1、智能交通系統(tǒng)(ITS)是智能視頻監(jiān)控系統(tǒng)在現(xiàn)代交通領(lǐng)域的重要應(yīng)用,代表著未來交通管理的發(fā)展趨勢,其中基于視頻的車輛檢測是ITS的一項關(guān)鍵內(nèi)容,在ITS中起著決定性的作用。通常將基于視頻的車輛檢測視為一個分類問題,其關(guān)鍵步驟涉及樣本集的構(gòu)建、特征提取及分類器訓練等部分。
　　本文對車輛檢測技術(shù)的研究現(xiàn)狀進行總結(jié)與分析,在此基礎(chǔ)上,在訓練樣本集構(gòu)建、特征描述、分類器模型訓練性能的改善等方面對車輛檢測關(guān)鍵技術(shù)進行研究。
　　論文工

2、作及主要貢獻如下:
　　(1)基于多尺度樣本的訓練樣本集構(gòu)建
　　首先對樣本集提取HOG特征,然后用boosting方法訓練SVM分類器。通過三級boosting得到大量的優(yōu)質(zhì)樣本集,使最后得到的SVM分類器能夠準確的區(qū)別目標與非目標。
　　為了解決傳統(tǒng)的樣本集構(gòu)建方法訓練得到的分類器誤判率高的問題,本文提出了多尺度訓練樣本集構(gòu)建方法,引入與測試策略相同的多個尺度的訓練樣本,降低了分類器的誤判率,使靜態(tài)圖片中目標檢測的

3、誤判窗口數(shù)目大大降低。
　　(2)基于MbSBP特征提取的樣本描述
　　為了較為完整描述目標的紋理及結(jié)構(gòu)信息,提出了一種基于中值濾波的星形二值模型(MbSBP:Median filter based Star Binary Pattern)特征。用LBP特征、HOG特征、MbsBP特征分別訓練了SVM分類器。基于SVM分類器的車輛檢測實驗表明:相對于LBP直方圖及HOG特征的目標描述,MbSBP特征可顯著改善分類器的檢測性能

4、。
　　(3)基于SC-Adaboost模型的分類器
　　基于AdaBoost級聯(lián)分類器的目標檢測,具有檢測精度高、檢測速度快的特點,但當訓練樣本數(shù)目多、樣本描述的特征維數(shù)高時,分類器的訓練過程將會異常緩慢。為有效降低分類器的訓練時間,本文從有效限制弱分類器訓練樣本規(guī)模的角度,提出了一種改進的boosting分類器訓練模型,即:基于SC-AdaBoost的分類器。行人檢測與車輛檢測兩組實驗表明SC-Adaboost算法在不降