| 摘 要： | 基于机器视觉的检测技术是道路环境感知的重要手段之一。目前,采用机器视觉对车辆、行人等检测技术日益成熟,并有商业化产品出现,但针对动态称重方面的机器视觉检测技术尚待挖掘。在高速公路实行全面的入口超载治理后,高速公路收费站入口称重系统对识别速度、精度等需求日益增加。因此,尝试将机器视觉技术与人工智能技术相结合的方式,研究车辆的轮轴识别问题。针对Hough圆变换算法检测圆形物体鲁棒性不强的问题,提出了一种基于梯度方向直方图(HOG)和支持向量机(SVM)的车轮检测方法,并运用于高速公路的入口车辆轮轴检测之中。首先,在完整地获取车辆车轮图片的前提下,采用方向梯度直方图提取了车轮的图像特征。其次,将正负样本输入SVM分类器,对车轮检测分类器进行训练。最后,将训练完成的SVM车轮分类器用于实际的车轮检测中。在实际应用中,可以通过车轮数量来判断车辆的轴数,达到轮轴检测的目的。试验分析表明:与传统Hough圆变换算法相比,该方法采用的HOG特征鲁棒性强,SVM识别准确率超过96%,可满足对车辆轮轴检测的需求;在实际测试中,所提方法与传统压电式轮轴传感器对比,正确率提高了5%左右,具有良好的实用性。
|
