赵英男[1]2004年在《Gabor滤波器在车辆检测和车型识别中的应用研究》文中研究说明车辆检测与车型识别是智能交通系统(ITS)中的重要组成部分。有鉴于Gabor滤波器在模式识别领域的成功应用，我们将其引入到车辆检测和车型识别应用中，并做了相应的研究工作。包括基于特征加权的Gabor特征抽取算法：基于Gabor滤波器和SVM的红外车辆检测；一种简单的基于Gabor滤波器和边缘特征的车型识别算法：以及实用的基于特定方向的Gabor滤波器组参数设置方法。 文中首先研究并给出了一种改进的基于特征加权的Gabor特征抽取算法。该算法对Gabor特征矢量根据其邻近分量的离散程度进行加权处理，有效增强离散程度相对较小的特征分量在分类中的作用，同时充分利用样本图像的统计信息，具有较强的鲁棒性和类别表征能力。实验数据表明，与传统方法相比，这种特征抽取算法能够有效降低图像识别的错误率，增强鲁棒性，适于对质量较差的图像进行识别。 进一步的，文中将上述算法应用于红外车辆检测中。首先应用阈值分割并结合边检测确定候选区域：其次利用上述Gabor特征抽取算法对选定的车辆和背景样本集进行特征提取，训练SVM分类器；最后应用SVM进行分类检测。实验数据表明，与同类方法相比，该方法在识别率和鲁棒性方面都有所增强。 针对Gabor滤波器应用中的瓶颈问题，即Gabor特征矢量维数较高，以及由此产生的较大计算量和存储负担，文中提出一种简单的基于边缘特征的车型识别算法。不同于目前Gabor滤波器应用中普遍采用的以降低识别率为代价的均匀采样方法，该方法依据车辆具有的明显几何特征，在样本图像的关键部位进行密集采样，非关键部位进行稀疏采样。实验数据表明，这种方法实现简单，在不降低识别率的情况下，有效降低了Gabor特征矢量的维数。 针对目前Gabor滤波器组参数设置算法中存在的不足，即实验法确定的参数不精确，而优化法确定参数又过于复杂，我们提出一种基于特定方向的Gabor滤波器组参数设置方法。该方法根据Gabor特征具有的良好方向特性，首先确定方向参数，然后在每个特定方向进行最佳单Gabor滤波器的参数搜索。我们认为这样得到的Gabor滤波器组，在性能上是接近最优的，同时具有算法简单、数据相关的优点。实验数据表明该算法是实用的、可行的。
袁峰[2]2009年在《基于Gabor小波的车辆识别与跟踪技术研究》文中研究表明在智能交通系统中,基于视频的检测跟踪系统具有易于安装、工作稳定、可视信息丰富和便于实现无人监控的特点,是目前国内外研究的热点。本论文在分析和总结现有的识别与跟踪方法的基础上,对交通监控系统中的运动车辆的识别以及车辆的跟踪问题进行了研究。本文对傅立叶变换、小波变换和Gabor小波变换进行了比较, Gabor变换在分析数字图像中局部区域的频率和方向信息具有优异的性能,在计算机视觉和纹理分割中已经得到了广泛的应用。本文对二维Gabor滤波器的性能进行了分析,设计了一个多通道的Gabor滤波器,对其参数进行了选择,采用多通道的Gabor滤波器对图像的纹理特征进行了提取,用一种特征向量的方法进行描述。本文在分析常用的车型识别方法的基础上,根据车型的纹理分析,提出了一种用Gabor小波提取特征点与BP神经网络算法相结合的分类识别技术。首先对视频图像序列进行采集,采用一种存在运动目标情况下的背景重建算法,获取动态背景并实时更新,能较好地抑制外界环境变化带来的影响。然后用背景差法确定目标位置。为了去除噪声对图像进行中值滤波,最后截取出80×60标准的目标图像。由于不同车型所提取的Gabor特征点的能量值相关度很低,本文以轿车、卡车、面包车和客车车型为例建立了四种标准车型的数据库,最后用提取到目标特征和标准数据库进行匹配。针对易误识的车型,需要进一步细分车型和提高Gabor小波的分辨率,但是Gabor特征点的数据量会大大增加。为了保证系统的实时性,本文在增加Gabor小波分辨尺度的同时,设计了一种神经网络细分类器,对特征点进行了训练识别。实验表明,本文方法不仅系统的识别精度高,而且实时性好。针对传统全模板匹配跟踪计算耗时大的缺点,本文采用了基于Kalman滤波器的跟踪方法。首先利用Kalman滤波器预测车辆在下一帧中的可能位置,然后在预测区域利用Gabor小波特征点进行匹配,精确定位车辆。在车辆目标发生平移、尺度变化等情况下,采用仿射变换模型对目标进行矫正。为了进一步提高跟踪速度,在实验中对提取出的全部特征点进行筛选,选用部分典型特征点与数据库中的标准车型模板进行特征匹配。实验结果显示,本文方法有良好的跟踪效果,并且车辆在短时间被遮挡的情况下也能有效跟踪。
