留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多通道融合HOG特征的全天候运动车辆检测方法

刘操 郑宏 黎曦 余典

刘操, 郑宏, 黎曦, 余典. 基于多通道融合HOG特征的全天候运动车辆检测方法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
引用本文: 刘操, 郑宏, 黎曦, 余典. 基于多通道融合HOG特征的全天候运动车辆检测方法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
LIU Cao, ZHENG Hong, LI Xi, YU Dian. A Method of Moving Vehicle Detection in All-weather Basedon Melted Multi-channel HOG Feature[J]. Geomatics and Information Science of Wuhan University, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
Citation: LIU Cao, ZHENG Hong, LI Xi, YU Dian. A Method of Moving Vehicle Detection in All-weather Basedon Melted Multi-channel HOG Feature[J]. Geomatics and Information Science of Wuhan University, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341

基于多通道融合HOG特征的全天候运动车辆检测方法

doi: 10.13203/j.whugis20130341
基金项目: 国家973计划资助项目(2012CB719905)
详细信息
    作者简介:

    刘操,博士生,主要从事模式识别与图像处理系统研究。

    通讯作者: 郑宏,博士,教授。
  • 中图分类号: P237.3;TP751

A Method of Moving Vehicle Detection in All-weather Basedon Melted Multi-channel HOG Feature

Funds: The National Key Basic Research Development Program of China(973Program),No.2012CB719905
More Information
    Author Bio:

    LIU Cao,PhD candidate,specializes in pattern recognition and image processing.

