共查询到17条相似文献,搜索用时 187 毫秒
1.
2.
3.
车型识别是智能交通系统研究的关键技术之一,针对车型识别的过程中存在处理的信息量大,提取特征维数高,识别实时性较差等问题,设计了一种融入PCA的LBP特征降维车型识别算法。首先在视频序列中使用帧间差分法提取目标车辆;然后计算目标车辆的LBP特征并利用PCA方法将数据由像素维数降至训练数据维数,在增强识别算法对光线变化鲁棒性的同时,一定程度上降低了车型识别的计算量;最后利用最小距离分类器对目标车辆进行分类识别。实验结果表明,所设计的车型识别算法与常规PCA方法相比,所设计的算法在光照变化时识别准确率有所提高,算法的实时性得到了一定的提升。 相似文献
4.
针对车牌无法识别的车辆,研究了一种车脸定位及识别方法。该方法分为两个阶段:首先,使用Adaboost算法进行车脸定位,并利用经验矩形方法进行定位改进;其次,在定位出来的车脸区域提取SIFT(scale-invariant feature transform)和SURF(speeded up robust feature)局部不变性特征,利用这两种不变性特征的叠加及位置约束改进匹配算法,与标准车型数据库中的车脸特征进行匹配,根据匹配结果进行车脸识别,从而得到车辆类型。实验结果表明,该方法的正确识别率达到83.6%。交通卡口抓拍到的车辆照片基本是正前照,无法获取车身侧面信息分析其车型。针对车牌无法识别的车辆,通过车脸定位、特征提取,并与标准车型库中车脸进行对比,进而识别车脸,该识别车脸的方法为识别车型提供了一种新途径。 相似文献
5.
车辆车型识别技术在智能交通系统中至关重要,现有的车辆车型识别技术难以兼顾识别精度和识别速度。针对高速公路环境下的车型识别问题,提出了浅层特征层与宽度特征层相结合的分层式宽度模型实时进行车型识别。首先利用颜色空间转换和多通道HOG算法相结合,减少光照环境的影响,同时实现对车辆图像的特征提取,结合PCA降维技术,降低计算复杂度;然后对图像特征进行稀疏表示和非线性映射,减少图像特征之间的相关性;最后用岭回归学习算法对提取的样本特征进行训练,求出样本特征与样本标签之间的权重系数,实现对车辆车型的识别。在BIT-Vehicle车型数据库的实验结果表明,本文所提算法的识别精度为96.69%,识别速度高达70.3帧/s。本文算法在提高车型识别精度的同时保证了实时性,在识别精度和速度方面优于其他算法。 相似文献
6.
研究车辆车型种类的分类识别问题,提高车型分类的准确率。针对汽车车体型号分类多是根据提取车辆的高度、宽度等几何特征作为对车体型号判定的依据,当不同型号的车辆高度、宽度等特征相差不大的时候,单纯依靠车辆几何特征进行分类的方法容易出现特征混淆,造成分类准确性不高。为了解决上述问题,提出了一种神经网络算法的车型识别算法。通过提取车型特征作为训练样本,经过BP神经网络训练,多层细分,得到车体型号准确特征,避免了仅对体积特征提取的弊端。实验证明,改进识别算法实现简单,识别准确率高,取得了满意的效果。 相似文献
7.
8.
9.
针对外观尺寸相近,处于分类区间边缘的客车车型识别率不高的问题,提出通过识别车身限载数字字符进行车型分类的方法。由二值图结合字符的格式塔特征实现文字区域精定位,将分割出的数字字符使用神经网络进行识别,最终将识别的结果对应转换成相应客车类别以实现车型分类。将该算法在道口采集的三类、四类客车样本上进行实验,综合识别率为88.5%,相比基于外观几何特征的车型识别,识别率提高了将近10个百分点,且基于改进二值化算法(Psauvola)的字符识别相比使用其他二值化算法,识别率提升了一倍多。 相似文献
10.
针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题,提出基于多尺度双线性卷积神经网络(MS-B-CNN)的车型精细识别模型。首先,对双线性卷积神经网络(B-CNN)算法进行改进,提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合,以提高特征表达能力;此外,还采用基于中心损失函数与Softmax损失函数联合学习的策略,在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心,在训练过程中新增加样本时,网络会约束样本的分类中心距离,以提高多角度情况下的车型识别的能力。实验结果显示,该车型识别模型在CompCars数据集上的正确率达到了93.63%,验证了模型在多角度情况下的准确性和鲁棒性。 相似文献
11.
欲实现汽车监控和管理智能化,必须正确识别牌照字符,在识别过程中,关键是特征向量的提取,小波变换能有效地提取字符的结构特征,而矩能够很好的地其进行描述,该文提出了一种用线性矩和小波变换提取数字、字母字符特征的方法,实验证明该方法有很高的识别率,达到97%以上,能够有效地进行字符的分类,可满足实际应用。 相似文献
12.
13.
基于几何不变量的图像特征识别 总被引:6,自引:0,他引:6
图像的特征识别是图像处理和识别中的一个重要问题,几何不变量作为特征的特征值在很多领域已经得到了广泛的应用。实际中,普遍采用在仿射变换及射影变换下保持不变的仿射、射影不变量作为特征值。本文根据具体图像的特点,利用4类仿射和射影不变量构成特征的特征值空间,依据4步识别策略来识别图像中的特征点,从而完成识别任务。实验表明,这4类不变量能够较好地识别出实际图像中的特征。 相似文献
14.
15.
16.
17.
高级辅助驾驶装置采用机器视觉技术实时处理摄录的行车前方车辆视频,动态识别并预估其姿态和行为。针对该类识别算法精度低、延迟大的问题,提出一种基于长短期记忆(LSTM)的车辆行为动态识别深度学习算法。首先,提取车辆行为视频中的关键帧;其次,引入双卷积网络并行对关键帧的特征信息进行分析,再利用LSTM网络对提取出的特性信息进行序列建模;最后,通过输出的预测得分判断出车辆行为类别。实验结果表明,所提算法识别准确率可达95.6%,对于单个视频的识别时间只要1.72 s;基于自建数据集,改进的双卷积算法相比普通卷积网络在准确率上提高8.02%,与传统车辆行为识别算法相比准确率提高6.36%。 相似文献