發(fā)布時(shí)間：2024-07-02 19:43

　　近年來,隨著機(jī)動(dòng)車數(shù)量的快速増長,智能交通系統(tǒng)是未來交通的發(fā)展方向。車型識(shí)別對(duì)于交通規(guī)劃以及道路監(jiān)控也越來越重要,具有較大的研究和應(yīng)用價(jià)值。視頻監(jiān)控拍攝到的車輛類間特征差異小,并且在復(fù)雜場(chǎng)景中的干擾因素多。為了提高交通場(chǎng)景中車輛檢測(cè)和識(shí)別的準(zhǔn)確率,本文提出了一種基于計(jì)算機(jī)視覺的車型識(shí)別技術(shù)。本文以交通道路視頻圖像為研究對(duì)象,為消除復(fù)雜外部環(huán)境的干擾和噪聲,采用了包括圖像去噪和圖像增強(qiáng)的預(yù)處理方案;然后在視頻序列中的車輛檢測(cè)環(huán)節(jié),本文詳細(xì)分析三種常用運(yùn)動(dòng)檢測(cè)算法的應(yīng)用場(chǎng)景和優(yōu)缺點(diǎn),提出基于混合高斯模型改進(jìn)的背景消去法進(jìn)行運(yùn)動(dòng)車輛的識(shí)別,消除了車速引起的“拖影”“空洞”現(xiàn)象且避免了光強(qiáng)變化的影響;在運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果中只包含二值化的車輛輪廓而缺乏足夠的顏色、紋理、邊緣和其它局部信息,所以本文對(duì)上述二值化結(jié)果依次進(jìn)行了形態(tài)學(xué)運(yùn)算、連通域分析、Graphcut方法,從原圖像中完整地分割出包含車輛信息的前景目標(biāo);接著引入了LBP和HOG特征來獲得圖像的豐富特征,在輸出層使用機(jī)器學(xué)習(xí)中的SVM分類器通過大量標(biāo)記數(shù)據(jù)的多任務(wù)學(xué)習(xí)進(jìn)行訓(xùn)練。與傳統(tǒng)方法不同的是,通過對(duì)改進(jìn)的HOG特征使用PCA降維處理加快...

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖&通常運(yùn)動(dòng)車輛圖象目標(biāo)分類的處理流程如圖&

一種基于!"#非相似距離林亞閩江學(xué)院計(jì)算機(jī)系!摘要"車型自動(dòng)識(shí)別是近幾年發(fā)展起來的智能交領(lǐng)域的一個(gè)熱點(diǎn)!本文在車型識(shí)別技術(shù)中創(chuàng)新地引入新的法策略!并給出仿真示例處理結(jié)果"!關(guān)鍵字"車型識(shí)別#度量嵌入#堆土機(jī)距離#$%#圖象&前言智能交通系統(tǒng)()*!(+,-../0-+,)12....

本文編號(hào)：3999916