基于Adaboost算法和颜色特征的公交车辆视频检测

针对城市交通公交车辆视频检测问题,本文建立一种基于Adaboost算法和车窗颜色特征的公交车辆视频检测算法。首先采用前景检测方法寻找运动的车辆,这种方法是对经过滤波、膨胀的三帧差分法和经过滤波、阈值法去阴影、膨胀处理的混合高斯法这两种方法获取的前景进行"与"操作。并对前景检测算法中获取的运动车辆使用Adaboost算法和haar特征训练的分类器进行检测,将公交车辆和大客车车辆与其他小客车车辆进行分类。然后,考虑到公交车辆相对于大客车车辆,其车窗具有明显的用于标示公交线路等信息的特征颜色,采用canny算子边缘检测法,结合连通域处理进行车窗定位,将车窗区域转入HSV颜色空间,统计特征颜色像素占车窗总像素的比率,并与设定的阈值进行比较,若大于该阈值,则判断为公交车辆,否则为非公交车辆。在visual studio 2010和opencv测试平台上,对包含公交车辆的城市交通流视频进行实验,测试结果显示,本文的运动检测算法能较好地适应视频序列中的噪声,比单一的三帧差分或混合高斯法具有更高的鲁棒性,经测试大量包含公交车辆视频序列后获取的canny边缘检测及连通域阈值,能够让车窗定位的准确率达到95%以上,车窗特征颜色的识别算法能够有效、准确地区分公交车辆和大客车车辆,从而实现对公交车辆的检测和识别。     

一种融合表观与属性信息的车辆重识别方法

针对基于深度学习的车辆重识别模型缺乏提取车辆局部细节描述的能力,以及不同环境下同一车辆表观特征变化显著,增加车辆重识别的难度的问题,提出一种融合多尺度车辆表观和属性信息的重识别模型.充分利用车辆颜色和车型属性在不同环境下较为稳定且易判断的特性,将其融合到车辆表观特征中,获得强化提升的深度特征;另外使用交叉熵损失函数与Triplet损失函数构建多任务的目标优化函数对模型进行参数训练.该方法在VeRi-776车辆数据库上的实验结果表明:通过融合颜色和车型属性特征可以明显地提高车辆重识别的准确率,并可以取得优于其他大部分对比方法的性能.     

基于SqueezeNet卷积神经网络的车辆颜色识别

为实现车辆颜色的精准识别,辅助现有车牌识别方法在智能交通系统中完成对车辆身份的精确认证,通过分析现有解决方案和探究卷积神经网络在实际应用中的问题,提出基于轻量级卷积神经网络SqueezeNet实现对车辆颜色识别的方法。轻量级卷积神经网络SqueezeNet的参数量是AlexNet网络结构的1/50,同时还能保证精度,避免由于网络结构复杂、参数量大造成的大规模计算和较高的计算机硬件需求,提升了模型的可移植性。选取车辆颜色识别(Vehicle_Color_Recognition)数据集作为研究基础,针对数据集进行了扩充和增强处理。以SqueezeNet为基准探究了特征融合对分类结果的影响,通过对比试验确定将fire7/concat输出特征图和fire9/concat输出特征图相融合。研究结果表明:轻量级卷积神经网络SqueezeNet在保证模型大小2.9 M、单张测试时间15 ms的基础上,训练精度为96.28%,而AlexNet的模型大小为227 M、单张测试时间24 ms、训练精度为96.18%;在实现同等精度的前提下,轻量级卷积神经网络SqueezeNet训练得到的模型更适合移植到如现场可编程门列阵(FPGA)这种开发板上,同时在服务器上的处理速度也更快;融合后的模型最终的分类结果提升为96.48%。利用轻量级卷积神经网络SqueezeNet进行车辆颜色识别可以较好地应用在智能交通系统中,并在一定程度上解决目前车牌识别的难点。     

基于改进SIFT算法的汽车车型自动识别

SIFT即"尺度不变特征变换"图像匹配算法,多用于虹膜、指纹、人脸识别等,在车型识别中应用较少.另外,传统车型识别多根据车辆外形、车标来区分车辆类别(客车、越野车、三轮车)和车辆品牌,较难识别车辆的具体型号.针对这个问题,本文把SIFT算法应用于车型识别中,并结合SUSAN算子对其改进,通过对不同的车脸图像做标准化处理、构建尺度空间、提取特征点、匹配关键点等流程,完成了车辆品牌以及具体型号的识别.通过实验验证,该方法能有效识别车辆具体型号,在智能交通系统的研究中具有重要意义.     