李瑾泽[3]2012年在《车辆识别中的边缘检测方法研究》文中进行了进一步梳理在图像处理和分析中,边缘检测是一种重要的手段。图像边缘特性的检测与提取方法,一直是图像处理与分析技术中的研究热点。论文通过将车辆识别与边缘检测结合起来研究,可以让边缘检测的研究具有现实针对性,与生产生活紧密联系。论文以传统边缘检测方法的系统学习研究为起点,逐步分析比较已知算法优势和劣势,总结现有边缘检测的难点、重点,给出针对性的改进算法。针对小波变换具有良好的时频局部化特性、多尺度分析能力,在车辆灰度图像中,给出一种基于Contourlet变换的改进多尺度边缘检测算法。通过Contourlet变换设计自适应阈值,结合小波的多尺度变换,用模极大值的方法得到不同尺度下的车辆边缘图像。从而有效的识别车辆图像信息,剔除噪声引入的伪视频内容,减少噪声的影响,使车辆识别的边缘检测的鲁棒性得到提升。论文针对Gabor滤波器应用中维数和计算负荷的瓶颈问题,给出了一种基于边缘特征的车型识别算法。该算法依据车辆的几何特征,通过背景消减算法把车辆从背景中分离出来,提取其Gabor特征,采用非均匀采样策略,在样本图像的关键部位进行密集采样,非关键部位进行稀疏采样来解决Gabor特征提取中的维数和计算负荷问题,将待识别图像的Gabor集和不同模板图像的Gabor集进行比较,取最高的相似值来确认待识别车辆的类型。实验表明,在不降低识别率的情况下,有效降低了Gabor特征矢量的维数。
赵英男, 杨静宇, 孟宪权[4]2006年在《一种实用的Gabor滤波器组参数设置方法》文中研究指明Gabor滤波器的参数设置是Gabor特征提取过程中的一个重要问题。文中针对现有方法(实验法和优化法)的优缺点,提出一种实用的Gaobr滤波器组参数设置方法,该方法根据Gabor特征与滤波器方向参数之间具有垂直关系的性质,人为确定方向参数。在每个特定方向,以滤波器的频率带宽参数为指导,基于Fisher准则,进行最佳单Gabor滤波器的设计。确定的滤波器组在性能上是接近最优的,同时算法实现简单,具有较好的实用性和数据相关的特点。在车辆检测和车型识别两类实验中验证了文中方法的有效性和可行性。
吴涛[5]2011年在《车型识别系统的设计与实现》文中认为近年来,车辆日益增多,交通管理的难度逐渐加大,必须要进行智能化、系统化地管理。车型识别就是智能交通系统中重要的一环,有广阔的应用前景。目前进行的车型识别的研究主要集中在对车型的粗略分类中,本文不仅研究了车型的粗略分类,还对进一步的车型分类做了一些探索。从图像处理的角度进行车型识别的难点有：一、很难从视频中提取出车辆准确完整的车辆轮廓；二、车辆的外形在不同位置、不同视角往往有所不同；叁、有时不能单从外形来区分车型。本文充分利用图像的色彩信息,用减背景的方法得到了车辆和背景对比度较强的图像。针对车辆图像由于遮挡可能出现的断裂,缺口等情况,通过多幅连续的初步分离的车辆图像迭加,得到相对完整的车辆图像,并提取出准确的车辆外轮廓。对车辆外轮廓,利用对平移、缩放、镜像、旋转都不敏感的七个量来描述,并用这七个量作为车辆的特征来进行车型的分类,取得了很好的效果。对车辆外轮廓有较明显差别的车辆,用不变矩的方法进行识别效果很好,可是对外形相似的车辆,必须利用更多的车辆信息。本文中利用前面提取的车辆轮廓,将车辆的原始信息,从视频帧中挖掘出来,然后提取挖掘出来的车辆图像的边缘。考虑到2D-Gabor可以兼顾图像的宏观和微观特性,本文中利用2D-Gabor对车辆的侧面边缘图像提取不同尺度、不同角度的特征。利用提取出来的特征对四种外形相似的车辆进行识别,识别的效果明显要比用不变矩来识别要好。此外本文对车型识别系统在个人电脑上进行了一个简单的实现。利用DirectShow实现了简单的视频采集和回放。为了确保提取的车辆的图像的完整性,以及保证车辆图像的外轮廓形变不影响识别,本文将摄像机主轴附近区域设为有效区,对视频逐帧进行比较,只有当车辆在有效区内时,认为该车辆是完整且形变较小的。
