城區(qū)復(fù)雜背景條件下的目標識別算法研究.pdf

1、目標識別是當前數(shù)字圖像處理和模式識別領(lǐng)域的研究熱點之一，其應(yīng)用范圍十分廣泛?；诮y(tǒng)計學(xué)習(xí)理論的支持向量機(SVM，Support Vector Machine)，遵循結(jié)構(gòu)風險最小化原則，有效解決了傳統(tǒng)模式識別方法容易出現(xiàn)的過學(xué)習(xí)和欠學(xué)習(xí)問題，成為當前模式識別領(lǐng)域的首選。本文以智能汽車主動安全預(yù)警系統(tǒng)為背景，以城區(qū)復(fù)雜交通背景下的車輛、行人等目標為研究對象，對支持向量機在目標識別中的應(yīng)用進行了討論和研究，并提出了一種基于支持向量機和集成學(xué)

2、習(xí)的目標識別的新方法。
　　 文中首先對城區(qū)交通環(huán)境下的車輛、行人等目標進行檢測，為后續(xù)的目標識別提供條件。在對圖像進行灰度化、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；然后利用目標圖像垂直邊緣具有對稱性的特點，分析候選區(qū)域的對稱性強弱，計算其對稱軸位置；最后結(jié)合邊緣、底部陰影、外形高寬比等多種特征在對稱軸附近搜索候選目標的外接輪廓矩形，從而檢測出目標所在區(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，并將該算法運用于城區(qū)障礙物目標的分類識別上。該算法將多項式核函數(shù)和徑向基核函數(shù)結(jié)合起來，組成的混合核函數(shù)作為支持向量機的核函數(shù)，并結(jié)合AdaBoost集成學(xué)習(xí)對核函數(shù)參數(shù)進行自適應(yīng)調(diào)整，通過AdaBoost學(xué)習(xí)得到一組精度適當且差異性較大的弱分類器，然后將這組弱分類器加權(quán)組合得到一個強分類器。在對檢測的目標進行分類識別之前，首先獲取城區(qū)障礙物的樣本并提取其特征