1、車(chē)輛檢測(cè)與車(chē)型識(shí)別是智能交通系統(tǒng)(ITS)中的重要組成部分.有鑒于Gabor濾波器在模式識(shí)別領(lǐng)域的成功應(yīng)用,我們將其引入到車(chē)輛檢測(cè)和車(chē)型識(shí)別應(yīng)用中,并做了相應(yīng)的研究工作.包括基于特征加權(quán)的Gabor特征抽取算法;基于Gabor濾波器和SVM的紅外車(chē)輛檢測(cè);一種簡(jiǎn)單的基于Gabor濾波器和邊緣特征的車(chē)型識(shí)別算法;以及實(shí)用的基于特定方向的Gabor濾波器組參數(shù)設(shè)置方法.文中首先研究并給出了一種改進(jìn)的基于特征加權(quán)的Gabor特征抽取算法.該算

2、法對(duì)Gabor特征矢量根據(jù)其鄰近分量的離散程度進(jìn)行加權(quán)處理,有效增強(qiáng)離散程度相對(duì)較小的特征分量在分類中的作用,同時(shí)充分利用樣本圖像的統(tǒng)計(jì)信息,具有較強(qiáng)的魯棒性和類別表征能力.實(shí)驗(yàn)數(shù)據(jù)表明,與傳統(tǒng)方法相比,這種特征抽取算法能夠有效降低圖像識(shí)別的錯(cuò)誤率,增強(qiáng)魯棒性,適于對(duì)質(zhì)量較差的圖像進(jìn)行識(shí)別.進(jìn)一步的,文中將上述算法應(yīng)用于紅外車(chē)輛檢測(cè)中.首先應(yīng)用閾值分割并結(jié)合邊檢測(cè)確定候選區(qū)域;其次利用上述Gabor特征抽取算法對(duì)選定的車(chē)輛和背景樣本集進(jìn)

3、行特征提取,訓(xùn)練SVM分類器;最后應(yīng)用SVM進(jìn)行分類檢測(cè).實(shí)驗(yàn)數(shù)據(jù)表明,與同類方法相比,該方法在識(shí)別率和魯棒性方面都有所增強(qiáng).針對(duì)Gabor濾波器應(yīng)用中的瓶頸問(wèn)題,即Gabor特征矢量維數(shù)較高,以及由此產(chǎn)生的較大計(jì)算量和存儲(chǔ)負(fù)擔(dān),文中提出一種簡(jiǎn)單的基于邊緣特征的車(chē)型識(shí)別算法.不同于目前Gabor濾波器應(yīng)用中普遍采用的以降低識(shí)別率為代價(jià)的均勻采樣方法,該方法依據(jù)車(chē)輛具有的明顯幾何特征,在樣本圖像的關(guān)鍵部位進(jìn)行密集采樣,非關(guān)鍵部位進(jìn)行稀疏采

4、樣.實(shí)驗(yàn)數(shù)據(jù)表明,這種方法實(shí)現(xiàn)簡(jiǎn)單,在不降低識(shí)別率的情況下,有效降低了Gabor特征矢量的維數(shù).針對(duì)目前Gabor濾波器組參數(shù)設(shè)置算法中存在的不足,即實(shí)驗(yàn)法確定的參數(shù)不精確,而優(yōu)化法確定參數(shù)又過(guò)于復(fù)雜,我們提出一種基于特定方向的Gabor濾波器組參數(shù)設(shè)置方法.該方法根據(jù)Gabor特征具有的良好方向特性,首先確定方向參數(shù),然后在每個(gè)特定方向進(jìn)行最佳單Gabor濾波器的參數(shù)搜索.我們認(rèn)為這樣得到的Gabor濾波器組,在性能上是接近最優(yōu)的,同