基于DDAG支持向量机的汽车车型识别

《基于DDAG支持向量机的汽车车型识别》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于DDAG支持向量机的汽车车型识别曹洁,白艳红（兰州理工大学电信工程与信息工程学院，甘肃兰州730050）摘要：文章应用DDAG支持向量机方法对汽车图像进行识别。首先采用背景差分方法提取运动汽车，然后用Otsu法进行阈值分割、基于边缘阴影检测方法消除阴影，最后提取运动汽车的RST不变特征，输入DDAG支持向量机进行训练和识别。实验表明，基于DDAG支持向量机的车型图像识别算法具有很好的性能。关键词：DDAG支持向量机；车型识别；RST不变特征中图分类号：TP391文献标识码：ARecognitioofvehicletypesbasedonDDAGSVMCaoJie,B

2、aiYanhong(CollegeofElectricsandInformationEngineering;LanzhouUniversityofTechnology;LanzhouGansu730050;China)Abstract:AmethodforrecognizingvehicleimagebasedontheDecisionDirectedAcyclicGraphSupportVectorMachine.First,backgroundsubtractiontheorywasadoptedtoextractmovingvehicle.Andthenthres

3、holdissegmentatebyOtsumethodandmovingshadowdetectionbasedonedgeinformation.Atlastextractingthefeaturevectorsoftheobject,thentrainingaSVMtoclassifyvehicle.AnexperimentshowedthatthealgorithmbasedonDDAGSVMhasbetterperformance.Keywords:DDAGSVM;vehiclerecognition;RSTinvariantfeatures引言计算机的目标识

4、别技术是目前国际上广为关注的热点和难点问题，本文将探讨运用图像处理技术来进行车辆图像识别。车型识别不但是不停车自动收费系统中的关键技术，在停车场的车辆管理，交通流量统计等多方面都有应用。[1][2]目前多数车型分类算法中都采用了神经网络作为分类器，它是以最小化经验风险取代最小化期望风险，即渐进理论。但这种取代只有当训练样本数趋于无穷时，最小化经验风险与最小化期望风险之间的偏差才能达到理论上的最小。然而在实际应用中，训练样本数趋于无穷这一前提条件往往是得不到满足的。此外，神经网络学习分类器目前也遇到了网络模型难以确定、容易出现过学习与欠学习以及局部最优等问题。[3]由Va

5、pnik等人发展的支持向量机（SVM）方法被看作是对传统学习分类方法的一个好的替代，特别在小样本、非线性情况下，具有较好的泛化性能。SVM方法建立在统计学习理论的VC维(Vapnik-ChervonenkisDimension)理论和结构风险最小化原理基础上，根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以获得最好的泛化能力。作为一种新的学习分类方法，SVM目前已经[4~6]在人脸识别、纹理分类等领域得到了成功的应用。本文对基于支持向量机的汽车图像识别算法做了研究。1．运动汽车检测与特征提取视频资料来自兰州市交警队，是指挥中心路口中午时段的监控视频，车辆较多

6、，路况相对复杂。基金项目：甘肃省自然基金项目，项目编号：No.0710RJZA060。作者简介：曹洁(1966—)，女，安徽省宿州人，教授。研究方向：智能交通，信息融合理论及应用；白艳红，硕士研究生。E-mail：youkibai@126.com1．1基于背景差分的运动汽车检测[7]1）采用Kalman滤波的方法进行背景预测。Kalman滤波预测背景是一种基于运动检测的多帧降噪方法，其原理是：当图像序列通过Kalman滤波器时，图像序列中随时间的缓变部分(背景)就可以从连续图像序列中分离出来。利用Kalman滤波器的记忆特性，对一定时间长度的视频图像信息进行加权平均从而

7、获得与实际背景图像近似的初始背景，同时达到了滤除颗粒噪声、消除摄像机抖动的目的，为下一步提取感兴趣的运动目标创造了有利条件，而且获得的初始背景的质量不依赖起始时间。图1中的（a）为原始视频中任一帧图像，（b）为利用Kalman滤波提取的背景图像。2）运动汽车分割。得到背景图像后，将当前帧图像与背景图像进行背景消除，所得差值图像中的像素灰度值如大于设定阈值，则判定为监视区域中的运动目标。其数学表达式为：O(k+)1i,(j)=Y(k+)1i,(j)−Yˆ(k+)1i,(j)⎧1ifOk+1i,(j)≥TIOk+1(i,j)=⎨(1)⎩0if