（模式识别与智能系统专业论文）gabor滤波器在车辆检测和车型识别中的应用研究.pdf

博士论文g a b o r 滤波器在车辆捡测辅车型识别中的斑用研究 摘要 车辆检测与车型识别是智熊交通系统( i t s ) 中鲍重要缎成部分。鸯餐于 g a b o r 滤波器在模式派聚领域煞淑功瘟角，鼗销将其弓l 入戮肇辆梭溅氧车瀵识 别应用中，并做了相威的研究工作。包括基于特征加权的g a b o r 特征抽取算法： 基于g a b o r 滤波器和s v m 的红外率辆检测；一种简单的基于g a b o r 滤波器和 逮缘褥镀豹车型谖蹋箨法；懿及实溺蕊基于特定方趣匏g a b o r 滤波器缝参数没 置方法。 文中首先研究并给出了一种改进的基于特征加权的g a b o r 特征抽取算法。 浚算法对g a b o r 特，敢矢量根据其邻近分量的离教程度进行加权处理，有效增强 离觳程发相对较小酌特征分量在分类中匏幸# 嗣，闻对充分荦l 潮样本图像的统计 信息，舆有较强的鲁棒性和类别表征能力。实骏数据表明，与传统方法相比， 这种特征抽取算法能够有效降低图像识别的错误率，增强鲁棒性，适于对质量 较差教潮像进芎亍谖鬟。 进一步的，文中将上述算法成用于红外车辆检测中。首先应用闽值分割并 结合边检测确定候选区域：其次利用上述g a b o r 特征抽取算法对选定的车辆和 背景样本巢进行特，厦撼取，训练s v m 分类器；疑屡应用s v m 进行分类捻测。 实验数器表明，与同类方法相眈，该方法在识剃枣和鲁棒往方嚣都有掰增强。 针对g a b o r 滤波器应用中的瓶颈问题，即g a b o r 特征矢嫩维数较高，以及 由此产生的较大计算凝和存储负担，文中提出一种简单的基于边缘特征的车型 识别箕法。不霜于嚣耱g a b o r 滤滚嚣应震中普遍采震酶荻降稳谈裂率麦找徐熬 均匀采样方法，该方法依据车辆其有的明显几耐特征，在样本图像的关键部位 进行密集采样，非关键部位进行稀疏采样。实验数据表明，这种方法实现简单， 在不降低识别率的悸擞下，有效降低了g a b o r 特征矢量的维数。 针对霜蔚g a b o r 滤波器组参数设嚣算法中存在的不是，郄实验法确定豹参 数不精确，而优化法确定参数又过于复杂，我们提出一种基于特定方向的g a b o r 滤波器缀参数设置方法。该方法根据g a b o r 特征鼹有的良好方向特性，首先确 定方囱参羧，然后在每个特定方鹈遴 亍最佳擎g a b o r 滤波嚣麴参数蓑索。蔽们 认为这样得到的g a b o r 滤波器组，在性能上是接j 压最优的，同时具有算法简单、 数据相关的优点。实骏数据表明该辫法是实用的、可行的。 关键迸 智麓交通系统，车辆捡测，车型识剩，红舟图像，g a b o r 滤波，特征 加权，鲁棒性，s v m 摘要博士论文 a b s t r a c t r o b u s ta n dr e l i a b l ev e h i c l ed e t e c t i o na n dv e h i c l ec l a s s i f i c a t i o na r ei m p o r t a n t i s s u e s 诵m a p p l i c a t i o n s t o i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ( i t s ) a n d w e i n t r o d u c eg a b o rf i l t e r sh e r e ，s i n c et h e yh a v eb e e ns u c c e s s f u l l ya p p l i e df o rp a t t e m r e c o g n i t i o n i nt h i sp a p e rw ef o c u so u ra t t e n t i o no nt h ew o r k si nt h i sf i e l d ，w h i c h i n c l u d ef o u rp a r t s ：a l li m p r o v e dg a b o rf e a t u r ee x t r a c t i o na l g o r i t h mb a s e do nf e a t u r e w e i g h t i n g ，i n f r a r e d v e h i c l ed e t e c t i o nw i t hg a b o rf i l t e r sa n d s u p p o r t v e c t o r m a c h i n e s ( s v m ) ，v e h i c l e c l a s s i f i c a t i o nb a s e do ng a b o rf i l t e r sa n d e d g ef e a t u r e sa n d a p r a c t i c a ld e s i g nf o rp a r a m e t e r so f g a b o rf i l t e r sb a s e do nac e r t a i no r i e n t a t