基于贝叶斯网络的车辆定位冗余信息过滤方法研究

随着中国人民生活水平的不断提高，汽车的保有量也在逐年上升，而交通事故率也随之上升。及时定位目标车辆将有助于快速处理交通事故。为解决车辆定位过程中因外界干扰导致定位效果差的问题，本研究结合形态规则和机器学习方法，提出基于贝叶斯网络的车辆定位信息冗余过滤方法。首先获取卫星图像，并分析车辆特性，在特征空间内寻找最近的样本对象。然后用线性分类器对车辆图像进行分类，将独立性信息融入贝叶斯网络模型中。最后，利用K-L特征压缩器来去除冗余数据。试验结果表明，图像上冗余车辆矩形框的遮盖率达98%，仅剩与试验车辆图像规则相关或相似的图像，证明该方法的过滤效果优秀，可满足现实需求。