隨著社會(huì)經(jīng)濟(jì)的迅速發(fā)展以及科技水平的不斷提高,機(jī)器視覺(jué)在智能時(shí)代的應(yīng)用越來(lái)越廣泛,智能交通成為社會(huì)智能化發(fā)展的重要組成部分。但隨著工業(yè)的發(fā)展,霧霾成為影響人們?nèi)粘３鲂械囊蛩?所以基于機(jī)器視覺(jué)的能見(jiàn)度檢測(cè)方法成為當(dāng)前十分熱門(mén)的研究課題。本文在圖像處理的基礎(chǔ)上,提出基于灰度共生矩陣（GLCM）特征-SURF匹配特征-改進(jìn)的粒子群算法（BAPSO）-增量概率神經(jīng)網(wǎng)絡(luò)（IPNN）的高速公路能見(jiàn)度等級(jí)檢測(cè)方法,以此來(lái)提高大氣能見(jiàn)度檢測(cè)的準(zhǔn)確性以及實(shí)時(shí)性。本文在不同時(shí)間段對(duì)不同道路進(jìn)行了圖像樣本采集并以此作為實(shí)驗(yàn)數(shù)據(jù)。采用圖像處理方法對(duì)樣本圖像進(jìn)行檢測(cè),同時(shí)為了提高能見(jiàn)度檢測(cè)的速度,采用分步式處理方法:首先選擇計(jì)算簡(jiǎn)單的灰度直方圖方法計(jì)算樣本灰度標(biāo)準(zhǔn)差進(jìn)行能見(jiàn)度預(yù)判,若沒(méi)有達(dá)到結(jié)束條件,接下來(lái)采取圖像特征提取方法進(jìn)行進(jìn)一步的能見(jiàn)度等級(jí)檢測(cè)。傳統(tǒng)圖像特征提取方法在低能見(jiàn)度情況下穩(wěn)定性差,特征提取效果不佳,針對(duì)這個(gè)問(wèn)題本文采用GLCM的對(duì)比度和能量?jī)蓚�(gè)特征參數(shù)與SURF匹配程度特征相結(jié)合的方法對(duì)樣本圖像進(jìn)行特征描述,為組合的新特征向量賦予能見(jiàn)度等級(jí)標(biāo)簽,作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。最后進(jìn)行能見(jiàn)度等級(jí)分類(lèi),... 

【文章來(lái)源】：沈陽(yáng)理工大學(xué)遼寧省

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于光學(xué)原理的大氣能見(jiàn)度檢測(cè)
        1.2.2 基于攝像法的大氣能見(jiàn)度檢測(cè)
    1.3 發(fā)展趨勢(shì)及方向
    1.4 本文章節(jié)安排
第2章 高速公路能見(jiàn)度等級(jí)預(yù)判
    2.1 引言
    2.2 灰度直方圖
    2.3 基于灰度直方圖的高速公路能見(jiàn)度預(yù)判方法
        2.3.1 圖像灰度化
        2.3.2 能見(jiàn)度預(yù)判
    2.4 實(shí)驗(yàn)結(jié)果與分析
    2.5 本章小結(jié)
第3章 基于GLCM和SURF的特征提取方法
    3.1 引言
    3.2 全局特征提取方法
        3.2.1 顏色特征
        3.2.2 灰度共生矩陣GLCM特征
        3.2.3 形狀特征
    3.3 局部特征
        3.3.1 Sift特征提取
        3.3.2 SURF特征點(diǎn)提取
    3.4 本章小結(jié)
第4章 基于BAPSO優(yōu)化的IPNN檢測(cè)結(jié)果分類(lèi)算法
    4.1 引言
    4.2 概率神經(jīng)網(wǎng)絡(luò)PNN
    4.3 增量概率神經(jīng)網(wǎng)絡(luò)IPNN
    4.4 傳統(tǒng)粒子群算法PSO
    4.5 改進(jìn)的粒子群優(yōu)化算法BAPSO
    4.6 基于BAPSO優(yōu)化的IPNN
    4.7 本章小結(jié)
第5章 基于圖像處理的能見(jiàn)度檢測(cè)結(jié)果分析
    5.1 引言
    5.2 .GLCM-SURF組合特征向量
        5.2.1 灰度共生矩陣GLCM特征
        5.2.2 SURF匹配程度特征
    5.3 基于BAPSO-IPNN的檢測(cè)結(jié)果分類(lèi)
        5.3.1 能見(jiàn)度等級(jí)分類(lèi)分析
        5.3.2 樣本圖像特征向量分類(lèi)
        5.3.3 能見(jiàn)度等級(jí)分類(lèi)結(jié)果
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文和取得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]高速公路霧天能見(jiàn)度預(yù)測(cè)方法[J]. 龍科軍,李超群,毛學(xué)軍,胡玉婷.  徐州工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2017(01)
[2]高速公路監(jiān)控系統(tǒng)現(xiàn)狀及發(fā)展趨勢(shì)探討[J]. 李永民.  黑龍江科技信息. 2015(18)
[3]基于攝像機(jī)動(dòng)態(tài)標(biāo)定的交通能見(jiàn)度估計(jì)[J]. 宋洪軍,郜園園,陳陽(yáng)舟.  計(jì)算機(jī)學(xué)報(bào). 2015(06)
[4]數(shù)字?jǐn)z像法測(cè)量白天能見(jiàn)度算法設(shè)計(jì)[J]. 盧家亮,魯昌華,蔣薇薇,陶志穎,查正興.  電子測(cè)量與儀器學(xué)報(bào). 2014(11)
[5]基于路面視亮度差平方最優(yōu)化的視頻能見(jiàn)度檢測(cè)算法[J]. 吳煒,李勃,楊嫻,端金鳴,陳啟美.  電子與信息學(xué)報(bào). 2014(10)
[6]一種改進(jìn)的SURF快速匹配算法[J]. 崔振興,曾威,楊明強(qiáng),韓峰.  江蘇師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(03)
[7]道路交通氣象環(huán)境能見(jiàn)度檢測(cè)器檢測(cè)方法研究[J]. 趙麗.  交通標(biāo)準(zhǔn)化. 2014(06)
[8]基于路面亮度特征估算的視頻能見(jiàn)度檢測(cè)系統(tǒng)[J]. 楊嫻,李勃,丁文,陳啟美.  上海交通大學(xué)學(xué)報(bào). 2013(08)
[9]基于圖像理解的能見(jiàn)度測(cè)量方法[J]. 許茜,殷緒成,李巖,郝紅衛(wèi),曹曉鐘.  模式識(shí)別與人工智能. 2013(06)
[10]數(shù)字?jǐn)z像能見(jiàn)度儀的能見(jiàn)度算法設(shè)計(jì)及實(shí)現(xiàn)[J]. 常峰,陳曉婷,肖明霞,蔣薇薇.  微型機(jī)與應(yīng)用. 2013(09)

博士論文
[1]攝像機(jī)標(biāo)定方法及邊緣檢測(cè)和輪廓跟蹤算法研究[D]. 袁野.大連理工大學(xué) 2002

碩士論文
[1]基于視頻圖像的能見(jiàn)度檢測(cè)算法的研究[D]. 郭庚山.長(zhǎng)沙理工大學(xué) 2015
[2]前向散射式能見(jiàn)度檢測(cè)技術(shù)研究[D]. 李孟麟.天津大學(xué) 2007



本文編號(hào)：3183266