i o n + f i r s t 8 n i m p r o v e d g a b o rf e a t u r ee x t r a c t i o n a l g o r i t h m b a s e do nf e a t u r e w e i g h t i n gi sp r o p o s e d ，i tw e i g h t st h er a wf e a t u r e sd e r i v e df r o m2 dg a b o rf i l t e r s a c c o r d i n gt o t h e i ro w nd e g r e eo fd i s p e r s i o n ，w h i c hc a ne n h a n c et h ee f f e c to ft h e f e a t u r e sw h o s e d e g r e eo fd i s p e r s i o ni sr e l a t i v e l ys m a l lb u ta l s oc a r lw i d e l yu s e dt h e s t a t i s t i c a li n f o r m a t i o no fs a m p l ei m a g e s t h ee x p e r i m e n tr e s u l t si n d i c a t et h a tt h e p r o p o s e d m e t h o di s s u p e r i o r t oc o n v e n t i o n a lo n e si nt e r m so fr o b u s t n e s sa n d d i s c r i m i n a t i o na b i l i t y 。t h u si ti sf i tf o rt h er e c o g n i t i o no f i m a g e sw i t hp o o r q u a i l t y 。 s e c o n d ，a ni n f r a r e dv e h i c l ed e t e c t i o nm e t h o di sd e v e l o p e dw h i c h c o n t a i n st w o m a i n s t e p s ：d r i v e nh y p o t h e s i sg e n e r a t i o n a n d h y p o t h e s i s v e r i f i c a t i o ni nt h e h y p o t h e s i sg e n e r a t i o ns t e p ，p o s s i b l ei m a g e l o c a t i o n sw h e r ev e h i c l e sm i g h tb e p r e s e n t a r e h y p o t h e s i z e db yp i x e i d e p e n d e n t t h r e s h o l ds e l e c t i o na n d e d g e d e t e c t i o n 。 h y p o t h e s i s v e r i f i c a t i o nv e r i f i e st h o s eh y p o t h e s i s u s i n gg a b o rf i l t e r s f o rf e a t u r e e x t r a c t i o na n ds v mf o rc l a s s i f i c a t i o n t h ef e a t u r ew e i g h t i n gt e c h n i q u em e n t i o n e d a b o v ei su s e dh e r e t h i sm e t h o dw a st e s t e du n d e rf o u rd i f f e r e n tv i d e o sd o e ss h o w v i s i b l ei m p r o v e m e n t sb o t hi nd i m i n i s h i n ge r r o rr a t ea n dr o b u s t n e s s ， t h i r d ，w ep u tf o r w a r d an o v e ln o n e v e n s a m p l i n go fo a b o rf e a t u r e s f o r c l a s s i f i c a t i o no nt h eb a s i so ft h ee d g ef e a t u r e si nv e h i c l e st oa v o i dt h eh e a v y c o m p u t a t i o n a n dm e m o r y r e q u i r e m e n t sc a u s e db yg a b o r f e a t u r ev e c t o r s 。