    Corresponding author: ZHENG Hong,PhD,professor.
  • 摘要: 对传统的梯度方向直方图(HOG)特征提取方法进行改进,提出了一种基于多通道特征提取的加权HOG特征融合方法。首先采用基于亮度均值的方式对彩色车辆图像增强处理,其次采用自适应加权法将H、S、V三通道的梯度方向直方图(HOG)特征融合成多通道融合HOG特征,最后采用支持向量机(SVM)对融合后的特征进行车辆分类器训练和车辆检测。该方法与直接运用HOG特征进行车辆检测以及其他车辆检测方法相比,具有检测率高、鲁棒性强等特点,并且在各种气候环境下都能实现较好的检测效果,效果优于其他方法,达到了全天候车辆检测的要求。
  • [1] Liang Junbin,Xu Jianmin.Detection of Trans-line Ve-hicles Based on Inductive Loop[J].Journal of SouthChina University of Technology(NaturalScience Edi-tion),2007,35(7):20-24(梁俊斌,徐建闽.基于感应线圈的骑线车辆检测方法[J].华南理工大学学报:自然科学版,2007,35(7):20-24)[2] Zhang Hao,Xue Wei,Yu Wen,et al.Method ofRecognizing Background Power Spectrum Used inMillimetre Wave Traffic Flow Detection Radar[J].Journal of Infrared and Millimeter Waves,2008,27(6):437-441(张浩,薛伟,余稳,等.一种应用于毫米波车流量检测雷达的背景功率谱识别方法[J].红外与毫米波学报,2008,27(6):437-441)[3] Moscheni F,Bhattacharjee S,Kunt M.Spatio-tem-poral Segmentation Based on Region Merging[J].Pattern Analysis and Machine Intelligence,IEEETransactions on,1998,20(9):897-915[4] Wixson L.Detecting Salient Motion by Accumula-ting Directionally-consistent Flow[J].Pattern A-nalysis and Machine Intelligence,IEEE Transac-tions on,2000,22(8):774-780[5] Elgammal A,Harwood D,Davis L.Non-paramet-ric Model for Background Subtraction[C].Comput-er Vision—ECCV,Ireland,2000[6] Wu Jiapeng,Yang Zhaoxuan,Wu Jun,et al.VirtualLine Group Based Video Vehicle Detection Algo-rithm Utilizing Both Luminance and Chrominance[C].ICIEA,Harbin,2007[7] Wu B F,Juang J H.Adaptive Vehicle Detector Ap-proach for Complex Environments[J].IntelligentTransportation Systems,IEEE Transactions on,2012,13(2):817-827[8] Zhu S,Gu M,Liu J.Moving Vehicle Detection andTracking Algorithm in Traffic Video[J].TELKOMNIKA Indonesian Journal of ElectricalEngineering,2013,11(6):3 053-3 059[9] Cao J,Wang W,Liang Y.An Improved DetectionAlgorithm of Moving Vehicles Based on ComputerVision[C].Intelligent Computing and IntelligentSystem,Shanghai,2009[10] Wu C,Cao X,Lin R,et al.Registration-basedMoving Vehicle Detection for Low-altitude UrbanTraffic Surveillance[C].Intelligent Control and Au-tomation(WCICA),Shanghai,2010[11] O’Malley R,Jones E,Glavin M.Rear-lamp Vvehi-cle Detection and Tracking in Low-exposure ColorVideo for Night Condition[J].Intelligent Trans-portation Systems,IEEE Transactions on,2010,11(2):453-462[12] Cao X,Wu C,Yan P,et al.Linear SVM Classifi-cation Using Boosting HOG Features for VehicleDetection in Low-altitude Airborne Videos[C].Im-age Processing (ICIP),18th IEEE InternationalConference on IEEE,Brussels,2011[13] Cheng H Y,Weng C C,Chen Y Y.Vehicle Detec-tion in Aerial Surveillance Using Dynamic BayesianNetworks[J].Image Processing,IEEE Transac-tions on,2012,21(4):2 152-2 159[14] Dalal N,Triggs B.Histograms of Oriented Gradi-ents for Human Detection[C].Computer Visionand Pattern Recognition,San Diego,USA,2005[15] Chen Long,Pan Zhiming,Mao Qingzhou,et al.HOG-LBP Adaptable Fused Features Based Methodfor Forbidden Traffic Signs Detection[J].Geomaticsand Information Science of Wuhan University,2013,38(2):191-194(陈龙,潘志明,毛庆洲,等.利用HOG-LBP自适应融合特征实现禁令交通标志检测[J].武汉大学学报·信息科学版,2013,38(2):191-194)[16] Bian Zhaoqi,Zhang Xuegong.Pattern Recognition [M].Beijing:Tsinghua University PublicationsInc,2000(边肇祺,张学工.模式识别[M].北京:清华大学出版社有限公司,2000)
  • [1] 徐胜华, 刘纪平, 王想红, 张玉, 林荣福, 张蒙, 刘猛猛, 姜涛.  熵指数融入支持向量机的滑坡灾害易发性评价方法—以陕西省为例 . 武汉大学学报 ● 信息科学版, 2020, 45(8): 1214-1222. doi: 10.13203/j.whugis20200109
    [2] 段佩祥, 钱海忠, 何海威, 谢丽敏, 罗登瀚.  基于支持向量机的线化简方法 . 武汉大学学报 ● 信息科学版, 2020, 45(5): 744-752, 783. doi: 10.13203/j.whugis20180434
    [3] 胡学敏, 余进, 邓重阳, 宋昇, 陈钦.  基于时空立方体的人群异常行为检测与定位 . 武汉大学学报 ● 信息科学版, 2019, 44(10): 1530-1537. doi: 10.13203/j.whugis20170424
    [4] 杜娟, 李维, 张鹏林.  夜间陆地辐射雾的遥感时序数据检测 . 武汉大学学报 ● 信息科学版, 2019, 44(8): 1162-1168. doi: 10.13203/j.whugis20170258
    [5] 祝胜男, 郭炜炜, 柳彬, 张增辉, 郁文贤.  利用超像素级上下文特征进行靠岸集装箱船检测 . 武汉大学学报 ● 信息科学版, 2019, 44(4): 578-585. doi: 10.13203/j.whugis20170129
    [6] 赵望宇, 李必军, 单云霄, 徐豪达.  融合毫米波雷达与单目视觉的前车检测与跟踪 . 武汉大学学报 ● 信息科学版, 2019, 44(12): 1832-1840. doi: 10.13203/j.whugis20180146
    [7] 李粉玲, 常庆瑞, 刘佳岐, 刘京.  基于多纹理和支持向量机的ZY-102C星HR数据分类 . 武汉大学学报 ● 信息科学版, 2016, 41(4): 455-461,486. doi: 10.13203/j.whugis20140356
    [8] 刘慧, 李清泉, 高春仙, 曾喆.  利用C_SURF配准的空基视频运动目标检测 . 武汉大学学报 ● 信息科学版, 2014, 39(8): 951-955. doi: 10.13203/j.whugis20130121
    [9] 彭令, 牛瑞卿, 赵艳南, 邓清禄.  基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 . 武汉大学学报 ● 信息科学版, 2013, 38(2): 148-152,161.
    [10] 武雪玲, 任福, 牛瑞卿, 彭令.  斜坡单元支持下的滑坡易发性评价支持向量机模型 . 武汉大学学报 ● 信息科学版, 2013, 38(12): 1499-1503.
    [11] 巫兆聪, 欧阳群东, 胡忠文.  应用分水岭变换与支持向量机的极化SAR图像分类 . 武汉大学学报 ● 信息科学版, 2012, 37(1): 7-10.
    [12] 刘慧, 李清泉, 曾喆, 高春仙.  利用低空视频检测道路车辆 . 武汉大学学报 ● 信息科学版, 2011, 36(3): 316-320.
    [13] 杨柳, 刘艳芳.  将微粒群和支持向量机用于耕地驱动因子选择的研究 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 248-251.
    [14] 熊华, 刘耀林, 车珊珊, 张俊峰.  基于支持向量机的土地利用变化模拟模型 . 武汉大学学报 ● 信息科学版, 2009, 34(3): 366-369.
    [15] 范千, 花向红.  基于相空间重构与支持向量机预测滑坡位移的一种新方法 . 武汉大学学报 ● 信息科学版, 2009, 34(2): 248-251.
    [16] 王新洲, 范千, 许承权, 李昭.  基于小波变换和支持向量机的大坝变形预测 . 武汉大学学报 ● 信息科学版, 2008, 33(5): 469-471.
    [17] 陈刚, 鄂栋臣.  基于纹理分析和支持向量机的极地冰雪覆盖区的云层检测 . 武汉大学学报 ● 信息科学版, 2006, 31(5): 403-406.
    [18] 徐芳, 梅文胜, 燕琴.  支持向量机中遗传模糊C-均值的样本预选取方法 . 武汉大学学报 ● 信息科学版, 2005, 30(10): 921-924.
    [19] 梅建新, 段汕, 秦前清.  基于支持向量机的特定目标检测方法 . 武汉大学学报 ● 信息科学版, 2004, 29(10): 912-915,932.
    [20] 徐芳, 燕琴.  基于支持向量机的航空影像纹理分类研究 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 517-520.
  • 加载中
计量
  • 文章访问数:  1040
  • HTML全文浏览量:  49
  • PDF下载量:  429
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-07-18
  • 修回日期:  2015-08-05
  • 刊出日期:  2015-08-05

