作者：赵池航
出版社：东南大学出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
交通信息感知理论与方法试读：
前言
随着国民经济的快速增长，交通运输事业在我国国民经济和居民生活中的地位也逐步提高，人—车—路信息感知技术的研究已经成为智能交通系统中最重要的研究课题。计算机图像处理技术、通信与网络传输技术及电子技术的发展使得交通的智能化及现代化管理和控制成为可能，通过建立交通智能管理和控制体系，综合管理及控制人、车和路等交通参与体，对于提高交通运输效率和效益，保证交通安全，促进可持续发展具有十分重要的作用。全球范围内每年度的关于交通事故的统计报告表明，大量交通事故是由人为因素引起的，自动理解和识别驾驶员疲劳及异常行为可有效地降低由人为引起的交通事故率；车辆区域检测及定位是智能交通系统中车辆实时追踪、车辆类型识别及分类等应用领域的基础；而车辆类型识别技术能够在套牌车辆自动识别、交通监控场景车型自动统计分析等领域发挥重要作用；公路路面破损严重影响了道路交通的安全性和舒适性，基于线阵图像的路面破损检测及识别能够快速准确地进行公路路况的评价。本书共6章，分上、下两篇，上篇用中文撰写，下篇用英文撰写，主要的研究工作包括如下几个方面：
第一章主要论述了国内外交通环境中车辆与路面信息感知技术的研究现状及趋势。
第二章主要研究了静态图像中车辆区域定位技术及车辆品牌识别技术。首先，提出了一种基于车辆轮廓对称特征和车牌对称特征的两种特征融合的车辆检测方法，并与基于车辆边缘、车牌、车辆纹理特征和车辆图像Gabor特征等5种检测方法进行了对比分析，通过实验验证了所提出的基于对称特征融合车辆区域检测方法的有效性；其次，提出了一种采用两种不同的特征融合互补形成新的特征以进一步提高识别率的方法，并对特征进行主成分分析（PCA）以实现数据降维，在保持分类性能的同时提高了分类效率，通过实验验证了所提出的算法的有效性；最后，本文提出了一种带有“拒识”功能的高可靠性级联集成分类器方法，级联集成分类器的第一级包含朴素贝叶斯分类器、k-近邻、多层神经网络和支持向量机，通过将被第一级“拒识”的样本送入第二级集成分类器进行识别提升可靠性，第二级集成分类器是使用多层神经网络作为基分类器并结合旋转森林的元学习方法实现，通过对18种类型车辆超过4000张输入样本的测试实验验证了本文方法的有效性。
第三章基于线阵CCD路面图像，研究了路面破损的检测及分类方法。首先，针对路面破损图像中破损像素较正常路面像素灰度较低这一基本特征，对比分析了领域灰度差分法、局部灰度最小分析法和分块标记法的优势和弱点，基于级联分类器的思想，提出了用于路面破损检测的联合检测器，理论分析和实验结果表明联合检测器的性能优于领域灰度差分法、局部灰度最小分析法和分块标记法，其检测率达到96.7%；其次，研究了路面破损图像的特征提取及分类方法，提出将Contourlet变换用于路面破损特征提取，并对比分析了Contourlet变换、边缘方向直方图、方向梯度直方图和分层梯度方向直方图四种特征提取方法，基于构建的东南大学路面破损图像数据库，采用支持向量机（Support Vector Machines, SVMs）分类器对提取的4种特征进行了对比实验，实验结果表明Contourlet特征提取方法优于其他3种方法；最后，提出了一种基于联合特征及随机子空间交叉内核支持向量机分类器集成的路面破损自动化分类方法，研究了图像联合特征的融合策略，利用串行融合策略构造了路面破损图像的Contourlet变换和EOH联合特征，并基于分类器集成的构造原则实现了交叉内核支持向量机分类器的集成方案，采用东南大学路面图像数据库进行了实验，实验结果表明Contourlet变换和EOH联合特征及随机子空间交叉内核支持向量机分类器集成优于单一Contoulet变换特征和EOH特征。
第四章主要论述了国内外交通场景中驾驶人疲劳和异常姿态信息感知技术的研究现状及趋势。
第五章研究了基于Curvelet变换的驾驶人疲劳等级感知技术。首先，构建了东南大学驾驶人疲劳等级数据库；其次，提出将Curvelet变换应用于驾驶人疲劳特征提取，并采用支持向量机作为分类器，与线性神经网络、k-近邻、多层神经网络和Parzen进行了对比实验，实验结果证明了所提出方法的有效性。
第六章研究了基于Nonsubsampled Contourlet变换的驾驶人异常行为感知技术。首先，构建了东南大学驾驶人姿态数据库；其次，提出将Nonsubsampled Contourlet变换用于驾驶人姿态特征提取，并采用k-近邻作为分类器，与加性交叉核向量机、多层神经网络和Parzen分类器进行了对比实验，实验结果证明了所提出方法的有效性。作者2014年6月上篇车辆及路面信息感知第一章国内外的发展及研究现状
随着国民经济的快速增长，我国的道路交通运输事业在国民经济和居民生活中的地位也开始逐步的提升，计算机图像处理技术、通信与网络传输技术及电子技术的发展使得交通的智能化及现代化管理和控制成为可能，通过建立交通智能管理和控制体系，综合管理及控制人、车和路等交通参与体，对于提高交通运输效率和效益，保证交通安全，促进可持续发展具有十分重要的作用，已经引起世界许多国家的广泛重视。
将车辆检测应用于交通流量监控及统计分析、车辆自主导航和驾驶辅助系统等方面，对于提高车辆驾驶的安全性，实时发布交通流量信息诱导交通等具有重要的作用。为有效地实现路面破损的智能化检测，许多研究机构及学者对路面破损的自动检测技术进行了积极的探索和实验，相继提出了利用超声波、激光和数字图像处理技术实现对路面破损的检测识别。而目前应用最广泛的是基于数字图像处理技术的路面破损检测，该技术的应用是通过采集路面图像，对图像进行处理检测，识别到路面破损并实现路面破损的自动检测和分类。该技术在缓解劳动力的同时，也排除了人的主观因素的干扰，能够快速准确地进行公路路况的评价，但其检测识别的结果很大程度上取决于图像处理算法的选择，因此研究合适的图像处理算法对实现高精度的路面破损检测及自动化的路面破损识别分类具有重要意义。1.1 车辆信息感知的研究现状
