车辆多特征识别方法研究与实现

发布时间：2021-03-28 18:48

随着我国城镇化建设的深入开展,城市的道路交通也面临着巨大的压力和挑战,“道路拥堵严重”、“交通事故频发”等问题层出不穷,对社会经济发展造成了一定的制约,也给城市治安管理带来了许多的麻烦。为了缓解交管部门的压力,给市民提供更方便的出行条件,智能交通系统应运而生。本文研究的车辆多特征识别是智能交通系统的重要组成部分,识别内容主要包括车辆号牌、型号以及颜色。本文围绕车辆多特征识别方法研究与实现,展开了以下工作:(1)研究了一种基于聚合通道特征的车辆检测方法,该特征包含3个LUV通道、1个归一化梯度幅值通道以及6个方向梯度直方图通道,不仅包含了目标整体轮廓特征,还包含了目标局部梯度特征。算法针对本文收集的高速公路监控数据、行车记录仪数据等单视角图像具有良好的检测效果。针对低对比度车辆图像,研究了一种车辆图像增强算法,能够有效地缓解环境和光照带来的影响,间接地提高了后续车辆号牌、型号以及颜色识别的准确率。(2)研究了一种基于颜色和字符特征的车辆号牌定位方法,充分结合了颜色检测的快速性和字符检测的准确性,在自建的复杂场景数据库中测试,召回率为93.12%,准确率为94.49%。伪号牌剔除采用了LBP特征结合SVM分类器的办法进行。针对易混字符识别,采用了多级SVM策略减小误识率,单字符识别率达到了96.15%。经过实验得出,本文号牌识别算法框架适用于多种复杂场景,具有良好的鲁棒性。(3)针对传统机器学习算法无法对车辆型号进行细致分类的问题,探讨了一种基于深度学习的车辆型号识别方法,采用微调预训练网络模型的策略,在车辆型号数据库中测试结果为:top-1错误率28.2%,top-5错误率12.9%。改进了传统方法中提取感兴趣区域进行车辆颜色识别的办法,研究了一种基于深度学习的车辆颜色识别方法,有效避免了感兴趣区域定位出错导致识别错误的情况。为了研究在深度学习背景下,色彩空间对车辆颜色识别效果的影响,本文进行了对比实验,在车辆颜色数据库中,RGB色彩空间具有最好的分类效果,平均准确率达到了93.77%。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：U495;TP391.41

文章目录

摘要

abstract

第一章绪论

1.1 研究工作的背景与意义

1.2 国内外研究历史与现状

1.3 本文的主要贡献与创新

1.4 本文的章节结构安排

第二章车辆检测方法研究

2.1 车辆检测方法概述

2.2 聚合通道特征

2.2.1 LUV色彩空间

2.2.2 梯度幅值

2.2.3 方向梯度直方图

2.2.4 特征计算过程

2.2.5 快速特征金字塔

2.3 基于机器学习的车辆检测

2.3.1 Adaboost算法原理

2.3.2 车辆检测及窗口融合

2.3.3 检测算法测试

2.4 车辆图像增强

2.5 本章小结

第三章车辆号牌识别方法研究

3.1 车辆号牌知识

3.2 车辆号牌识别框架

3.2.1 号牌定位方法

3.2.2 字符识别方法

3.2.3 号牌识别框架

3.3 车辆号牌定位

3.3.1 基于颜色特征的号牌定位

3.3.2 基于字符特征的号牌定位

3.3.3 伪号牌剔除与极大值抑制

3.3.4 定位算法测试

3.4 号牌矫正与字符分割

3.4.1 号牌矫正

3.4.2 字符分割

3.5 号牌字符识别

3.5.1 多级SVM分类

3.5.2 识别算法测试

3.6 算法框架对比

3.7 本章小结

第四章车辆型号与颜色识别方法研究

4.1 CNN发展概述

4.2 CNN基础概述

4.2.1 局部连接与权值共享

4.2.2 CNN网络结构概述

4.3 车辆型号识别

4.3.1 数据准备及训练

4.3.2 识别算法测试

4.4 车辆颜色识别

4.4.1 数据准备及训练

4.4.2 识别算法测试

4.5 本章小结

第五章全文总结与展望

5.1 全文总结

5.2 后续工作展望

致谢

参考文献

攻读硕士学位期间取得的成果

【参考文献】