论文部分内容阅读
车辆检测和车型识别一直是智能交通领域研究的重要课题,随着图像处理和模式识别技术的不断发展,基于图像的车辆检测和车型识别方法已成为研究热点。图像中的车辆检测是指将车辆从拍摄的道路图像中检测出来,图像中的车型识别是指从车辆图像中识别出车辆的类型。本文对图像中的车辆检测和车型识别算法分别进行了研究,主要针对速度和准确率两个方面进行了改进,具体的研究工作如下:(1)针对可变形部件模型的复杂性使其在检测车辆时速度慢的问题,对可变形部件模型进行了改进,并使用改进的可变形部件模型进行车辆检测。一方面使用加权PCA对可变形部件模型的基础—HOG特征进行降维来减少模型参数;另一方面将HOG特征层组合后,使用FFT把滤波器与HOG特征层的卷积转换为频域乘积,来降低目标得分的计算复杂度。仿真实验结果表明,改进的可变形部件模型在进行车辆检测时检测率和误检率都与原始模型相当,但检测速度大幅提升,在UIUC和BIT两个数据集上的平均耗时分别仅占原始模型平均耗时的29.6%和25.9%。(2)为提高车辆检测的速度和准确性,提出了一种基于多尺度HOG和多尺度MB-LBP两种特征与嵌套级联Gentle Adaboost的车辆检测算法。分别使用积分直方图和积分图像加速提取多尺度HOG和多尺度MB-LBP特征。基于这两种特征为Gentle Adaboost构建两种弱分类器,并采用嵌套级联Gentle Adaboost分类器来进一步提高检测率和检测速度。仿真实验结果表明,相比于现有的几种车辆检测算法,提出的算法检测速度更快,且具有更高的检测率。(3)针对原始词包模型特征提取速度慢以及空间信息缺失问题,提出一种基于改进Dense-SURF特征和FC-VQ编码的车型识别算法。首先使用Dense-SURF算法提取图像特征,并通过改进稠密采样策略进一步提高特征提取速度;然后使用特征上下文对矢量量化编码进行改进,提出特征上下文—矢量量化(FC-VQ)编码算法,并用其对特征向量进行编码,使编码后的特征包含空间位置信息,进而提高识别率;最后采用快速直方图相交核作为核函数,将编码后的特征送入SVM分类器进行训练和识别。仿真实验结果表明,与其它几种基于词包模型的车型识别算法相比,提出的算法识别速度更快且识别率更高。