已经广泛应用于车辆检测的设施设备有磁感线圈、超声波、红外线及监控相机等。基于视频图像的车辆检测及分析是计算机视觉应用的一个分支，它通过结合图像处理及模式识别技术实现目标的自动检测及分析。通过监控相机和电脑模拟人眼的功能实现人工智能，使得视频图像检测技术日益成为交通监控系统中最具优势和最有发展潜力的检测方法。基于视频图像的车辆检测技术通过监控相机获得实时交通视频信息，结合图像处理原理和模式识别方法对图像进行实时处理和分析，计算得到交通流量、占有率、平均车速、排队长度等交通参数，并对车辆逆行、慢速、超速和交通阻塞等交通行为进行分析，并自动统计以及记录相关数据。综合交通参数及交通事件等重要信息，可对交通状态进行估计和预测，及时发布诱导信息或通过交警进行调控，从而保障交通正常安全运行。
目前车辆识别的研究大多局限于将牌照作为车辆的唯一身份特征，对于两种不同品牌及型号的车辆具有相同牌照（即盗牌）的问题，车牌识别系统无法辨识真伪。车辆品牌和型号识别在通道控制系统（ACS）中尤为重要，如停车场、大楼和限制区域通过识别车型限制假牌车辆进入。车型识别在交通管理领域同样发挥重要作用，如自动收费系统对不同类型车辆进行自动计费等功能。基于视频图像的车辆品牌及型号识别技术作为ITS中的一个重要分支，在打击盗窃车辆、规范交通秩序、大型停车场管理、高速公路自动计费和交通流量统计等方面具有广阔的应用前景。车辆类型识别的目的是向交通管理指挥中心报告通过通道闸口的车辆的类型、牌号、载重等参数，统计车流量、自动记录及结算通行车辆的费用等。由于视频图像中包含的信息内容丰富，因此，基于视频图像而进行的车型识别技术相较于其他监测技术而言更具有应用优势。通过视频图像手段提取到车辆前脸信息（包括车标、车牌、车灯及栅栏等信息），使用相应特征提取方法如多小波变换得到车辆前脸特征，与人脸识别类似，车辆前脸可以作为车辆的识别标准，该方法在监控套牌车辆应用中具有较大前景。1.1.1 车辆区域检测方法研究现状
车辆区域检测及定位是车型分类的基础，国内外学者近年来相继提出了多种车辆检测方法，对于一幅在交通路口或路段相机获取的车辆图片，检测及定位车辆区域的难点在于区分路面、阴影、天空等背[1]景及其他杂乱的噪声。Sun等将车辆分割方法分为基于先验知识的方法、基于立体的方法和基于运动的方法三类，其中第一种方法只需要单幅图片，后两种方法需要多幅图片或视频序列。如果对多幅图片[2,3]和视频进行分析，可以使用背景差法进行车辆检测，虽然背景差法比较方便，但它对光照条件，摄像机颤动及阴影等问题非常敏感，如果有少许的光照或相机位置的变动就要重新获取背景。
目前使用图像先验特征进行车辆检测的研究有很多，国内外研究机构和学者相继开展了车辆检测方法的研究，车辆的先验特征包括对称、颜色、阴影、几何（如角点，边缘）、纹理及车灯等特征，如[4]Gao等根据车尾灯为红色特点寻找车尾部红色区域并通过检测红色尾灯的对称轴定位车辆，其检测结果表明该方法在定位夜间车辆位置[5]时效果显著；Guo等通过提取车辆周围物体颜色特征构建颜色模型[6]以排除不真实或偏斜颜色；Techawatcharapaikul等使用颞边缘密度区分运动车辆区域及其阴影区域，该方法能有效检测简单交通场景中车辆并进行阴影区域提取，但当交通场景复杂和车辆及其阴影区域较[7]小时错误率较高；Johansson等使用颜色圆柱体将车辆图像前景分为阴影和高亮区域，该方法能够在光照强度足够时进行车辆检测和追[8]踪；Cucchiaral等通过检测夜间车辆车头灯定位车辆区域，但该方法易受地面反射物或车本身反射的影响。综上所述，车辆颜色、阴影及车灯特征对光照及背景变化比较敏感，存在阴雨天没有阴影、光照较强时颜色特征不明显及车灯主要用于夜间车辆检测等问题。
车辆区域特征提取及识别提供了一种有效的车辆检测方法。[11]Kim提取车辆图像灰度共生矩阵特征并使用支持向量机进行（SVM）车辆区域验证，根据Kim的分析，使用图像灰度共生矩阵[12]（GLCM）作为纹理特征准确度较高；Kalinke 使用图像熵特征，图像熵特征能够有效描述感兴趣区域（ROI）内纹理特征，但检测精确[13]度不如图像灰度共生矩阵特征；Wu 提取车辆区域小波变换特征并[14]使用主成分分析（PCA）进行车辆识别；Sun 使用Gabor变换提取图像Gabor特征并且使用SVM分类器与神经网络分类器进行分类，[14]Sun的实验结果显示使用Gabor特征及SVM识别效果较好。[15]
关于车辆对称特征的研究，Zielke等提出了使用基于图像亮度对称的车辆中心线的检测方法，该方法能够从背景中分割出车辆区[16]域，但存在图像亮度对光照变化敏感的问题；Du等提出使用车辆轮廓对称特征检测对称轴，令扫描线上每对像素“投票选取”对称轴，最后将得票最高的位置作为车辆对称轴，但由于该方法是对整幅[17]图像进行计算，对称轴检测易受交通标志及道路边缘影响；Bin等使用对称算子同时检测车辆竖直对称轴及车辆竖直边缘，该方法需要计算不同子窗口对称轴以满足车辆定位要求，这种方法时间复杂度过[18]高；Teoh提出了通过计算不同窗口中水平扫描线上的对称值，并对对称值进行聚类分析以消除道路标志及建筑物的影响的方法，但这种方法对存在竖直对称特征的较大尺寸物体（如交通标志牌）比较敏感。[19]
不仅限于车辆区域检测，在目标识别研究领域，Viola和Jones 提出了使用Haar特征结合Adaboost分类器进行人脸检测，他们提出使用积分图像快速计算Haar特征，极大地提高了训练速度和检测效[20]率，并提出了分类器的级联方式以提高检测速度；Dalal提出了使用HOG特征进行行人检测，研究表明，HOG特征在特征描述方面具有卓越的性能，能够刻画目标局部边缘细节信息，使之能够推广到多[21]种目标检测的应用；Chun-Hao Chang将HOG特征与Gentle Adaboost结合用于多视角车辆检测并获得了较好的检测效率及检测速度。
