基于KPCA和GPC的复杂环境下车标识别算法研究

发布时间：2017-05-05 12:15

  本文关键词：基于KPCA和GPC的复杂环境下车标识别算法研究，，由笔耕文化传播整理发布。

【摘要】：随着国民经济高速发展及人民生活水平日益提高,汽车已成为人们日常出行最常用的代步工具。然而,汽车数量的飞速增长给城市交通安全管理带来了新的挑战,车辆身份识别技术已成为智能交通研究领域的重要课题。车标识别是车辆身份识别的核心内容之一,针对车牌遮挡、车牌套用等不法行为,识别车标能很好地辅助交通部门及公安部门进行交通运输的有效性、高效性以及安全性管理。作为典型的目标识别问题,车标识别通常指对从静态数字图像或视频数据流中检测到的车标区域进行自动识别的过程,主要通过特征提取和分类器构建两个步骤实现。在广泛调研国内外车标识别相关技术基础上,针对主成分分析方法(PCA)在处理非线性图像特征中的不足,本文采用核主成分分析法(KPCA)对车标图像进行了特征提取,在尽可能消除、处理图像冗余信息的同时,保留了车标图像的部分非线性特征,保证了车标图像数据在由高维空间映射到低维空间过程中,其特征信息的充分性和有效性,并通过复杂环境下采集得到的车标数据库进行了仿真实验验证。结果表明,在最小距离分类器(MDC)和支持向量机(SVM)上,KPCA表现出比PCA更优的特征提取性能。此外,本文针对目前车标识别方法的缺点,即超参数多且难以确定、预测效果不理想等,提出了通过构建寻参更便捷、学习能力更强的高斯过程分类器(GPC)车标识别方法。首先运用图像预处理方法降低环境因素对图像有效信息的干扰,随后利用KPCA充分提取车标图像的线性及非线性特征信息,再将特征信息分别输入概率高斯过程分类器(P-GPC)和最小风险高斯过程分类器(LR-GPC)进行识别。仿真实验结果表明:利用GPC进行车标识别能得到理想的识别效果且对复杂环境表现出良好的鲁棒性。其中多项式核KPCA与LR-GPC相结合的车标识别方法具有上佳的分类效果及令人满意的识别速度,是一种实用的实时车标识别新方法。
【关键词】：车标识别 核主成分分析法 最小距离分类器 支持向量机 高斯过程分类器 特征提取
【学位授予单位】：北京理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-17
• 1.1 课题研究背景及意义10-11
• 1.2 车标识别技术的应用11-12
• 1.3 车标识别技术研究状况12-16
• 1.3.1 车标定位技术研究状况13-14
• 1.3.2 车标识别技术研究状况14-16
• 1.4 论文结构安排16-17
• 第2章 车标数据库建立与图像预处理17-27
• 2.1 建立车标数据库17-20
• 2.2 RGB颜色空间理论20-22
• 2.2.1 RGB颜色空间模型20-21
• 2.2.2 灰度图像21-22
• 2.3 图像预处理22-26
• 2.3.1 图像灰度化22-24
• 2.3.2 图像归一化24-26
• 2.4 本章小结26-27
• 第3章 车标的特征提取27-36
• 3.1 PCA方法27-31
• 3.1.1 PCA原理27-29
• 3.1.2 基于PCA的车标特征提取29-31
• 3.2 KPCA方法31-34
• 3.2.1 核函数原理31-33
• 3.2.2 基于KPCA的车标特征提取33-34
• 3.3 PCA与KPCA的特征提取实验结果34-35
• 3.4 本章小结35-36
• 第4章 基于KPCA的车标识别36-50
• 4.1 车标识别方法36-42
• 4.1.1 最小距离分类器36-38
• 4.1.2 支持向量机38-42
• 4.2 多类分类决策理论分析42-44
• 4.2.1 一对多决策方法42-43
• 4.2.2 一对一决策方法43-44
• 4.3 实验结果及对比分析44-49
• 4.3.1 PCA与KPCA结合MDC的实验结果44-46
• 4.3.2 PCA与KPCA结合SVM的实验结果46-47
• 4.3.3 PCA与KPCA的实验结果对比分析47-49
• 4.4 本章小结49-50
• 第5章 基于GPC的车标识别50-69
• 5.1 高斯过程机器学习方法50-53
• 5.1.1 高斯分布51-53
• 5.1.2 高斯过程53
• 5.2 高斯过程回归53-57
• 5.2.1 高斯过程回归方法54-55
• 5.2.2 协方差函数的确定55-57
• 5.3 高斯过程分类57-62
• 5.3.1 概率高斯过程分类法57-60
• 5.3.2 最小风险高斯过程分类法60-62
• 5.4 实验结果及对比分析62-68
• 5.4.1 实验步骤62-63
• 5.4.2 P-GPC和LR-GPC实验结果与分析63-67
• 5.4.3 GPC与MDC、SVM的对比分析67-68
• 5.5 本章小结68-69
• 结论69-71
• 参考文献71-76
• 攻读学位期间发表论文与研究成果清单76-77
• 致谢77

【相似文献】

中国期刊全文数据库 前10条

1 吕岳,施鹏飞,赵宇明;多分类器组合的投票表决规则[J];上海交通大学学报;2000年05期

2 韩宏;杨静宇;;多分类器组合及其应用[J];计算机科学;2000年01期

3 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

4 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

5 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

6 王正群,叶晖,孙兴华,杨静宇;模糊多分类器组合[J];小型微型计算机系统;2003年01期

7 杨利英,覃征,王向华;多分类器融合实现机型识别[J];计算机工程与应用;2004年15期

8 杨利英,覃征,王卫红;多分类器融合系统设计与应用[J];计算机工程;2005年05期

9 陈湘;;1-范数软间隔分类器的风险[J];湖北大学学报(自然科学版);2006年02期

10 秦锋;杨波;程泽凯;;分类器性能评价标准研究[J];计算机技术与发展;2006年10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 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

6 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

7 王U

本文编号：346343