论文部分内容阅读
随着社会经济的快速发展,城市道路交通问题越来越突出,使用智能交通系统科学的管理与规划道路交通网成为一个热点问题,而其中一个关键问题就是如何快速获取区域内的车流量信息。使用高分辨率卫星影像获取车辆信息,作为一种新兴的技术手段,具有传统地面检测设备无法比拟的优势,而目前从高分辨率卫星影像中自动识别车辆信息的方法还不够成熟。对此,本文针对高分辨率卫星影像,研究了从道路图像中识别车辆目标的方法。本文主要使用级联的AdaBoost分类器实现对车辆目标的识别。分类器的训练过程是:首先采集大量车辆与非车辆样本图像,其中车辆样本取其对称轴后截取对称部分的图像,对所有样本尺寸和灰度进行归一化后,提取灰度信息和饱和度信息,使用Haar-like特征分别取特征值,送入级联分类器进行训练。目标识别过程是,对待识别图像分别在灰度和饱和度图像上计算积分图,使用逐步增大的放大因子放大检测窗口,在窗口中进行灰度归一化,然后检测和合并检测结果。本文在检测目标时,根据车辆俯视图像都是左右对称的这一特点,构造了两类特征:一类是只检测半个车身的特征,将检测窗口高度减小到原来的一半,在缩小后的检测窗口中使用所有特征来检测目标;另一类是检测车身对称性的特征,在原检测窗口中,只使用对称于窗口对称轴、且描述上下部分差异的特征。使用这种方式,可以大幅减少特征数量,提高训练速度,同时保持识别效果。不同于大部分的研究中只使用灰度信息,本文在对比了几种颜色空间模型后,选择了加入HSV色彩空间的饱和度分量,使训练分类器时可选择的特征数量增加了一倍。在实验中发现,饱和度分量能更好的区分道路与深色的车辆。针对不同图像光照情况、拍摄参数不一等造成图像亮度有差异的情况,本文对比了直方图均衡化、Gamma校正和方差归一化的处理效果,实验表明,使用方差归一化能很好的修正光照对图像的影响,同时识别目标的效果较好。本文的训练算法采用了传统的级联AdaBoost分类器,由于在预处理和特征提取过程中进行的优化处理,使用这样的分类器训练方法已经能很好的识别车辆目标。在实际应用中,本研究可以应用于智能交通系统的数据获取,并指导城市道路的管理与未来规划,有着广阔的应用前景。