基于多通道融合HOG特征的全天候运动车辆检测方法

doi: 10.13203/j.whugis20130341
    基金项目:  国家973计划资助项目(2012CB719905)
    作者简介:

    刘操,博士生,主要从事模式识别与图像处理系统研究。

    通讯作者: 郑宏,博士,教授。
  • 中图分类号: P237.3;TP751

摘要: 对传统的梯度方向直方图(HOG)特征提取方法进行改进,提出了一种基于多通道特征提取的加权HOG特征融合方法。首先采用基于亮度均值的方式对彩色车辆图像增强处理,其次采用自适应加权法将H、S、V三通道的梯度方向直方图(HOG)特征融合成多通道融合HOG特征,最后采用支持向量机(SVM)对融合后的特征进行车辆分类器训练和车辆检测。该方法与直接运用HOG特征进行车辆检测以及其他车辆检测方法相比,具有检测率高、鲁棒性强等特点,并且在各种气候环境下都能实现较好的检测效果,效果优于其他方法,达到了全天候车辆检测的要求。

English Abstract

刘操, 郑宏, 黎曦, 余典. 基于多通道融合HOG特征的全天候运动车辆检测方法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
引用本文: 刘操, 郑宏, 黎曦, 余典. 基于多通道融合HOG特征的全天候运动车辆检测方法[J]. 武汉大学学报 ● 信息科学版, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
LIU Cao, ZHENG Hong, LI Xi, YU Dian. A Method of Moving Vehicle Detection in All-weather Basedon Melted Multi-channel HOG Feature[J]. Geomatics and Information Science of Wuhan University, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
Citation: LIU Cao, ZHENG Hong, LI Xi, YU Dian. A Method of Moving Vehicle Detection in All-weather Basedon Melted Multi-channel HOG Feature[J]. Geomatics and Information Science of Wuhan University, 2015, 40(8): 1048-1053. doi: 10.13203/j.whugis20130341
参考文献 (1)

目录

    /

    返回文章
    返回