海量圖像背景下的特定車輛目標(biāo)檢測(cè).pdf

1、隨著中國(guó)交通事業(yè)的迅猛發(fā)展，與日俱增的海量交通視頻圖像數(shù)據(jù)為圖像處理領(lǐng)域帶來(lái)了巨大的挑戰(zhàn)，如何對(duì)這些海量圖像進(jìn)行有效的存儲(chǔ)和處理成為目前國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)問(wèn)題。縱觀國(guó)內(nèi)外對(duì)于海量圖像處理以及車輛目標(biāo)檢測(cè)的研究方式方法，大部分是通過(guò)使用已有的云平臺(tái)，實(shí)現(xiàn)傳統(tǒng)的圖像特征提取方法，并直接與待檢測(cè)車輛圖像進(jìn)行計(jì)算或匹配，但不足的是從海量圖像中提取出來(lái)的特征維數(shù)之高、數(shù)量之多不但造成了大量的冗余信息，而且會(huì)產(chǎn)生很大的計(jì)算量，最終會(huì)影響車輛檢測(cè)的

2、精度和效率。
　　針對(duì)上述問(wèn)題，本文研究了海量圖像背景下的特定車輛目標(biāo)檢測(cè)的方法，主要研究目的在于更加高效的從海量圖像中檢測(cè)出特定車輛目標(biāo)，且提高車輛目標(biāo)檢測(cè)的精度，從而使得交通管理和城市發(fā)展變得更加智能化、高效化。論文的主要研究?jī)?nèi)容包括:
　　1、為了能夠提高最終特定車輛目標(biāo)的檢測(cè)精度及效率，本文研究了基于Hadoop的海量圖像綜合特征的提取方法，根據(jù)車輛目標(biāo)的特點(diǎn)，在并行架構(gòu)中多方面、全方位的對(duì)海量圖像中車輛目標(biāo)進(jìn)行特征

3、的提取和描述。并根據(jù)人眼視覺(jué)研究出人眼視覺(jué)主觀特征模型，包括使用Harris角點(diǎn)檢測(cè)提取出目標(biāo)區(qū)域、車輛主觀比例特征、車身主觀全局特征、車燈主觀幾何特征以及輪胎的主觀紋理方向特征;本文還考慮了車輛目標(biāo)的客觀特征即SIFT特征，并使用Harris角點(diǎn)算子對(duì)其進(jìn)行特征點(diǎn)的篩選。上述兩種特征構(gòu)成了本文提取的車輛目標(biāo)綜合特征。
　　2、為了能夠提高最終特定車輛目標(biāo)的檢測(cè)效率，本文主要針對(duì)提取出來(lái)的高維SIFT特征進(jìn)行降維映射處理，根據(jù)PC

4、A算法善于發(fā)現(xiàn)高維數(shù)據(jù)中的線性結(jié)構(gòu)而LLE算法善于發(fā)現(xiàn)非線性流形結(jié)構(gòu)的特性，將PCA融入LLE中進(jìn)行過(guò)渡，即局部PCA過(guò)渡非線性降維算法，該方法不僅消除了原始高維特征數(shù)據(jù)中的冗余和無(wú)關(guān)信息，還節(jié)省了大量不必要的存儲(chǔ)空間。
　　3、針對(duì)特定車輛目標(biāo)檢測(cè)方法的研究，本文對(duì)降維后的海量特征進(jìn)行聚類分析，將蜂群算法與聚類模型相結(jié)合，并受到團(tuán)隊(duì)管理學(xué)的啟發(fā)，將蜂群聚類算法中蜜蜂采蜜的方式和團(tuán)隊(duì)管理中成員的工作方式的優(yōu)劣勢(shì)相互彌補(bǔ)，形成了本文

5、的團(tuán)隊(duì)管理模式下的并行化智能蜂群聚類。綜合考慮距離測(cè)度、角度測(cè)度、匹配測(cè)度以及結(jié)構(gòu)測(cè)度，重新構(gòu)造了相似度測(cè)量函數(shù)，通過(guò)計(jì)算待檢測(cè)的特定車輛目標(biāo)與海量車輛圖像的相似度測(cè)量函數(shù)值的大小，來(lái)判斷相似程度，從而達(dá)到特定車輛目標(biāo)檢測(cè)的目的。
　　仿真實(shí)驗(yàn)結(jié)果表明，本文海量圖像背景下的特定車輛目標(biāo)的檢測(cè)方法具有良好的適用性，經(jīng)過(guò)篩選的特征提取方法、改進(jìn)的降維映射算法以及團(tuán)隊(duì)管理模式下的智能聚類分析等相比于傳統(tǒng)的算法都分別提高了檢測(cè)效率和檢測(cè)精