i ns t e a do f e x t r a c t i n g g a b o rf e a t u r e sa t s u b - s a m p l e dp o s i t i o n so fr e c t a n g u l a rg r i dp o i n t s i n g e n e r a la p p l i c a t i o n s ，w ea d o p t d i f f e r e n t s a m p l i n gi n t e r v a l s o nk e y p o i n t s a n d a s s i s t a n tp o i n t sa c c o r d i n gt ot h eg e o m e t r i c a lf e a t u r e si nv e h i c l e s + t h ee x p e r i m e n t a l d a t as h o wt h a tt h em e t h o dp r o p o s e dh e r ei ss i m p l ea n de f f e c t i v ef o rb o t hd i m e n s i o n r e d u c t i o na n d i m a g er e p r e s e n t a t i o n 博士论文g a b o r 滤波器在车辆检测和车型识别中的应用研究 f i n a l l y , ap r a c t i c a ld e s i g nf o rp a r a m e t e r so fg a b o rf i l t e r sb a s e do nac e r t a i n o r i e n t a t i o ni sp r e s e n t e d e x p e r i m e n t b a s e da n do p t i m i z a t i o n - b a s e dm e t h o d sa r et w o p o p u l a rw a y si nt h i sd o m a i n h o w e v e r , t h ep a r a m e t e r sa r en o tp r e c i s ei nt h ef o r m e r a n dt h e a l g o r i t h m i st o oc o m p l e xi nt h el a t t e r t oa v o i dt h e s e d e f e c t s ，am o r e p r a c t i c a lo n ei sg i v e n o u rm a i ni d e ai s t os e tt h eo r i e n t a t i o np a r a m e t e r sm a n u a l l y b a s e do nd i r e c t i o n a lc h a r a c t e r si ng a b o r f e a t u r e s ，t h e na te a c ho r i e n t a t i o ns e a r c ht h e o p t i m a ls i n g l e g a b o rf i l t e r t h e p a r a m e t e r so fg a b o rf i l t e r sw eg e ta r ec l o s et o o p t i m i z a t i o n ，a n d t h e a l g o r i t h m i s s i m p l e a n dd a t a d e p e n d e n t a sw e l l t h e e x p e r i m e n t a ld a t as h o w t h a tt h i sm e t h o di sa v a i l a b l ea n de f f i c i e n t k e y w o r d s ：i t s ，v e h i c l ed e t e c t i o n ，v e h i c l ec l a s s i f i c a t i o n ，i n f r a r e di m a g e s ，g a b o r f i l t e r s ，f e a t u r ew e i g h t i n g ，r o b u s t n e s s ，s v m y 6 8 3 3 l o 声明 本学位论文是我在导师的指导下取得的研究成聚，尽我所知，在 本学位论文中，除了加以标注和致谢的部分矫，不包含其他入已经发 表或公布过的研究成果，也不包含我为获得任何教育机构韵学霞或学 掰焉使糟过的材辩。与我一同工俸的同事对本学位论文傲浅的灵黻均 邕在论文孛作7 鞠确静说瑟。 研究生签名：毖蟛年胡旃 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的全部或部分内容，可以向有荧部门或机构送 交并授权其保存、偕阅或上网公布本学位论文的全部或部分内容。