顾人舒[6]2014年在《交通卡口车辆检测与自动识别技术研究》文中指出随着城市的发展和公共安全的需求,利用视频监控的交通卡口大量涌现。视频监控在违章稽查、肇事逃逸追捕、嫌疑车辆分布式监控,套牌车辆鉴别,提高交通管理和侦查办案效率等方面都具有非常重要的现实意义和十分广阔的应用前景。但是目前卡口图片主要靠人工判读所需车辆各类特征,工作量大而且效率低下。针对交通卡口视频监控实际需要以及人工识别中存在的问题,本文借鉴现有人脸识别技术与方法,研究基于计算机视觉的自动化卡口车辆特征提取和识别方法,主要研究内容包括以下几点：1.研究基于AdaBoost算法的车辆检测技术。针对卡口图片中车辆都具有相似的外形、具有明显的边缘、轮廓特征等特点,引入Haar矩形块特征并结合AdaBoost算法对车辆样本进行训练,将弱分类器提升为强分类器。然后,将强分类器进行级联组合,形成最终的车辆检测分类器,加快了检测速度,提高了准确率。实验表明,最终车辆检测成功率为97.8%,误检率为1.4%,漏检率为0.8%,平均每张图片检测时间不到300ms。2.车型特征的描述与提取和车型识别：针对卡口图像易受外界环境干扰、车辆图像位置多变等问题,结合Gabor小波变换和LBP算子提取车辆图像的多尺度、多方向性局部特征,以分块直方图序列构成的特征向量作为最终车辆样本点特征描述,并通过主成分分析算法对特征向量进行降维,以降低计算复杂度。最终将降维后的特征向量进行欧式距离相似度对比以确定最终车辆类型。另外,以车标识别作为辅助分类信息,在小类别样本集内进行车型检测和识别,有效提高了识别的准确率。3.研究多分类器联合的车身颜色检测和识别。以人眼主观实验为基础,定位颜色分类类别,然后以大量车辆样本统计为基础,选定合适的颜色空间和分类器算法进行车身颜色识别。针对聚类明显的车辆颜色,采用支持向量机进行学习分类,而对颜色值重合区域较多的颜色则通过统计先验概率、通过直方图计算类条件概率,在贝叶斯分类器基础上计算最大后验概率以确定颜色类型。最后将支持向量机和贝叶斯分类器集成到决策树内将多颜色分类转换为二分类问题简化识别算法。实验表明,应用该方法可取得较好的颜色识别效果。车辆特征提取与识别与经典的人脸识别都是典型的模式识别问题,本文针对车辆自身特点,结合图像处理、机器学习等算法和理论对交通卡口图像进行处理,尝试实现高效、自动的车辆特征提取和识别。实验表明,应用本文方法可准确的检测到卡口车辆,并实现车标,具体车型以及车身颜色的快速识别,为交通卡口的自动和智能视频监控提供技术基础和手段。
康佩佩[7]2017年在《图像中车辆检测与车型识别的研究》文中研究指明车辆检测和车型识别一直是智能交通领域研究的重要课题,随着图像处理和模式识别技术的不断发展,基于图像的车辆检测和车型识别方法已成为研究热点。图像中的车辆检测是指将车辆从拍摄的道路图像中检测出来,图像中的车型识别是指从车辆图像中识别出车辆的类型。本文对图像中的车辆检测和车型识别算法分别进行了研究,主要针对速度和准确率两个方面进行了改进,具体的研究工作如下:(1)针对可变形部件模型的复杂性使其在检测车辆时速度慢的问题,对可变形部件模型进行了改进,并使用改进的可变形部件模型进行车辆检测。一方面使用加权PCA对可变形部件模型的基础—HOG特征进行降维来减少模型参数;另一方面将HOG特征层组合后,使用FFT把滤波器与HOG特征层的卷积转换为频域乘积,来降低目标得分的计算复杂度。仿真实验结果表明,改进的可变形部件模型在进行车辆检测时检测率和误检率都与原始模型相当,但检测速度大幅提升,在UIUC和BIT两个数据集上的平均耗时分别仅占原始模型平均耗时的29.6%和25.9%。