鉴于车辆对称轴易受路面上其他类对称物体如树木，路面标线等的影响，本文提出了一种基于车辆轮廓对称特征和车牌对称特征的特征融合方法，该方法首先检测车辆轮廓竖直对称轴，以车辆竖直对称轴为基准检测车牌水平和竖直对称轴，然后根据车牌对称轴定位车辆，这种方法能够有效消除噪声对车辆轮廓竖直对称轴检测的影响。同时，本文通过实验对比分析了基于边缘、车牌定位、纹理特征及Gabor特征等车辆检测方法的检测效率和时间复杂度。1.1.2 车辆品牌及型号识别研究现状
目前有很多基于计算机视觉的车辆分类的研究，但是这些分类技术仅仅局限于区分不同类型的车辆，如小汽车、公交车和卡车等。近年来，有效识别车辆信息需求的增加，使得对识别车辆品牌和型号的技术研究显得日益迫切。目前商业上的车辆识别主要是对车牌进行识别，但根据警察和媒体的报告称，目前道路上存在的很多假牌及套牌车辆严重影响了公共安全。对车型进行识别可以提升通道控制系统（ACS）的可靠性，例如将自动车牌号码识别和车辆品牌及型号识别相结合，自动识别车辆的视觉信息（包括车辆品牌、型号和颜色信息等）。
车辆品牌及型号识别是一项比较新的技术。该技术的基本思路是提取车辆图像的合适特征，之后根据车辆特征进行车辆品牌和型号的识别。许多关于车辆分类的研究是基于车辆结构3D可变模板的车辆[22]笼统分类（将车辆分为小汽车、公交车和大卡车等）, Ferryman使用主成分分析（PCA）描述人工抽样几何数据表征车辆3D结构可变模板。将该模板与车辆图像进行匹配恢复车辆位置及结构后可进行不[23]同类型车辆分类。Wei等对可变模板匹配进行了更深入的研究，他们使用多层神经网络实现基于模板的车辆分类。
目前与车辆品牌及型号识别直接相关的论文还比较少。[24,25]Petrivic提出了一种根据图像梯度特征的车辆识别技术，包括引入直接梯度描述及统计映射等多种特征描述方法来描述车前脸感兴趣区域（ROI）特征，获得车前脸特征后使用最近距离分类法进行车辆[26]识别。Munroe和Madden采用机器学习分类技术进行车辆品牌和型号识别，首先使用腐蚀操作及Canny边缘检测算子提取特征向量，之后使用不同的机器学习分类器进行车辆品牌和型号的识别。[27][28][29]Dlagnekov和Zafar等使用尺度不变特征变换（SIFT）研究车辆品牌和型号识别问题，首先识别车辆图像中感兴趣点之后进行图像匹[28]配。Zafar等通过将SIFT关键点检测限制于查询图像并选取具有最大似然估计面积的候选图像点的尺度不变特征转换（SIFT）描述子[27][30]进行匹配。作为对Dlagnekov工作的延伸，Anthony用能够表征轮廓线的特征代替尺度不变特征转换（SIFT）特征，首先提取车辆后部图像边缘，然后通过使用条形直线检测算法将边缘延展至直线[31]段，最后进行图像匹配以实现车辆识别。Zafar等提出了使用二维[32]线性统计判别分析（2DLDA）进行车辆品牌和型号识别，2DLDA可以最大化不同类之间的分散度与同类之间分散度的比例，这种方法[33]显著优于之前提出的基于主成分分析（PCA）的方法。Kazemi等对比分析了快速傅里叶变换（FFT）特征、离散小波变换特征[34]（DWT）和离散Curvelet变换特征进行车辆识别。Rahti等以图像[34]Cont-ourlet变换特征替换Curvelet变换进行车辆识别，作为对Rahti[35]方法的延伸，Zafar将限定子带内Contourlet特征作为车辆特征进行[36]识别。Negri使用面向轮廓点的选举算法进行不同种类车辆识别，[37]这种方法在交通拥堵情况下尤为有效。Zhang将PHOG特征和Gabor变换用于车辆特征描述，并使用随机森林（Random Forest）及旋转森林（Rotation Forest）进行分类器集成，同时赋予分类器“拒识”功能，提高了分类可靠性。
国内相关研究人员也进行了车型识别技术的研究，如将车辆按尺[38][39]寸及外形进行分类，杨文强和季晨光通过对车辆进行边缘提取获取车辆外形几何特征以此来进行车辆分类。也有学者主要专注于对[40]车前脸每个部分特征提取的研究，如王枚首先分割出车灯区域，然后使用图像的不变矩距离分类器在车标确定的车系中进行车灯识[41]别。姚源将车前脸分割成大灯、散热器栅栏等区域，并分别描述[42]其形状特征，车辆前脸外形特征可以作为车型识别的基础。马蓓提取了车前脸图像灰度共生矩阵特征（GLCM）并使用最小距离分类[43][44]器进行车型识别。何得平和赵英男通过将车辆进行Gabor滤波获取车辆Gabor特征识别车型大小。
纵观目前关于车辆品牌及型号识别的研究发展进度，设计出能够有效及实时识别车型的系统仍是一项富于挑战性的工作。车型识别问题可被当作一个多值分类问题来处理，在模式分类中又有两个重要问题需要解决，即特征描述和分类器设计。一个合适的车辆特征描述子应当能够区分不同品牌及型号的特点。几年来，计算机视觉的发展为我们提供了许多现成的特征描述子来处理图像分析问题。在众多的特征描述方法中，我们选择了使用已经成熟应用于行人检测的HOG特[20]征，它通过计算每个小区间的梯度方向和幅值，并在更大的区间上进行梯度直方图归一化，最后将所有区间的梯度直方图串联起来得[34,45]到特征向量。Contourlet特征作为第一代小波变换特征的延伸，能够对图像进行多尺度多方向的解读，是另外一种被广泛应用于图像识别的特征。
有了合适的图像特征描述子，车型识别系统可以通过使用分类算法完成。机器学习提供了大量先进的模式识别算法，包括支持向量机[46][47][48,49][50]（SVM）、神经网络、集成分类器及随机森林等。集成分类器可以包含多个基分类器，如决策树和多层神经网络（MLP），即使用相同的多个基分类器处理输入样本。对于输入样本，集成分类器中每个基分类独立地对其进行识别，最后根据所有基分类器的结果进行综合判断，如使用多数投票表决的方法决定测试样本的最终类型。[48][48][51]集成分类器的代表有Bagging, AdaBoost和随机子空间等。最近，有一种基于主成分分析（PCA）被称为旋转森林的分类器集成方法，它能够在提升基分类器多样性的同时保证系统的精确度，该方法首先对随机分割的特征子集进行PCA分析，并使用每个特征子集的PCA系数构建旋转矩阵，实验证明这种方法比其他几种分类器集成的方法效果要好。
