基于視覺詞袋模型的車輛識別技術(shù)研究.pdf

1、隨著智能交通的發(fā)展，利用視頻監(jiān)控等手段可以獲取大量的交通視頻數(shù)據(jù)。通過對交通監(jiān)控視頻數(shù)據(jù)的處理和分析，實現(xiàn)對車輛的識別和跟蹤有助于加強對交通車輛的管理。由于交通監(jiān)控視頻的環(huán)境復(fù)雜多變，特別是對于現(xiàn)有的非高清視頻資源，如何提高車輛的識別和跟蹤效率是一個迫切需要解決的問題。
　　為了提高交通視頻中車輛類型識別的速度和準(zhǔn)確率，本文提出了一種基于空間金字塔視覺詞袋模型的車型分類方法。在此基礎(chǔ)上，本文開展了對多視頻車輛跟蹤的研究，將改進的M

2、ean Shift和視覺詞袋模型相結(jié)合，根據(jù)獲取的穩(wěn)定特征對不同視頻中的車輛進行匹配，實現(xiàn)了多視頻的車輛識別和跟蹤。本文開展的主要研究工作有：
　　1、為了提高視頻前景提取的速度和精確度，本文提出了一種基于ViBe的交通監(jiān)控視頻前景提取方法。該方法能快速自動更新背景，將天氣、環(huán)境干擾對背景影響降到最低。為了解決ViBe前景提取存在的“拖影”問題，結(jié)合高斯混合模型，有效地提高了前景提取的準(zhǔn)確率。
　　2、為了提高車型分類的精度

3、，本文提出了一種基于視覺詞袋模型的交通視頻車型分類算法。該算法首先利用SIFT算子尺度不變的特性提取車輛特征，利用精確歐式位置敏感哈希聚類方法對分散的特征進行聚類，并融合空間金字塔矩陣對視覺詞匯進行分割，從而實現(xiàn)車輛類型的快速識別。本文還將基于視覺詞袋模型的車輛分類方法與基于局部特征的車型分類方法進行實驗結(jié)果對比和分析，本文提出的基于視覺詞袋模型的車輛分類方法具有更好的精確度。
　　3、論文針對多視頻跨域跟蹤存在的目標(biāo)車輛特征變化

4、大，多視頻車輛跟蹤效果較差的問題，提出了一種基于視覺詞袋模型改進的Mean Shift多視頻車輛跟蹤方法。該方法通過視頻中的車輛速度和空間路網(wǎng)結(jié)構(gòu)等信息快速確定待查視頻，并根據(jù)車型閾值減少不必要的匹配對象；然后采用Mean Shfit算法根據(jù)車輛顏色和輪廓等信息，實現(xiàn)目標(biāo)車輛的初匹配；最后，再利用識別對象的視覺詞袋特征進行匹配，從而實現(xiàn)了多視頻的交通車輛識別跟蹤，保證了識別和跟蹤的速度和精確度。
　　4、為了驗證本文方法的有效性，