隨著社會快速發(fā)展,汽車數(shù)量快速增加,智能交通系統(tǒng)在道路交通管理上發(fā)揮了越來越重要的作用,受到越來越多的關(guān)注。車輛特征抽取與識別是智能交通的重要組成部分。本文在研究了經(jīng)典的圖像特征抽取和匹配算法后,提出了改進算法,并將其應(yīng)用到車輛檢測和跟蹤算法中。本文的主要工作是:(1)SURF是一種魯棒且快速的算法,可以應(yīng)用于多種場合,但是它不能檢測特征的空間對稱性,也沒有考慮全局信息。本文提出將對稱SURF和全局信息結(jié)合起來,既通過鏡像變換增強了SURF檢測特征的空間對稱性的能力,又可以在圖像有多個相似區(qū)域的情況下減少錯誤匹配。實驗表明該算法提高了特征匹配的準確率。(2)現(xiàn)在常用的特征匹配算法忽視了圖像中的幾何信息,而BP-SIFT算法雖然采用幾何信息進行特征匹配,但是特征點之間并不總是滿足距離相等的約束條件,根據(jù)特征空間距離來選擇鄰近節(jié)點只能代表圖像部分區(qū)域的幾何信息,而且算法的時間開銷太大。本文提出以特征點空間距離和所有鄰近節(jié)點空間距離的均值比值作為約束條件,并且根據(jù)BOW(Bag-of-Words)模型確定鄰近節(jié)點。實驗表明采用新的約束條件和鄰近節(jié)點的選擇方法不僅可以增加特征匹配的準確率,而且減少了算法的時間復雜度。(3)將本文提出的改進對稱SURF算法和特征匹配改進算法應(yīng)用到車輛檢測和跟蹤中。車輛檢測算法通過改進對稱SURF特征搜索圖像中高對稱性的區(qū)域來定位車輛。車輛跟蹤算法使用本文提出的特征匹配算法搜索兩幅圖像間匹配的特征點實現(xiàn)目標跟蹤。實驗表明兩種算法有效提高了車輛檢測和跟蹤的準確性。
【學位單位】：南京航空航天大學
【學位級別】：碩士
【學位年份】：2015
【中圖分類】：TP391.41
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像特征研究簡介
        1.2.2 車輛檢測研究簡介
        1.2.3 車輛跟蹤研究簡介
    1.3 本文研究內(nèi)容與章節(jié)安排
第二章 圖像特征概述
    2.1Harris角點及其改進算法
        2.1.1Harris角點檢測算法
        2.1.2 尺度不變的Harris角點檢測算法
        2.1.3 仿射不變的Harris角點檢測算法
    2.2 SIFT特征
        2.2.1SIFT特征點檢測算法
        2.2.2SIFT特征點描述算法
    2.3 SURF特征
        2.3.1 積分圖
        2.3.2SURF特征點檢測算法
        2.3.3 SURF特征點描述算法
    2.4 圖像特征匹配
        2.4.1 距離度量算法
        2.4.2 最近鄰法
    2.5 本章小結(jié)
第三章 結(jié)合全局信息的對稱SURF算法
    3.1 對稱SURF特征
    3.2 對稱SURF的全局信息
    3.3 改進對稱SURF特征的匹配
        3.3.1 對稱SURF向量的度量
        3.3.2 全局信息向量的度量
        3.3.3 改進對稱SURF向量的度量
    3.4 實驗與分析
    3.5 本章小結(jié)
第四章 基于幾何信息的特征匹配改進算法
    4.1 BP-SIFT算法
        4.1.1 置信傳播算法
        4.1.2 基于置信傳播算法的特征匹配算法
            4.1.2.1 算法原理
            4.1.2.2 算法流程
    4.2 基于約束條件和鄰近節(jié)點選擇的改進特征匹配算法
        4.2.1 基于空間距離比值的約束條件
        4.2.2 基于Bag-of-Words模型的鄰近節(jié)點選擇算法
        4.2.3 算法描述
    4.3 實驗與分析
    4.4 本章小結(jié)
第五章 基于圖像特征的車輛檢測和跟蹤
    5.1 車輛檢測與跟蹤流程
    5.2 基于圖像特征的車輛檢測算法
        5.2.1 基于GS-SURF的車輛檢測算法
        5.2.2 實驗與分析
    5.3 基于圖像特征的車輛跟蹤算法
        5.3.1 基于BP-ASURF的車輛跟蹤算法
        5.3.2 實驗與分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來工作展望
參考文獻
致謝
在學期間的研究成果及發(fā)表的學術(shù)論文

