1、車輛的分類與識別的研究歷經(jīng)長時間的發(fā)展,至今仍是國內(nèi)外眾多科研機(jī)構(gòu)的重要研究方向。特別是基于圖像分析的車輛檢測,由于其成本低、靈活度高以及可以避免潛在的交通事故,成為學(xué)術(shù)界和工業(yè)界爭相關(guān)注的熱點。但是由于依然存在很多現(xiàn)階段無法解決的技術(shù)難題,如自然場景下的運動車輛由于存在背景變化和部分遮擋而不易識別等,因此,有必要展開相關(guān)的理論研究工作。
　　自然場景下的車輛,往往都存在著天氣、光照條件的變化以及車輛本身在顏色、尺寸、姿態(tài)等方面的

2、不一致;另外,自然場景下不可避免的是遮擋問題,有些甚至是嚴(yán)重遮擋,這無疑加大了車輛識別的難度。本文針對自然場景下的車輛識別與分類問題,做了以下幾方面的工作:
　　(1)首先概括的介紹了圖像分類與目標(biāo)識別的基本理論,然后總結(jié)了車輛識別與分類的研究背景和意義,回顧了國內(nèi)外車輛識別的發(fā)展現(xiàn)狀,明確了本文所要研究的內(nèi)容;
　　(2)介紹了稀疏表示的發(fā)展由來以及稀疏表示的幾種流行算法,如全局優(yōu)化算法、貪婪算法以及其他幾類算法,同時分析

3、了各種算法的利弊;
　　(3)針對自然場景下的車輛識別問題,利用一種適合的特征提取方法,先用PCA降維方法對圖像的維數(shù)進(jìn)行簡化,接著用SIFT提取出尺度不變性特征。同時還描述了特征匹配問題;
　　(4)提出一種基于核的K-SVD字典訓(xùn)練結(jié)合稀疏表示的分類方法:首先在利用上述所介紹的特征提取方法對圖像進(jìn)行預(yù)處理之后,然后對所得特征矩陣?yán)煤撕瘮?shù)將其從低維空間映射到高維空間,在這個高維空間里用K-SVD對新的高維特征矩陣進(jìn)行訓(xùn)練

4、,分別得到相應(yīng)的兩類特征字典。此時,即可用稀疏表示分類器 SRC對測試樣本進(jìn)行識別分類。在與其他幾種經(jīng)典識別方法對比后發(fā)現(xiàn),所提出的方法識別率有改善,更重要的是能夠消除部分遮擋對車輛識別的影響;
　　(5)最后,提出利用當(dāng)今比較流行的分類器——支持向量機(jī) SVM與稀疏表示結(jié)合的方法來確保識別率的準(zhǔn)確性。首先介紹了SVM的理論及分類原理,分析了其優(yōu)缺點;接著用二者結(jié)合的思想進(jìn)行了算法設(shè)計和實驗驗證,實驗結(jié)果證明:這種結(jié)合一方面不僅繼