自然場(chǎng)景下基于局部模型的車(chē)體檢測(cè)及其并行化方法研究.pdf

1、圖片信息的獲得、圖片信息的收集方法的成熟，使得在生活中的各個(gè)行業(yè)中，運(yùn)用了很多不同的方法得到了大量的關(guān)于車(chē)輛的歷史圖片和實(shí)時(shí)圖片，這些圖片絕大多數(shù)是在自然場(chǎng)景下，通過(guò)自動(dòng)化或半自動(dòng)化的方法獲取的，它們有著共同的特點(diǎn)，即獲取場(chǎng)景不固定、圖片質(zhì)量不穩(wěn)定、拍攝的時(shí)間分布較均勻和數(shù)量大的特點(diǎn)。高效準(zhǔn)確地確定圖片中車(chē)輛的相對(duì)位置，是提高車(chē)輛圖片信息可用性的必要條件。但是，現(xiàn)在很多車(chē)體檢測(cè)的方法對(duì)照片拍攝角度，明暗等因素的要求都很高，這些約束條件只

2、有在特定的情況下才能達(dá)到，所以，探索如何準(zhǔn)確、快速地檢測(cè)自然場(chǎng)景下的車(chē)體目標(biāo)就具有重大的理論意義和實(shí)踐價(jià)值。
　　本文采用了潛在支持向量機(jī)（Latent Support Vector Machine, LSVM）來(lái)實(shí)現(xiàn)自然場(chǎng)景下的車(chē)體檢測(cè)系統(tǒng)。支持向量機(jī)是一種有監(jiān)督的學(xué)習(xí)模型。對(duì)于一組訓(xùn)練數(shù)據(jù)，每個(gè)數(shù)據(jù)分為正負(fù)樣本兩類(lèi)，SVM算法訓(xùn)練得到了一個(gè)模型，用于識(shí)別新的樣本為正樣本或負(fù)樣本，使其成為非概率二分類(lèi)線(xiàn)性分類(lèi)器。一個(gè)SVM模型的

3、例子，如映射在空間中的點(diǎn)，使得所述不同的類(lèi)別的樣本是由一個(gè)間距是盡可能寬的判定邊界劃分的表示。新的樣本則映射到相同的空間中，并通過(guò)預(yù)測(cè)它們落在分類(lèi)器的哪一邊來(lái)判斷樣本屬于哪一個(gè)類(lèi)別。隨著GPU使用的普遍和性能的不斷提升，利用GPU的并行計(jì)算原來(lái)越成熟。而且GPU的特性有決定了它在圖像處理上有比CPU更大的優(yōu)勢(shì)，因此，本文使用了分布并行計(jì)算的方法，有效的提高的算法的運(yùn)行時(shí)間。使用支持向量機(jī)的方法來(lái)解決自然場(chǎng)景下車(chē)體檢測(cè)問(wèn)題，實(shí)驗(yàn)的結(jié)果表明