車輛行駛狀況的檢測與識(shí)別算法探討.pdf

1、本文所研究的內(nèi)容是普通戶外靜止背景圖像中車輛行駛狀態(tài)的檢測與識(shí)別算法,對車輛和行人目標(biāo)檢測與分類的相關(guān)理論方法進(jìn)行了分析研究。本文分析并提取了行駛車輛目標(biāo)的形狀特征和位置特征,根據(jù)這些特征對車輛行駛狀態(tài)進(jìn)行了檢測,并采用目標(biāo)的形狀特征對視頻序列中的車輛和行人目標(biāo)進(jìn)行了分類識(shí)別,主要研究內(nèi)容如下:
　　 1.提出了一種基于塊處理的自適應(yīng)背景更新方法,該方法可獲得實(shí)時(shí)的背景圖像,減小了背景圖像重構(gòu)的時(shí)間;
　　 2.選擇決策

2、樹C4.5分類器做為本文的目標(biāo)分類算法,并對決策樹C4.5算法提出了3點(diǎn)改進(jìn),具體改進(jìn)內(nèi)容如下:
　　 1)針對C4.5算法中信息增益率計(jì)算復(fù)雜問題,本文對信息增益率計(jì)算方法進(jìn)行了改進(jìn),實(shí)驗(yàn)表明改進(jìn)方法可提高算法的計(jì)算效率;
　　 2)改進(jìn)了C4.5算法中連續(xù)性屬性最佳分割閾值的選擇方法,經(jīng)實(shí)驗(yàn)分析,改進(jìn)算法在計(jì)算量方面減少了很多,提高了決策樹的生成效率;
　　 3)對C4.5算法的剪枝方法進(jìn)行了改進(jìn),采用錯(cuò)誤結(jié)

3、點(diǎn)編碼代價(jià)剪枝法ENCCP(Error Node Code Cost Prune)對決策樹剪枝,實(shí)驗(yàn)證明了該剪枝算法可有效的剪去決策樹中的錯(cuò)誤分枝。
　　 3.搭建了一個(gè)車輛行駛狀態(tài)檢測與識(shí)別的仿真模型,該模型可準(zhǔn)確快速地檢測識(shí)別車輛的行駛狀態(tài)。
　　 4.實(shí)驗(yàn)結(jié)果表明,本文所提出的對車輛行駛狀態(tài)的檢測與識(shí)別算法是有效的,該算法可快速、準(zhǔn)確地對車輛的行駛狀態(tài)進(jìn)行檢測,改進(jìn)C4.5算法相對于傳統(tǒng)C4.5算法在目標(biāo)檢測處理速