复杂场景中的车辆特征抽取与识别研究

发布时间：2020-11-19 05:05

　　 随着社会快速发展,汽车数量快速增加,智能交通系统在道路交通管理上发挥了越来越重要的作用,受到越来越多的关注。车辆特征抽取与识别是智能交通的重要组成部分。本文在研究了经典的图像特征抽取和匹配算法后,提出了改进算法,并将其应用到车辆检测和跟踪算法中。本文的主要工作是:(1)SURF是一种鲁棒且快速的算法,可以应用于多种场合,但是它不能检测特征的空间对称性,也没有考虑全局信息。本文提出将对称SURF和全局信息结合起来,既通过镜像变换增强了SURF检测特征的空间对称性的能力,又可以在图像有多个相似区域的情况下减少错误匹配。实验表明该算法提高了特征匹配的准确率。(2)现在常用的特征匹配算法忽视了图像中的几何信息,而BP-SIFT算法虽然采用几何信息进行特征匹配,但是特征点之间并不总是满足距离相等的约束条件,根据特征空间距离来选择邻近节点只能代表图像部分区域的几何信息,而且算法的时间开销太大。本文提出以特征点空间距离和所有邻近节点空间距离的均值比值作为约束条件,并且根据BOW(Bag-of-Words)模型确定邻近节点。实验表明采用新的约束条件和邻近节点的选择方法不仅可以增加特征匹配的准确率,而且减少了算法的时间复杂度。(3)将本文提出的改进对称SURF算法和特征匹配改进算法应用到车辆检测和跟踪中。车辆检测算法通过改进对称SURF特征搜索图像中高对称性的区域来定位车辆。车辆跟踪算法使用本文提出的特征匹配算法搜索两幅图像间匹配的特征点实现目标跟踪。实验表明两种算法有效提高了车辆检测和跟踪的准确性。
【学位单位】：南京航空航天大学
【学位级别】：硕士
【学位年份】：2015
【中图分类】：TP391.41
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 图像特征研究简介
        1.2.2 车辆检测研究简介
        1.2.3 车辆跟踪研究简介
    1.3 本文研究内容与章节安排
第二章 图像特征概述
    2.1Harris角点及其改进算法
        2.1.1Harris角点检测算法
        2.1.2 尺度不变的Harris角点检测算法
        2.1.3 仿射不变的Harris角点检测算法
    2.2 SIFT特征
        2.2.1SIFT特征点检测算法
        2.2.2SIFT特征点描述算法
    2.3 SURF特征
        2.3.1 积分图
        2.3.2SURF特征点检测算法
        2.3.3 SURF特征点描述算法
    2.4 图像特征匹配
        2.4.1 距离度量算法
        2.4.2 最近邻法
    2.5 本章小结
第三章 结合全局信息的对称SURF算法
    3.1 对称SURF特征
    3.2 对称SURF的全局信息
    3.3 改进对称SURF特征的匹配
        3.3.1 对称SURF向量的度量
        3.3.2 全局信息向量的度量
        3.3.3 改进对称SURF向量的度量
    3.4 实验与分析
    3.5 本章小结
第四章 基于几何信息的特征匹配改进算法
    4.1 BP-SIFT算法
        4.1.1 置信传播算法
        4.1.2 基于置信传播算法的特征匹配算法
            4.1.2.1 算法原理
            4.1.2.2 算法流程
    4.2 基于约束条件和邻近节点选择的改进特征匹配算法
        4.2.1 基于空间距离比值的约束条件
        4.2.2 基于Bag-of-Words模型的邻近节点选择算法
        4.2.3 算法描述
    4.3 实验与分析
    4.4 本章小结
第五章 基于图像特征的车辆检测和跟踪
    5.1 车辆检测与跟踪流程
    5.2 基于图像特征的车辆检测算法
        5.2.1 基于GS-SURF的车辆检测算法
        5.2.2 实验与分析
    5.3 基于图像特征的车辆跟踪算法
        5.3.1 基于BP-ASURF的车辆跟踪算法
        5.3.2 实验与分析
    5.4 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
参考文献
致谢
在学期间的研究成果及发表的学术论文