对 于保密论文，按保密的有关规定和程序处理。 研究生躲邋 炒舻爿娟目 博士论文 g a b o r 滤波器在车辆检测和车型识别中的应用研究 1 1 引言 1 绪论 智能交通系统( i n t e l l i g e n t t r a n s p o r t a t i o ns y s t e m s ) 1 1 - 3 1 ，简称i t s ，包括了智 能和交通两方面的内容【2 i 。它将先进的信息技术、数据通讯传输技术、电子控制 技术及计算机处理技术等综合运用于整个交通运输管理体系，通过对交通信息的 实时采集、传输和处理，借助各种科技手段和设备，对各种交通情况进行协调和 处理，建立起一种实时、准确、高效的综合运输管理体系，从而使交通设施得以 充分利用并能够提高交通效率和安全，最终使交通运输服务和管理智能化，实现 交通运输的集约式发展p j 。 车辆检测i 4 1j 是i t s 中应用最为广泛的一个分支。在辅助驾驶、自动导航、 交通监控、调度监控、事故检测等系统中，车辆检测是其中关键的一步。一般说 来，它由候选区域确定( h y p o t h e s i sg e n e r a t i o n ，h g ) 和车辆确认( h y p o t h e s i s v e r i f i c a t i o n ，h v ) 两部分组成，即h g 阶段和h v 阶段。在h g 阶段，确定车辆可 能存在的区域，称之为候选区域：在h v 阶段，对上一阶段产生的候选区域进行 确认，判断是车辆或背景，从而检测出车辆及其相应的位置。目前对于该领域的 研究朝着上述两个方向进行发展，已存在的一些算法也较为成熟( 例如高速公路 上的车辆检测算法) 。然而这些算法依然要受到诸多条件的限制，比如对道路平 坦性的要求、受天气、光照变化的影响较大、只能检测车辆的后视图像等。 随着红外热象仪在军事、民用领域的广泛应用1 8 。1 ，我们将之引入到i t s 中。 由于红外热象仪不同的成像原理，即根据物体的温度成像，可以在很大程度上解 决可视图像受天气、光照变化影响较大的问题，而且可以日夜使用，极大扩展了 车辆检测系统的应用范围。但是红外车辆检测算法除了应具有较高检测率之外， 还需要较强的鲁棒性。基于此，我们提出一种强鲁棒的基于特征加权的g a b o r 特征抽取方法，该方法适于对质量较差的图像进行目标识别。同时，我们采用基 于静态图像的车辆检测方法，没有利用序列图像之间存在的大量的相关信息，所 以该方法对道路的平坦性没有特别的要求。 车型识别。”也是i t s 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、高速公路自动计费等方面具有广阔的应用前景。但是目前 成型的算法较少，且大部分算法是为解决特定问题而提出的，通用性较差。部分 原因是由于车型识别问题本身的复杂性决定的。因为同一车辆在不同角度、不同 位置时，外观变化很大；而且同一类型的车辆之间，外形也不尽相同。当前研究 缱避撼士论曼 较多的是对车辆侧面图像的车型识别。文中我们对已有的算法进行了改进，使之 充分利用车辆中具有的显著盼边缘特征，同时对车辆的外部轮廓又不是过分依赖 豹。 在车辆捡测与车型识别研究中，我们是基于g a b o r 滤波器进行特征抽取的。 g a b o r 函数是一个被复正弦函数调制的高斯函数，它怒一个只2 呻c 上的复值函 数。应用2 dg a b o r 函数彤藏敬g a b o r 滤波器可以同蹲获取空间域鞍频率域的最 德髑部纯。这怒因为g a b o r 函数是譬蘸瞧g 够达到辩频测不准关系下界的函 数，能最好地兼顾信号在时域和频域中的分辨能力 1 8 j 9 1 。同时，g a b o r 滤波器是 带通的，与人类视觉接收场模型相吻合【2 0 1 。由于具有以上优点，g a b o r 滤波器已 经应瘸子计算辍筏觉夔诲多矮域强- 2 4 1 ，铡熟绞理努裁、文本分褥、边缘硷测、蛭 臌识别、目标枪测、图像编码、图像表示、人脸识别、指纹识别等。但是目前 g a b o r 滤波在实现上还没有行之有效的快速算法【2 ”，因此在具体应用中进行 g a b o r 特征撼取存在着一些蕊譬荨辩决的翊题，比蠡g a b o r 特征矢爨维数过嘉、 g a b o r 滤波器的参数设置等，其核心都围绕着出g a b o r 滤波器带来的较大的计算 开销和存储负担。文中结合翠辆检测和车挺识别的具体应用，部分解决了上述问 题。 1 2 车辆检测与车鹜识剐的研究概况 1 2 。1 智能交通系统筒介 随着世界城市化的进展和汽车的普及，无论是在发展中国家还是发达因家， 交遴拥挤热尉、交逶事敏频繁、交逶巧蠛繇纯等翅题变褥基趋严熏。一般巍来， 解决交通拥挤的直接办法燕建设更多的邋路交通设藏，提高路两的邋行能力，毽 魁有限的空间、资金，以及能源和环境问题，使人们认识到单纯从车辆或道路方 聪考虑，很难从根本上解决闽题。在这；盼背景下，从系统的观点出发，把车辆和 邋鼹练台超采考虑，蓄豪予楚分秘用瑗蠢静道路交逶设麓，注重撵麓运行效率敬 节约大量的建设资金和时间，运用各种离新技术系统解决交通问题鼢思想应运丽 生。 