论文部分内容阅读
随着社会的不断发展和科技的不断进步,未来的人造系统和产品的特征之一就是智能化,就是用计算机代替人类某些方面的活动。在智能交通领域,进行各种智能化交通行为分析的第一步就是车辆检测。因此车辆检测的准确度和速度对智能交通系统的影响非常大。本文基于目标检测技术中支持向量机的方法对车辆检测方法进行研究,对目标主流的检测算法进行了实验对比,并从检测速度的角度对传统的算法进行了改进。主要内容如下:(1)研究了统计学习理论以及支持向量机的思想、实现算法和应用前景;(2)分析了图像特征提取中HOG特征提取以及增强性HOG特征提取技术;(3)在Visual Studio2008编程环境下进行了基于OPENCV和基本HOG特征的实验和基于OPENCV和改进HOG特征的实验从准确度和检测速度两方面对算法性能进行评估;(4)采用非线性支持向量机训练的模型和线性支持向量机的检测思路,对传统算法进行改进,实验结果表明,改进的算法不仅提高了检测准确度,而且降低了检测消耗时间;(5)结合传统支持向量机的检测思路和DPM(可变形部件模型)的检测方法,提出仅仅采用DPM中的根滤波器来对车辆进行检测的算法,实验结果表明,该方法虽然准确率不如传统的支持向量机检测,但是仍然能够准确地检测出车辆,同时检测耗时大大减少,可以适用于一些对准确度要求不是很高,而对检测速度要求较高的场合。