【相似文献】

相关期刊论文 前10条

1 徐雷,阎平凡;时间序列特征抽取的一种新方法[J];信息与控制;1986年04期

2 梅村;胡玉华;;脑电波的预处理和时域特征抽取[J];北京邮电学院学报;1990年04期

3 周春光;味觉信号的特征抽取[J];吉林大学自然科学学报;1994年02期

4 范燕,吴小俊,惠长坤,刘同明;人脸图象特征抽取和识别的一种混合方法研究[J];华东船舶工业学院学报(自然科学版);2003年02期

5 张学如，袁石夫，赵世杰，陈历学，李淳飞;多重不变图象特征抽取器[J];应用激光;1995年02期

6 蒋宗礼;徐学可;李帅;;文本分类中基于词条聚合的特征抽取[J];哈尔滨工程大学学报;2008年11期

7 刘永芹;刘永俊;常晋义;;彩色人脸鉴别特征抽取及识别[J];常熟理工学院学报;2010年08期

8 杨茂龙;王远方;孙权森;夏德深;;偏最小二乘改进算法与特征抽取[J];计算机工程与应用;2011年01期

9 罗夏峰;明曙军;刘永俊;;彩色人脸图像鉴别特征抽取综述[J];常熟理工学院学报;2011年04期

10 肇祺;地震剖面层状构造的特征抽取和描述方法[J];清华大学学报(自然科学版);1985年02期

相关博士学位论文 前10条

1 王丹丹;文本宏特征抽取与基于质心的自动分类方法研究[D];哈尔滨工业大学;2014年

2 杨万扣;人脸识别中的部分特征抽取技术研究[D];南京理工大学;2009年

3 赵才荣;基于图嵌入与视觉注意的特征抽取[D];南京理工大学;2011年

4 万鸣华;基于图嵌入的特征抽取与人脸识别研究[D];南京理工大学;2011年

5 陈伏兵;人脸识别中鉴别特征抽取若干方法研究[D];南京理工大学;2006年

6 吴小俊;图象特征抽取与识别理论及其在人脸识别中的应用[D];南京理工大学;2002年

7 杨茂龙;相关投影分析在特征抽取中的应用研究[D];南京理工大学;2011年

8 严慧;线性特征抽取研究及其在人脸识别中的应用[D];南京理工大学;2011年

9 徐洁;基于子空间分析的特征抽取及分类方法研究[D];南京理工大学;2012年

10 宋晓宁;图像特征抽取的若干新方法研究[D];南京理工大学;2011年

相关硕士学位论文 前10条

1 丁宇;基于核范数的特征抽取与人脸识别应用研究[D];扬州大学;2015年

2 刘杰;基于特征抽取的企业文本数据索引系统的研究和实现[D];南京邮电大学;2015年

3 熊琰铖;复杂场景中的车辆特征抽取与识别研究[D];南京航空航天大学;2015年

4 丁鑫龙;基于重构的鉴别特征抽取及人脸识别应用研究[D];扬州大学;2013年

5 彭柳艳;中文网络产品评论的特征抽取及观点分类研究[D];武汉纺织大学;2011年

6 范冠杰;基于动态反馈的特征抽取及人脸识别应用研究[D];扬州大学;2014年

7 朱善宗;面向情感分析的特征抽取技术研究[D];哈尔滨工业大学;2009年

8 于亮;科技文献的文本特征抽取研究与应用[D];北京邮电大学;2009年

9 徐春明;基于子空间分析的特征抽取及人脸识别技术研究[D];扬州大学;2006年

10 任建辉;基于核的非线性特征抽取与人脸识别方法研究[D];南京理工大学;2009年

本文编号：2889743