基于远红外影像分析的轮毂过热检测

发布时间：2017-07-16 18:19

  本文关键词：基于远红外影像分析的轮毂过热检测

  更多相关文章： 轮胎过热检测 特征提取 多特征融合 增量支持向量机

【摘要】：轮胎是汽车的重要组成部分,承担着整个汽车的重量。轮胎长时间与地面摩擦,会造成温度过高而导致轮胎损坏、爆胎,尤其在具有长大下坡的山区高速公路段,轮胎过热极易发生车体自燃,从而造成严重交通拥堵,因此及时检测车辆轮胎轮毂的温度尤为重要。目前检测主要以接触式传感器和红外测温仪为主,其安装量大且准确率低,且当温度异常时,驾驶员往往会忽视车内提示的异常信息,难以及时对轮胎降温。因此外界利用图像处理技术检测轮胎轮毂是否过热,对异常车辆及时预警以便采取降温措施,具有重要意义。本文对红外图像进行分析,有效地将轮胎轮毂区域分割出来,并提取轮胎区域多种特征,利用分类器对车辆轮胎轮毂过热与否进行判别。该方法不易受到外界干扰,能及时发现异常车辆并采取措施,减少人员伤亡和财产损失。主要研究内容如下:首先,介绍了车辆轮胎轮毂温度检测的背景、现状及研究意义。轮胎轮毂过热与否的识别过程分为三部分,目标区域分割、特征提取和分类识别。本文主要对特征提取方法进行研究,并从全局和局部两个方面分别介绍了特征提取方法的基本概念和发展现状。在此基础上,对多特征融合方法进行了阐述。其次,详细介绍了方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(Local Binary Patterns,LBP)特征提取方法的概念及步骤。本文根据红外热像仪采集的红外图像中轮胎轮毂温度与亮度间的关系,提出散射状亮度差(Scattering Brightness Difference Descriptor,SBDD)特征提取方法,经过提取目标区域不同位置的亮度特征与其他特征融合有效地对轮胎轮毂过热与否进行识别。最后详细介绍支持向量机的增量学习算法,并提出多特征融合的轮胎轮毂过热与否判定模型。再次,在轮胎轮毂过热与否识别过程中,首先采用前景提取方法提取车辆轮胎图像帧,接着对提取出来的图像帧进行预处理,包括轮胎轮毂目标区域的提取和分割等。随后提取轮胎图像的HOG特征、LBP特征及SBDD特征,其中为了减少HOG特征的冗余信息采用主成分分析法对特征向量进行降维。多特征归一化后串联得到最终特征向量,利用增量支持向量机对轮胎轮毂图像是否过热进行判别。最后,本文进行了大量实验,结果表明提出的SBDD特征可以很好地表达轮胎热度信息,同时将其与HOG和LBP特征融合后,有效地提高了轮胎轮毂是否过热识别性能。
【关键词】：轮胎过热检测 特征提取 多特征融合 增量支持向量机
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U472.9;TP391.41
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-14
• 1.1 研究背景及意义9
• 1.2 国内外研究现状9-10
• 1.3 研究内容与方法10-12
• 1.3.1 研究内容10-11
• 1.3.2 研究方法11-12
• 1.4 文章结构安排12-14
• 第二章 特征提取与融合方法综述14-20
• 2.1 特征提取方法14-17
• 2.1.1 全局特征提取14-16
• 2.1.2 局部特征提取16-17
• 2.1.3 特征提取方法比较17
• 2.2 特征的融合方法17-19
• 2.2.1 底层特征融合18
• 2.2.2 中层特征融合18
• 2.2.3 高层特征融合18-19
• 2.3 本章小结19-20
• 第三章 轮胎轮毂判别模型的建立20-36
• 3.1 引言20-21
• 3.2 轮胎轮毂的特征提取及融合21-28
• 3.2.1 方向梯度直方图HOG21-23
• 3.2.2 局部二值模式LBP23-25
• 3.2.3 散射状亮度差描述子SBDD25-27
• 3.2.4 轮胎轮毂特征的融合27-28
• 3.3 轮胎轮毂增量支持向量机判别模型28-35
• 3.3.1 SVM支持向量机28-32
• 3.3.2 支持向量机增量学习算法32-35
• 3.3.3 轮胎轮毂过热与否判别模型35
• 3.4 本章小结35-36
• 第四章 基于在线模型判别的轮毂过热检测36-52
• 4.1 视频帧中轮毂区域预处理36-38
• 4.1.1 有效帧的提取36-37
• 4.1.2 轮胎轮毂图像预处理37-38
• 4.2 轮胎轮毂特征的构建38-45
• 4.2.1 HOG特征40-41
• 4.2.2 LBP特征41-43
• 4.2.3 SBDD特征43-44
• 4.2.4 特征的融合44-45
• 4.3 基于增量支持向量机的轮毂过热检测45-46
• 4.4 实验结果与分析46-51
• 4.4.1 实验数据来源46-47
• 4.4.2 实验过程说明47-48
• 4.4.3 实验结果分析48-51
• 4.5 本章小结51-52
• 结论52-54
• 参考文献54-59
• 攻读学位期间取得的研究成果59-60
• 致谢60

【参考文献】

中国期刊全文数据库 前10条

1 陈锐;王敏;陈肖;;基于PCA降维的HOG与LBP融合的行人检测[J];信息技术;2015年02期

2 陈沅涛;徐蔚鸿;吴佳英;胡蓉;;基于增量学习向量SVM方法的图像分割应用[J];南京理工大学学报;2014年01期

3 郭金鑫;陈玮;;基于HOG多特征融合与随机森林的人脸识别[J];计算机科学;2013年10期

4 顾彬;郑关胜;王建东;;增量和减量式标准支持向量机的分析[J];软件学报;2013年07期

5 范会敏;王浩;;模式识别方法概述[J];电子设计工程;2012年19期

6 梁进;刘泉;艾青松;;基于SURF和全局特征融合的图像分类研究[J];计算机工程与应用;2013年17期

7 林玲;周新民;商琳;高阳;;基于特征融合的多模态身份识别方法研究[J];计算机工程与设计;2011年08期

8 王文虎;任艳惠;赵波;;基于nRF2401的汽车轮胎温度监测装置设计[J];电子测试;2008年04期

9 曹兴举;;汽车在高速公路上爆胎原因及防治措施[J];交通科技与经济;2008年02期

10 付玮;曾接贤;;基于形状特征的图像检索技术研究[J];计算机技术与发展;2007年11期

，

本文编号：549950