基于高分辨率衛(wèi)星影像的車輛識別研究.pdf

1、隨著社會經(jīng)濟的快速發(fā)展，城市道路交通問題越來越突出，使用智能交通系統(tǒng)科學的管理與規(guī)劃道路交通網(wǎng)成為一個熱點問題，而其中一個關(guān)鍵問題就是如何快速獲取區(qū)域內(nèi)的車流量信息。使用高分辨率衛(wèi)星影像獲取車輛信息，作為一種新興的技術(shù)手段，具有傳統(tǒng)地面檢測設備無法比擬的優(yōu)勢，而目前從高分辨率衛(wèi)星影像中自動識別車輛信息的方法還不夠成熟。對此，本文針對高分辨率衛(wèi)星影像，研究了從道路圖像中識別車輛目標的方法。
　　本文主要使用級聯(lián)的AdaBoost分類

2、器實現(xiàn)對車輛目標的識別。分類器的訓練過程是：首先采集大量車輛與非車輛樣本圖像，其中車輛樣本取其對稱軸后截取對稱部分的圖像，對所有樣本尺寸和灰度進行歸一化后，提取灰度信息和飽和度信息，使用Haar-like特征分別取特征值，送入級聯(lián)分類器進行訓練。目標識別過程是，對待識別圖像分別在灰度和飽和度圖像上計算積分圖，使用逐步增大的放大因子放大檢測窗口，在窗口中進行灰度歸一化，然后檢測和合并檢測結(jié)果。在檢測目標時，根據(jù)車輛俯視圖像都是左右對稱的這

3、一特點，構(gòu)造了兩類特征：一類是只檢測半個車身的特征，將檢測窗口高度減小到原來的一半，在縮小后的檢測窗口中使用所有特征來檢測目標；另一類是檢測車身對稱性的特征，在原檢測窗口中，只使用對稱于窗口對稱軸、且描述上下部分差異的特征。使用這種方式，可以大幅減少特征數(shù)量，提高訓練速度，同時保持識別效果。不同于大部分的研究中只使用灰度信息，本文在對比了幾種顏色空間模型后，選擇了加入HSV色彩空間的飽和度分量，使訓練分類器時可選擇的特征數(shù)量增加了一倍。

4、在實驗中發(fā)現(xiàn)，飽和度分量能更好的區(qū)分道路與深色的車輛。針對不同圖像光照情況、拍攝參數(shù)不一等造成圖像亮度有差異的情況，本文對比了直方圖均衡化、Gamma校正和方差歸一化的處理效果，實驗表明，使用方差歸一化能很好的修正光照對圖像的影響，同時識別目標的效果較好。訓練算法采用了傳統(tǒng)的級聯(lián)AdaBoost分類器，由于在預處理和特征提取過程中進行的優(yōu)化處理，使用這樣的分類器訓練方法已經(jīng)能很好的識別車輛目標。在實際應用中，本研究可以應用于智能交通系統(tǒng)