基于多特征级联分类器的消防通道车辆检测技术研究

发布时间：2017-08-07 09:01

  本文关键词：基于多特征级联分类器的消防通道车辆检测技术研究

  更多相关文章： 消防通道 车辆检测 阴影特征 多特征融合 级联分类器

【摘要】：随着经济发展和人民生活水平的提高,汽车的数量与日剧增,然而一些安全隐患也随之而来。私家车的胡乱停放占用了消防通道,严重危害了公共消防安全。为了避免该类危险的发生,消防通道车辆检测系统的运用显得尤为重要。基于物联网的消防通道车辆检测系统的主要功能是为了有效避免由于消防通道的占用而引发的火灾。当消防通道被车辆堵塞时,系统可自动识别车辆,并以发送短信等方式通知负责人及时处理堵塞。由于车辆检测算法是消防通道车辆检测系统的核心技术,因此找到一种合适的消防通道车辆检测算法具有重要的意义。本文通过研究包括基于特征、光流、机器学习等车辆检测的常用方法,提出了一种基于显著性检测的自适应阈值分割车辆底部阴影的方法和基于多特征融合级联分类器的车辆检测方法。本文主要完成了如下工作:提出了一种自适应阈值分割车辆底部阴影的方法。首先通过显著性检测方法提取车辆图像中的通道区域,排除非车道区域中的物体对检测结果的影响;其次对提取的通道区域进行灰度采样,通过统计采样的灰度值计算出车辆底部阴影的分割阈值;然后利用基于像素变化率的边缘提取方法对车辆底部阴影边缘进行提取;最后根据提取的阴影下边缘构建车辆感兴趣区域。提出了一种基于多特征融合级联分类器的车辆检测方法。首先进行基于Fisher准则的Haar特征与LBP特征融合,然后采用Adaboost级联分类器进行车辆检测。第一阶段使用抗光照效果较好的HOG特征训练出的分类器消除容易区分的非车辆样本,第二阶段采用融合特征训练出的分类器消除较难分类的非车辆样本。实验结果表明,本文所提方法能够在不同气候条件下,自适应地完成对消防通道中车辆的检测,与传统的车辆检测方法相比具有更高的检测率和更低的误检率。
【关键词】：消防通道 车辆检测 阴影特征 多特征融合 级联分类器
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TU998.1;TP391.41
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-16
• 1.1 课题研究背景及意义8-9
• 1.2 国内外研究现状9-12
• 1.3 本文的主要研究内容及技术路线12-13
• 1.4 本文的结构安排13-16
• 2 车辆感兴趣区域提取方法16-34
• 2.1 图像预处理16-22
• 2.1.1 图像灰度化16-17
• 2.1.2 图像去噪处理17-20
• 2.1.3 图像形态学处理20-22
• 2.2 基于车辆底部阴影特征的感兴趣区域提取22-32
• 2.2.1 显著性检测22-28
• 2.2.2 车辆底部阴影的自适应阈值方法28-30
• 2.2.3 车辆底部阴影边缘特征提取30-31
• 2.2.4 车辆感兴趣区域确定31-32
• 2.3 本章小结32-34
• 3 车辆多特征融合算法34-48
• 3.1 Haar-like矩形特征34-38
• 3.1.1 Haar-like矩形特征的定义35-37
• 3.1.2 计算子窗口中Haar-like矩形特征数量37
• 3.1.3 积分图像计算Haar-like特征37-38
• 3.2 HOG特征38-41
• 3.2.1 HOG算法流程38-40
• 3.2.2 积分直方图计算HOG特征40-41
• 3.3 LBP纹理特征41-42
• 3.3.1 LBP纹理特征41
• 3.3.2 LBP特征算法流程41-42
• 3.4 基于Fisher准则的车辆多特征融合算法42-46
• 3.4.1 Fisher准则算法描述43-44
• 3.4.2 多特征融合算法验证44-46
• 3.5 本章小结46-48
• 4 基于多特征融合级联分类器的车辆检测方法48-64
• 4.1 Adaboost算法48-51
• 4.1.1 Adaboost算法介绍48-50
• 4.1.2 Discrete Adaboost算法50
• 4.1.3 Gentle Adaboost算法50-51
• 4.2 多特征融合级联分类器设计51-56
• 4.2.1 弱分类器设计52-53
• 4.2.2 多特征融合级联分类器的生成53-56
• 4.3 仿真与实验结果分析56-63
• 4.3.1 实验平台56-57
• 4.3.2 训练样本集的建立57-58
• 4.3.3 分类器的训练58-59
• 4.3.4 实验结果及分析59-63
• 4.4 本章小结63-64
• 5 总结与展望64-66
• 5.1 总结64-65
• 5.2 展望65-66
• 致谢66-68
• 参考文献68-74
• 附录74
• A. 作者在攻读学位期间发表的论文（和专利）目录74
• B. 作者在攻读学位期间参与的科研项目74

