基于圖像分類的車型識(shí)別方法研究和實(shí)現(xiàn).pdf

1、目前,隨著城市化進(jìn)程的快速發(fā)展,人口的大量增加,城市交通問題特別是交通阻塞問題變得日益嚴(yán)峻,智能交通系統(tǒng)也越來越受到大家的廣泛重視,已成為世界交通系統(tǒng)的發(fā)展趨勢。智能交通系統(tǒng)的關(guān)鍵技術(shù)之一即是車型識(shí)別,其不僅在智能交通中擁有廣闊的應(yīng)用前景,而且也是計(jì)算機(jī)視覺,機(jī)器學(xué)習(xí)和圖像處理等領(lǐng)域的研究熱點(diǎn)。
　　 目前基于圖像的車型識(shí)別方法主要是使用圖像處理的技術(shù)來對圖像進(jìn)行分割得到汽車的前景,然后根據(jù)輪廓的大小、面積、形狀或不變矩等特征來

2、識(shí)別車型,但是這種方法一般缺乏擴(kuò)展性。克服上述缺點(diǎn)的一個(gè)可行方案是使用基于機(jī)器學(xué)習(xí)的圖像整體分類方法來對車型進(jìn)行識(shí)別。
　　 本文詳細(xì)研究圖像分類的相關(guān)技術(shù),其中詞袋模型(Bag-of-Feature,BOF)廣泛出現(xiàn)在各種前沿的圖像分類算法當(dāng)中。但是圖像在建立BOF模型中的向量量化操作存在較大的重建誤差。本文采用基于稀疏表示模型的圖像分類方法進(jìn)行車型識(shí)別,可以有效降低這種重建誤差。整個(gè)車型分類識(shí)別的研究分為局部特征提取、稀疏表

3、示模型構(gòu)建、機(jī)器學(xué)習(xí)分類器三個(gè)部分,主要的工作如下:
　　 1.主要研究以SIFT(scale invariant feature transform)和ORB為代表的局部紋理特征提取算法,并對比兩種算法在車型識(shí)別上的性能。
　　 2詳細(xì)分析稀疏表示模型的構(gòu)建過程,重點(diǎn)研究字典學(xué)習(xí)和稀疏編碼算法,針對一般稀疏表示模型中采用離線方式學(xué)習(xí)字典出現(xiàn)內(nèi)存消耗過大、速度慢的缺點(diǎn),提出采用在線的方式學(xué)習(xí)字典。同時(shí)也研究空間金字塔匹配

4、和空間錯(cuò)配核兩種添加空間位置信息的方法。通過這種方式建立起來的特征模型向量可以給分類器提供非常好的分類數(shù)據(jù)模型。
　　 3.研究多種基礎(chǔ)的機(jī)器學(xué)習(xí)分類算法,如K近鄰、決策樹及樸素貝葉斯等,然后重點(diǎn)研究支持向量機(jī)分類算法的原理。針對本文中模型向量維度較大的問題,提出使用直方圖交集核作為支持向量機(jī)的核函數(shù),達(dá)到了較快的計(jì)算速度和很好的分類準(zhǔn)確率。
　　 4.在車型數(shù)據(jù)庫上比較本文提出的方法和采用BOF模型與SVM分類器的圖像