基于灰色絕對(duì)關(guān)聯(lián)分析的中值濾波算法的研究.pdf

1、智能交通系統(tǒng)(ITS)是智能視頻監(jiān)控系統(tǒng)在現(xiàn)代交通領(lǐng)域的重要應(yīng)用,代表著未來(lái)交通管理的發(fā)展趨勢(shì),其中基于視頻的車輛檢測(cè)是ITS的一項(xiàng)關(guān)鍵內(nèi)容,在ITS中起著決定性的作用。通常將基于視頻的車輛檢測(cè)視為一個(gè)分類問題,其關(guān)鍵步驟涉及樣本集的構(gòu)建、特征提取及分類器訓(xùn)練等部分。
　　本文對(duì)車輛檢測(cè)技術(shù)的研究現(xiàn)狀進(jìn)行總結(jié)與分析,在此基礎(chǔ)上,在訓(xùn)練樣本集構(gòu)建、特征描述、分類器模型訓(xùn)練性能的改善等方面對(duì)車輛檢測(cè)關(guān)鍵技術(shù)進(jìn)行研究。
　　論文工

2、作及主要貢獻(xiàn)如下:
　　(1)基于多尺度樣本的訓(xùn)練樣本集構(gòu)建
　　首先對(duì)樣本集提取HOG特征,然后用boosting方法訓(xùn)練SVM分類器。通過三級(jí)boosting得到大量的優(yōu)質(zhì)樣本集,使最后得到的SVM分類器能夠準(zhǔn)確的區(qū)別目標(biāo)與非目標(biāo)。
　　為了解決傳統(tǒng)的樣本集構(gòu)建方法訓(xùn)練得到的分類器誤判率高的問題,本文提出了多尺度訓(xùn)練樣本集構(gòu)建方法,引入與測(cè)試策略相同的多個(gè)尺度的訓(xùn)練樣本,降低了分類器的誤判率,使靜態(tài)圖片中目標(biāo)檢測(cè)的

3、誤判窗口數(shù)目大大降低。
　　(2)基于MbSBP特征提取的樣本描述
　　為了較為完整描述目標(biāo)的紋理及結(jié)構(gòu)信息,提出了一種基于中值濾波的星形二值模型(MbSBP:Median filter based Star Binary Pattern)特征。用LBP特征、HOG特征、MbsBP特征分別訓(xùn)練了SVM分類器。基于SVM分類器的車輛檢測(cè)實(shí)驗(yàn)表明:相對(duì)于LBP直方圖及HOG特征的目標(biāo)描述,MbSBP特征可顯著改善分類器的檢測(cè)性能

4、。
　　(3)基于SC-Adaboost模型的分類器
　　基于AdaBoost級(jí)聯(lián)分類器的目標(biāo)檢測(cè),具有檢測(cè)精度高、檢測(cè)速度快的特點(diǎn),但當(dāng)訓(xùn)練樣本數(shù)目多、樣本描述的特征維數(shù)高時(shí),分類器的訓(xùn)練過程將會(huì)異常緩慢。為有效降低分類器的訓(xùn)練時(shí)間,本文從有效限制弱分類器訓(xùn)練樣本規(guī)模的角度,提出了一種改進(jìn)的boosting分類器訓(xùn)練模型,即:基于SC-AdaBoost的分類器。行人檢測(cè)與車輛檢測(cè)兩組實(shí)驗(yàn)表明SC-Adaboost算法在不降