原文传递
基于机器视觉的车辆检测方法研究
| 论文题名： | 基于机器视觉的车辆检测方法研究 |
| 关键词： | 车辆检测;机器视觉;特征提取;跟踪算法;最大池化分类器 |
| 摘要： | 近年来随着计算机视觉技术的快速发展，基于视觉的智能交通技术在生活中越来越被普遍的应用。基于机器学习的车辆检测是智能交通领域关键问题之一，也是目标检测领域的重要组成部分，车辆检测的正确率对后续智能交通的研究具有重要影响。本文重点研究了单视角车辆检测算法、多视角车辆检测算法、车辆跟踪算法、车型识别算法，主要内容如下： 第一，研究了聚合通道特征的提取方法，该特征不仅包含泛化的HOG通道特征，而且还包含颜色通道与梯度通道特征；探讨了多视角下车辆检测的特征选择问题，对比了可分离子聚类算法与k-means和Latent SVM聚类算法的区别。 第二，研究了基于软级联AdaBoost分类器的其它三种推广模式，软级联RealAdaboost、软级联GentleAdaBoost、软级联ModestAdaBoost对车辆检测的影响。并且分析了三种分类器中参数对检测性能的影响；将参数进行组合使用，提出了检测效果更好的最大池化分类器。 第三，探讨了一种改进的最小化输出均方误差跟踪算法，将该跟踪算法运用于隔帧检测，分析了隔帧数对检测性能的影响。采用HOG、LBP、DSIFT特征来提取车辆的局部信息，结合随机投影技术对高维空间中的特征进行降维；结合SVM针对不同的车型，将检测出的车辆分为不同的类别，并与主流的识别技术进行了对比。 第四，基于WinForm框架技术设计了一个完整的车辆检测平台，包括车辆图片检测、车辆视频检测、车型识别等功能。 |
| 作者： | 陈熊 |
| 专业： | 信号与信息处理 |
| 导师： | 解梅 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
