基于多特征融合的嫌疑车辆检索方法研究
发布时间:2021-08-04 00:46
随着日益多元化、智能化的犯罪现象剧增,运用先进的科学技术手段是现代公安办案的必然趋势,在高效侦破案件的同时也能极大节省所需的人力和物力。嫌疑车辆检索是视频图像侦查的重要任务之一,它的目标是要从海量的视频图像数据中找到与目标嫌疑车辆身份一致的车辆,从而分析掌握嫌疑人的行驶轨迹、生活规律、关联地区等侦破案件所依赖的重要线索。传统的人工车辆检索方式存在效率低、可靠性低等不足,因此实现自动化嫌疑车辆检索刻不容缓。本文以基于内容的嫌疑车辆检索技术为研究目标,旨在通过优化图像特征来改善检索效果,主要的研究工作和成果如下:1.提出了一种基于车窗定位的车辆2D结构建模及视点规范化方法。为保证特征在表达图像时的一致性,使用车辆视点规范化方法对不同朝向的车辆图像进行布局统一,设计了一种二阶段车窗精准定位方法以保证车辆2D结构建模的准确性。2.探讨了针对车辆颜色识别多个难点的较新的解决思路。融合多种图像预处理算法缓解图像色偏现象,使用车辆2D结构模型确定具有视角不变性的车辆颜色识别区域,设计了一种表达力更强的基于超像素的HSV颜色特征。3.提出了一种多任务车辆重识别网络MT-IVSN。在现有重识别网络研究基...
【文章来源】:浙江工业大学浙江省
【文章页数】:90 页
【学位级别】:硕士
【部分图文】:
SCI、EI检索中LPR相关文献统计结果
车辆训练数据集的车辆偏转角方向统计结果
浙江工业大学硕士学位论文实验结果与分析 实验样本为了验证车窗定位算法的有效性,本文从图 2-10 所示五个路口中随机抽本进行实验,每张样本都手工进行了车窗外接矩形框和车窗精准位置的测试样例的标注情况如下图 2-19 所示,图中红框标注的是车窗外接矩形注的是车窗精准位置。
【参考文献】:
博士论文
[1]基于深度学习的野外巡线系统图像目标检测研究[D]. 王振华.中国地质大学(北京) 2018
[2]自然场景下车辆颜色识别研究[D]. 陈攀.华中科技大学 2016
硕士论文
[1]基于稀疏表示的肝脏病变图像检索方法研究[D]. 陈周仇.中南林业科技大学 2018
[2]基于Retinex理论的低照度彩色图像增强算法研究[D]. 陈灿灿.沈阳航空航天大学 2018
[3]基于超像素的图像分割方法研究[D]. 董含.西安电子科技大学 2017
[4]面向大规模多模态图像检索的关键技术研究及系统实现[D]. 杨睿.山东大学 2017
[5]粒子群优化算法在图像检索中的应用[D]. 银莉.中北大学 2017
[6]基于深度学习的图像哈希检索[D]. 张南.天津工业大学 2017
[7]用于公共安全的视频检索研究[D]. 汪琦.南京理工大学 2017
[8]基于车载装饰品特征的车辆检索方法研究[D]. 陈爱伟.东南大学 2016
[9]基于内容的文物图像检索技术的研究和实现[D]. 李晓.郑州大学 2016
[10]数字图像处理在车牌识别中的若干应用[D]. 阮志毅.海南师范大学 2016
本文编号:3320650
【文章来源】:浙江工业大学浙江省
【文章页数】:90 页
【学位级别】:硕士
【部分图文】:
SCI、EI检索中LPR相关文献统计结果
车辆训练数据集的车辆偏转角方向统计结果
浙江工业大学硕士学位论文实验结果与分析 实验样本为了验证车窗定位算法的有效性,本文从图 2-10 所示五个路口中随机抽本进行实验,每张样本都手工进行了车窗外接矩形框和车窗精准位置的测试样例的标注情况如下图 2-19 所示,图中红框标注的是车窗外接矩形注的是车窗精准位置。
【参考文献】:
博士论文
[1]基于深度学习的野外巡线系统图像目标检测研究[D]. 王振华.中国地质大学(北京) 2018
[2]自然场景下车辆颜色识别研究[D]. 陈攀.华中科技大学 2016
硕士论文
[1]基于稀疏表示的肝脏病变图像检索方法研究[D]. 陈周仇.中南林业科技大学 2018
[2]基于Retinex理论的低照度彩色图像增强算法研究[D]. 陈灿灿.沈阳航空航天大学 2018
[3]基于超像素的图像分割方法研究[D]. 董含.西安电子科技大学 2017
[4]面向大规模多模态图像检索的关键技术研究及系统实现[D]. 杨睿.山东大学 2017
[5]粒子群优化算法在图像检索中的应用[D]. 银莉.中北大学 2017
[6]基于深度学习的图像哈希检索[D]. 张南.天津工业大学 2017
[7]用于公共安全的视频检索研究[D]. 汪琦.南京理工大学 2017
[8]基于车载装饰品特征的车辆检索方法研究[D]. 陈爱伟.东南大学 2016
[9]基于内容的文物图像检索技术的研究和实现[D]. 李晓.郑州大学 2016
[10]数字图像处理在车牌识别中的若干应用[D]. 阮志毅.海南师范大学 2016
本文编号:3320650
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3320650.html
最近更新
教材专著