(2)为提高车辆检测的速度和准确性,提出了一种基于多尺度HOG和多尺度MB-LBP两种特征与嵌套级联Gentle Adaboost的车辆检测算法。分别使用积分直方图和积分图像加速提取多尺度HOG和多尺度MB-LBP特征。基于这两种特征为Gentle Adaboost构建两种弱分类器,并采用嵌套级联Gentle Adaboost分类器来进一步提高检测率和检测速度。仿真实验结果表明,相比于现有的几种车辆检测算法,提出的算法检测速度更快,且具有更高的检测率。(3)针对原始词包模型特征提取速度慢以及空间信息缺失问题,提出一种基于改进Dense-SURF特征和FC-VQ编码的车型识别算法。首先使用Dense-SURF算法提取图像特征,并通过改进稠密采样策略进一步提高特征提取速度;然后使用特征上下文对矢量量化编码进行改进,提出特征上下文—矢量量化(FC-VQ)编码算法,并用其对特征向量进行编码,使编码后的特征包含空间位置信息,进而提高识别率;最后采用快速直方图相交核作为核函数,将编码后的特征送入SVM分类器进行训练和识别。仿真实验结果表明,与其它几种基于词包模型的车型识别算法相比,提出的算法识别速度更快且识别率更高。
郭艺帆[8]2016年在《基于融合特征的车辆识别》文中指出随着经济的快速发展,车辆在人们生活中扮演着重要角色。智能交通系统(Intelligent Transportation System,ITS)提供了一套高效便捷的城市交通管理方案,用以缓解车辆融入城市所造成的问题,车辆识别作为ITS的核心功能之一,方法繁多并各有缺陷,有待改进。本文提出了对车脸组件提取不同特征的方法,不同于传统的局部特征提取方法,车脸组件特征很好地反映了车脸内部的细节,着重表现车脸不同组件的结构特性。车脸组件特征分为车灯组件的边缘特征,格栅组件的纹理特征,保险杠组件的SURF特征。它们各自表现了对应车脸组件最突出的特征信息,有很高的区分度。本文使用词袋模型融合不同的组件特征构建一个能表征车辆的融合特征向量,融合特征向量的构造方法为:对车灯、保险杠组件构建各自的视觉词典,由视觉词典得到图像的视觉词袋,最终获得词频特征向量。格栅组件的纹理特征向量用格栅对Gabor滤波器的响应值获取,由其对不同方向的Gabor滤波器响应值判断出格栅的主方向,总响应值以及响应极值数量,计算响应值的强度与分布,组合这些数据为一个向量作为纹理特征向量。线性扩展获得的叁个组件特征向量作为融合特征向量,融合特征向量的维数为组件特征向量维数之和。在本文设计的车辆识流程中,对输入车辆图像,使用车辆检测器确定车辆位置后,使用水平、竖直积分投影截取出最大化车脸,做进一步预校正:剔除车牌无用信息、中值滤波去噪。对最大化车脸提取车脸组件特征,由词袋模型融合后获取融合特征,与车辆数据库中的特征数据匹配,输出最优结果。实验结果表明,本文所用方法行之有效,稳定性较好,特别在时间效率上有较大提升,能够满足系统的实时性需求。
邓航[9]2017年在《基于Gabor特征简化的车型识别》文中认为智能交通系统是实现智能化交通管理的关键部分,车型识别技术是智能交通系统重要环节。该技术现已广泛应用在公路缴费平台,道路车辆管理,案件侦破等方面。因此研究车型识别具有重要意义。本文的车型识别算法主要包括叁大模块:Gabor特征提取,特征降维,基于稀疏表示的车型识别。主要工作内容如下:1.对车脸图像进行Gabor特征提取与特征降维。针对提取的Gabor特征维数过高的问题,本文采用了 Gabor特征简化法:此法是受到局部二进值模式(LBP,Local Binary Patterns)思想的启发,首先提取车脸图像的多尺度和多方向Gabor特征,然后采用特征选取规则,对不同方向同一尺度的Gabor特征进行选择性地保留。将此特征简化法用于本文的特征降维阶段。目的是降低Gabor特征维数,降低识别时间。之后对简化的Gabor特征使用分块PCA降维法进行二次降维。2.将基于稀疏表示的分类器引入车型分类中,研究了稀疏表示的分类算法(SRC)、加权稀疏表示的分类算法(WSRC)。