车型识别的精确度是学者们普遍追求的目标，他们致力于提出降低误识率的方法。但是在很多场景中例如监控场景，引入带有“拒识”选项的分类器来提高系统的可靠性显得更为重要，即放弃对某些不确定类型的样本识别。例如，警方需要鉴别某一时间点的盗牌车辆，当误识的代价比较高时，自动识别系统拒绝对置信度不高的样本识别并将这些样本留给人工进行详细的处理。可靠的识别系统允许特定领域知识和专家对分类器决策时施加额外的压力以控制精确度。尽管具有[52]“拒识”选项的分类器近几年来一直是模式识别中研究的热点，并[53]且已经有一些模型被提出来了，但提升系统识别的可靠性依然是研究的难点。
因此，本文的研究目标是提出具有“拒识”功能的分类器来提升系统的可靠性。在车型识别中如果对某测试样本的分类置信度超过某一提前设置的阈值，则接受对其的识别，如果置信度小于阈值则将该样本留给人工进行识别。换句话说，拒绝识别的目的就是通过将比较难识别的样本留给人工识别来提升系统的可靠性。设计分类识别系统的目的就是通过计算机帮助人类解决纷繁复杂的识别问题，我们不希望将过多的样本留给人工进行识别，因此，在保证系统可靠性的同时[37,54]应提升系统对样本的正确识别率。类似于参考文献中的方法，在本文中，我们设计一种级联集成分类器，在识别过程中，样本首先由级联的第一级集成分类器进行识别，此后将被第一级拒绝识别的样本送入第二级进行分类，第二级的集成分类器应具有更高的识别能力来处理被第一级拒绝掉的样本。相关的实验和理论会证明我们设计的具有“拒识”功能的级联集成分类器方法能够在保证系统可靠性的同时获得较高的正确识别率。根据文献综述介绍的关于车辆检测及车型分类关键技术难点及研究现状，本文提出了新的车辆检测方法并设计了一种可靠性较高的车型识别方案。1.2 公路路面信息感知的研究现状
公路特别是高等级公路已成为衡量一个国家经济水平和现代化程度的标志之一，其建设、管理和运营也极大地促进了我国经济的发展。与此同时，随着社会的进步，居民生活水平的提高，汽车保有量也开始大幅度的提升，受交通量的增加以及车辆大型化、超载严重等现象的影响，使得高等级公路在使用过程中经受严重的考验，导致路面破损的出现，严重影响道路交通的安全性和舒适性。因此，实施公路养护工作是公路管理部门的工作重点。目前，我国高速公路呈现出建设和养护双高峰重合的特点。高速公路的年养护量（大、中修工程）在8000公里以上。对于公路养护管理者来说，面临的养护任务越来越重，压力越来越大，如何搞好高速公路的养护管理工作已是一个不可回避的现实问题。
路面养护是公路养护的重点，其质量的好坏直接影响道路交通的安全性和舒适性，而路面破损状况作为路面养护管理工作的依据在路面养护决策中占据重要地位。传统的路面破损检测方法是采用人工检测，但该方法工作效率低，劳动强度大，作业危险程度较高，对裂缝的检测判别凭借检测人员的主观经验判断，存在较高的主观性，且受天气条件等影响较为严重，已不能适应高等级公路快速发展的需求。因此研究设计智能化的路面破损检测方法成为提高路面养护管理工作的关键热点问题之一。直观上，路面破损图像往往具有以下显著特点：①路面破损位置的灰度较破损位置周围正常路面的灰度要暗；②路面破损处会出现灰度梯度跳变；③路面破损具有局部连通性。基于路面破损图像的上述三个特性，国内外研究机构和学者相继开展了一系列路面破损检测方法的研究。1.2.1 路面图像预处理技术现状
由于采集的路面图像受路面材料和路面环境的影响，往往存在砂砾、碎石、杂物等噪声的影响，且受光照影响较大，因此在对路面图像进行检测工作之前，均要对路面图像进行预处理及图像增强，以达到消除路面图像噪声，强化路面破损的效果，为路面破损检测提供基础。Jitprasithsiri和Sun提出了采用非线性滤波的方法对图像进行增强
[55,56]处理，前者利用中值滤波算法对路面破损图像进行增强，在去除一定噪声的同时保证了图像中裂缝目标的边缘不会失真，后者考虑到存在噪声的图像裂缝与背景之间的低对比度，利用原始图像与高斯低[57]通滤波图像作差分运算实现图像去噪处理。孙波成等提出了空域滤波以及掩膜平滑法等图像增强方法，其所利用的空域滤波是通过小区域模板卷积的方法，实现将模板中心和图像中待处理的某像素点重合，并将模板各元素与模板下各自的对应像素值相乘，最后将模板输出响应作为当前模板中心所在像素的灰度值。为了更好地突出图像线形特征的方向性，通常的做法是对上述单模板进行扩展，构造8个方[58]向的模板实现对图像的增强。Koutsopoulos等利用差影法，对于路面破损图像，将其与不含破损的路面图像做差分，则使得图像中的破损信息突显出来，实现了破损图像中目标的增强。
上述几种方法只有当路面破损图像内容较简单时，才能取得较好的效果。但一般情况下路面破损图像较为复杂，因此基于模糊、数学形态学和信息量等人工智能技术的路面病害图像增强方法，得到许多[59][60][61]研究人员的关注。Chou、Cheng和Li等提出了基于模糊理论的图像增强方法，在传统模糊理论的基础上对其加以改进并提出了最大[62]模糊熵阈值、模糊掩盖处理以及灰度熵模糊法等方法。郭宝良和[63]欧阳琰也通过对传统模糊理论的模糊隶属度函数进行了改进处理，实现图像增强的效果，但模糊增强方法的缺点是容易在模糊背景的同时对路面破损也有一定程度的削弱，不利于对检测后期目标特征[64]的提取。Cheng等根据路面图像的灰度特征，提出了针对路面破损图像的增强算法，其处理的路面破损图像包括三类像素，一种是低频、宽幅值信号，代表的是亮度不均匀的背景像素，一种是宽幅值且边缘具有高频分量的幅值信号，代表图像中的破损目标，以及高频窄幅信号代表的噪声像素，并根据三类像素信号频谱的不同对图像中破损目[65]标像素进行增强处理，算法取得了较好的效果。Nejad等利用直方图均衡化和快速傅里叶变换对图像进行增强处理，其快速傅里叶变换是针对图像的像素块（32×32）进行的傅里叶变换，但使用该方法处[12]理后的图像有一定的边际效应。