原文传递
基于图像的智能交通系统中车标识别技术研究
| 论文题名： | 基于图像的智能交通系统中车标识别技术研究 |
| 关键词： | 图像特征;智能交通系统;车标定位;车标识别;视觉显著性;LBP特征;快速最近邻分类算法;SVM分类器 |
| 摘要： | 智能交通是本世纪交通发展的趋势，车标识别系统是智能交通的重要组成部分，研究车标识别技术具有重大的现实意义。基于图像的车标识别系统包括图像采集、车标定位、车标识别、识别应用等部分。其中，车标定位、车标识别是两项关键技术，本文主要研究了车标的定位和识别方法，主要内容如下: (1)研究了基于视觉显著性的车标定位方法。基于视觉显著性的目标检测是近年来目标检测的一个新方法，本文改进了经典的ITTI视觉注意模型，提取车标图像的亮度特征、颜色特征、方向特征、边缘特征，并线性融合为最终的车标显著图;对显著图进行二值分割、形态学闭运算、投影等操作定位车标。该方法能适应复杂环境的变化，具有一定的鲁棒性。 (2)研究了基于纹理抑制的车标定位方法。首先提出了一种简单纹理方向判别算法，将车标背景纹理分为两大类:类水平纹理和垂直纹理;对不同的纹理特性，采用不同的纹理抑制方法消除干扰噪声，凸显车标区域，并通过投影定位车标。该方法高效、准确，具有较好的定位效果。 (3)研究了车标LBP特征及其降维方式。本文提取车标的LBP特征，并通过SVM分类器，在特征维度、识别时间、识别效果等方面，分析了LBP等价模式、LBP子模式两种降维方式的差异，具有一定的参考价值。LBP等价模式的计算效率更高，结合PCA实现的LBP子模式降维方式更灵活。 (4)提出了一种改进的快速最近邻分类算法(MKNN)。MKNN结合了KNN和最小距离分类器的优点，根据最小距离分类器选择距离最小的前M类样本，并在这M类样本中根据KNN分类器确定具体的类别。本文在大数据集上测试MKNN的识别性能，分析其识别结果。实验表明，MKNN效率高，同时又具有较高的识别率。 (5)实现了基于LBP特征和SVM分类器的车标识别。采用KNN分类器、MKNN分类器、SVM分类器进行车标的识别;分析了不同分类器的识别差异和识别错误的原因;设计了车标识别系统的MFC界面，展示本文算法的效果。 |
| 作者： | 王建 |
| 专业： | 计算机应用技术 |
| 导师： | 任明武 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2014 |
| 正文语种： | 中文 |
检索历史
应用推荐