磐旋交避系统( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ) ，麓稼i t s ，实嚣上包括了 蛰能和交通两方面的内容【2 】。它将先遗的信息技术、数据通讯传输技术、电子控 制技术及计算机处理技术等综合运用于整个交通运输鬻理体系，通过对交通信息 的实时采集、传输和处理，偌助各种科技手段和设备，对各种交通情况进行i 办调 鞠楚理，建立怒一稀实辩、准确、裹效瓣综合运输营建俸系，姨蠢使交通设施零 博士论文g a b o r 滤波器在车辆检测和车型识别中的应用研究 以充分利用并能够提高交通效率和安全，最终使交通运输服务和管理智能化，实 现交通运输的集约式发展p l 。i t s 的目标和功能包括如下几个方面： 提高交通运输的安全水平 减少交通堵塞，保持交通畅通 提高运输网络通行能力 降低交通运输对环境的污染程度并节约能源 提高交通运输生产效率和经济效益 由于i t s 系统具有很好的经济和社会效益，它正在成为2 1 世纪交通发展的 方向。一些国家和地区纷纷成立各种组织开展研发工作。目前国际上推动i t s 发 展的3 大组织是美国的i t sa m e r i c a 、日本的v e r t i s 和欧洲的e r i t c o 。美国 在智能交通系统的研究和开发方面较日本和欧洲起步稍晚一些，但凭借其先进的 技术优势，已经后来居上，目前在i t s 方面的试验研究和实践应用上都处于国际 领先地位。例如，早在1 9 9 6 年，美国皿特兰大市交通局运用已有的智能交通系 统技术成果开发了o l y m p i c 交通控制管理系统，为2 6 届奥运会提供了有效的服 务。 发达国家的i t s 开发具有以下特点p 1 ： ( 1 ) 发展迅速。近年来很多i t s 开发成果已作为商品陆续投放市场，如美国 公司推出的自动恒速控制器、红外智能导驶仪，日本公司的数字地图、车载显示 器和自动刹车装置等。 ( 2 ) 高科技的综合应用。各国i t s 开发种类繁多，但普遍包括道路网地图数 据库、双向数字卫星通信、调频多功能通信、直接寻址双向通信、车载高性能显 示器、光盘显示器应用格式，以及推测导驶系统、车辆检测器和监视器等，它们 以实时交通预测技术为核心把先进的检测、通信、遥感和计算机技术综合应用 于公路交通运输系统，代表了当代交通工程的前沿技术。 ( 3 ) 规模空前。发达国家对i t s 开发的投入之大是罕见的。美国i t s 开发已 成为自本世纪中叶兴建洲际高速公路网以来最宏大的公路项目。交通部每年在智 能化高速公路和先进的交通管理体系方面的研究开发经费高达1 0 亿美元。已有 3 6 个城市拥有中等或高水平的智能交通系统。日本政府1 9 9 7 年在智能交通系统 研究方面的投资就已经达到7 亿美元，其中用于相关技术的研究开发费用为1 亿 美元，硬件建设费用接近6 亿美元。 纵观i t s 的发展现状，可以总结出以下几方面的特点：( 1 ) i t s 正从初创期 向发展期过渡，离成熟期还较远：( 2 ) 目前i t s 仍以信息技术为主，真正的智能 技术含量较少；( 3 ) i t s 的理论仍不完善：( 4 ) i t s 的产品不成熟，应用面较窄； ( 5 ) i t s 的标准化有待进一步研究确定。即使如此，i t s 仍不失为2 1 世纪交通运 绪沦博卜论立 输发展的必由之路。 与发达毽家稳魄，嚣裁我潮经济弱交通运辕发骚水平溺毒较大差鼹。嚣肉黠 i t s 的研究处于初级阶段，在i t s 的各系统中，我圈只在高速公路上使用了通信 系统、盆控系统和牧费系统。替能交逶系统静开发和应雳不只是改造中鬻传统交 通运输产业的一个重要手段，而且它还将为中国的黼新技术产业创造一个巨大的 潜在市场，发展前景十分诱人。 1 2 2 车辆检溯的研究蜀发展 尽管有关i t s 的概念形成于二十馓纪八十年代束，但是车辆检测作为其中应 用最为广泛的分支之一，在二十毽纪六十年代就粮越了研究鸵热瀚。当时人们对 于车辆行驶安全的关注。从一热被动的安全设备( 如安全带、安全气囊、增强缓 冲器等) 转向预警方式，即考虑如何谶免一场车祸。一些辅助驾驶系统、自动导 舷系绞等应运孬生，对予其孛关键步骤之一款车辍捻溯算法熬磅突也嚣此褥到迅 速发展。 嚣蓊豹车辆羧溯方法报据健感嚣豹安装方式霹分惫静止鍪车辆检测 2 6 , 2 7 1 秘 运动型车辆检测f 4 ，5 】。前者应用于各种监控系统，传感器安装在个固定平台上， 可以是静止的，也可以膏一定的旋转和俯仰角度；髓者将传感嚣安装在一个运动 豹物体上，如车辆、飞机簿。将传感器安装在车辆上，称之为道路攀辆检测( o n r o a d v e h i c l ed e t e c t i no ro n b o a r dv e h i c l ed e t e c t i o n ) ；安装在飞机上，则称为航拍车辆检 测( v e h i c l ed e t e c t i o nf o ra i r b o r n es e q u e n c e s ) 。这里我们主婺磅究黥是道路车捌检 测，以后程文中如无特殊说明，车辆检测均是指道路车辆检测。 在车辆检测中使磊豹传惑器有磁种类羹：主裙式( a c t i v es e n s o r s ) 秘较动式 ( p a s s i v es e n s o r s ) 。