基于图像处理的车辆识别系统设计

doi:10.13438/j.cnki.jdzk.2019.05.004

吉首大学学报（自然科学版）

基于图像处理的车辆识别系统设计

邱国枢，张翔，刘军，王蕾，田青，郭建华

（1.江苏省徐州市公路管理处，江苏徐州 221002；2.北方工业大学电子信息工程学院，北京 100144；3.东南大学智能运输系统研究中心，江苏南京 210096）

出版日期:2019-09-25 发布日期:2019-11-12
作者简介:邱国枢（1978—），男，江苏徐州人，江苏省徐州市公路管理处助理工程师，主要从事智能交通研究.
基金资助:
国家重点研发计划资助（2017YFC0806005）；国家自然科学基金资助项目（61806008）

Vehicle Detection System Based on Image Processing

QIU Guoshu, ZHANG Xiang, LIU Jun, WANG Lei, TIAN Qing, GUO Jianhua

(1. Road Administrative Office of Xuzhou City, Xuzhou 221002, Jiangsu China; 2. Electronic Information Engineering College, North China University of Technology, Beijing 100144, China;
3. Intelligent Transportation System Research Center, Southeast University, Nanjing 210096, China)

Online:2019-09-25 Published:2019-11-12

摘要/Abstract

摘要：

为了实时了解道路交通信息，及时处理交通事故，在一定程度上缓解交通事故频发的状况，设计了基于方向梯度直方图（HOG）特征与支持向量机（SVM）的车辆检测系统.在收集大量的车辆样本，构建正、负样本集之后，提取出每一个正、负样本的HOG特征向量并汇总，进而形成检测所用的SVM分类器模板.在视频检测过程中，提取视频中每帧图像的HOG特征送到训练好的分类器中与模板进行对比，并用矩形框标注检测出的车辆目标.利用实际道路监控视频进行车辆检测系统测试，结果表明，对于不同的路况、天气和光线下的道路环境，该算法都可以完成实时且准确的检测，有较强的实际场景应用能力.

关键词： 目标检测, 方向梯度直方图, 支持向量机, 车辆识别

Abstract:

To obtain traffic information and dispose of traffic accidents in time, and ultimately reduce accidents frequency to a certain extent, a vehicle detection system based on HOG and SVM was designed. Firstly, a large number of vehicle samples were collected to build positive and negative sample sets, and then HOG feature vectors of all these samples were extracted and summarized. Finally, the SVM classifier template was formed. In the video detection process, the HOG features of each frame in the video were extracted and compared with the template that has been trained, and the detected vehicle targets were tagged with a rectangular frame. The actual road monitoring video was adopted to test the vehicle detection system, and the results demonstrated that the algorithm designed shows real-time performance, accuracy, and applicability for different road conditions, different weather and different illumination.

Key words: target detection, histogram of oriented gradient, support vector machine, vehicle detection

邱国枢，张翔，刘军，王蕾，田青，郭建华. 基于图像处理的车辆识别系统设计[J]. 吉首大学学报（自然科学版）, DOI: 10.13438/j.cnki.jdzk.2019.05.004.

QIU Guoshu, ZHANG Xiang, LIU Jun, WANG Lei, TIAN Qing, GUO Jianhua. Vehicle Detection System Based on Image Processing[J]. Journal of Jishou University（Natural Sciences Edition), DOI: 10.13438/j.cnki.jdzk.2019.05.004.

