基于組合濾波的交通圖像理解關(guān)鍵技術(shù)研究.pdf

1、交通圖像理解是在交通圖像分析的基礎(chǔ)上，結(jié)合人工智能、神經(jīng)網(wǎng)絡(luò)、模糊邏輯以及人類(lèi)認(rèn)知學(xué)等理論，研究交通圖像中各目標(biāo)的性質(zhì)及其相互聯(lián)系，理解場(chǎng)景內(nèi)容或?qū)ο筇卣鞯暮x，挖掘出新的知識(shí)，進(jìn)而指導(dǎo)和規(guī)劃交通行為的一門(mén)新興技術(shù)。隨著我國(guó)汽車(chē)保有量的迅速增加，交通圖像理解技術(shù)為智能交通系統(tǒng)的構(gòu)建提供了強(qiáng)有力的支持。為了克服單一濾波器濾波性能的局限性，同時(shí)又要兼顧處理效果和實(shí)時(shí)性的需求，本文系統(tǒng)地研究了基于組合濾波的交通圖像理解的一些關(guān)鍵問(wèn)題，這些問(wèn)題

2、相互關(guān)聯(lián)，直接影響到交通圖像理解的有效性和實(shí)用性，主要研究?jī)?nèi)容如下：
　?。?）由于交通圖像在采集過(guò)程中難免混入幾類(lèi)不同噪聲，影響后續(xù)圖像理解的進(jìn)行，而單一濾波器一般在去除某一類(lèi)特定噪聲時(shí)效果較好，但是在實(shí)際環(huán)境中往往要面對(duì)多類(lèi)混合噪聲。為了克服單一濾波去噪性能的局限性，本文提出了一種基于Hilbert空間的組合小波交通圖像去噪算法。通過(guò)研究交通圖像的特性，從理論上深入分析了幾類(lèi)小波變換各自的特點(diǎn)及其相互關(guān)系，并將獨(dú)立分量分析理論

3、結(jié)合 Hilbert空間的特點(diǎn)，運(yùn)用到組合濾波后高頻系數(shù)與低頻系數(shù)的優(yōu)化中，大大減少了計(jì)算量，加速了收斂速度，使處理耗時(shí)達(dá)到可以接受的程度，同時(shí)提升了去噪效果。
　　（2）為了將來(lái)自不同攝像頭或同一攝像頭在不同時(shí)間點(diǎn)所攝錄的圖像進(jìn)行融合，以得到一個(gè)更為完整的圖片或場(chǎng)景表達(dá)，供特征提取和理解，本文提出了一種新的多分辨率多方向動(dòng)態(tài)模糊濾波融合方法。該方法在面向交通圖像融合時(shí)可依據(jù)場(chǎng)景的不同，選擇Curvelet變換或Contourle

4、t變換進(jìn)行融合濾波。通過(guò)構(gòu)造新的動(dòng)態(tài)模糊成員函數(shù)，科學(xué)劃分多分辨率多方向?yàn)V波后的高低頻系數(shù)，優(yōu)化高低頻系數(shù)分布，使用不同的融合規(guī)則對(duì)高低頻系數(shù)進(jìn)行融合處理，盡可能多地保持融合圖像的細(xì)節(jié)。同時(shí)通過(guò)動(dòng)態(tài)模糊處理使計(jì)算量大大降低，使得多分辨率多方向?yàn)V波的耗時(shí)大為改善，進(jìn)而推進(jìn)了交通圖像融合處理在實(shí)際場(chǎng)合中的應(yīng)用。
　　（3）為實(shí)現(xiàn)交通圖像輪廓、紋理、顏色和車(chē)型等特征的理解，本文提出了一種交通圖像特征提取策略。首先設(shè)計(jì)了一種基于Kalma

5、n濾波優(yōu)化的Snake模型主動(dòng)輪廓提取算法，將Kalman濾波去優(yōu)化估計(jì)Snake模型的正規(guī)化參數(shù)λ，實(shí)現(xiàn)交通圖像輪廓提取，對(duì)輪廓內(nèi)的車(chē)體圖像進(jìn)行裁剪即可去除背景干擾。其次，通過(guò)紋理相似度和車(chē)輛的顏色空間直方圖統(tǒng)計(jì)，實(shí)現(xiàn)相關(guān)特征的識(shí)別。最后，使用基于參數(shù)模型的Kernel PCA對(duì)構(gòu)造好的大巴、小轎車(chē)、商務(wù)車(chē)、面包車(chē)、小卡車(chē)、小貨車(chē)這6類(lèi)車(chē)型進(jìn)行車(chē)型識(shí)別，獲得了較高的查準(zhǔn)率和查全率。
　　（4）為了實(shí)現(xiàn)交通圖像理解的決策支持功能，

6、本文針對(duì)交通圖像所采集的歷史信息和實(shí)時(shí)信息，結(jié)合神經(jīng)網(wǎng)絡(luò)和Deep Learning理論，提出了一種面向交通圖像信息的車(chē)輛最優(yōu)路徑挖掘方法，為復(fù)雜交通環(huán)境下車(chē)輛最優(yōu)路徑的挖掘作決策支持。本方法通過(guò)綜合利用車(chē)牌識(shí)別所對(duì)應(yīng)的交通管理數(shù)據(jù)庫(kù)信息和交通圖像車(chē)輛特征所提取的信息，構(gòu)建Deep Learning神經(jīng)網(wǎng)絡(luò)對(duì)生成的有向圖模型挖掘出最優(yōu)行駛路徑供交通指揮者或駕駛?cè)藛T作決策支持。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法是有效可行的。
　　綜上所述，本文針對(duì)