【摘要】：近年來,隨著我國經(jīng)濟(jì)實力的提升,汽車制造業(yè)飛速發(fā)展。越來越多的汽車使得道路交通的正常運(yùn)行變得越發(fā)艱難,交通事故頻發(fā)。為了改善當(dāng)下的交通環(huán)境,智能交通系統(tǒng)備受人們青睞。車輛檢測作為智能交通的重要部分,已經(jīng)變成了當(dāng)下研究的熱點(diǎn)。本文深入研究了基于特征提取的車輛檢測方法。從特征提取、分類器分類兩方面入手。常用特征有HOG特征、SIFT特征、Haar特征、Harris特征等;常用分類器有SVM分類器、Adaboost分類器等。傳統(tǒng)車輛檢測方法誤檢率較高,復(fù)雜環(huán)境下檢測率較低,無法滿足實際檢測要求,需要進(jìn)行改進(jìn)。為了克服HOG特征描述力不足的缺點(diǎn),將關(guān)鍵通道、放大系數(shù)引入到傳統(tǒng)HOG特征提取方法中。首先,利用樣本集圖片的平均梯度差值提取車輛圖片的關(guān)鍵通道,其次,利用放大系數(shù)放大HOG特征的關(guān)鍵通道,最終得到了局部放大的HOG特征。為了增強(qiáng)特征對車輛紋理信息的表達(dá),在局部放大的HOG特征基礎(chǔ)上,融合LBP特征,融合特征的描述能力更強(qiáng)。能夠提高檢測率,降低樣本集的誤識別率。針對融合特征的特征維數(shù)較高,計算時間較長的問題,選擇了加性交叉核SVM進(jìn)行分類和檢測,該分類器能夠有效的降低分類和檢測的時間,利用滑動窗口進(jìn)行檢測。選擇UIUC車輛數(shù)據(jù)集對本文檢測方法進(jìn)行測試。實驗結(jié)果表明本文的方法能夠很好的完成檢測任務(wù),且比傳統(tǒng)HOG+SVM的方法誤檢率更低,檢測率更高。
【圖文】：

文獻(xiàn)[30]提出了一種快速 HOG 檢測算法，該方法將待檢圖像整體輸入到一檢測窗口，提取到梯度值后，將不同細(xì)胞的相同方向的向量串聯(lián)，，得到了代九個方向的九種通道向量，再將不同通道的梯度向量進(jìn)行組合，Bin 組合如 1-1 所示。然后實驗測試不同通道組合后向量的檢測效果。找出最好的通道合來進(jìn)行檢測，實現(xiàn)了一種快速且高效的檢測算法。

不同顏色，角度的車輛2)氣候的影響，陽光強(qiáng)烈時，車輛會有較多反光，下雨下雪，大霧天時，
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董天陽;阮體洪;吳佳敏;范菁;;一種Haar-like和HOG特征結(jié)合的交通視頻車輛識別方法研究[J];浙江工業(yè)大學(xué)學(xué)報;2015年05期

2 陳銳;王敏;陳肖;;基于PCA降維的HOG與LBP融合的行人檢測[J];信息技術(shù);2015年02期

3 孫銳;王晶晶;;一種基于核K-SVD和稀疏表示的車輛識別方法[J];模式識別與人工智能;2014年05期

4 周書仁;殷建平;;基于Haar特性的LBP紋理特征[J];軟件學(xué)報;2013年08期

5 許慶;高峰;徐國艷;;基于Haar特征的前車識別算法[J];汽車工程;2013年04期

6 黃煒;趙險峰;馮登國;盛任農(nóng);;基于主成分分析進(jìn)行特征融合的JPEG隱寫分析[J];軟件學(xué)報;2012年07期

7 汪成亮;周佳;黃晟;;基于高斯混合模型與PCA-HOG的快速運(yùn)動人體檢測[J];計算機(jī)應(yīng)用研究;2012年06期

8 石志強(qiáng);趙向東;李文軍;張挺;;基于HOG和block權(quán)重的快速人體檢測方法[J];微型機(jī)與應(yīng)用;2012年11期

9 萬小紅;;一種基于中值濾波和小波變換的圖像去噪算法研究[J];北華大學(xué)學(xué)報(自然科學(xué)版);2012年03期

10 錢葉魁;陳鳴;葉立新;劉鳳榮;朱少衛(wèi);張晗;;基于多尺度主成分分析的全網(wǎng)絡(luò)異常檢測方法[J];軟件學(xué)報;2012年02期

相關(guān)碩士學(xué)位論文 前2條

1 趙亞紅;面向多類標(biāo)分類的隨機(jī)森林算法研究[D];哈爾濱工業(yè)大學(xué);2014年

2 顧幸方;基于隨機(jī)森林的視覺跟蹤算法研究及應(yīng)用[D];南京理工大學(xué);2013年

本文編號：2544075