参考文献

[1] 赵新勇,李珊珊,夏晓敬.大数据时代新技术在智能交通中的应用[J].交通运输研究,2017,3(5):1-7.
[2] 王姮,游斌相,刘桂华,等.红外视频图像的行人检测算法[J].自动化仪表,2017,38(7):86-88.
[3] 刘相莹.智能交通中的车辆检测技术及其发展[J].科技信息（学术研究）, 2007(28):263-264.
[4] NOURANI-VATANI N, BORGES P V K, ROBERTS J M, et al. On the Use of Optical Flow for Scene Change Detection and Description[J].Journal of Intelligent & Robotic Systems, 2014, 74(3/4): 817-846.
[5] 王振亚,曾黄麟.一种基于帧间差分和光流技术结合的运动车辆检测和跟踪新算法[J].计算机应用与软件,2012,29(5):117-120.
[6] 汪冲,席志红,肖春丽.基于背景差分的运动目标检测方法[J].应用科技,2009,36(10):16-18.
[7] CHEN Zezhi, ELLIS TIM. Self-Adaptive Gaussian Mixture Model for Urban Traffic Monitoring System[C]. 2011 IEEE International Conference on Computer Vision Workshops. Barcelona, Spain:IEEE, 2011: 1 769-1 776.
[8] 梅娜娜,王直杰.基于混合高斯模型的运动目标检测算法[J].计算机工程与设计,2012,33(8):3 149-3 153.
[9] 李晔.常见视频运动目标提取方法原理及特点再探析[J].科技经济导刊,2016(32):90.
[10] 武光利,王绵沼.基于HOG特征与SVM分类器的行人检测研究[J].中国有线电视,2017(12):1 413-1 415.
[11] 曲永宇,刘清,郭建明,等.基于HOG和颜色特征的行人检测[J].武汉理工大学学报,2011,33(4):134-138.
[12] 祝浩.基于多特征融合行人检测系统设计与实现[D].成都:电子科技大学,2016.
[13] 刘文振.基于HOG特征的行人检测系统的研究[D].南京:南京邮电大学,2016.
[14] 梁敏健,崔啸宇,宋青松,等.基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法[J].交通运输工程学报,2017,17(3):151-158.
[15] 王炎,连晓峰,叶璐.基于特征融合的多尺度窗口产品外观检测方法[J].计算机测量与控制,2017(12):39-42.
[16] REID D. An Algorithm for Tracking Multiple Targets[J]. IEEE Transactions on Automatic Control, 1979, 24(6): 843-854.
[17] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6): 1 137-1 149.
[18] SUN Z, BEBIS G, MILLER R. On-Road Vehicle Detection: A Review[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2006, 28(5): 694-711.

基于图像处理的车辆识别系统设计

Vehicle Detection System Based on Image Processing

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	林锟煌, 李建锋, 汪洋, 刘志杰, 刘哲宇. 改进的YOLOv4肺结节检测算法[J]. 吉首大学学报（自然科学版）, 2023, 44(1): 24-29.
[2]	曲洪权, 刘欲哲, 庞丽萍, 单一平. 基于视觉和操作类脑电信号的脑力负荷分类[J]. 吉首大学学报（自然科学版）, 2022, 43(1): 31-37.
[3]	宋雷震, 孙晓东. 管道巡检机器人目标识别与定位检测技术[J]. 吉首大学学报（自然科学版）, 2021, 42(5): 38-43.
[4]	谢静, 杨盘隆, 魏星. 自适应跌倒前实时检测方法[J]. 吉首大学学报（自然科学版）, 2021, 42(3): 34-40.
[5]	王军. 安徽省某地区中长期电力负荷预测[J]. 吉首大学学报（自然科学版）, 2018, 39(6): 46-49.
[6]	彭思江，戴厚平，周成富，刘倩. 基于HOG/PCA/SVM的跨年龄人脸识别算法[J]. 吉首大学学报（自然科学版）, 2018, 39(5): 24-28.
[7]	陈丽，王景芹. 可靠性约束函数未知的网路费用最小化快速求解[J]. 吉首大学学报（自然科学版）, 2016, 37(4): 19-24.
[8]	杜经纬. 基于支持向量机的P2P流量管理模型设计[J]. journal6, 2015, 36(4): 26-29.
[9]	申瑛, 杨焕志, 张振彬, 曾庆欢李平, 陈炳权, 张榜英. 基于活动轮廓与模糊型支持向量机的车辆分类算法[J]. journal6, 2015, 36(2): 55-59.
[10]	彭华, 莫礼平, 唐赞玉. CVE漏洞分类框架下的SVM学习模型构建[J]. journal6, 2013, 34(4): 62-66.
[11]	彭华, 李宗寿. 基于SVM的CVE漏洞分类框架构造[J]. journal6, 2013, 34(1): 66-71.
[12]	李海, 李春来, 侯德艳. 支持向量机下机器学习模型的分析[J]. journal6, 2010, 31(3): 39-42.
[13]	向昌盛, 周子英. 基于支持向量机的混沌时间序列预测[J]. journal6, 2009, 30(6): 35-39.
[14]	樊晓兵. 基于小波变换的弱小目标检测[J]. journal6, 2008, 29(1): 75-78.
[15]	聂志彪, 余海峰, 夏文庆, 陈广东. 基于高次模糊函数的SAR图像动目标检测[J]. journal6, 2007, 28(6): 77-80.