基于HOG特征提取的車(chē)輛檢測(cè)方法研究.pdf

1、近年來(lái)，隨著我國(guó)經(jīng)濟(jì)實(shí)力的提升，汽車(chē)制造業(yè)飛速發(fā)展。越來(lái)越多的汽車(chē)使得道路交通的正常運(yùn)行變得越發(fā)艱難，交通事故頻發(fā)。為了改善當(dāng)下的交通環(huán)境，智能交通系統(tǒng)備受人們青睞。車(chē)輛檢測(cè)作為智能交通的重要部分，已經(jīng)變成了當(dāng)下研究的熱點(diǎn)。
　　本文深入研究了基于特征提取的車(chē)輛檢測(cè)方法。從特征提取、分類(lèi)器分類(lèi)兩方面入手。常用特征有HOG特征、SIFT特征、Haar特征、Harris特征等；常用分類(lèi)器有SVM分類(lèi)器、 Adaboost分類(lèi)器等。傳統(tǒng)

2、車(chē)輛檢測(cè)方法誤檢率較高，復(fù)雜環(huán)境下檢測(cè)率較低，無(wú)法滿足實(shí)際檢測(cè)要求，需要進(jìn)行改進(jìn)。
　　為了克服HOG特征描述力不足的缺點(diǎn)，將關(guān)鍵通道、放大系數(shù)引入到傳統(tǒng)HOG特征提取方法中。首先，利用樣本集圖片的平均梯度差值提取車(chē)輛圖片的關(guān)鍵通道，其次，利用放大系數(shù)放大HOG特征的關(guān)鍵通道，最終得到了局部放大的HOG特征。為了增強(qiáng)特征對(duì)車(chē)輛紋理信息的表達(dá)，在局部放大的HOG特征基礎(chǔ)上，融合LBP特征，融合特征的描述能力更強(qiáng)。能夠提高檢測(cè)率，降低