×

基于SVM的车型识别系统的设计与实现

消耗积分:5 | 格式:rar | 大小:130 | 2009-08-26

分享资料个

支持向量机(SVM)理论建立在结构风险最小化原理基础上,对非线性、高维数的小样
本问题有非常好的分类效果和学习推广能力。本文设计了基于支持向量机的车型识别系统,系统通过对摄像机采集的视频图像进行运动目标检测分割、特征提取与选择、模式识别等处理,达到实时车型识别。试验结果表明,该系统有很高的识别率和适应性。
关键词:支持向量机;车型识别;特征提取;不变矩
我国高速公路收费是以车辆大小为依据的,在高速公路自动收费系统中,车型识别十
分重要。目前,已有的车型识别方法有:利用磁感应线圈、压电传感器、红外线收发装置等判断车辆到来,获取通行车辆的轮数、前、后轮距、轴距、车高等特征,然后实现车辆分类[1~2];选用地感线圈作为传感器,获得大量样本车辆感应曲线,对曲线数据进行分析,得到感应强度、高度、左右比重、上下比重、上升沿、下降沿、车长、凸凹性、峰值等特征,再利用模糊模式识别算法对车辆进行分类[3~4]。这类装置通常被埋在路面下或直接安装在路面上,尽管具有较高的识别率,计算量较小,但是安装和维护都必然损坏路面,装置本身的使用寿命较短,获取的交通信息也比较少,有时对天气和交通速度比较敏感。因此并没有推广开来;用可见光、红外等对汽车拍照,应用图像处理技术,获取车型特征,然后实现车辆分类。但是从试验结果来看,这种技术还很不成熟,如何将图像处理及模式识别的新技术应用到车型识别系统中,进一步提高车型识别的效率,还需作大量的研究工作。支持向量机(Support Vector Machine,简称SVM)技术是一种基于结构风险最小化原则的模式分类方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。它由Vapnik 基于统计学习理论提出,结合经验风险和期望风险的平衡点,兼顾学习能力和推广能力,可以很好地解决车型识别这类小样本识别问题。本文研究了基于支持向量机的车型自动识别系统,系统通过对摄像机采集的视频图像进行运动目标检测分割、特征提取与选择、模式识别等处理,达到实时车型识别。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

评论(0)
发评论

下载排行榜

全部0条评论

快来发表一下你的评论吧 !