例如激光测躐仪、纛米波嚣达等为主动式传感器，c c d 摄像机 以及目前在军事、民事领域广泛使用的红外热象仪弼属予被动式倍感器。 使用主动式传感器谶行车辆检测，算法实现简单，性瓣较好，但是仍然存在 一些不足 5 5 , s o l ：分辨率较低，传感器之间互有干扰，成本昂贵，以及可能带来的 巧境阉题。籀毪较嚣言，羧动式转感糕魏羧糖楣霹蠖宣，在车辅行驶爨线发生羧 变时( 如转弯) ，可以实现更有效的检测与跟踪，而且丰富的视频信息可以用来 进行箱关的应爱，如道路检溅、交通标识谖鞠，良发行人、障褥耢懿检测与识崩 等。以上因索决定了目前车辆检测的主流算法大部分基于被动式传感嚣。 一般说来，车辆检测算法包括两个基本步骤：( 1 ) 候选区域确定( h y p o t h e s i s g e n e r a t i o n ，h g ) ，即确定车辆可黢存在的区域；( 2 ) 车辆确认( h y p o t h e s i s v e r i f i c a t i o n h v ) ，即对上一阶段产生的候选区域进行确认，判断是车辆或背港， 博士论文g a b o r 滤波器在车辆检测和车型识别中的应用研究 从而检测出车辆及其相应的位置。由于这两个环节的独立性很强，一般将二者分 离开来，分别加以研究。下面予以扼要陈述。 h g 阶段的算法主要分为三类：知识型( k n o w l e d g e b a s e d ) ，运动型 ( m o t i o n b a s e d ) 和立体视觉型( s t e r e o b a s e d ) 。 ( 1 ) 基于知识的方法。该方法利用车辆的形状、颜色、对称性等信息，以及 道路和阴影等的常识信息进行相关检测。t z o m a k a s 等f 68 】利用路面和车辆阴影的 灰度差异估计车辆可能出现的位置。k u e h n l e 6 9 1 和z i e l k e 等【7 0 l 基于车辆关于垂直 轴的对称性，应用灰度图或边缘图进行对称检测。基于知识的方法简单、直观， 易于编程实现，但需要估计多个经验阈值，例如车辆长宽的经验比值、车辆边缘 的最小长度、车辆阴影与道路的灰度差异阂值等。经验阈值的准确与否，直接关 系着系统性能的优劣。 ( 2 ) 基于运动的方法。这种方法主要利用序列图像之间存在的大量相关信息 进行车辆的预检测。主流算法有差图像法和光流法( o p t i c a lf l o w ) 。差图像法是直 接的帧间变化检测，快捷简单，实时性较好，适合于运动快且形变较大的运动目 标，但对有全局运动的场景，象不平坦或弯路较多的道路等，不能直接使用；光 流法对每一个像素计算位移矢量( 连续方式) ，比较精确、鲁棒，给出的信息更丰 富并可处理全局运动的情况，缺点是耗费大量时间，对过于复杂、快速或速度 过小的运动效果不好，对要求实时性的系统来说是不实用的。因此在实际的光流 法应用中，离散方式效果较好，一般会利用其它方面的图像特征，例如颜色块j 或局部灰度极值点 7 2 1 等。 ( 3 ) 基于立体视觉的方法。建立在视差或频差理论基础上的机器立体视觉， 运用两个或多个摄像机对同一景物从不同位置成像获得立体像对，通过各种算法 匹配出相应像点，从而恢复深度( 距离) 信息 2 8 】。这种方法能够直接检测出车辆 及障碍物的位置( 基于光流法的车辆检测则是通过对速度场的分析间接进行) ， 而且在车辆或障碍物具有很小速度时，也能正确检测。但是这种方法要求对摄像 机进行正确标定，这是非常困难的，因为不可避免地要受到车辆运动或天气等的 影响【7 引。在基于立体视觉的车辆检测中，通常应用i m p ( i n v e r s ep e r s p e c t i v e m a p p i n g ) 7 4 】法来估计图像中车辆及障碍物的位置。b e r t o z z i 【5 j 等从左图像到右图 像计算i m p ，并进行比较。根据比较结果确定不在地表上的物体，从而得到车辆 前方的自由空间。在文献 7 6 1 中，i m p 用来对左、右图之间进行修正。 值得注意的是，上述三种方法并不是孤立的，可以在实际应用中结合使用。 例如b e t k e 等在文献 6 】中，利用差图像法检测出车辆的大致位置，然后根据车辆 的对称性及边缘特征对候选区域进行修正，从而得到车辆候选区域的精确位置。 上述h g 阶段算法产生的候选区域是下一步h v 阶段的输入，在h v 阶段确 缝瞧博士论文 认候选车辆的i e 确性。在h v 阶段的车辆识别，本质上是一个二值分类问题，即 车辆和背景之间的分类问题。其方法大致可以分成两类：模板型( t e m p l a t e b a s e d ) 秘终鼹墼( a p p e a r a n c e i b a s e 国。 ( 1 ) 基于横板的方法。使用预定义的车辆类模板，在输入图像和模板之间计 算相似度。b e t k e 等 76 】利用w 变灰度模板匹配方法进行多车辆的检测。f e r r y m a n 等 】利用p c a ( p r i n c i p a lc o m p o n e n ta n a l y s i s ) 方法形成一个可变形模型，不问结构 萃拜瓷态翡车辆都可班被谈硝澄来。