復(fù)雜背景下車(chē)型識(shí)別技術(shù)研究.pdf

1、本文研究基于實(shí)際交通視頻的車(chē)型識(shí)別技術(shù)。本文提出了一個(gè)新的車(chē)型識(shí)別思路,即利用不同車(chē)型的區(qū)別取決于車(chē)輪以上輪廓的特點(diǎn),通過(guò)背景建模、車(chē)輪檢測(cè)等,實(shí)現(xiàn)了對(duì)車(chē)輛的輪廓進(jìn)行提取;并提出了一種車(chē)輛輪廓修復(fù)方法,實(shí)現(xiàn)了對(duì)殘缺車(chē)輛輪廓的修復(fù),使之更接近真實(shí)的車(chē)輛輪廓;最后通過(guò)模板匹配的方法進(jìn)行了車(chē)型的識(shí)別。
　　首先,用高斯混合模型對(duì)視頻進(jìn)行背景建模,并對(duì)運(yùn)動(dòng)車(chē)輛區(qū)域進(jìn)行定位。利用道路視頻背景基本固定不變的特點(diǎn),運(yùn)用高斯混合模型建立了視頻的背

2、景模型。然后用當(dāng)前幀圖像與背景模型相比較,將符合背景分布的判為背景像素,不符合背景分布的判為前景像素,得到的二值圖像就是運(yùn)動(dòng)目標(biāo)的前景掩碼圖像。用連通區(qū)域分析得到運(yùn)動(dòng)車(chē)輛的位置和外接矩形,并從原始圖像和前景掩碼圖中分別截取包含車(chē)輛的小矩形彩色圖像和二值圖像。實(shí)驗(yàn)結(jié)果表明,該方法能夠建立背景的模型,同時(shí)能夠檢測(cè)出運(yùn)動(dòng)車(chē)輛的區(qū)域,得到了彩色圖和二值圖兩種車(chē)輛圖像截取區(qū)域結(jié)果。
　　其次,訓(xùn)練車(chē)輪分類(lèi)器并檢測(cè)截取彩色車(chē)輛圖像中的車(chē)輪。首

3、先采集了大量車(chē)輪的正負(fù)樣本圖像,利用Haar特征適合表示車(chē)輪這種“塊”特征的特點(diǎn),計(jì)算每個(gè)樣本的Haar特征,并通過(guò)Adaboost算法訓(xùn)練了一個(gè)車(chē)輪分類(lèi)器,然后在截取的彩色圖像中檢測(cè)車(chē)輛車(chē)輪,得到車(chē)輪的位置、大小等信息,并通過(guò)篩選策略將誤檢的車(chē)輪去除,得到可信度最高的車(chē)輪位置信息。實(shí)驗(yàn)結(jié)果表明,車(chē)輪被準(zhǔn)確的檢測(cè)出來(lái),有效避免了在整個(gè)視景中檢測(cè)車(chē)輪的速度慢和誤檢多的問(wèn)題。
　　再次,用邊緣檢測(cè)算法提取前景二值圖的輪廓并對(duì)其進(jìn)行修復(fù)

4、。用邊緣檢測(cè)算法檢測(cè)二值車(chē)輛截圖的邊緣,并將它們組織成輪廓,去除長(zhǎng)度小于所有輪廓中值的小輪廓,然后利用車(chē)輛車(chē)輪以上輪廓是不同車(chē)型最顯著區(qū)別的特點(diǎn),同時(shí)結(jié)合車(chē)輪位置信息,對(duì)車(chē)輛車(chē)輪以上部分輪廓進(jìn)行提取,并對(duì)提取的輪廓進(jìn)行修復(fù),得到較為完好的車(chē)輛輪廓。實(shí)驗(yàn)表明,提取的車(chē)輛輪廓毛刺少,外形接近實(shí)際車(chē)輛,非常有利于后續(xù)車(chē)輛輪廓的識(shí)別。
　　最后,用Hu不變矩進(jìn)行車(chē)型識(shí)別。利用Hu不變矩具有旋轉(zhuǎn)、縮放不變的特點(diǎn),計(jì)算得到待分類(lèi)車(chē)輛的Hu不變