智能交通信息感知理论与技术.ppt

本部分实验所使用的车辆前脸图像所使用的样本集为18种类型车辆共4140张图像，随机选择其中的85%作为训练样本，其余15%作为测试样本，为达到比较好的识别结果，训练样本尽可能包含了各种光照、颜色及不同角度的车辆前脸图像，部分车辆前脸样本如图2.20所示。图2.20部分车辆前脸图像2.4实验分析2.4.1单个分类器实验分类器特征?朴素贝叶斯k-近邻MLPSVMHOG92.4%90.6%89.6%94.6%Contourlet77.0%80.4%76.3%78.5%HOG+Contourlet86.3%81.7%90.6%94.6%表2.2朴素贝叶斯、kNN、MLP和SVM结合HOG、Contourlet特征分类图2.22使用SVM分类器结合HOG特征车型识别结果混淆矩阵混淆矩阵对每一类的识别效果及每一类与其他类别的相似性进行分析，混淆矩阵的行和列分别为样本实际和预测的类型，对角线上的元素为每一类样本正确识别的概率，非对角线上的元素为该类识别成其他类型的概率。结论：图2.22可得，18种类型车辆有8种车型的识别率为100%，包括Audi，CheryII型及Citroen等。图2.23CheryI型车识别成其他类型车辆例图，第一列为原车型，第二列为识别目标类型结论：从2.23可得，被错误识别的车辆存在几个问题：（1）与其他类型车辆相似度比较高，如图2.23（a）两种车型具有相同的散热器；（2）光照条件的影响，如2.23（b）中车辆图像是晚间拍摄，边缘细节信息已经模糊，对识别显然有影响；（3）截取感兴趣区域的位置，如果所截取的车辆前脸区域包含较多的非车辆区域，则会对车型的识别产生影响。(a)CheryI识别为Hyundai（b）CheryI识别为CheryII（c）CheryI识别为Wulin2.4.2级联集成分类器实验?识别率（RR）拒识样本数误识样本数拒识率（ReR）可靠性第一级76.30%127123.52%99.80%第二级62.99%38929.92%92.91%识别系统91.11%38107.04%98.15%表2.3两层级联分类器对样本识别指标图2.24级联分类器的识别性能指标根据两级集成分类器级联方案，首先将输入样本送入级联分类器的第一级即具有不同基分类器的集成分类器中识别，之后将被第一级集成分类器“拒识”的样本送入级联的第二级分类器进行进一步识别，表2.3和图2.24为两级级联分类器及整个识别系统的识别率及可靠性关系柱状图。图2.25部分被“拒识”的样本，主要受ROI区域获取不当及光照影响第一行：显示的被拒绝识别样本主要是由于所截取的感兴趣区域位置包含背景区域造成的；第二行：的样本主要受白天光照的影响，导致前脸区域上出现反光和边缘模糊现象；第三行：显示的测试样本为傍晚时采集，此时光照强度不够，导致所采集的车辆图片信息比较模糊。第三章

路面信息感知理论与技术

Reporter:ProfessorChihangZhaoDepartment:SchoolofTransportationTime:2020-03-23在国内外路面破损检测及识别研究成果的基础上，本文研究基于线阵CCD图像的路面破损自动检测及分类方法，主要研究有以下三个方面：基于支持向量机的路面破损图像分类方法基于Contourlet变换的路面破损图像特征的提取方法基于联合检测器的路面图像破损检测方法本章主要研究内容3.1基于联合检测器的路面图像破损检测方法

3.1.1路面破损图像采集图2-1DN-2011型车载便携式公路路面病害检测设备（a）（b）采集的路面图像的分辨率为2048×1024，如图2-2所示，图2-2(a)～(d)分别为横裂、纵裂、网裂和正常四种类型。从图2-2可以看出，对于路面破损图像，其裂缝位置的灰度值较正常位置的图像灰度值暗，且图像中含有阴影、砂砾等噪声，因此，图像处理算法应充分考虑到图像噪声的处理及细小破损的检测识别。（a）横裂（b）纵裂（c）网裂（d）正常图2-2路面图像3.1.2图像预处理1)道路标线信息去除由于道路标线的存在，使得正常路面的背景相对道路标线而言灰度较暗，