基于交通视频图像处理的车型识别技术的研究

《基于交通视频图像处理的车型识别技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、工程硕士学位论文基于交通视频图像处理的车型识别技术的研究作者姓名易倩工程领域控制工程校内指导教师徐建闽教授校外指导教师王世明高级工程师所在学院自动化科学与工程论文提交日期2016年3月ResearchofVehicleRecognitionTechnologyBasedonTrafficVideoImageProcessingADissertationSubmittedfortheDegreeofMasterCandidate：YiQianSupervisor：Prof.XuJian-minSouthChi

2、naUniversityofTechnologyGuangzhou,China分类号：TP301学校代号：10561学号：201321013148华南理工大学硕士学位论文基于交通视频图像处理的车型识别技术的研究作者姓名：易倩指导教师姓名、职称：徐建闽教授申请学位级别：工程硕士工程领域名称：控制工程论文形式：□产品研发□工程设计■应用研究□工程/项目管理□调研报告研究方向：图像处理论文提交日期：2016年03月29日论文答辩日期：2016年03月19日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成

3、员：主席：刘伟铭委员：徐建闽、翁小雄、林培群、张孜华南理工大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：2016年03月29日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权

4、单位属华南理工大学。学校有权保存并向国家有关部门或机构送交论文的复印件和电子版，允许学位论文被查阅（除在保密期内的保密论文外）；学校可以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。本人电子文档的内容和纸质论文的内容相一致。本学位论文属于：□保密，在年解密后适用本授权书。□不保密,同意在校园网上发布，供校内师生和与学校有共享协议的单位浏览；同意将本人学位论文提交中国学术期刊(光盘版)电子杂志社全文出版和编入CNKI《中国知识资源总库》，传播学位论文的全部或部分内容。(

5、请在以上相应方框内打“√”)作者签名：日期：2016年03月29日指导教师签名：日期：2016年03月29日作者联系电话：13808865908电子邮箱：Yikooqian@163.com联系地址(含邮编)：广州市天河区五山路华南理工大学（510641）摘要如今国家大力发展智慧城市，使人们工作、学习和生活变得越来越智能化，交通作为人们日常生活的重要组成部分，急切地需要借助科技手段来帮助更好的管理和减少交通事故的发生。车辆是交通系统的主要元素，对车辆的管理能够很好地带动整个交通系统的管理，车型识别作为其中一个

6、重要的分支也拥有非常丰富的应用价值，它在各种交通管理系统中都有非常广泛的应用，然而由于车辆和交通场景的复杂性，车型的识别技术还未在实际中取得良好的效果和突破，因此本文就车型的识别问题展开了研究。运动车辆检测，考虑到复杂交通场景下多因素干扰的特点，以视频图像像素点为建模对象，给出了一种基于混合高斯算法的复杂交通场景下运动目标车辆检测模型，并通过选取多维模型描述目标背景以增加车辆检测模型的可靠性。同时针对车辆在运动过程中产生的运动阴影问题，给出了一种基于颜色空间转换的车辆运动阴影抑制方法，考虑到背景模型中的其他

7、微小干扰噪声，给出了一种基于图像最大连通域为原则的干扰噪声抑制方法，从而确保车辆提取的精确性与完整性，最后以广州市五山路的交通视频为实验数据验证了该方法的有效性。车辆特征提取，针对车辆灰度投影在水平、垂直方向上的分布特点，提出了一种车辆后视镜坐标定位方法，并根据车辆后视镜坐标给出了车辆脸部坐标定位方法，从而完成车脸分割。利用分割后的车脸，给出了一种基于结构森林的车脸边缘检测方法，同时提取车脸的HOG特征，并在两种特征的基础上实现特征拼接，最终以不同的特征实现车型识别。该算法对车型能够做出有效地识别，能够适应

8、各种车辆角度的变化，具有良好的鲁棒性。车型的分类，本文对提取的不同特征进行了进一步处理，基于PCA算法实现SE边缘检测和HOG特征的四种有效融合，给出了一种基于支持向量机分类器的车型分类方法。为了适应样本数据分布不均匀的情况，给出了一种综合AdaBoost迭代算法与SVM支持向量机的AdaBoost-SVM级联组合分类器，通过对样本的不断训练和迭代得到若干基分类器，加权组合成最终的强分类器，该分类器融合了两种算法