基于梯度与抗模糊特征的车标识别方法研究

发布时间：2022-12-05 21:57

　　车标识别是车辆识别中不可或缺的一部分,通过对车标的识别,可以极大缩小车型识别的搜索范围,有助于规范交通秩序和侦察涉车犯罪等,是智能交通系统中重要的组成部分。近年来,针对车标识别方面的研究层出不穷,但大多数方法未能全面细致地分析车标图像的特点。一方面,算法提取的特征单一,不能全面的描述车标图像的特征;另一方面,提取到的特征过于冗杂,特征维度高,降低了车标识别的速度,导致未能取得理想的识别效果。车标形状的繁杂多变、环境光照的干扰、车标图像分辨率低以及成像质量的不稳定等,使得车标识别具有非常大的挑战性。为了提升车标识别的整体识别效果,本文针对以上问题,提出了两种车标识别方法:增强边缘梯度特征局部量化的车标识别和基于抗模糊特征提取的车标识别方法。本文的主要工作如下:（1）详细描述并分析了近年来的车标识别方法,通过归纳总结车标图像的特点,指出了现有车标识别方法中存在的不足,为车标识别的进一步研究打下了基础。（2）提出了增强边缘梯度特征局部量化的车标识别方法:通过分析车标图像的整体特点,提取车标的增强边缘特征信息,然后通过对特征的局部量化处理,在学习到关键特征的同时,精简了特征数目。通过在HFUT... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 车标定位
        1.2.2 车标识别
    1.3 研究内容与组织结构
        1.3.1 研究内容
        1.3.2 组织结构
第二章 相关算法分析与车标数据集介绍
    2.1 相关传统特征描述方法介绍
        2.1.1 SIFT相关介绍
        2.1.2 不变矩特征
        2.1.3 LBP特征
        2.1.4 HOG特征
        2.1.5 局部量化模式
    2.2 相关深度学习方法介绍
        2.2.1 基于经典CNN模型
        2.2.2 基于GoogLeNet模型
    2.3 车标数据集介绍
        2.3.1 HFUT-VL数据集
        2.3.2 XMU数据集
    2.4 本章小结
第三章 增强边缘梯度特征局部量化的车标识别方法
    3.1 算法整体思想
    3.2 算法描述
        3.2.1 POEM特征提取
        3.2.2 增强边缘梯度特征提取
        3.2.3 特征的局部量化
        3.2.4 特征向量的降维与分类
    3.3 实验结果与分析
        3.3.1 实验环境与实验数据集
        3.3.2 实验参数评估
        3.3.3 与其他方法的比较
    3.4 本章小结
第四章 基于抗模糊特征提取的车标识别方法
    4.1 算法整体思想
    4.2 算法描述
        4.2.1 车标图像金字塔模型
        4.2.2 抗纹理模糊特征提取方法
        4.2.3 抗边缘模糊特征提取方法
        4.2.4 特征的融合与识别
    4.3 实验结果与分析
        4.3.1 实验环境与实验数据集
        4.3.2 实验参数评估
        4.3.3 与其他方法的比较
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]基于改进SIFT特征提取的车标识别[J]. 耿庆田,赵浩宇,王宇婷,赵宏伟.  光学精密工程. 2018(05)
[2]前背景骨架区域随机点对策略驱动下的车标识别方法[J]. 余烨,聂振兴,金强,王江明.  中国图象图形学报. 2016(10)
[3]基于深度学习的车标识别方法研究[J]. 彭博,臧笛.  计算机科学. 2015(04)
[4]基于HSV颜色空间的一种车牌定位和分割方法[J]. 王洪建.  仪器仪表学报. 2005(S2)



本文编号：3710428