并提出了一种改进的加权稀疏表示的分类算法(IWSRC)。一方面,修正WSRC中相似度度量公式,增强了稀疏向量的稀疏度。另一方面,利用多个残差联合对分类结果进行判定,可以对稀疏系数求解误差进行纠正。目的是提高分类系统的准确性。在实验阶段,首先通过以下叁组车型分类的实验:Gabor特征结合PCA降维(G-PCA)、Gabor特征简化法结合PCA降维(GS-PCA)、Gabor特征简化法结合分块PCA降维(GS-BPCA)。分类器为基于稀疏表示的分类器。实验中,GS-PCA分类实验相比GS-PCA分类实验在平均识别时间上降低了 25%,GS-BPCA分类实验相比GS-PCA分类实验在识别率上提高了 2.44%,通过实验验证了本文使用的Gabor特征简化法结合分块PCA法的可行性。然后,通过SRC、WSRC、IWSRC叁组车型分类实验,实验结果验证了本文的IWSRC的识别性能优于SRC以及WSRC,平均识别率达到了 91.68%,表明了本文提出的IWSRC算法的可行性与有效性。
刘广威[10]2015年在《基于Gabor特征的稀疏表示车型识别研究》文中研究指明智能交通系统(ITS)是实现现代化交通的关键组成部分,随着智能交通的日益发展,作为计算机视觉研究和智能交通系统中的关键环节,车型识别技术也越来越受到研究人员的重视。该技术在交通监控、高速公路系统、车辆检测管理系统、电子缴费系统及停车场自动化建设等领域有着广泛的应用。同时在缓解城市交通压力、城市安防以及减少交通事故等方面具有突出的应用价值。基于Gabor特征的稀疏表示车型识别算法由车辆样本库的建立、Gabor特征提取、车型分类算法叁部分组成。本文实验环境为Matlab2009b,选取了60种不同类型的车辆类型进行分类试验,每种车型由10幅不同的车脸图像组成,这些图像样本在角度和光照上有变化,利用这些图像建立样本库。之后利用Gabor滤波对样本图像进行特征提取,最后采用稀疏表示分类方法以及其改进方法对测试图像进行分类。本文在实验过程中采用了叁种分类算法:稀疏表示车型识别法、基于Gabor特征的稀疏表示识别法、基于向量总变差模型的改进型Gabor特征的稀疏表示识别方法。在不同大小的车辆类型样本库上对叁种识别方法进行对比实验,试验结果证明了本文算法的可行性。对叁种不同算法实验数据进行比对,基于Gabor特征的稀疏表示识别法相较于稀疏表示识别法,识别率提高了31%,平均识别率达到了90.9%。之后将向量总变差模型代替原方法中最小1l范数的求解步骤,提出了改进的GSRC算法,使得求解系数更为准确,车型的识别率进一步提高,尤其是在低维度情况下识别率提升较为明显,平均识别率为93.0%。实验结果表明该车型识别方法充分利用了样本图像的局部特征,对尺度和光照变化具有鲁棒性。但是该方法的缺点在于提高识别率和鲁棒性的同时消耗了更多的时间,识别平均时间由70.1s增加到了360.2s,影响了识别的实时性。
参考文献：
[1]. Gabor滤波器在车辆检测和车型识别中的应用研究[D]. 赵英男. 南京理工大学. 2004
[2]. 基于Gabor小波的车辆识别与跟踪技术研究[D]. 袁峰. 扬州大学. 2009
[3]. 车辆识别中的边缘检测方法研究[D]. 李瑾泽. 太原理工大学. 2012
[4]. 一种实用的Gabor滤波器组参数设置方法[J]. 赵英男, 杨静宇, 孟宪权. 计算机工程. 2006
[5]. 车型识别系统的设计与实现[D]. 吴涛. 广西师范大学. 2011
[6]. 交通卡口车辆检测与自动识别技术研究[D]. 顾人舒. 南京大学. 2014
[7]. 图像中车辆检测与车型识别的研究[D]. 康佩佩. 江南大学. 2017
[8]. 基于融合特征的车辆识别[D]. 郭艺帆. 电子科技大学. 2016
[9]. 基于Gabor特征简化的车型识别[D]. 邓航. 西安电子科技大学. 2017
[10]. 基于Gabor特征的稀疏表示车型识别研究[D]. 刘广威. 西安电子科技大学. 2015