原文传递
基于HOG特征提取的车辆检测方法研究
| 论文题名： | 基于HOG特征提取的车辆检测方法研究 |
| 关键词： | 智能交通系统;车辆检测;特征提取;滑动窗口 |
| 摘要： | 近年来，随着我国经济实力的提升，汽车制造业飞速发展。越来越多的汽车使得道路交通的正常运行变得越发艰难，交通事故频发。为了改善当下的交通环境，智能交通系统备受人们青睐。车辆检测作为智能交通的重要部分，已经变成了当下研究的热点。 本文深入研究了基于特征提取的车辆检测方法。从特征提取、分类器分类两方面入手。常用特征有HOG特征、SIFT特征、Haar特征、Harris特征等；常用分类器有SVM分类器、 Adaboost分类器等。传统车辆检测方法误检率较高，复杂环境下检测率较低，无法满足实际检测要求，需要进行改进。 为了克服HOG特征描述力不足的缺点，将关键通道、放大系数引入到传统HOG特征提取方法中。首先，利用样本集图片的平均梯度差值提取车辆图片的关键通道，其次，利用放大系数放大HOG特征的关键通道，最终得到了局部放大的HOG特征。为了增强特征对车辆纹理信息的表达，在局部放大的HOG特征基础上，融合LBP特征，融合特征的描述能力更强。能够提高检测率，降低样本集的误识别率。针对融合特征的特征维数较高，计算时间较长的问题，选择了加性交叉核SVM进行分类和检测，该分类器能够有效的降低分类和检测的时间，利用滑动窗口进行检测。 选择UIUC车辆数据集对本文检测方法进行测试。实验结果表明本文的方法能够很好的完成检测任务，且比传统HOG+SVM的方法误检率更低，检测率更高。 |
| 作者： | 刘家旭 |
| 专业： | 软件工程 |
| 导师： | 孟建良 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华北电力大学(保定) |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
