论文部分内容阅读
车型自动分类系统是ITS(Intellegent Transportation System)的重要组成部分,它在智能交通领域中有着广泛的应用,相关技术的研究正受到普遍关注。当前国内外学者侧重于研究车辆外形、大小、颜色的识别,实现对车辆的粗分类,本文的目的是通过对汽车标志(简称车标)的定位和识别进行探索性研究,实现按车标类型(汽车品牌)对车辆的细分类。对于车标定位,本文不再采用传统图像处理分割方法,而是采用模式识别思想,使用Adaboost学习算法训练些级联分类器,在粗定位车标区域中检测并识别出车标。然后,采用Adaboost. MH学习算法扩展多类车标问题为多个两类问题,训练分类器实现对车标的验证识别。并通过实验,验证了本文所提出的理论方法的有效性。本文主要分4部分进行介绍、分析与研究:(1)小波矩为使小波矩更好的适用于本文的应用,这一部分对小波矩的理论进行详细介绍和分析,并深入分析与研究图像小波矩的构造方法。(2)Adaboost学习算法的研究Adaboost算法是一种分类器算法,其是利用大量的分类能力一般的简单分类器(也称弱分类器)通过一定方法叠加起来,构成一个分类能力很强的强分类器。理论证明,只要每个简单分类器分类能力比随机猜测要好,当简单分类器个数趋向于无穷时,强分类器的错误率将趋于零。这一部分深入分析与研究Adaboost学习算法的背景和理论。(3)车标定位方法的研究此部分是本文最重要部分,传统的方法都是采用图像处理技术进行目标分割,本文采用模式分类思想实现车标定位。本文结合Adaboost算法的缺点和车标小波矩特征的分布特性,对Adaboost算法进行改进。然后利用改进Adaboost算法针对每一类车标训练一级联分类器进行多尺度车标定位,并结合根据车牌先验知识的车标粗定位,实现对车标的实时、精确定位。(4)车标识别方法的研究在定位的同时已实现识别,此阶段是实现对车标的验证识别。本文采用Adaboost. MH算法把多类车标识别问题扩展为多个两类问题,实现车标识别。本文也研究了简单模板匹配和小波矩特征匹配的车标识别方法,并对3种方法做了实验性对比与分析。