城區(qū)復(fù)雜背景條件下的目標(biāo)識(shí)別算法研究.pdf

1、目標(biāo)識(shí)別是當(dāng)前數(shù)字圖像處理和模式識(shí)別領(lǐng)域的研究熱點(diǎn)之一，其應(yīng)用范圍十分廣泛。基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(SVM，Support Vector Machine)，遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，有效解決了傳統(tǒng)模式識(shí)別方法容易出現(xiàn)的過(guò)學(xué)習(xí)和欠學(xué)習(xí)問(wèn)題，成為當(dāng)前模式識(shí)別領(lǐng)域的首選。本文以智能汽車主動(dòng)安全預(yù)警系統(tǒng)為背景，以城區(qū)復(fù)雜交通背景下的車輛、行人等目標(biāo)為研究對(duì)象，對(duì)支持向量機(jī)在目標(biāo)識(shí)別中的應(yīng)用進(jìn)行了討論和研究，并提出了一種基于支持向量機(jī)和集成學(xué)

2、習(xí)的目標(biāo)識(shí)別的新方法。
　　 文中首先對(duì)城區(qū)交通環(huán)境下的車輛、行人等目標(biāo)進(jìn)行檢測(cè)，為后續(xù)的目標(biāo)識(shí)別提供條件。在對(duì)圖像進(jìn)行灰度化、平滑去噪等預(yù)處理之后，使用Sobel算子垂直方向掩模計(jì)算圖像感興趣區(qū)域內(nèi)的邊緣梯度，確定候選區(qū)域；然后利用目標(biāo)圖像垂直邊緣具有對(duì)稱性的特點(diǎn)，分析候選區(qū)域的對(duì)稱性強(qiáng)弱，計(jì)算其對(duì)稱軸位置；最后結(jié)合邊緣、底部陰影、外形高寬比等多種特征在對(duì)稱軸附近搜索候選目標(biāo)的外接輪廓矩形，從而檢測(cè)出目標(biāo)所在區(qū)域。
　　

3、 然后，本文提出了一種基于混合核函數(shù)的AdaBoost-SVM多類分類算法，并將該算法運(yùn)用于城區(qū)障礙物目標(biāo)的分類識(shí)別上。該算法將多項(xiàng)式核函數(shù)和徑向基核函數(shù)結(jié)合起來(lái)，組成的混合核函數(shù)作為支持向量機(jī)的核函數(shù)，并結(jié)合AdaBoost集成學(xué)習(xí)對(duì)核函數(shù)參數(shù)進(jìn)行自適應(yīng)調(diào)整，通過(guò)AdaBoost學(xué)習(xí)得到一組精度適當(dāng)且差異性較大的弱分類器，然后將這組弱分類器加權(quán)組合得到一個(gè)強(qiáng)分類器。在對(duì)檢測(cè)的目標(biāo)進(jìn)行分類識(shí)別之前，首先獲取城區(qū)障礙物的樣本并提取其特征