[工学]Gabor滤波器在车辆检测和车型识别.ppt

Gabor滤波器在车辆检测和车型识别中的应用研究 导 师：杨静宇 教授 答辩人：赵英男 时 间：2004.12.22 主要内容 绪论 基于特征加权的Gabor特征抽取算法 基于Gabor滤波器和SVM的红外车辆检测 基于Gabor滤波器和边缘特征的车型识别 一种实用的基于特定方向的Gabor滤波器组参数设置方法 绪论-车辆检测与车型识别的研究概况 智能交通系统 (Intelligent Transportation Systems, ITS) 简介 车辆检测的研究与发展 一般说来，车辆检测算法包括两个基本步骤 (1) 候选区域确定 (Hypothesis Generation, HG)，即确定车辆可能存在的区域；(2) 车辆确认 (Hypothesis Verification, HV)，即对上一阶段产生的候选区域进行确认，从而检测出车辆及其相应的位置。 车辆检测算法的分类如下： 绪论-车辆检测与车型识别的研究概况 绪论-车辆检测与车型识别的研究概况 车型识别的研究与发展 车辆识别与车型识别的概念区别。 车型识别的算法分类：基于模板的方法和基于代数特征的方法 Gabor滤波器简介 Gabor函数的提出 Dennis Gabor于1946年在“Theory of communication”一文中提出了著名的“窗口”傅里叶变换 (也叫短时Fourier变换，STFT)，后人称之为Gabor变换。1985年，Daugman将Gabor函数扩展成2维形式。 绪论-Gabor滤波器 2D Gabor滤波器的一般形式 (1-1) 由上式可以看出，Gabor函数是一个被复正弦函数调制的Gaussian函数，它是一个 上的复值函数。 和 为 (1-2) 实际上，式(1-2)是坐标旋转公式，可以获得不同方向的滤波器。各参数反映了Gabor滤波器的多尺度特性。 绪论-Gabor滤波器 Gabor滤波器的优越性 a. 可以同时在时域和频域获得最佳的局部化 b. 具有生物学特点，与人类视觉接收场模型相吻合。 Gabor滤波器在特征抽取中的应用 优点：由于可同时在时域和频域获得最佳的局部化且与人类视觉接收场模型相吻合，具有良好的类别表征能力。 缺点：计算量过大。 相应的改进方法 a. 在滤波器的实现过程中，进行卷积的加速操作 b. 在特征抽取的前期、中期、后期进行处理，实现Gabor特征矢量的降维。 主要内容 绪论 基于特征加权的Gabor特征抽取算法 基于Gabor滤波器和SVM的红外车辆检测 基于Gabor滤波器和边缘特征的车型识别 一种实用的基于特定方向的Gabor滤波器组参数设置方法 基于特征加权的Gabor特征抽取算法 引言 目前应用Gabor滤波器进行特征抽取的两种方法。 a. 原始响应直接作为特征矢量 强类别表征能力，抗噪能力 差，特征矢量维数高 b. 对原始响应做进一步处理 去除部分冗余特征，降低特征 矢量的维数；考虑图像统计特性，具有一定鲁棒性；反映事物特征的能力被削弱；增加了额外的计算量。 本算法的目的给出一种适于识别质量较差图像的基于特征加权的Gabor特征抽取算法。包括特征提取、特征加权两个步骤。 基于特征加权的Gabor特征抽取算法 Gabor滤波器的设置 核函数的选择 (2-1) 对相应的离散滤波器 进行修正，使其具有0直流分量(direct current, DC)，增强对光照变化的鲁棒性， 。