面向交通場景的圖像分類研究.pdf

1、隨著智能交通監(jiān)控技術(shù)迅速發(fā)展，交通監(jiān)控圖像和視頻數(shù)量飛速增長。僅依靠人工分析海量的交通圖像和視頻費時耗力，智能地快速檢索和有效管理海量的交通圖像和視頻正面臨著巨大的挑戰(zhàn)。面向交通場景的圖像分類是智能檢索和管理交通圖像和視頻的基礎(chǔ)，也是實現(xiàn)智能監(jiān)控要解決的關(guān)鍵技術(shù)之一，它的研究具有理論價值和應(yīng)用價值。
　　本文的主要目標是實現(xiàn)交通場景圖像的分類，圍繞交通場景圖像特征提取，圖像表述及其分類展開研究。主要內(nèi)容如下：
　　第一，本文

2、提取局部二值模式圖像低層特征，采用支持向量機分類器進行圖像分類，實驗結(jié)果并不能達到預(yù)期的效果，其主要原因是在復(fù)雜背景下，圖像的低層特征不能很好地描述圖像語義內(nèi)容。視覺詞匯模型能描述圖像的中層語義特征。因此本文提取圖像SIFT特征，形成圖像的視覺詞匯表述，并使用支持向量機進行交通場景的圖像分類。比較兩種方法的實驗結(jié)果，基于SIFT的視覺詞匯模型的圖像分類準確率較高。
　　第二，視覺詞匯模型忽略了圖像的空間信息，本文引入空間金字塔模型

3、對圖像進行表述，該模型是對視覺詞匯模型的改進，在圖像特征空間上結(jié)合了圖像塊的上下文信息。采用這種圖像表述并結(jié)合支持向量機分類器進行交通場景的圖像分類，與視覺詞匯模型法作比較，圖像分類準確率有顯著提高。
　　第三，傳統(tǒng)空間金字塔模型中向量量化誤差較大，并且基于它的圖像分類運算復(fù)雜度高，運行時間長。為了解決這個問題，本文引入局部線性編碼改進向量量化編碼，采用這種圖像表述并結(jié)合Liblinear分類器進行交通場景的圖像分類，該方法降低了