陈利利提出了一种基于多尺度图像分析的路面病害研究方法，其基于多尺度分析，从形态学多尺度分析和非线性扩散多尺度分析两个方面对路面图像进行平滑处理，并基于形态学的各向异性扩散方程，利用形态学算子简化图像数据，保存必要的形状特征以及消除不相关性的特点，对图像进行形态学多尺度去噪处理，该方法能较好地保持图像边缘和细节，抑制边界移动，同时能有效地去除噪声。类似于小波变换去噪，许多学者通过将图像转[67]换至频率域对图像频谱进行频域变换以实现图像增强，Wang等和[68]Wu等提出了一种利用Shearlet变换对图像进行去噪的处理方法，该方法采用低频率部分的背景匹配和在多层阈值分割下对高频率部分的[69]大尺度Shearlet变换，实现图像中噪声信息的去除。李刚和胡士昆[70]等提出了一种基于Contourlet变换的图像增强去噪方法，该方法采用基于完全冗余的Contourlet变换、基于数学形态学的Contourlet变换[71]和非下采样轮廓变换（NSCT）对路面裂缝图像实现增强。吕岩提[72]出了一种基于Beamlet变换的裂缝图像匀光算法。董立文等提出了一种利用小波系数尺度间相关性的局部自适应去噪方法来实现路面破损图像增强，针对小波系数估计中硬阈值方法和软阈值方法的缺点，通过对双重量收缩函数得到的阈值乘以一个合适系数进行修订的折中。
综上所述，各研究机构和学者提出的方法都通过实验得到验证，但是，由于实验数据格式不同，这些图像增强技术在具体实践中往往存在偏差。本文所研究的路面图像数据是由高分辨率线阵CCD相机采集，能够实现毫米级裂缝的图像采集，但易受光照和道路环境影响，采集的路面图像中存在阴影且亮度较低，因此，本文在上述研究成果的基础上，对线阵CCD图像增强技术进行研究，以增强路面病害图像的高可靠性。1.2.2 路面破损检测技术研究现状
路面破损检测是路面破损识别的基础，近些年来，国内外学者在[73]路面破损检测技术方面做出了大量的研究探索。Huang等提出了一种利用直方图分析检测路面破损的方法。假设含有裂缝区域的路面破损图像的灰度直方图具有双峰特性，并据此确定一个阈值对路面破损图像进行分割，该方法对路面破损明显的图像较为有效，裂缝与路面[74]背景对比度较低时该方法的检测效果较差。Li等提出了一种利用Sobel边缘检测路面破损的方法。其假定路面噪声区域的像素点周长小于20像素，而路面破损区域的像素点周长大于20像素，从而根据周长的大小实现噪声信息的去除，并得到路面破损图像分割结果，该方法的缺点是当图像中破损信息较为丰富复杂时，采用硬阈值判断容[75]易导致破损的误判，影响后续对裂缝的识别分类。Grivas等提出了一种利用区域生长技术对路面破损图像进行分割处理的方法。Yan等[76]探讨了利用数学形态学进行路面破损识别的可行性。[77][78]
在分析路面破损图像几何相关性的基础上，冯永安、李莉[79]和李晋惠等提出了对Sobel算子模板进行改进后的8方向的Sobel算子模板，该方法利用图像边缘附近的亮度阈变这一特性，把在邻域内灰度变化超过某个适当阈值的像素点当做边缘点，以此来检测路面破损，但利用该方法检测到的路面破损边缘较粗，有时会产生伪边缘，[80]且对噪声的影响较为敏感。唐磊等通过对路面裂缝构建三维曲面模型，将裂缝视为模型中的山谷，通过三维曲率的计算检测到“山谷”位置及裂缝位置来实现对裂缝的检测，该方法存在的缺陷是由于算法的局限性导致检测到的裂缝往往出现断裂的现象，且需要结合其[81]他算法使用。2003年，Huo等提出了一种对细小特征运用复杂图表进行多尺度检测的方法，该方法利用Beamlets对线性分段进行并行组织的多尺度系统，建立与Beamlet分析相关的算法以从含噪声图像中复原线性片段。
利用数学统计学的新进展，形成了从噪声图像中提取细小片段或[82]细小特征的多尺度方法来对路面破损进行检测。Kumar等采用[83]Gabor滤波及其变形来检测路面图像纹理破损。张雷等利用Hear变换对路面破损图像进行低通滤波处理，并对图像进行分块处理及自适[84]应阈值以实现路面破损区域的自动分割。李刚等基于大津法对路面破损图像进行分割，并依据轮廓跟踪原理计算出路面破损区域的面积、周长等参数，并利用互信息量求取最优阈值，从而对路面破损区[85]域提取特征。赵吉广针对路面破损图像，对比研究了全局阈值与动态阈值相结合的最大类间方差法和基于直方图阈值分割的阈值插值[86]算法。Zhang提出了一种将人工生命系统理论应用于路面病害检测的方法，该方法通过使用不同结构的人造生物结构对图像进行卷积处理，以实现对裂缝的检测，该方法对路面上油污黑点等有很好的去除作用，但算法结构较为复杂，不适用于对大量图像的检测。
综上所述，这些路面破损检测方法的主要局限性在于方法的普适性不高，针对各种不同路面破损的检测精度不高。本文针对线阵CCD路面破损图像，研究高精度的路面破损检测方法。1.2.3 路面破损分类技术研究现状
路面破损区域目标分类前提是对路面破损目标的特征描述，常用的特征描述子有灰度特征、纹理特征和几何形状特征等，目前，对于路面破损图像的特征描述，使用较多的是采用区域及几何特征描述子，路面图像的区域特征包括傅立叶变换特征和矩描述特征等。对此，[87]国内外研究学者提出了诸多特征描述方法，如：Haralick等提出了一种利用统计学的路面破损图像特征提取方法，该方法利用灰度级协[88]方差矩阵或灰度的自相关性对裂缝信息进行特征提取。Paquis等从结构学的角度出发，提出了一种基于多分辨率协方差矩阵的形态学金[89][90]字塔变换的特征提取方法。Jain等和Mallat等分别提出了基于Gabor变换和快速傅里叶变换的路面图像破损特征提取方法。欧阳琰[63][91]提出了一种基于几何距离可分性的特征提取方法。肖旺新提出了一种基于破损密度因子的路面破损特征提取方法，并利用该方法对[92]路面破损图像进行了分类实验。储江伟等利用原始灰度值的直方图特征作为子块路面图像特征，并进行了实验研究。
