论文部分内容阅读
本文对计算机视觉和图像智能模式识别的相关技术进行深入研究,建立了一个基于计算机视觉技术的智能乘员类型识别系统,实现了包括6岁儿童、第95百分位男性、第5百分位女性和第50百分位男性的4个类型乘员的自动识别。从而为后续拟开展的智能乘员约束系统的安全气囊控制提供有效的乘员类型信息。即智能乘员约束系统根据不同类型乘员,动态决策安全气囊的不同起爆时间和充气强度等工作模式,从而实现对不同类型乘员的最佳保护。本文主要包括对图像的预处理、图像的主特征提取方法、特征选择方法、分类器设计等方面的研究。本文的主要贡献包括如下几个方面:一、提出一种新自适应滤波算法---正交中-均值混合滤波算法,能有效去除冲激噪声和高斯噪声,同时保留大部分图像信息,与邻域平均滤波方法、中值滤波方法相比,该算法具有更好的实验效果。二、提出一种新方法ECBT(Extracting Continuity Base on Templet),用于乘员自身信息提取。该方法的思想是以车辆空载状态为比对模板,经与待处理图片进行比模处理后,达到分离背景信息,保留乘员完整信息的目的,最终以连续体的形式提取出乘员轮廓信息。三、分别采用5阶、10阶、15阶、20阶、25阶、30阶、35阶和40阶Legendre矩对乘员自身轮廓信息进行特征提取,根据对以上阶数的Legendre矩图像重构结果和计算时间,最终提取乘员图像边缘的30阶Legendre矩向量,作为乘员图像的主特征向量。四、提出一种新的混合型特征选择算法RDRK。主要包括以下几个方面:提出一种新的基于ReliefF的算法NReliefF,用于特征加权;提出一种降维算法DR,根据最小原则对加权特征进一步筛选,实现降维;采用DR算法的输出作为KNN分类器的输入,把NReliefF和KNN结合起来,采用穷举搜索策略来保证根据分类性能测量(分类正确率)选择最优特征。实验表明,采用本文提出的特征选择算法RDRK后,分类正确率和分类效率都明显提高。五、本文进行了聚类算法研究。首先对近年来聚类算法的研究现状与新进展进行了全面综述,即对近年来提出的较有代表性的聚类算法,从算法思想、关键技术和优缺点等方面进行了全面分析。在此基础之上,本文提出kNN划分的概念,进而提出基于kNN划分的聚类算法,并把传统模糊C均值算法与KNN划分相结合,形成NFCM算法。此外,本文还对标准K最近邻分类算法进行了改进,形成均值KNN分类算法,并对K的不同取值进行实验,找出了最优K值。均值KNN算法无论从分类正确率还是分类效率,都明显好于标准KNN算法。六、用多种方法实现了乘员类型识别。本文建立了包括NFCM1分类器、NFCM2分类器、标准KNN分类器、均值KNN分类器和BP神经网络分类器在内的5种分类器。我们对这5种分类器的分类正确率和效率进行比较,并对每种分类器产生的结果进行深入分析。实现了不同类型乘员的较高准确率自适应智能模式识别。