高速道路交通视频中车辆目标提取研究

为了能够从监控视频中快速、准确地分析车辆目标,提出了基于感兴趣区域(ROI)的车辆目标提取方法。针对高速公路监控视频,利用混合高斯背景建模,在视频中划定ROI,以排除逆向车道车辆目标的影响,应用图像形态学进行干扰点排除与前景图像轮廓空洞填充,对运动车辆目标进行检测后,用最小矩形方框法自动截取目标,最终,通过图像尺度归一化建立车辆样本数据库,为车型分类和识别提供目标图像。实验结果表明:该方法对车辆目标提取准确率高,且图像数据库样本丰富。

基于卷积神经网络的车型识别方法研究

针对高速公路环境下的车型识别问题,利用深度学习Caffe框架中的Alex Net和传统方法支持向量机(SVM),分别对车辆图像进行网络训练与测试,得到两种车型识别方法的准确率并进行比较验证。实验结果表明:卷积神经网络的分类方法具有较高的车型识别精度,车型识别准确率高。

基于卷积神经网络的图像清晰度识别方法

传统方法在图像清晰度识别上主要通过提取图像特征进行识别和预测,由于图像特征的提取存在一定的复杂度,尤其是对高维图像和在复杂背景环境下的特征提取。针对这一问题提出基于深度学习下的卷积神经网络(CNN)识别方法,在Convolutional Architecture for Fast Feature Embedding(caffe)框架下利用Goog Le Net网络模型,将样本图像直接作为输入参数,通过卷积神经网络进行模型训练即可得到输出结果,从而省去提取复杂的特征。通过实验验证上述方法能够较为准确的识别出图像的清晰程度。提出的方法不用提取复杂的特征,所以在图像处理中有很高的应用价值。

基于图像特征的车脸栅格的定位方法

为了解决智能交通系统中车型识别的瓶颈,找到能够准确定位车标的方法,提出了在Adaboost算法定位出的车脸的基础上,对车脸图像进行二值化处理,经过二值化图像的水平梯度和垂直梯度的投影定位栅格的方法,为后续车标的识别提供了一种新的方法。经过实验验证:方法无论从理论上还是实际应用中,具有重要的意义。

有监督Kohonen网络的车型识别方法

车型识别已成为智能交通系统研究中的一个重要内容。根据同类车型尺寸特征如长、宽、高特征值都具有相似性特点,利用已有车型数据库,分别使用逆传播(BP)神经网络、支持向量机(SVM)网络、有监督Kohonen网络这三种神经网络分类方法对车型尺寸特征进行分类,得到三个车型识别准确率并进行比较验证。实验结果表明:有监督Kohonen网络的分类方法具有较高的车型识别精度,实验效果明显,车型识别准确率高。

一种多维特征融合的车辆对象同一性匹配方法

基于图像的车辆匹配是图像匹配在智能交通领域内的具体应用。为了实现车辆对象的快速匹配,文中提出一种多维特征融合的车辆对象同一性匹配方法。该方法分为两个阶段进行。第一阶段先对车辆对象进行初步筛选,提取车辆对象的颜色特征和车型进行快速匹配,计算特征向量的欧氏距离,排除最不可能相似的车辆对象;第二阶段根据摄像头物理条件及视频编码格式对车辆的局部特征、感知哈希特征进行加权多比较,进行车辆的同一性精细化匹配。这样第一阶段匹配完成后,第二阶段简化为只在车辆大类内匹配,缩小了匹配范围。实验结果表明,该方法能够有效缩小车辆匹配范围,匹配到最有可能和目标车辆是同一车辆的准确率较高。

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。