详情

原文传递基于属性的车辆检索算法研究

论文题名：	基于属性的车辆检索算法研究
关键词：	智能交通系统;车辆检索算法;信息提取;检测准确率
摘要：	随着经济的发展，人们生活水平的提高，道路上机动车的数量也在急剧增长，这就引起了交通违章、肇事等事件的频繁发生，给人们的出行带来了严重的安全隐患。车辆检索技术是指从视频中检索出指定车辆的技术，它是智能交通系统的重要组成部分，对增强道路安全、追查违章肇事车辆起到了非常重要的作用。　　本文的目的是研究从视频中检索出车辆的方法。检索方法有两种:一种是离线提取车辆的属性信息，并以此作为关键字存储，然后根据描述车辆属性的文本信息进行检索;另一种是离线提取车辆的局部特征信息，根据输入车辆图像提取局部特征进行检索。本文对这两种检索方式进行了研究，主要工作包括: 　　(1)给出了结合快速主分量寻踪与Adaboost分类器的车辆检测算法　　针对采集的视频，成像环境复杂，易导致错误检测车辆的问题，给出了结合快速主分量寻踪与Adaboost分类器的车辆检测算法。通过快速主分量寻踪算法对固定摄像头拍摄的视频进行背景建模，利用背景差分原理对得到的前景图进行Adaboost分类器车辆检测。实验结果表明，该算法能够很好地检测出车辆，对复杂背景具有强鲁棒性，检测准确率为99.25％。　　(2)给出了基于光照不变性的车辆颜色识别算法　　针对车辆视频中光照情况复杂多变，导致车辆颜色难以识别的问题，给出了基于光照不变性的车辆颜色识别算法。首先通过分析光照的影响，构建颜色特征;再将车辆图像重叠分块，提取各块的颜色特征，然后进行径向基编码，进而进行特征上下文的提取;最后通过训练好的SVM分类器对车辆特征进行分类，从而实现对车辆颜色进行识别的目的。实验结果表明，该算法在各种光照情况下都具有较高的车辆颜色识别率，识别率为93.90％。　　(3)给出了基于改进的梯度方向直方图与SVM结合的车标识别算法　　针对目前基于多数表决方法存在的误识问题，以及未被训练车标也存在错误识别的情况，给出了基于改进的梯度方向直方图与SVM结合的车标识别算法。首先提取训练图像集（车标图像和背景图像）的梯度方向直方图特征进行SVM模型训练，然后对待识别图像通过精确定位车牌和车标与车牌位置关系的先验知识得到车标的感兴趣区域，在车标感兴趣区域内进行多尺度滑动窗口的扫描，对窗口进行SVM模型预测。利用预测的置信度进行车标类别的识别，同时对未在车标训练库中的车标进行拒识别。实验结果表明，该改进后的算法比多数表决的方法大大提高识别率，同时能够实现拒识别功能，该算法对图像模糊、遮挡、残缺以及光照影响的情况下具有一定的鲁棒性，识别率为93.34％，正确拒识别率为90.11％。　　(4)给出了基于颜色信息与傅立叶梅林变换的车辆检索算法　　针对车身颜色、车标及车型极为相似的车辆的误检索问题，给出了基于颜色信息与傅立叶梅林变换的车辆检索算法。首先对待检图像进行颜色识别，从图像库中筛选出同种颜色的车辆形成候选集，然后在其中用车标（包含散热网）与车灯的感性区域的傅立叶梅林变换特征的相似性进行检索。实验结果表明，该算法大大降低时间复杂度以及错误检索率，对光照、噪声等常见干扰具有很好的鲁棒性，其在前1％、5％的查全率和平均准确率分别为76.63％、91.33％和62.23％、64.51％。　　在实际拍摄的10段视频与网上提供的测试数据库上的综合实验表明:本文给出的算法取得了较好的效果，其中基于颜色的车辆检索的准确率与召回率分别为93.90％、93.90％;基于车标的车辆检索的准确率与召回率分别为:93.34％、92.99％;车辆检索输入为颜色与车标结合时的准确率与召回率分别为:88.17％、87.50％;基于内容的车辆检索前1％的查全率与平均准确率分别为76.63％、62.23％。
作者：	于明月
专业：	电子与通信工程
导师：	王新年;贾晓丹
授予学位：	硕士
授予学位单位：	大连海事大学
学位年度：	2015
正文语种：	中文