路面破损类型的自动识别是实现智能化路面破损检测系统的关键[93]技术之一，国内外学者相继开展了探索研究。Wang等在对图像进行背景光照均衡化后，对图像进行Shear-let变换去噪处理，然后利用Radon变换对图像进行分类。Radon变换是利用不同角度的裂缝所对应形成的Radon变换方向与位置的不同这一特点对路面裂缝进行分类，该方法的缺点是只适用于裂缝类病害，对于坑槽等形状不规则的[65]路面破损类型则不适用。Nejad等提出了一种基于Wavelet-Radon变换和动态神经网络（DNN）的路面病害检测和分类方法，该方法通过Wavelet-Radon变换对路面破损进行分割特征提取，再利用DNN[63]实现对路面破损的分类。欧阳琰提出了一种基于聚类分析的路面破损分类方法，该方法采用C-均值聚类算法实现对路面破损的识别分[84]类。李刚提出的方法基于裂缝的投影性质，依据投影量的大小和方向初步判定路面破损的程度和类型，再对线性裂缝与不规则网状裂缝进行初步区分，并利用欧拉数（即图像目标连接体数与其中的孔洞数之差）的大小对裂缝进行分类处理。该方法仅对裂缝类病害进行分[94]类，且仅适用于对单个目标的分类。孙奥提出了一种利用支持向量机对路面病害进行分类的方法。
综上所述，这些方法的局限主要有：各种算法往往只适用于裂缝类病害，而对于非裂缝类不规则破损分类效果较弱；各类方法在分类实验时采用的数据样本数量都比较小。在上述研究成果的基础上，本文针对CCD路面破损图像，研究高效率的路面破损图像特征提取及分类方法。第二章车辆信息感知理论与技术
本章主要研究内容为：首先提出一种新的车辆区域检测方法，确定车型识别感兴趣区域（ROI），之后提取感兴趣区域（ROI）图像特征，最后引入一种带有“拒识”功能的级联集成分类器对车辆图像特征进行识别。
首先，分析车辆图像数据来源、筛选及预处理方法。对于一幅输入的监控图像，研究定位车辆所在位置的方法。分析车辆几何、颜色及纹理特征，进而在现有检测方法的基础上改进车辆检测方法。根据车辆区域假设和验证步骤研究两类方法进行车辆区域检测：第一类是直接使用车辆先验知识，即车牌、车辆边缘和车辆对称特征进行检测；第二类是提取车辆特征并使用分类器进行车辆区域识别。通过分别研究基于车辆边缘、车牌、车辆对称特征、车辆纹理特征及车辆图像Gabor特征5种检测算法的检测效率和计算复杂度，分析得出适于智能交通车辆监控、车型识别及车辆分类的车辆区域定位方法。根据车辆区域包围框定位出能够表征车辆品牌和型号的区域，即车前脸区域。
其次，研究图像特征描述方法。首先研究基于特征融合的车辆图像特征描述方法，分别提取图像梯度方向直方图（HOG）和Contourlet特征，使用不同特征融合的方法描述车前脸特征，通过实验比较得出能够有效表征车前脸独特性的特征描述方法。其次，研究特征降维及特征融合方法，直接使用特征描述子所提取的特征维数都比较高，并且分类器的训练会占用大量时间。因此本文研究使用了主成分分析法（PCA）对特征线性变换而达到提取主要维度的目的。另外，在第三章探讨了特征融合的相关研究进展，并提出将两种特征简单串联成一种新的车辆特征描述子，并在实验阶段验证了该种方法的有效性。
最后，研究具有“拒识”功能的级联集成分类器，级联分类器的第一级集成分类器由不同的基分类器组成，选用的四种基分类器包括朴素贝叶斯，k-近邻（kNN），支持向量机（SVM），多层神经网络（MLP），分别使用HOG和Contourlet变换特征作为输入特征进行训练，对比每种特征及分类器结合的识别效率，同时建立基于多数表决分类机制的集成分类器，拒绝识别没有达到多数表决阈值的输入特征，并将该特征对应的模糊图像送入第二级级联分类器进行识别；第二级集成分类器是基于神经网络的旋转森林集成分类器，基分类器使用相同的MLP网络，对被第一级拒绝识别的样本进行识别，第二级分类器也带有“拒识”功能，我们通过设计两级分类器级联将被拒绝识别的样本降低到一个可以被人工处理接受的水平，同时又保证了系统的可靠性。2.1 车辆图像采集及车辆目标区域检测
进行模式识别需要大量的实验数据作为支撑，本章介绍本文所使用图像数据来源及筛选过程。同时，由于车辆类型识别是根据感兴趣区域（ROI）特征结合分类器实现的，车辆前脸（包括散热器，车标及车灯等）特征能够有效描述一辆车的类型信息，因此，我们首先研究了一种车辆区域定位方法，之后根据车牌位置和车辆前脸尺寸关系定位出感兴趣区域（ROI）。为了完成本文所涉及相关图像处理和模式识别相关算法的实验验证，我们需要准备一些车辆图像数据。苏州交通局独墅湖高教区分局为我们的科学研究提供了原始的图像数据，这些数据是由交通监控相机记录一个月所产生。图像由安装在10个交叉口的CCD相机在每天8:00～18:00的时间段内触发获取，包含不同的天气及光照情况。从这些大量的图像数据中（每天数据＞20000），我们选取了包含15种品牌的18种车型共4500张图片，这些车型包括奥迪（Au-di），别克（Buick）（2种），长安（Changan），奇瑞（Chery）（2种），雪佛兰（Chevrolet），雪铁龙（Citro-en），福特（Ford），本田（Honda），现代（Hyundai）（2种），马自达（Mazda），日产（Nissan），标志（Peugeot），大众（Volkswagen），丰田（Toyota）和五菱（Wulin）。其中，有些车型是同一品牌的不同类型，如现代索纳塔（SONATA）和现代伊兰特（ELANTRA），这两种车型的外观有很大不同。如果一些品牌的不同车型具有类似的外观，如Audi A7和Audi A8，别克凯越（Excelle）和别克Xt，我们将他们归为一种车型。所有图像数据均包含一辆正面车辆影像，车辆到摄像头的距离远近不一。原始图像的大小为1024×1360，如图2-1所示为一部分图像数据。图2-1 部分图像数据
从图2-1中可得，大部分车辆外观不同，在车辆前部具有丰富的边缘信息。如图2-2所示，数据库中车辆图像具有很大的不同，主要表现在车辆位置、尺度、角度及光照等方面。图2-2 不同位置、角度、光照条件的车辆图像
