详情

原文传递基于计算机视觉的车辆分类研究

论文题名：	基于计算机视觉的车辆分类研究
关键词：	车辆分类;计算机视觉;压缩字典学习;核稀疏表示
摘要：	自动车辆分类是智能交通系统中的一项基础工作。准确的车辆分类在交通监控系统、电子收费系统、智能停车系统等各种交通监控和管理系统中起着至关重要的作用。目前基于计算机视觉的自动车辆分类存在着分类准确率不高、计算耗时等问题。　　为实现车辆在线分类，本文从运动车辆检测，车辆特征描述，特征字典学习以及目标分类等几个方面进行相关研究，本文主要研究内容如下: 　　(1)针对传统车辆检测算法无法兼顾运动车辆检测实时性与鲁棒性，本文提出一种融合ViBe和帧间差分的运动车辆检测算法。该方法在更新背景模型时，改进背景更新策略，加入了帧间差分判别多阂值比较策略，判断像素点属于前景或背景，并根据帧间差分结果对背景更新率进行动态调整，从而加快ViBe算法中“鬼影”的消除速度，实现运动车辆实时、鲁棒检测。　　(2)在复杂场景下，利用单一的纹理特征或形状特征进行车辆分类不可避免会出现分类精度不高的情况，基于此，本文提出一种新颖的特征描述方法。首先，利用Dense-SIFT算法分别提取车辆原始图像上的纹理特征和车辆边界图像上的形状特征，然后，综合考虑车辆纹理特征与形状特征的互补作用，对车辆特征进行线性联合，提高复杂场景下车辆特征的辨识能力，最后，为更简单的描述车辆联合特征，本文构建词袋模型，利用k-means聚类算法合并相似的特征点来生成视觉词典，根据图像特征点与视觉词典中每个视觉词之间的相似度，将特征点映射到视觉词典上，统计视觉词典中每个视觉词在图像中出现的次数，生成一个更简单的特征向量。通过实验证明该方法可实现特征之间的优势互补，提高特征的辨识能力。　　(3)为使特征字典对目标样本具有最优的表示能力，并解决高维数据引起的字典学习效率低下问题，本文在K-SVD字典学习的基础上提出压缩字典学习算法，该方法通过引入分块策略来提高字典学习准确率，通过构建相同数量的非常稀疏随机投影矩阵，降低样本数据的维度，并利用批量正交匹配追踪算法计算稀疏系数矩阵，减少字典学习所需的时间。通过实验分析证明该算法可提高字典学习的准确性和计算效率。　　(4)为增强样本特征数据的可区分性，提高车辆分类的精度，本文提出改进的基于核稀疏表示的车辆分类算法，实现轿车、面包车、公交车、卡车四种车型的在线分类。该方法通过引入核函数，将样本数据映射到高维核空间，使低维空间中线性不可分的样本在高维空间中变得线性可分，从而提高车辆分类的准确率。
作者：	施顺顺
专业：	系统科学
导师：	孙伟
授予学位：	硕士
授予学位单位：	南京信息工程大学
学位年度：	2018
正文语种：	中文