当前位置:主页 > 管理论文 > 人力资源论文 >

基于SVM算法的图像分类在客车超载系统上的研究与实现

发布时间:2018-06-23 22:51

  本文选题:客车超载 + 图像处理 ; 参考:《吉林大学》2017年硕士论文


【摘要】:目前,客车事故频频发生,导致交通事故率居高不下。客车因其本身载客人数多的特点,一旦发生事故极易出现伤亡情况,而客车超载更是使客车事故伤亡率大大提高的关键因素。当前还没有一个可以进行客车超载检测的自动化计算机系统,大部分都是通过人工检查客车摄像头拍摄的图像是否超载来确定的,这种方法准确率虽高,但是效率极低。随着计算机行业的迅猛发展,图像处理及图像分类方面的研究一直都是世界各国研究学者讨论的热点。如果使用数字图像处理和图像分类技术相结合的方法来检查客车超载的情况,必定能大大提高效率,节省人力资源,因此本文主要研究了基于图像处理与支持向量机(Support Vector Machine,SVM)的客车图像超载检测的实现方法。本文研究了使用支持向量机实现客车图像超载检测,并实现客车图像的分类,主要设计了两大模块,图像处理模块和SVM分类器模块。图像处理模块研究的是客车图像特征轮廓的提取,主要用到了图像增强技术、图像分割技术、特征提取技术。首先通过直方图均衡化实现了图像的增强,使图像更加清晰明亮。然后提出了一种适合本文图像样本的Otsu阈值分割的改进方法,通过改进后Otsu阈值分割法,将图像二值分割,并对分割后的图像进行腐蚀膨胀处理。最后通过边缘检测技术的Kirsch算子实现了分割图像的特征提取,建立了图像特征样本数据库。SVM分类器模块概述了支持向量机的基础知识,完成基于不同SVM模型和不同核函数的SVM分类器的建模。对于一个支持向量机来说,如果要解决非线性的分类问题,建立最优化的支持向量机分类器以及核函数的选择会直接影响分类结果。本文并通过实验对各种SVM分类器的分类测试结果进行对比,最终选择出最有效的SVM分类器,实现了基于支持向量机的客车图像分类和超载检测。
[Abstract]:At present, bus accidents occur frequently, resulting in a high traffic accident rate. Because of its large number of passengers, passenger cars are prone to casualties once accidents occur, and bus overload is the key factor to greatly increase the casualty rate of bus accidents. At present, there is no automatic computer system for bus overload detection, most of which are determined by manually checking whether the images taken by the bus camera are overloaded. Although this method has high accuracy, but its efficiency is extremely low. With the rapid development of computer industry, the research on image processing and image classification has always been a hot topic for researchers all over the world. If a combination of digital image processing and image classification is used to check the overloading of passenger cars, it will greatly improve efficiency and save human resources. Therefore, this paper mainly studies the realization method of bus image overload detection based on image processing and support vector machine (SVM). In this paper, support vector machine (SVM) is used to realize image overload detection and classification of bus image. Two modules, image processing module and SVM classifier module, are designed. Image processing module is used to extract feature contour of bus image, which mainly uses image enhancement technology, image segmentation technology and feature extraction technology. Firstly, the image enhancement is realized by histogram equalization, which makes the image clearer and brighter. Then an improved Otsu threshold segmentation method suitable for the image samples in this paper is proposed. By using the improved Otsu threshold segmentation method, the binary image is segmented and the image is corroded and expanded. Finally, the feature extraction of segmented image is realized by Kirsch operator of edge detection technology, and the basic knowledge of support vector machine (SVM) is summarized in the module of image feature sample database .SVM classifier. The model of SVM classifier based on different SVM models and different kernel functions is completed. For a support vector machine, if the nonlinear classification problem is to be solved, the establishment of an optimal SVM classifier and the selection of kernel functions will directly affect the classification results. Finally, the most effective SVM classifier is selected to realize bus image classification and overload detection based on support vector machine.
【学位授予单位】:吉林大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TP391.41

【相似文献】

相关期刊论文 前10条

1 朱峗,吴炜;图像分类中变形决策树的应用[J];计算机工程与应用;2004年21期

2 陈戏墨,徐红兵,李志铭,谢铉洋,李曦,李扬彬;数据挖掘在医学图像分类中的应用[J];现代计算机(专业版);2005年01期

3 冀翠萍;孟祥增;;基于内容的图像分类体系[J];电脑知识与技术(学术交流);2007年07期

4 杨杰;陈晓云;;图像分类方法比较研究[J];微计算机应用;2007年06期

5 杨文潮;姜志坚;;图像分类技术研究[J];福建电脑;2008年08期

6 葛寒娟;邱桃荣;王剑;卢强;李北;刘韬;聂斌;;一种基于相容信息粒原理的图像分类方法[J];广西师范大学学报(自然科学版);2008年03期

7 王军;王员云;;粒计算及其在图像分类中的应用研究[J];计算机工程与科学;2009年03期

8 吴军;王士同;;基于正负模糊规则的相结合的图像分类[J];计算机应用;2011年01期

9 吴军;王士同;赵鑫;;正负模糊规则系统、极限学习机与图像分类[J];中国图象图形学报;2011年08期

10 郝永宽;王威;聂维同;王德强;;图像分类与聚类分析[J];数字技术与应用;2011年12期

相关会议论文 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议(HHME2010)、第19届全国多媒体学术会议(NCMT2010)、第6届全国人机交互学术会议(CHCI2010)、第5届全国普适计算学术会议(PCC2010)论文集[C];2010年

5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国(天津)2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

8 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集(研究报告篇)[C];2003年

9 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集(研究报告篇)[C];2007年

10 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

相关博士学位论文 前10条

1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

5 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

6 孟丹;基于深度学习的图像分类方法研究[D];华东师范大学;2017年

7 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

8 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

9 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

10 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

相关硕士学位论文 前10条

1 张明静;基于改进遗传算法的分块综合特征加权图像分类研究[D];华南理工大学;2015年

2 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

3 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

4 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

5 钟畏丹;基于HSV和纹理特征的图像分类[D];华中师范大学;2015年

6 焦阳;基于主动学习的多标签图像分类方法研究[D];苏州大学;2015年

7 王腾川;基于主动学习的SAR图像分类方法研究[D];上海交通大学;2015年

8 NGUYEN QUANG KHANH;基于极化SAR目标信息提取与SVM分类[D];哈尔滨工业大学;2015年

9 王朔琛;基于半监督支持向量机的图像分类方法研究[D];陕西师范大学;2015年

10 杨东坡;基于深度学习的商品图像分类[D];大连交通大学;2015年



本文编号:2058768

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/renliziyuanguanlilunwen/2058768.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户cf765***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com