1、隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，城市道路交通問(wèn)題越來(lái)越突出，使用智能交通系統(tǒng)科學(xué)的管理與規(guī)劃道路交通網(wǎng)成為一個(gè)熱點(diǎn)問(wèn)題，而其中一個(gè)關(guān)鍵問(wèn)題就是如何快速獲取區(qū)域內(nèi)的車流量信息。使用高分辨率衛(wèi)星影像獲取車輛信息，作為一種新興的技術(shù)手段，具有傳統(tǒng)地面檢測(cè)設(shè)備無(wú)法比擬的優(yōu)勢(shì)，而目前從高分辨率衛(wèi)星影像中自動(dòng)識(shí)別車輛信息的方法還不夠成熟。對(duì)此，本文針對(duì)高分辨率衛(wèi)星影像，研究了從道路圖像中識(shí)別車輛目標(biāo)的方法。
　　本文主要使用級(jí)聯(lián)的AdaBoost分類

2、器實(shí)現(xiàn)對(duì)車輛目標(biāo)的識(shí)別。分類器的訓(xùn)練過(guò)程是：首先采集大量車輛與非車輛樣本圖像，其中車輛樣本取其對(duì)稱軸后截取對(duì)稱部分的圖像，對(duì)所有樣本尺寸和灰度進(jìn)行歸一化后，提取灰度信息和飽和度信息，使用Haar-like特征分別取特征值，送入級(jí)聯(lián)分類器進(jìn)行訓(xùn)練。目標(biāo)識(shí)別過(guò)程是，對(duì)待識(shí)別圖像分別在灰度和飽和度圖像上計(jì)算積分圖，使用逐步增大的放大因子放大檢測(cè)窗口，在窗口中進(jìn)行灰度歸一化，然后檢測(cè)和合并檢測(cè)結(jié)果。在檢測(cè)目標(biāo)時(shí)，根據(jù)車輛俯視圖像都是左右對(duì)稱的這

3、一特點(diǎn)，構(gòu)造了兩類特征：一類是只檢測(cè)半個(gè)車身的特征，將檢測(cè)窗口高度減小到原來(lái)的一半，在縮小后的檢測(cè)窗口中使用所有特征來(lái)檢測(cè)目標(biāo)；另一類是檢測(cè)車身對(duì)稱性的特征，在原檢測(cè)窗口中，只使用對(duì)稱于窗口對(duì)稱軸、且描述上下部分差異的特征。使用這種方式，可以大幅減少特征數(shù)量，提高訓(xùn)練速度，同時(shí)保持識(shí)別效果。不同于大部分的研究中只使用灰度信息，本文在對(duì)比了幾種顏色空間模型后，選擇了加入HSV色彩空間的飽和度分量，使訓(xùn)練分類器時(shí)可選擇的特征數(shù)量增加了一倍。

4、在實(shí)驗(yàn)中發(fā)現(xiàn)，飽和度分量能更好的區(qū)分道路與深色的車輛。針對(duì)不同圖像光照情況、拍攝參數(shù)不一等造成圖像亮度有差異的情況，本文對(duì)比了直方圖均衡化、Gamma校正和方差歸一化的處理效果，實(shí)驗(yàn)表明，使用方差歸一化能很好的修正光照對(duì)圖像的影響，同時(shí)識(shí)別目標(biāo)的效果較好。訓(xùn)練算法采用了傳統(tǒng)的級(jí)聯(lián)AdaBoost分類器，由于在預(yù)處理和特征提取過(guò)程中進(jìn)行的優(yōu)化處理，使用這樣的分類器訓(xùn)練方法已經(jīng)能很好的識(shí)別車輛目標(biāo)。在實(shí)際應(yīng)用中，本研究可以應(yīng)用于智能交通系統(tǒng)