论文部分内容阅读
智能交通系统(ITS)是智能视频监控系统在现代交通领域的重要应用，代表着未来交通管理的发展趋势，其中基于视频的车辆检测是ITS的一项关键内容，在ITS中起着决定性的作用。通常将基于视频的车辆检测视为一个分类问题，其关键步骤涉及样本集的构建、特征提取及分类器训练等部分。本文对车辆检测技术的研究现状进行总结与分析，在此基础上，在训练样本集构建、特征描述、分类器模型训练性能的改善等方面对车辆检测关键技术进行研究。论文工作及主要贡献如下:(l)基于多尺度样本的训练样本集构建首先对样本集提取HOG特征，然后用boosting方法训练SVM分类器。通过三级boosting得到大量的优质样本集，使最后得到的SVM分类器能够准确的区别目标与非目标。为了解决传统的样本集构建方法训练得到的分类器误判率高的问题，本文提出了多尺度训练样本集构建方法，引入与测试策略相同的多个尺度的训练样本，降低了分类器的误判率，使静态图片中目标检测的误判窗口数目大大降低。(2)基于MbSBP特征提取的样本描述为了较为完整描述目标的纹理及结构信息，提出了一种基于中值滤波的星形二值模型（MbSBP：MedianfilterbasedStarBinaryPattern）特征。用LBP特征、HOG特征、MbSBP特征分别训练了SVM分类器。基于SVM分类器的车辆检测实验表明：相对于LBP直方图及HOG特征的目标描述，MbSBP特征可显著改善分类器的检测性能。(3)基于SC-Adaboost模型的分类器基于AdaBoost级联分类器的目标检测，具有检测精度高、检测速度快的特点，但当训练样本数目多、样本描述的特征维数高时,分类器的训练过程将会异常缓慢。为有效降低分类器的训练时间，本文从有效限制弱分类器训练样本规模的角度，提出了一种改进的boosting分类器训练模型，即：基于SC-AdaBoost的分类器。行人检测与车辆检测两组实验表明SC-Adaboost算法在不降低分类器的目标检测性能的前提下可以有效地降低训练时间。(4)基于固定摄像头的视频车辆检测将背景减除与(2)、(3)工作相结合，在此基础上设计了一个基于视频的车辆检测框架，实验表明该框架可以较好的检测视频中的运动车辆。