)來(lái)對(duì)圖像進(jìn)行分割得到汽車(chē)的前景,然后根據(jù)輪廓的大小、面積、形狀或不變矩等特征來(lái)

2、識(shí)別車(chē)型,但是這種方法一般缺乏擴(kuò)展性?？朔鲜鋈秉c(diǎn)的一個(gè)可行方案是使用基于機(jī)器學(xué)習(xí)的圖像整體分類(lèi)方法來(lái)對(duì)車(chē)型進(jìn)行識(shí)別。
　　 本文詳細(xì)研究圖像分類(lèi)的相關(guān)技術(shù),其中詞袋模型(Bag-of-Feature,BOF)廣泛出現(xiàn)在各種前沿的圖像分類(lèi)算法當(dāng)中。但是圖像在建立BOF模型中的向量量化操作存在較大的重建誤差。本文采用基于稀疏表示模型的圖像分類(lèi)方法進(jìn)行車(chē)型識(shí)別,可以有效降低這種重建誤差。整個(gè)車(chē)型分類(lèi)識(shí)別的研究分為局部特征提取、稀疏表

3、示模型構(gòu)建、機(jī)器學(xué)習(xí)分類(lèi)器三個(gè)部分,主要的工作如下:
　　 1.主要研究以SIFT(scale invariant feature transform)和ORB為代表的局部紋理特征提取算法,并對(duì)比兩種算法在車(chē)型識(shí)別上的性能。
　　 2詳細(xì)分析稀疏表示模型的構(gòu)建過(guò)程,重點(diǎn)研究字典學(xué)習(xí)和稀疏編碼算法,針對(duì)一般稀疏表示模型中采用離線(xiàn)方式學(xué)習(xí)字典出現(xiàn)內(nèi)存消耗過(guò)大、速度慢的缺點(diǎn),提出采用在線(xiàn)的方式學(xué)習(xí)字典。同時(shí)也研究空間金字塔匹配

4、和空間錯(cuò)配核兩種添加空間位置信息的方法。通過(guò)這種方式建立起來(lái)的特征模型向量可以給分類(lèi)器提供非常好的分類(lèi)數(shù)據(jù)模型。
　　 3.研究多種基礎(chǔ)的機(jī)器學(xué)習(xí)分類(lèi)算法,如K近鄰、決策樹(shù)及樸素貝葉斯等,然后重點(diǎn)研究支持向量機(jī)分類(lèi)算法的原理。針對(duì)本文中模型向量維度較大的問(wèn)題,提出使用直方圖交集核作為支持向量機(jī)的核函數(shù),達(dá)到了較快的計(jì)算速度和很好的分類(lèi)準(zhǔn)確率。
　　 4.在車(chē)型數(shù)據(jù)庫(kù)上比較本文提出的方法和采用BOF模型與SVM分類(lèi)器的圖像