自然場景下基于局部模型的車體檢測及其并行化方法研究.pdf

1、圖片信息的獲得、圖片信息的收集方法的成熟，使得在生活中的各個行業(yè)中，運用了很多不同的方法得到了大量的關(guān)于車輛的歷史圖片和實時圖片，這些圖片絕大多數(shù)是在自然場景下，通過自動化或半自動化的方法獲取的，它們有著共同的特點，即獲取場景不固定、圖片質(zhì)量不穩(wěn)定、拍攝的時間分布較均勻和數(shù)量大的特點。高效準確地確定圖片中車輛的相對位置，是提高車輛圖片信息可用性的必要條件。但是，現(xiàn)在很多車體檢測的方法對照片拍攝角度，明暗等因素的要求都很高，這些約束條件只

2、有在特定的情況下才能達到，所以，探索如何準確、快速地檢測自然場景下的車體目標就具有重大的理論意義和實踐價值。
　　本文采用了潛在支持向量機（Latent Support Vector Machine, LSVM）來實現(xiàn)自然場景下的車體檢測系統(tǒng)。支持向量機是一種有監(jiān)督的學習模型。對于一組訓練數(shù)據(jù)，每個數(shù)據(jù)分為正負樣本兩類，SVM算法訓練得到了一個模型，用于識別新的樣本為正樣本或負樣本，使其成為非概率二分類線性分類器。一個SVM模型的

3、例子，如映射在空間中的點，使得所述不同的類別的樣本是由一個間距是盡可能寬的判定邊界劃分的表示。新的樣本則映射到相同的空間中，并通過預測它們落在分類器的哪一邊來判斷樣本屬于哪一個類別。隨著GPU使用的普遍和性能的不斷提升，利用GPU的并行計算原來越成熟。而且GPU的特性有決定了它在圖像處理上有比CPU更大的優(yōu)勢，因此，本文使用了分布并行計算的方法，有效的提高的算法的運行時間。使用支持向量機的方法來解決自然場景下車體檢測問題，實驗的結(jié)果表明