半监督SVM分类算法的交通视频车辆检测方法
针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机( SVM)分类算法的交通视频车辆检测方法. 利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法( SEMI-SVM) ,标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目. 实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果.
车辆检测、HOG特征、LBP特征、SVM分类器、半监督学习、运动区域
10
TP181(自动化基础理论)
国家自然科学基金资助项目61304199,41471333;福建省高校杰出青年科研人才计划JA14209;福建省自然科学基金资助项目2013J01214;福建省科技重大专项专题资助项目2011HZ0002-1;福建省交通科技计划项目201318;福建省教育厅B类科研项目JB3213
2015-12-11(万方平台首次上网日期,不代表论文的发表时间)
共9页
690-698