这秘方法静优点是不需预先谰练，系统可妻簇 投入使用；如果采用可变形模板，则可以识别不同角殿、结构的车辆。缺点是使 用可变形模扳的算法复杂、耗时。 f 2 基予羚鼹戆方法。懑过一缀训练榉零囊学习攀辆楚淫蒺，熬镬革颡终戏 上的变化。通常，非车辆( n o n v e h i c l e ) 类也被模拟，以此来提高识别性能。实际 上，这是一个媳型的统计模式识别问题。首先，每一个训练样本由一组局部或全 裁特征进行表示，然居训练一个分类器( 例如享孛经网络) 学习车辆和非车辆类别 之闻的决策边界或者穰瓠每类鬟特征稳概率分布( 镶麴商麓分布) 。m a t t h e w s l 7 q 用p c a 进行特征抽取。o o e r i c h 等1 7 8 1 使用l o c ( l o c a lo r i e n t a t i o nc o d i n g ) 方法抽 敬边缘信息，然后训练神经网络进行分类。s u n t 5 5 , 7 9 等利用g a b o r 滤波器和小波 燹获耋蠢取特援，取缛了较羚豹经毙。这秘方法逶过学习遴行分类，与人类谈襄过 程类似，但系统需要预先的训练，才能投入使用。 虽然车辆检测算法发展鬻今已有四十多年，但是下列因素决定落依然是一个 具有挑战性的任务： ( 1 ) 车辆在尺度、位置、方囱上的交纯。倒魏送入裰瓣的车辆其育不溺的速度， 在形状、大小、颜色等方面都会产生变化。 ( 2 ) 车辆的外观取决于擎辆的角度，并爱受邻近物体的影响。同时，车辆之间 瓣遥整、光照袋馋蕊改变毽会鼹车辆懿终凌逢残一定翁彩穗。 ( 3 ) 道路两边的风景在持续变化，光照随时间和天气在改变。 ( 4 ) 巨大的图像处理任务与系统的实时性要求。 照照，车辆检测算法和人们预想豹i t s 要求还有很大麓距，今后的发展方良应该 体现在识嗣健熊和速度上。然而，二者之间是相互裁衡秘。最近，穗着计算瓤硬 件水平的不断进步，人们将软件硬化，取得了不错的识别性能和处理速度。 1 2 。3 车型谈剃的研究与发展 车型识别也是i t s 中的一个重要分支，在打击盗窃车辆、规范交通秩序、大 型婷车场管理、毫速公路囊渤诗费等方掰舆有r - n 基j 应麓翦景。毽楚与车辆检测 博上论文 g a b o r 滤波器在车辆检测和车型识别中的应用研究 比较起来，起步较晚。目前成型的算法较少，且大部分算法是为解决特定问题而 提出的，通用性较差。部分原因是由车型识别问题本身的复杂性决定的。因为同 一车辆在不同角度、不同位置时，外观变化很大；而且同一类型的车辆之间，外 形也不尽相同。当前研究较多的是对车辆侧面图像的车型识别。 在探讨车型识别发展概况之前，我们有必要分清两个相关概念：车辆识别和 车型识别。 车辆识别：车辆和非车辆之间的识别，是一个典型的二值分类问题。在车辆 检测的h v 阶段进行的就是车辆识别( 参见1 2 2 节) 。 车型识别：依据外形对不同类型的车辆进行识别。例如，我们可以把车辆分 成6 类：吉普车型、公共汽车型、轿车型、微型面包车型、货车型、特殊型。关 于车辆的类型，现在并没有一个通用的标准，通常根据实际应用的需要进行划分。 这里所说的车型，有别于我们日常生活中所接触的带有商标标识的车型，如桑塔 纳车型等。 目前，关于车型识别的算法大致可以分为以下两类： ( 1 ) 基于模板的方法。m ed u b u i s s o nj o l l y 等】通过模板匹配法对车型进行 分类，其模板是融入先验知识的在一定范围变形的多边形，用b a y e s 决策判定车 型。该算法的缺点是复杂、计算量大，车型识别准确率最高可达9 1 9 。最近， w e i 等【h i 使用了相对简化的模型，即构造了参数化模型表示不同的车型，这些 参数包括车辆的至高点、拓扑结构等，然后应用神经网络进行识别，车型识别率 达到9 0 以上。 ( ) 基于代数特征的方法。将一幅车辆样本图象看成一个矩阵，通过对矩阵 进行变换或线性投影，可以抽取车辆的代数特征。陈1 9 , 1 0 1 提出了基于k - l 变换的 特征车方法。最近，魏等将人脸识别中的奇异值方法应用于车型识别，但与人 脸识别不同的是，车辆样本图像均采集于室外，图像的灰度变化比较大，作者引 入了狄度一致因子进行校正。t tr l i m 等【8 7 】应用g a b o r 滤波器对车辆样本图像 抽取o a b o r 特征，由于g a b o r 滤波器强大的分类鉴别能力车型识别效果较好， 识别率达到9 5 以上。 在基于模板的方法中所构造的模型都是基于车辆的外部轮廓的，然而在实际 应用中往往很难准确地获取车辆的外部轮廓。而且要想获得较高的识别率，就要 构造复杂的模型，算法也需要相应的复杂。比较而言，对于外形区别不大以及受 到干扰的汽车进行识别，基于代数特征的方法在识别率和鲁棒性方面性能都要较 好一些。 绪论 博士论文 1 3g a b o r 滤波器简介 1 3 。1g a b o r 函数的提出 十九世纪初，法国科学家傅墼叶( f o u r i e r ) 在向巴黎科学院呈交的关于热传簿 款著襄论文中提出了f o u r i e r 级数，其懑义是凭法绉蹩的。今天，f o u r i e r 分孝厅方 法已成为了各种信号数据处理中最基本的数学工具 8 8 , 8 9 l 。 