【相似文獻】

相關(guān)期刊論文 前10條

1 徐雷,閻平凡;時間序列特征抽取的一種新方法[J];信息與控制;1986年04期

2 梅村;胡玉華;;腦電波的預(yù)處理和時域特征抽取[J];北京郵電學院學報;1990年04期

3 周春光;味覺信號的特征抽取[J];吉林大學自然科學學報;1994年02期

4 范燕,吳小俊,惠長坤,劉同明;人臉圖象特征抽取和識別的一種混合方法研究[J];華東船舶工業(yè)學院學報(自然科學版);2003年02期

5 張學如，袁石夫，趙世杰，陳歷學，李淳飛;多重不變圖象特征抽取器[J];應(yīng)用激光;1995年02期

6 蔣宗禮;徐學可;李帥;;文本分類中基于詞條聚合的特征抽取[J];哈爾濱工程大學學報;2008年11期

7 劉永芹;劉永俊;常晉義;;彩色人臉鑒別特征抽取及識別[J];常熟理工學院學報;2010年08期

8 楊茂龍;王遠方;孫權(quán)森;夏德深;;偏最小二乘改進算法與特征抽取[J];計算機工程與應(yīng)用;2011年01期

9 羅夏峰;明曙軍;劉永俊;;彩色人臉圖像鑒別特征抽取綜述[J];常熟理工學院學報;2011年04期

10 肇祺;地震剖面層狀構(gòu)造的特征抽取和描述方法[J];清華大學學報(自然科學版);1985年02期

相關(guān)博士學位論文 前10條

1 王丹丹;文本宏特征抽取與基于質(zhì)心的自動分類方法研究[D];哈爾濱工業(yè)大學;2014年

2 楊萬扣;人臉識別中的部分特征抽取技術(shù)研究[D];南京理工大學;2009年

3 趙才榮;基于圖嵌入與視覺注意的特征抽取[D];南京理工大學;2011年

4 萬鳴華;基于圖嵌入的特征抽取與人臉識別研究[D];南京理工大學;2011年

5 陳伏兵;人臉識別中鑒別特征抽取若干方法研究[D];南京理工大學;2006年

6 吳小俊;圖象特征抽取與識別理論及其在人臉識別中的應(yīng)用[D];南京理工大學;2002年

7 楊茂龍;相關(guān)投影分析在特征抽取中的應(yīng)用研究[D];南京理工大學;2011年

8 嚴慧;線性特征抽取研究及其在人臉識別中的應(yīng)用[D];南京理工大學;2011年

9 徐潔;基于子空間分析的特征抽取及分類方法研究[D];南京理工大學;2012年

10 宋曉寧;圖像特征抽取的若干新方法研究[D];南京理工大學;2011年

相關(guān)碩士學位論文 前10條

1 丁宇;基于核范數(shù)的特征抽取與人臉識別應(yīng)用研究[D];揚州大學;2015年

2 劉杰;基于特征抽取的企業(yè)文本數(shù)據(jù)索引系統(tǒng)的研究和實現(xiàn)[D];南京郵電大學;2015年

3 熊琰鋮;復雜場景中的車輛特征抽取與識別研究[D];南京航空航天大學;2015年

4 丁鑫龍;基于重構(gòu)的鑒別特征抽取及人臉識別應(yīng)用研究[D];揚州大學;2013年

5 彭柳艷;中文網(wǎng)絡(luò)產(chǎn)品評論的特征抽取及觀點分類研究[D];武漢紡織大學;2011年

6 范冠杰;基于動態(tài)反饋的特征抽取及人臉識別應(yīng)用研究[D];揚州大學;2014年

7 朱善宗;面向情感分析的特征抽取技術(shù)研究[D];哈爾濱工業(yè)大學;2009年

8 于亮;科技文獻的文本特征抽取研究與應(yīng)用[D];北京郵電大學;2009年

9 徐春明;基于子空間分析的特征抽取及人臉識別技術(shù)研究[D];揚州大學;2006年

10 任建輝;基于核的非線性特征抽取與人臉識別方法研究[D];南京理工大學;2009年

本文編號：2889743