在目标识别系统中有两个重要的问题需要解决，即目标区域检测和识别问题。在车型识别系统中，车辆区域的检测和定位尤其重要，这是由于车型识别是基于车辆感兴趣区域（即前脸区域）进行的，因此本文首先研究一种车辆区域检测方法，并结合车辆区域和车牌位置定位出车辆前脸区域作为车型识别系统的输入图像。2.1.1 基于对称特征的车辆检测方法
以车辆轮廓竖直对称轴作为定位车辆区域是一种有效的检测方法，但车辆轮廓对称轴易受树木、道路标线等噪声的影响。本文根据车辆轮廓存在竖直对称轴和车牌存在水平和竖直对称轴的特点，首先检测车辆轮廓竖直对称轴，以车辆轮廓对称轴位置为参考检测车牌水平和竖直对称轴，最后根据所检测到的车牌水平和竖直对称轴进行车辆区域及车型识别感兴趣区域（ROI）定位。首先生成输入灰度图像的边缘图像，采用拉普拉斯算子进行车辆边缘检测，之后对边缘图像进行中值滤波，中值滤波结果在消除噪声的同时保存了图像中的细节部分。拉普拉斯（Laplace）算子是不依赖于边缘方向的二阶微分算子，对于数字图像，拉普拉斯变换可以借用模板实现，模板函数可以表示为其中，G（i, j）为将（i, j）处的像素值f（i, j）使用Laplace算子计算后的结果，图2-3为输入图像灰度化后使用Laplace算子进行边缘检测及滤波后的结果。图2-3 输入图像及车辆边缘检测结果
考虑到车辆区域在监控图像固定范围内，为减少运算量，图像边缘区域可以不作考虑，设置车辆对称轴搜索区域如图2-4（a）所示，[18]计算水平扫描线上每个像素点的对称值：其中，V（x, y）为（x, y）处对称值，W为计算每个像素点对称值的幅宽，本文根据车辆图像的像素宽度假设为300, x′为当前搜索水平扫面线上像素的横坐标，y′为当前水平扫描线纵坐标，每条扫描线上像素对称值计算结果如图2-4（b）所示。图2-4 车辆轮廓对称轴搜索区域及搜索区域内水平扫面线对称值计算
根据车辆轮廓几何特征，车辆轮廓对称值在其竖直对称轴处最大而在车辆边缘处对称值最小，根据公式（2-4）计算每列对称值之和：其中，val为行距，Vcol（x）为第x列对称值之和。对Vcol（x）进行mm排序，得到最大对称值Vcol（x）对应列x作为车辆轮廓的对称轴。
对称轴上决定对称值大小的像素点集中在车辆边缘信息最丰富的区域，如散热器、车灯所在区域，以此可以搜索对称轴上最大对称值区段，使用以下公式检索对称值最大区段：mm
得到Vcol（x,n）最大时对应的扫描行n，对应图像纵坐标为mmy=n*val。图2-5（a）所示竖直线为实验车辆图像的对称轴，白色mm圆点（x,y）为对称值最大区段起始行，由计算结果可以看出对称轴上最大对称值区段所在行车辆轮廓信息最丰富。考虑到车辆轮廓丰富区域一般在车辆散热器和车灯等位置，本文以车辆轮廓对称轴上最大对称值区段起始行作为参考点，该参考点位于车牌上方且位置变化范围较大，若以该点作为车辆轮廓定位参考点则定位误差较大，可以此参考点为基准搜索车牌水平和竖直对称轴所在位置。mm
以参考点（x, y）作基准，在其下方搜索车牌水平和竖直对称mm轴。设参考点（x, y）到车辆轮廓对称轴搜索窗下边缘距离为δ，12车牌水平对称轴搜索区域为参考点到搜索下边缘距离δ的β到β倍，12β=0.2, β=0.8，如图2-5（b）中竖直扫描线区域。计算车牌水平对称轴搜索区域每条竖直扫描线上像素点对称值，将每行对称值之和最大行作为车牌水平对称轴，图2-5（b）中水平线所示位置即车牌水平对s称轴y。图2-5 车辆轮廓对称轴及车牌对称轴搜索区域m1s2m1s2
在由点（x-δ, y-δ）和（x+δ, y+δ）确定的矩形范围内搜索车牌竖直对称轴，与车牌水平对称轴计算方法相同，计算车牌竖直对称轴，图4（a）中处于车辆轮廓对称轴右方的竖直线即为车牌竖sss直对称轴x，车牌水平对称轴和竖直对称轴交点为（x, y）。根据车sst辆对称轴和基准点假设车辆区域，假设车辆区域在由（x-w, y-h）ssb和（x+w, y+h）确定的矩形包围框内。使用基于灰度积分投影的方法搜索车辆区域，边缘图像竖直及水平积分投影计算公式为其中，f（x, y）是点（x, y）处的像素值，如图2-6（a）所示为假设区域内车辆灰度水平和竖直投影直方图。图2-6 车辆区域假设及车辆区域验证vh
分别计算竖直和水平积分投影的最大值m及m，从上向下搜索h水平投影目标像素个数超过阈值0.5m的第一行作为上边界，从左到v右搜索竖直投影目标像素个数超过阈值0.5m的第一列作为左边界，使用同样的方法搜索得到右边界和下边界。图2-6（b）为车辆区域检测的最终结果。2.1.2 其他车辆检测方法
作为与车辆对称特征检测方法的比较，本文分别使用其他4种方法进行车辆区域检测：第一类是直接使用车辆先验知识，即车牌、车辆边缘进行检测；第二类是首先提取车辆纹理、Gabor特征，之后使用支持向量机（SVM）进行训练学习后进行车辆检测。1）基于边缘的车辆区域检测方法[95]
Song通过检测车辆虚拟上视图（virtual top-view）竖直边缘定[96]位车辆边缘，有效解决了远距离车辆边缘信息不足的问题。Ha提出一种基于运动边缘检测的方法来区分车辆边缘及车辆阴影边缘，有效消除了车辆阴影边缘对运动车辆追踪的影响。本文所用车辆图像使用Laplace算子进行边缘检测，在消除噪声的同时保存了车辆边缘，可以直接进行车辆区域搜索，使用灰度投影统计的方法搜索车辆轮廓区水平和竖直边缘。
根据行车原理，车辆靠右行驶，超车车辆在其左道行驶，监控相机所获图片右下方噪声比较少，因此可首先确定车辆区域矩形框右下角点。从下向上搜索水平投影目标像素个数超过阈值T的第一行作为b下边界y，从右到左搜索竖直投影目标像素个数超过阈值T的第一列rrb作为右边界x，将右下角点（x,y）作为参考点，假设车辆区域在由rbrb（x-w,y-h）、（x,y）两点确定的矩形包围框内（其中w, h分别为假设车辆区域的宽带和长度），之后在预选框内使用同样方法搜索上边界和左边界。2）基于车牌定位的车辆区域检测方法[9]
