基于視覺感知的弱對比度車輛目標識別.pdf

1、由于造價低廉、易于應用，基于圖像的車輛識別技術而成為近年來國內外研究的熱點。國內外相關學者提出了很多富有建設性的方法并取得了一定成功，但是目前仍然存在環(huán)境適應性和魯棒性差的缺點，且對于復雜交通場景和惡劣天氣（如霧霾、雨雪等）下的弱對比度車輛目標難以獲得令人滿意的識別率，這已經嚴重制約了基于圖像的車輛識別技術的發(fā)展。因此車輛識別，尤其是弱對比度車輛目標識別已經成為一項具有挑戰(zhàn)意義和重要研究價值的工作。本文借鑒人類的視覺感知原理建立了適應性

2、強、魯棒性好的車輛識別模型，并探討建立聯(lián)想機制模型用于弱對比度車輛目標的準確識別。主要研究內容包括：
　?、呕谌祟惖囊曈X選擇注意機制建立了雙向驅動融合的注意模型用于車輛識別。該模型在基于bottom-up數(shù)據驅動的Saliency模型基礎上，選擇車輛目標最魯棒的結構和形狀特征建立兩級知識庫實現(xiàn)了top-down的任務驅動，在高層指導Saliency模型中的視覺選擇注意過程，實現(xiàn)了任務驅動與數(shù)據驅動的融合。其中，在數(shù)據驅動過程中，

3、利用譜分析方法和顯著度函數(shù)代替了基于高斯金字塔的多尺度顯著特征融合算法，提高了模型的實時性;在構建形狀知識庫時，利用格式塔知覺理論的相關原理建立了用于提取車輛目標閉合邊界集的多目標分割模型。
　?、铺接懡⒘擞糜谌鯇Ρ榷饶繕俗R別的聯(lián)想機制模型。提出了具有優(yōu)秀聯(lián)想能力的綠色神經元交互聯(lián)想網絡，利用高維聯(lián)想空間映射網完成了對于弱對比度目標不完整特征的模式異聯(lián)想，并通過解聯(lián)想映射網實現(xiàn)了目標的自聯(lián)想功能;同時建立神經調節(jié)函數(shù)和神經交互函

4、數(shù)模擬了生物神經信號傳導過程中神經元的交互作用，使聯(lián)想網絡具有更快的收斂速度。在此基礎上，本文借鑒人類視皮層中的WHAT通路將大腦皮層的聯(lián)想功能合理抽象為聯(lián)想產生、聯(lián)想匹配和綜合分析的層次化模型，從而構建了能有效識別弱對比度目標的聯(lián)想機制模型。
　?、峭ㄟ^仿真實驗得出，雙向驅動融合的注意模型對于只有清晰車輛目標的樣本集的識別率為90.4％，誤識別率為4.9％;對于包含弱對比度車輛目標的測試樣本集的綜合識別率為76.4％，綜合誤識別