关于高速公路收费系统车牌识别技术的研究

车牌识别是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息。从而确定车辆身份的技术。车牌识别分为车牌定位、字符分割、字符识别三大部分。车牌定位是一个难题：车牌区域在整幅图像中所占比例很小,车牌的颜色、大小、位置也不确定,并且定位算法要能够克服不同光照和复杂背景的影响,还要兼顾准确性和实时性,因此快速准确的定位车牌是比较困难的。本文通过车牌的纹理和颜色特征采用粗定位和细定位相结合的方法进行识别。     

基于应变信号时频分析与 CNN网络的车辆荷载识别方法

针对现有神经网络车辆荷载识别方法的识别精度不足且训练样本采集困难的问题,提出了一种基于应变信号时频分析与CNN网络的车辆荷载识别方法,对移动车辆总重进行荷载识别.首先,利用连续小波时频变换方法处理桥梁跨中应变信号,得到应变信号的时频特征,并利用双线性插值算法将时频信号矩阵变为大小为64×64的数值矩阵,作为CNN网络的输入数据;其次,利用CNN网络的回归学习算法,在训练少量数值矩阵后直接建立应变响应与车辆荷载的映射关系,从而实现对未知车辆荷载的识别;最后,通过模拟试验发现虽然在不同路面粗糙度和噪声影响下,CNN网络的荷载识别结果会受到不同程度的影响,但在一定范围内的路面粗糙度和噪声影响下仍然能较精确地识别车辆荷载.     

基于SqueezeNet和YOLOv2的交通违法证据评价

针对交通监控反向抓拍交通违法图像预判率高的问题,提出了一种基于迁移学习的多尺度交通违法证据评价方法.构建了以SqueezeNet为特征提取层、YOLOv2为目标检测层融合高分辨率细粒度特征的检测网络.通过卷积神经网络算法训练该模型学习抓拍车辆图像特征,识别图像中唯一交通违法车辆,再次训练识别驾驶员所在中心区域.在保证特...     

一种基于特征检测的机器人足球检测识别方法

针对足球机器人目标识别的实际特点,以智能足球机器人为研究对象,提出了一种基于足球颜色、面积匹配模板和边缘特征相结合的足球检测方法。此方法首先利用颜色特征信息对图像中颜色相似度进行计算来完成足球的颜色识别。然后,通过分析计算足球在全景摄像头中处于不同位置所成的图像像素尺寸与场地中所处位置距离之间关系,建立了足球识别的面积匹配模板,根据该模板可以计算出在图像中处于不同距离的足球轮廓面积。在此基础上,结合足球边缘特征进一步完成对足球的识别。实验表明该方法能够有效地提高足球识别的效率和准确性,并具有较好的实时性;同时对其他目标物的识别也具有一定的借鉴意义。     

从正面车辆图像中识别车型的中层特征表示方法

为有效识别正面车辆图像中的车辆类型,提出了一种车辆中层特征表示方法. 该方法以SIFT特征为底层特征,建立两类中层特征:结构特征分布和表观特征分布. 结构特征分布是对SIFT特征在图像中位置信息的统计,描述车辆不同部分之间的相对位置关系,在不同类车辆之间以及车辆与背景之间具有较强的判别力;表观特征分布是对SIFT特征本身的统计,描述车辆的局部表观信息,对光照变化和背景干扰十分鲁棒. 利用多核学习方法融合两类中层特征,进而识别车辆类型. 实验结果表明,该方法在光照变化和有背景干扰等复杂情况下表现出良好的车型识别性能.      

基于色彩空间和深度残差网络ResNet-50的复杂岩性油气藏岩石样本智能分类及识别

岩石样本的分类识别是油气和矿产资源勘探中的重要环节。目前,仍然以人工识别的实验方法作为主要方法,普遍存在主观性强、周期长、成本高等典型问题。机器学习的分类算法在图像分类领域已经得到广泛应用,然而由于岩石样本图像具有明显的差异性特征,甚至同类岩石样本图像也具有一定的色差,直接应用现成智能算法进行分类,验证集的准确度仅为85%左右。所以,基于色彩空间下岩石样本图像的颜色特征曲线,提出了一种基于颜色类别和深度残差网络ResNet-50的智能分类及识别方法。首先,以7种不同岩性的岩石图像为样本,提取样本的RGB颜色特征,应用无监督K-means聚类算法,按颜色分为3个大类,再通过有监督精细K-近邻(K-nearest neighbor, KNN)算法对颜色类别进行验证,平均分类精度为99%。然后,对于不同颜色类别下的岩石样本,利用深度残差网络ResNet-50进行分类识别。结果表明,不同颜色类别的岩石样本平均训练精度为93.15%,验证精度为88.21%,可以作为岩石样本分类的有效方法。