学位论文 > 优秀研究生学位论文题录展示
基于计算机视觉和相关向量机的车辆检测方法研究
作 者: 傅仙伟
导 师: 张长江; 赵翠芳
学 校: 浙江师范大学
专 业: 物理电子学
关键词: 计算机视觉 相关向量机 NSCT 去噪增强 车道线检测 车辆分类
分类号: TP391.41
类 型: 硕士论文
年 份: 2013年
下 载: 34次
引 用: 0次
阅 读: 论文下载
内容摘要
车辆检测技术是智能交通系统(Intelligent Transportation Systems, ITS)的重要组成部分,同时也是核心技术之一。而基于计算机视觉的车辆检测技术在车辆检测应用中日益显现出其重要性,与此同时,车辆的分类检测对推动ITS的迅猛发展起着不可忽视的作用。本文主要研究以下三方面内容:提出一种结合广义交叉确认(Generalized Cross Validation, GCV)原理的非降采样Contourlet变换(Nonsubsampled Contourlet Transform, NSCT)域车辆视频图像非线性去噪增强预处理算法。该算法首先对输入的含噪图像进行NSCT变换,然后对NSCT域中各层各方向高频系数分别运用GCV原理估计出最优去噪阈值,再以此阈值在NSCT域中的相应层相应方向高频系数进行软阈值收缩处理,最后通过非线性函数对去噪后的各高频系数进行增强处理,从而达到增强图像边缘的目的。实验结果表明,该算法能在噪声方差未知的情况下有效地去除噪声,并增强图像的边缘,从视觉效果和客观评价指标上均达到了预期效果。所提出的算法综合性能优于基于小波变换(Wavelet Transform, WT)和Contourlet变换(Contourlet Transform, CT)的方法。提出结合逆透视映射变换(Inverse Perspective Mapping, IPM)和Hough变换的车道线检测方法。该算法首先初始化摄像机的内部参数(即摄像机固有参数,如视角、分辨率等)和外部参数(即摄像机的安置姿态,如光轴俯仰角、偏摆角、距离路面高度等),然后将所获得的实际路面图像通过逆透视映射变换将原本收拢于一点的辐射状车道线变换成相互平行的车道线,以判断较远处的道路状况,提高行车安全,再用Hough变换检测其中的车道线位置,最后将其标记出来,以便提供车辆所在的位置参考值以及车速、车道拥挤度等信息。另外,车辆目标区域提取采用背景差分法,背景提取采用基于时间暂存中值滤波(Time Temporal Median Filter, TTMF)法,将视频序列当前帧的前若干奇数帧图像的对应位置像素点做时间域的中值滤波,从而有效地提取背景;阴影检测消除采用基于计算机视觉的阴影检测消除方法,将含有阴影的目标图像转换到HSV颜色空间,根据阴影的视觉特性将其检测出来并消除掉。实验结果表明,所提车道线检测算法检测准确度高,特别是在远端车道线检测方面表现优异,而且该算法易实现,另外TTMF法背景建模速度快,实际效果良好,因而车辆目标区域检测完好。总此观之,所提算法综合效果理想。提出基于相关向量机(Relevance Vector Machine, RVM)的多特征车辆分类检测算法。该算法首先对经前述得到的车辆目标二值图像进行形态学运算以更加完整地接近目标实际形状,再求取目标的最大连通域作为后续分析的车辆目标区域,然后对目标区域及其对应区域的灰度图像提取诸如区域描述子、不变矩、离散余弦变换描述子、分形维数和纹理等多个分类特征数据,并对特征数据归一化,接着将数据样本集划分为训练样本和测试样本,最后训练RVM建立分类检测模型,并用测试样本测试所得到的模型。实验结果表明,该算法分类检测效果良好,且测试样本分类正确率高;在测试速度方面,本算法明显比SVM和BP神经网络法优越,有利于提高系统实时性。
|
全文目录
