基于自適應推進算法的多視角機動車檢測技術.pdf

1、機動車檢測是模式識別、圖像處理和計算機視覺領域中比較重要的研究課題,在視頻監(jiān)控技術、內容的圖像與視頻檢索、機動車輛識別以及人工智能等都有著十分廣泛的應用前景和實用價值。
　　 機動車檢測(即車輛檢測),指對于給定的任意一幅圖像,采用一定的算法和策略對其進行搜索判斷其中是否存在車輛,若存在則返回車輛的位置、大小和姿態(tài)等。由于在現(xiàn)實生活中車輛經(jīng)常以不同視角出現(xiàn)在視頻圖像中,為了實現(xiàn)檢測方法的魯棒性,就需要考慮車輛在各種復雜的背景中、

2、不同方向、角度、尺度等情況下所展現(xiàn)出來的不同表象,即進行多視角檢測。本文的主要工作如下:
　　 (1)在特征提取與檢測方面,為提高特征的計算速度,采用Harr-like特征表示圖像,并引入“積分圖”的概念；同時,為提高檢測速度,采用自適應推進算法來選擇特征組成強分類器,并采用“Cascade”策略進行檢測。自適應推進算法是Viola等人提出的一種在人臉檢測中應用的技術,在取得較好檢測性能的同時,實現(xiàn)人臉的實時檢測,已基本達到實時

3、效果,可用于多視角的車輛檢測及實際應用。
　　 (2)在多視角的車輛檢測器構造方面,本文采用基于Haar-Like特征和自適應推進算法相結合來構造各個視角的車輛檢測器,并在訓練各個視角的車輛檢測器中采用Cascade方法將強分類器級聯(lián)構成各個視角的最終分類器,最后在檢測階段引入視角估計進行五個不同視角的預估計,綜合檢測結果,得出實驗結果。
　　 (3)在增加訓練樣本方面,為解決訓練樣本不足時的情況,本文引入增加訓練樣本機

4、制。通過在一幅正樣本圖像上應用扭曲操作,產(chǎn)生數(shù)張訓練樣本,再將此過程迭代,得到上千張訓練樣本,解決了訓練樣本不足的問題,實驗結果表明增加訓練樣本可以提高檢測效果。
　　 本文通過采用Haar-Like特征表示圖像,和采用自適應推進算法構建強分類器,并采用Cascade方法級聯(lián)分類器,最后在檢測階段引入視角估計進行檢測并得出檢測結果。實驗結果表明,采用基于Haar-Like特征和自適應推進算法能解決機動車多視角的問題,并達到檢測的