详情

原文传递基于SVM算法的前方车辆视频检测

论文题名：	基于SVM算法的前方车辆视频检测
关键词：	安全辅助驾驶;前方车辆;视频检测;SVM算法;特征提取
摘要：	随着科技的不断发展，经济的不断增长，汽车的保有量也迅速增加。但是，科学技术不只给人们的生活带来了便利，也带来了很多弊端，如交通事故。为了广大公民的人身财产安全，安全辅助驾驶技术越来越受到人们的重视，而车辆检测是安全辅助驾驶系统中基本而关键的一个环节。为了在复杂的外界环境中准确的检测出前方车辆，本文主要做了如下工作：　　（1）车辆特征提取。本文中用到了LBP算子和HOG算子来描述车辆的纹理特征和形状特征。根据公式分别计算得出图像中每个像素的 LBP值和 HOG值，然后得到图像的LBP特征直方图和梯度方向直方图来描述图像的纹理和形状。　　（2）训练半监督 SVM分类器。首先利用少量标记的样本训练 SVM分类器。然后将车辆视频输入到 SVM分类器进行标记，将标记的置信度较高的图像补充到原始样本集中。最后采用半监督学习方式训练SVM分类器。　　（3）轮廓区域提取。提取轮廓区域是为了在复杂的环境中提高检测车辆的速度。经过预处理得到图像对应的二值图像，扫描该二值图像，把二值图像中所有灰度值为非0的像素点加入到一个链表中得到链码，用该链码表示轮廓区域。　　（4）车辆视频检测。首先将处理后的视频输入到 LBP+SVM分类器进行判断，若视频中不存在车辆，退出程序对视频的处理；若存在，将视频输入到半监督 HOG+SVM分类器检测视频中车辆的位置，并用矩形标记出来。　　本文的创新之处主要有三个方面：　　（1）为了提高对车辆视频检测的速度，提取LBP特征和HOG特征时，对图像进行了分块，且块与块之间没有重叠，计算量得到了降低，检测效率得到了提高。本文提取LBP特征的思想是结合分块提取LBP特征思想和滑动窗口提取LBP特征思想提出的。　　（2）在将车辆视频输入到半监督 SVM分类器检测之前，对车辆视频进行了轮廓区域提取，可以在复杂的环境中准确、快速的找出车辆可能存在的位置。然后在轮廓区域内进行车辆检测的预处理以及利用 SVM分类器进行车辆检测，可以减少计算量，提高车辆检测的效率。　　（3）引入了触发机制。在利用半监督 HOG+SVM分类器检测车辆视频之前，先使用 LBP+SVM分类器对车辆视频进行判断，检测是否存在车辆。引入触发机制可以提高检测算法的速度和准确率。　　本文的不足之处有以下两个方面：　　（1）提取图像的 HOG特征，计算量较大，时间较长。本文中提出的改善方法虽然减少了计算量，缩短了时间，提高了检测的效率，但对于 HOG特征的提取速度仍有待提高。　　（2）在车辆视频环境较为复杂时，尤其是在阴天和下雨天的时候，检测视频中的车辆容易出现误检、漏检等。在检测车辆算法中提高检测速度时准确率就会有所下降，反之亦然。在提高检测速度的前提下保证准确率仍是有待解决的问题。
作者：	王娜
专业：	电路与系统
导师：	白成杰
授予学位：	硕士
授予学位单位：	山东师范大学
学位年度：	2016
正文语种：	中文