摘要 3-5 ABSTRACT 5-8 目录 8-10 1 绪论 10-16 1.1 选题背景与意义 10-11 1.1.1 选题背景 10-11 1.1.2 理论和实际意义 11 1.2 国内外相关研究现状 11-15 1.2.1 视频车辆检测技术发展及趋势 11-13 1.2.2 视频车辆检测技术算法研究现状 13-15 1.3 论文内容结构安排 15-16 2 结合GCV原理的NSCT域车辆视频图像预处理 16-31 2.1 引言 16-17 2.2 NSCT原理 17-20 2.2.1 由Contourlet到NSCT 17-20 2.3 NSCT域结合GCV原理的去噪阈值估计 20-24 2.3.1 NSCT域系数阈值处理 20-22 2.3.2 GCV去噪阈值选取 22-24 2.4 算法流程设计 24-26 2.5 实验结果与分析 26-30 2.5.1 去噪 27-29 2.5.2 增强 29-30 2.6 本章小结 30-31 3 基于IPM和TTMF的运动车辆目标检测 31-47 3.1 引言 31-33 3.2 车辆目标检测提取 33-36 3.2.1 基于时间暂存中值滤波背景提取 34-36 3.3 结合计算机视觉和Hough变换的车道线检测 36-42 3.3.1 逆透视映射变换原理 36-40 3.3.2 Hough变换原理 40 3.3.3 实验结果与分析 40-42 3.4 基于视觉的阴影检测与消除 42-46 3.4.1 色彩空间模型 43-44 3.4.2 阴影光照模型 44 3.4.3 实验结果与分析 44-46 3.5 本章小结 46-47 4 基于RVM的多特征车辆分类检测算法 47-61 4.1 引言 47 4.2 分类检测特征选取 47-52 4.2.1 区域描述子 48 4.2.2 不变矩 48-50 4.2.3 离散余弦变换描述子 50 4.2.4 分形维数 50-51 4.2.5 纹理特征 51-52 4.3 机器学习理论简介 52-56 4.3.1 相关向量机理论 52-56 4.4 基于RVM的车辆分类检测实现 56-60 4.4.1 算法流程设计 56-57 4.4.2 实验结果与分析 57-60 4.5 本章小结 60-61 5 总结与展望 61-63 5.1 论文主要工作总结 61 5.2 未来研究工作展望 61-63 参考文献 63-72 致谢 72-73 攻读学位期间取得的研究成果 73-75
|
相似论文
- 基于学习的低阶视觉问题研究,TP391.41
- 基于运动目标轨迹分析的智能交通监控系统,TP277
- 基于保局部核多元RVM的说话人识别方法研究,TN912.34
- 应用Kinect与手势识别的增强现实教育辅助系统,TP391.41
- 基于计算机图像处理的叶片氮素检测系统研究,TP391.41
- 磁共振图像处理算法的研究,TP391.41
- 多源遥感图像融合及其应用研究,TP751
- 基于视觉的行车道检测系统研究,TP274
- 双目视觉匹配算法研究,TP391.41
- 基于多尺度几何分析的SAR图像去噪和融合,TN957.52
- 基于数字图像处理的前方车距测量,TP391.41
- 基于计算机视觉的立体物体测量的设计与实现,TP391.41
- 基于边缘的车道线识别算法的研究与实现,TP391.41
- 基于特征的车辆分类研究,TP391.41
- 基于非下采样Contourlet变换的眼底图像去噪增强算法研究,TP391.41
- 数据挖掘新方法及其在复杂工业过程中的应用研究,TP311.13
- 基于传感网络与计算机视觉的儿童危险感知系统,TP212.9
- 支持向量机及其在MIMO-CDMA多用户检测中的应用研究,TN929.533
- 基于SVM的考虑倾斜角度的车辆分类方法的研究,TP18
- 智能驾驶视觉辅助技术的研究,TP391.41
- 基于交通视频的车辆检测跟踪及分类技术研究,TP391.41
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|