原文传递
基于多特征融合的车辆品牌识别方法研究
| 论文题名： | 基于多特征融合的车辆品牌识别方法研究 |
| 关键词： | 车辆品牌识别;纹理特征;支持向量机;多特征融合;稀疏表示;智能交通系统 |
| 摘要： | 中国交通运输部出台的《2012-2020年智能交通发展战略》中提出交通信息的感知和监控技术是实现城市交通智能化发展的先进技术。车辆作为智能交通系统中必不可少的组成部分，其车型信息已成为公共交通服务、交通运行监管和安全防护等行业中数据处理与分析的基础。目前，车型识别技术在公路电子收费和停车场管理等领域中得到广泛应用，但是车型识别仅局限于大小型或客货车等类型，尚不能满足公安交警部门对假（套）牌车自动鉴别的需求。随着计算机视觉和模式识别技术的深入发展，因此，研究基于图像处理技术的车辆品牌识别方法已经成为智能交通系统车辆管理和维护工作中亟待解决的问题。 本文基于电子警察卡口相机捕获到的车辆图片，研究了基于多特征融合的车辆品牌的识别技术，具体内容如下: 首先，研究了基于纹理特征提取的车辆品牌识别方法。根据车辆号牌与车脸区域相对位置关系分割出车辆区域，构建了东南大学车脸数据库（包括120000张图片，30类车辆品牌）。提取了车脸的局部能量形状直方图(Local Energy based Shape Histogram，LESH)、局部二值模式直方图(Local Binary Pattem Histogram，LBPH)和方向梯度直方图(Histogramof Oriented Gradients，HOG)等纹理特征，并分别采用支持向量机(Support Vector Machines，SVMs)和K最近邻分类器对车辆品牌进行识别的分析对比实验。实验结果表明采用HOG特征和支持向量机分类器的车辆品牌识别方法优于其他组合，整体识别率达到92.40％。 其次，研究了基于稀疏表示特征的车辆品牌识别方法。对比分析了传统无字典稀疏求解算法和基于K奇异值分解(K Singluar Value Decomposition，K-SVD)字典学习的稀疏编码算法，并利用误差重构最小化原理对车辆品牌进行分类。实验结果表明基于K-SVD字典学习算法的稀疏表示车辆品牌识别算法优于传统无字典稀疏求解方法，且随着训练样本数和字典原子数的增加，识别率呈逐渐上升趋势，最高可达89.07％，平均每张识别时间小于0.015秒。 最后，提出了一种基于稀疏表示的多特征融合的车辆品牌识别方法。分析了图像特征联合的融合策略，并对车脸图像进行一级特征HOG提取。基于HOG特征的非负性进行非负稀疏编码，形成了基于稀疏表示的HOG特征二级抽象的融合特征，并利用误差重构最小原理对车辆品牌进行识别。实验结果表明车辆品牌整体识别率达到96.16％，且该种方法对车辆含有强光反射、光线照射弱和运动模糊具有鲁棒性。因此本文提出的基于多特征融合的车辆品牌识别方法具有识别精度高和鲁棒性等优点，存在广泛的应用价值和研究意义。 |
| 作者： | 张小琴 |
| 专业： | 测绘工程 |
| 导师： | 沙月进;赵池航 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2015 |
| 正文语种： | 中文 |
检索历史
应用推荐