一令在r ( 宾) 中豹丞数厂( 玲常用予淡示其窍有袋缝量豹一令援羧蕊号，它豹 f o u r i e r 变换定义为： f ( c o ) = lp 。“f ( t ) d t = ( 1 - 1 ) f ( c o ) 为信号厂( ) 各频率残铃载权鬟因予。由予f o u r i e r 变换的基函数在时嘲 轴上是无限扩展的，任何时间局域的信息被扩展到熬个频率轴上。因而信号的频 谱f ( c o ) 只髓粼划f ( t ) 在熬个露澜辘上豹频谈特征，纛不髓反映爨信号簌辩溺疆 上的局部区域的频率特征。因此f o u r i e r 变换适于分析稳崽的慢变信号。但是， 在很多实际问题中，我们所关心的恰徐楚信号的局部特征、信号静突变等。翻如， 对地震波信号的记录，人们关心的是什么位鼹出现什么样的反射波；图像处理中 的边缘检测关心的是灰度突变部分的位置。对这些信号的f o u r i e r 分析，会有很 多豹懑频摸式。当滋孬继号重携对，仪仅截取有隈磺数来邋逐对，裁会引入毫频 噪声。从信号传递的角度来考虑，当然希望输出的信号尽可能逼近原信号。 为了婿究信号在局部范围肉静频率特性，d e n n i sg a b o r 子1 9 4 6 年在“t h e o r y o fc o m m u n i c a t i o n ”一文中提出了著名的“窗口”傅里叶变换( 也叫短时f o u r i e r 变换，s t f t ) | 3 ”，后人称之为g a b o r 变换。辩厂( f ) 的g a b o r 变换定义为： g ，洄，妨= le - g 。( t b ) f ( t ) d t( 1 2 ) 式中的g 。( ，) 是一适当的窗口函数如g a u s s i a n 函数。由上式可知，对信号的g a b o r 变换就是用平移了的窗蕊数去乘信号稀作f o u r i e r 变换。g a b o r 变换的童要饶点 是当信号的大部分能量处于t = b 时间间隔i r ，t i 和频率间隔l q ，q i 时，那么它 的g a b o r 变换将局限在区域【_ 咒t x l q ，q l 内，在此外的空间，g a b o r 因子趋近 予零。出式( 1 2 j ，我们也可以等傍地委作g a b o r 变抉鲍基溺数是鬻口函数的调制 函数，这就是g a b o r 函数。g a b o r 函数般采用g a u s s i a n 函数乘以一个调制函数 静形式，戮为g a u s s i a n 涵数奁辩阉帮频率域中豹形式是一致的，因魏g a b o r 遵 数具有较好的局域性。 博上论文 g a b o r 滤波器在车辆检测和车型识别中的应用研究 1 3 2g a b o r 函数与测不准原理阢 以g a b o r 函数为基础的一维g a b o r 滤波器，由于可以同时获取时间和频率 域的最小不确定性而被用于信号处理领域。这里，提取目标局部空间和频率域信 息的最佳性，是由测不准原理描述的。 这里，给定一个信号厂( f ) ( 假定f 是一个连续变量) 。在此基础上，我们首 先给出窗函数的具体定义。 定义1 1 ：非平凡函数w l 2 ( r ) ，且还有t w ( t ) l 2 ( r ) ，则称w ( f ) 为一个窗 函数。 窗函数的中心r + 与半径a 。分别定义为： 2 高肌圳2 出 ”= 赤，) 2 i 2 曲 ” ( 1 - 3 ) ( 1 4 ) 而窗函数的宽度为2 。 在g a b o r 变换中( 参见式l 2 ) ，取g a u s s i a n 函数作为窗函数，即w ( t ) = g a ( ，) 。 众所周知，一个g a u s s i a n 函数乳的重要性是它的f o u r i e r 变换还是一个g a u s s i a n 函数，所以g 。和富。可用于时间一频率的局部化。现在，使用一个满足定义1 1 的函数w 作为窗函数，g a b o r 变换公式( 1 2 ) 能够推广到任一“窗口f o u r i e r 变换” 如下： g ，洄，b ) = lp w ( 卜b ) f ( o d t( 1 5 ) 根据式( 1 3 ) 和( 1 4 ) ，可以确定窗函数w 的中心x 与半径。假定w 的f o u r i e r 变换谛也满足定义1 1 ，我们可同理确定谛的中心0 9 与半径。这样就能得到 一个时间一频率窗 b + 6 7 虬一“+ 。1 ( 1 _ 6 ) x b + 0 9 一a 。，甜+ + 国+ 。 它具有宽度2 。( 用时间窗的宽度决定) 和不变的窗面积4 。 在下面著名的“测不准原理”中，将会看到，不可能求得一个窗函数具有小 于或等于g a u s s i a n 函数作为窗函数时窗的面积。 定理1 1 ：令w l 2 ( r ) 的选择使w 与其f o u r i e r 变换都满足定义1 1 。那么 。a ； ( 1 - 7 ) 而且，等号成立，当且仅当 w ( t ) = c e ”g 。( f b ) 其中c 0 口 0 和口，b r 。而g a b o r 函数一般采用g a u s s i a n 函数乘以一个调制 缝论薄论文 函数的形式，因此它是