基于稀疏表示的車輛識(shí)別方法研究.pdf

1、車輛的分類與識(shí)別的研究歷經(jīng)長(zhǎng)時(shí)間的發(fā)展,至今仍是國(guó)內(nèi)外眾多科研機(jī)構(gòu)的重要研究方向。特別是基于圖像分析的車輛檢測(cè),由于其成本低、靈活度高以及可以避免潛在的交通事故,成為學(xué)術(shù)界和工業(yè)界爭(zhēng)相關(guān)注的熱點(diǎn)。但是由于依然存在很多現(xiàn)階段無法解決的技術(shù)難題,如自然場(chǎng)景下的運(yùn)動(dòng)車輛由于存在背景變化和部分遮擋而不易識(shí)別等,因此,有必要展開相關(guān)的理論研究工作。
　　自然場(chǎng)景下的車輛,往往都存在著天氣、光照條件的變化以及車輛本身在顏色、尺寸、姿態(tài)等方面的

2、不一致;另外,自然場(chǎng)景下不可避免的是遮擋問題,有些甚至是嚴(yán)重遮擋,這無疑加大了車輛識(shí)別的難度。本文針對(duì)自然場(chǎng)景下的車輛識(shí)別與分類問題,做了以下幾方面的工作:
　　(1)首先概括的介紹了圖像分類與目標(biāo)識(shí)別的基本理論,然后總結(jié)了車輛識(shí)別與分類的研究背景和意義,回顧了國(guó)內(nèi)外車輛識(shí)別的發(fā)展現(xiàn)狀,明確了本文所要研究的內(nèi)容;
　　(2)介紹了稀疏表示的發(fā)展由來以及稀疏表示的幾種流行算法,如全局優(yōu)化算法、貪婪算法以及其他幾類算法,同時(shí)分析

3、了各種算法的利弊;
　　(3)針對(duì)自然場(chǎng)景下的車輛識(shí)別問題,利用一種適合的特征提取方法,先用PCA降維方法對(duì)圖像的維數(shù)進(jìn)行簡(jiǎn)化,接著用SIFT提取出尺度不變性特征。同時(shí)還描述了特征匹配問題;
　　(4)提出一種基于核的K-SVD字典訓(xùn)練結(jié)合稀疏表示的分類方法:首先在利用上述所介紹的特征提取方法對(duì)圖像進(jìn)行預(yù)處理之后,然后對(duì)所得特征矩陣?yán)煤撕瘮?shù)將其從低維空間映射到高維空間,在這個(gè)高維空間里用K-SVD對(duì)新的高維特征矩陣進(jìn)行訓(xùn)練

4、,分別得到相應(yīng)的兩類特征字典。此時(shí),即可用稀疏表示分類器 SRC對(duì)測(cè)試樣本進(jìn)行識(shí)別分類。在與其他幾種經(jīng)典識(shí)別方法對(duì)比后發(fā)現(xiàn),所提出的方法識(shí)別率有改善,更重要的是能夠消除部分遮擋對(duì)車輛識(shí)別的影響;
　　(5)最后,提出利用當(dāng)今比較流行的分類器——支持向量機(jī) SVM與稀疏表示結(jié)合的方法來確保識(shí)別率的準(zhǔn)確性。首先介紹了SVM的理論及分類原理,分析了其優(yōu)缺點(diǎn);接著用二者結(jié)合的思想進(jìn)行了算法設(shè)計(jì)和實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果證明:這種結(jié)合一方面不僅繼