【相似文献】

中国期刊全文数据库 前10条

1 陈刚,戚飞虎;多分类器结合的人脸识别[J];上海交通大学学报;2001年02期

2 韩宏,杨静宇,娄震;基于层次的分类器组合[J];南京理工大学学报(自然科学版);2002年01期

3 赵谊虹,程国华,史习智;多分类器融合中一种新的加权算法[J];上海交通大学学报;2002年06期

4 王卫东;郑宇杰;杨静宇;;智能分类器方法[J];江苏科技大学学报(自然科学版);2007年01期

5 钟将;冯永;李志国;叶春晓;;基于自适应免疫分类器的入侵检测[J];重庆大学学报(自然科学版);2007年07期

6 叶云龙;杨明;;基于随机子空间的多分类器集成[J];南京师范大学学报(工程技术版);2008年04期

7 赵洋;冀俊忠;李文斌;;基于复杂网络的分类器融合[J];科学技术与工程;2008年14期

8 夏俊;刘金梅;;不同分类器在遥感数据分类中的性能比较[J];价值工程;2013年04期

9 ;逻辑设计讲座——第八讲 标志信号和标志分类器[J];贵州机械;1979年04期

10 N.B.Venkateswarlu ,P.S.V.S.K.Raju ,艾东;一种新的遥感影象快速分类器[J];干旱区地理;1993年04期

中国重要会议论文全文数据库 前10条

1 王占一;徐蔚然;刘东鑫;郭军;;一种基于两级分类器的垃圾短信过滤方法[A];第五届全国信息检索学术会议论文集[C];2009年

2 翟静;李海宏;唐常杰;陈敏敏;李智;;可验证对象集分类器的再训练演进[A];第十九届全国数据库学术会议论文集（研究报告篇）[C];2002年

3 陈继航;刘家锋;赵巍;唐降龙;;联机手写识别笔段特征分类器的学习方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年

4 穆明生;;基于特征集的多种分类器模型的在线笔迹认证[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

5 彭涛;左万利;赫枫龄;;基于链接上下文的分类器主题爬行技术(英文)[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

6 王岚;陈珂;迟惠生;;基于多特征组合多分类器的方法用于“与文本无关”的说话人辨认[A];第四届全国人机语音通讯学术会议论文集[C];1996年

7 谢秋玲;;应用于心电图分类的KNN-SVM分类器研究[A];2006中国控制与决策学术年会论文集[C];2006年

8 胡琼;汪荣贵;胡韦伟;孙见青;;基于级联分类器的快速人脸检测方法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

9 李兰春;王双成;杜瑞杰;;认知结构评估的动态贝叶斯网络分类器方法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 邵小健;段华;贺国平;;一种改进的最少核分类器[A];中国运筹学会第七届学术交流会论文集（上卷）[C];2004年

中国重要报纸全文数据库 前1条

1 黄明;精子分类器决定生男生女[N];广东科技报;2000年

中国博士学位论文全文数据库 前10条

1 张非;对抗逃避攻击的防守策略研究[D];华南理工大学;2015年

2 张文博;多类别智能分类器方法研究[D];西安电子科技大学;2014年

3 许劲松;智能交通中目标检测与分类关键技术研究[D];南京理工大学;2014年

4 余家林;普通场景视频人脸检测与识别的关键技术研究[D];浙江大学;2016年

5 赵作林;基于图像分析的北京地区杨树种类识别研究[D];北京林业大学;2015年

6 任亚峰;基于标注和未标注数椐的虚假评论识别研究[D];武汉大学;2015年

7 曹鹏;不均衡数据分类方法的研究[D];东北大学;2014年

8 刘明;分类器组合技术研究及其在人机交互系统中的应用[D];北京交通大学;2008年

9 严志永;在划分数据空间的视角下基于决策边界的分类器研究[D];浙江大学;2011年

10 王U，

本文编号：633794