Nikul 对图像进行形态学计算、YCbCr颜色空间分割及边缘检测方法定位车牌区域，该方法能够有效检测印度车辆车牌区域。[10]Zheng使用竖直Sobel算子检测车辆图像竖直边缘并排除过长或过短的竖直边缘以筛选出车牌区域，通过对中文车牌检测实验，表明该[10]方法具有较好的鲁棒性。类似Zheng提出的方法，本文根据车牌区域灰度投影变化比较剧烈的特点，使用图像列与列相减的方法突出车牌区域，同时噪声点在相减的过程中得到削弱，列相减即计算图像水平方向的一阶差分：图像列与列相减后，将图像进行阈值化，阈值根据列相减后自身灰度分布确定，阈值为：其中，m为列数，f（x, y）为输入图像。统计边缘图像的灰度投影，从下往上搜索到第一行目标像素个数大于阈值T时作为车牌下边界bty，根据车牌高度估计上边界y，之后在上下边界内使用同样方法搜lr索左边界x和右边界x 。根据车牌颜色RGB三分量差别较大的特点，在输入彩色图像中验证估计车牌区域内颜色差异较大的区域作为车牌的最终区域。车牌尺寸与车辆尺寸存在一定的比例关系，可以根据车牌位置和尺寸估计车辆区域。3）基于车辆纹理及支持向量机（SVM）的检测方法
将输入图像灰度化后网格化为M×N个尺寸为W×H的子图，将子图灰度级量化为16级，提取每个窗口图像灰度共生矩阵，其灰度共生矩阵为16×16维，以列优先将其重排为256维的支持向量机[97,98]SVM输入向量，选取车辆区域和背景区域样本子图像提取其纹理特征，使用支持向量机（SVM）进行训练。使用SVM训练结果对输入测试图像的每个子图像的灰度共生矩阵特征向量进行识别，判断每个矩形格是否属于车辆区域。由于相邻矩形格之间的灰度相关性，识别结果会产生一些噪声，通过计算所有被识别为车辆区域方格中心坐meanmean标的均值（x, y），遍历每个被识别为车辆区域方格中心坐meanmean标（x, y），计算其与中心坐标均值（x, y）的距离：
真实车辆窗口应为与中心距离小于某阈值T的区域，若某窗口与中心距离较大则为噪声。4）基于Gabor特征及支持向量机（SVM）的检测方法
将输入车辆图像划分为M×N个网格，用m×n个网格表示车辆或背景区域，以行优先规则遍历每个m×n窗口，计算每个m×n窗口的Gabor响应特征，如取M =N=8, m=3, n= 4，则每幅图片共有30个子窗[99,100]口。将每个子窗口中图像分布与Gabor滤波器函数计算卷积，得到每个窗口的Gabor响应，将Gabor响应的统计量均值、方差和偏态作为Gabor特征，假设使用3尺度、4方向滤波器组，将每个滤波器与图像卷积，则特征向量维数为3×4×3 =36维。分别选取若干车辆区域和背景区域计算Gabor特征，将样本Gabor特征使用SVM进行训练，将每张测试图片的所有交叠窗口均作为假设车辆区域，使用SVM训练结果识别每张图片的30个子窗口，识别出车辆区域和背景区域。2.1.3 感兴趣区域（ROI）定位
车辆引擎盖下方包含车标、车灯及散热器的前脸区域反映了车辆类型的主要信息，而不同类型车辆引擎盖上方的挡风玻璃部位则大同小异，因此车型分类的感兴趣区域（ROI）是车辆前脸区域。结合本章提出的对称轴检测方法及车牌检测方法定位车牌，首先定位到车牌对称中心，以对称中心假设车牌搜索区域，假设区域如图2-7所示。
由于监控相机角度及位置固定，所拍摄图像中车牌尺寸固定，假设车牌大小为W×H，在车牌搜索区域内进行遍历匹配，统计每个大小为W×H窗口内的目标像素个数，当目标像素个数超过某一阈值时将对应窗口标记为车牌区域，否则排除该窗口，像素个数阈值满足以下要求图2-7 车牌位置搜索其中，为搜索区域内所有目标像素个数，ρ为系数，决定阈值T的大小。搜索遍历的示意图如图2-7所示。考虑到车辆前脸图像尺寸与车牌图像尺寸之间的固定关系，假设车牌的宽度为pw，使用图2-8（a）所示的方法确定车辆前脸感兴趣区域，图2-8（b）是最终获取的车脸ROI区域。图2-8 根据车牌位置确定感兴趣区域
作为车型识别及分类的基础，选取品牌分别为Audi、Buick、Changan、Chery、Chevro-let、Citroen、Ford、Honda、Hyundai、Mazda、Nissan、Peugeot、Toyota、Volkswagen及Wulin这15种不同品牌车辆实验图片，每种类型30张共450张由监控相机获取的车辆图片。[66]
本文所述算法在VC6.0环境下开发，使用OpenCV（开源计算机视觉库）实现图像处理操作，电脑配置为Intel Core Duo2.0 GHz。分别使用基于边缘、基于车牌和基于车辆对称特征三种方法对450张[18]实验图片进行检测，并与Teoh提出的车辆轮廓对称轴检测方法进行比较，输入图片尺寸为1024×1360，当车辆包围框覆盖车辆90%以上区域且包围框尺寸与车辆尺寸相差不超过10%时为正确识别。
随机选取150张图片作为基于GLCM特征和SVM车辆检测、基于Gabor特征和SVM车辆检测的训练图片，对于基于GLCM特征的检测，将图片网格化，提取每个子窗口的灰度共生矩阵，使用SVM对样本图片进行训练，之后用训练后的结果对数据库中其余300张图片进行识别；对于基于Gabor特征的检测，按2.3.4小节方法划分图像，则150张图片共划分为1500张子图像，选取训练样本中车辆子图像作为车辆目标图像，另外选取500张背景子图像，使用Gabor滤波器组分别提取车辆和背景子图像的Gabor特征，本文Gabor滤波器组为4尺度、6方向，则Gabor特征为72维，之后将样本特征使用SVM训练，使用训练结果检测其余150张图片。六种车辆检测方法的检测结果如表2.1所示。表2.1 六种车辆检测方法的检测率及检测时间
实验结果表明本文所提出基于对称特征的车辆检测方法检测率为[18]90.7%，比Teoh中基于轮廓对称特征的检测准确率高3.1%，同时我们的方法在检测率和检测时间上优于其他的方法，如基于GLCM、Gabor特征和SVM进行分类的方法。从表2.1中可以看出，本文的方法在检测时间上是最短的，这对车辆实时检测和识别等应用具有重要意
试读结束[说明：试读内容隐藏了图片]