基于組合濾波的交通圖像理解關(guān)鍵技術(shù)研究.pdf

1、交通圖像理解是在交通圖像分析的基礎(chǔ)上，結(jié)合人工智能、神經(jīng)網(wǎng)絡(luò)、模糊邏輯以及人類認知學等理論，研究交通圖像中各目標的性質(zhì)及其相互聯(lián)系，理解場景內(nèi)容或?qū)ο筇卣鞯暮x，挖掘出新的知識，進而指導和規(guī)劃交通行為的一門新興技術(shù)。隨著我國汽車保有量的迅速增加，交通圖像理解技術(shù)為智能交通系統(tǒng)的構(gòu)建提供了強有力的支持。為了克服單一濾波器濾波性能的局限性，同時又要兼顧處理效果和實時性的需求，本文系統(tǒng)地研究了基于組合濾波的交通圖像理解的一些關(guān)鍵問題，這些問題

2、相互關(guān)聯(lián)，直接影響到交通圖像理解的有效性和實用性，主要研究內(nèi)容如下：
　　（1）由于交通圖像在采集過程中難免混入幾類不同噪聲，影響后續(xù)圖像理解的進行，而單一濾波器一般在去除某一類特定噪聲時效果較好，但是在實際環(huán)境中往往要面對多類混合噪聲。為了克服單一濾波去噪性能的局限性，本文提出了一種基于Hilbert空間的組合小波交通圖像去噪算法。通過研究交通圖像的特性，從理論上深入分析了幾類小波變換各自的特點及其相互關(guān)系，并將獨立分量分析理論

3、結(jié)合 Hilbert空間的特點，運用到組合濾波后高頻系數(shù)與低頻系數(shù)的優(yōu)化中，大大減少了計算量，加速了收斂速度，使處理耗時達到可以接受的程度，同時提升了去噪效果。
　?。?）為了將來自不同攝像頭或同一攝像頭在不同時間點所攝錄的圖像進行融合，以得到一個更為完整的圖片或場景表達，供特征提取和理解，本文提出了一種新的多分辨率多方向動態(tài)模糊濾波融合方法。該方法在面向交通圖像融合時可依據(jù)場景的不同，選擇Curvelet變換或Contourle

4、t變換進行融合濾波。通過構(gòu)造新的動態(tài)模糊成員函數(shù)，科學劃分多分辨率多方向濾波后的高低頻系數(shù)，優(yōu)化高低頻系數(shù)分布，使用不同的融合規(guī)則對高低頻系數(shù)進行融合處理，盡可能多地保持融合圖像的細節(jié)。同時通過動態(tài)模糊處理使計算量大大降低，使得多分辨率多方向濾波的耗時大為改善，進而推進了交通圖像融合處理在實際場合中的應(yīng)用。
　?。?）為實現(xiàn)交通圖像輪廓、紋理、顏色和車型等特征的理解，本文提出了一種交通圖像特征提取策略。首先設(shè)計了一種基于Kalma

5、n濾波優(yōu)化的Snake模型主動輪廓提取算法，將Kalman濾波去優(yōu)化估計Snake模型的正規(guī)化參數(shù)λ，實現(xiàn)交通圖像輪廓提取，對輪廓內(nèi)的車體圖像進行裁剪即可去除背景干擾。其次，通過紋理相似度和車輛的顏色空間直方圖統(tǒng)計，實現(xiàn)相關(guān)特征的識別。最后，使用基于參數(shù)模型的Kernel PCA對構(gòu)造好的大巴、小轎車、商務(wù)車、面包車、小卡車、小貨車這6類車型進行車型識別，獲得了較高的查準率和查全率。
　　（4）為了實現(xiàn)交通圖像理解的決策支持功能，

6、本文針對交通圖像所采集的歷史信息和實時信息，結(jié)合神經(jīng)網(wǎng)絡(luò)和Deep Learning理論，提出了一種面向交通圖像信息的車輛最優(yōu)路徑挖掘方法，為復(fù)雜交通環(huán)境下車輛最優(yōu)路徑的挖掘作決策支持。本方法通過綜合利用車牌識別所對應(yīng)的交通管理數(shù)據(jù)庫信息和交通圖像車輛特征所提取的信息，構(gòu)建Deep Learning神經(jīng)網(wǎng)絡(luò)對生成的有向圖模型挖掘出最優(yōu)行駛路徑供交通指揮者或駕駛?cè)藛T作決策支持。經(jīng)實驗驗證，該方法是有效可行的。
　　綜上所述，本文針對