復(fù)雜環(huán)境背景下車輛目標(biāo)識別研究綜述

謝曉竹，何 成

(裝甲兵工程學(xué)院， 北京 100072)

?

【信息科學(xué)與控制工程】

復(fù)雜環(huán)境背景下車輛目標(biāo)識別研究綜述

謝曉竹，何 成

(裝甲兵工程學(xué)院， 北京 100072)

在軍事領(lǐng)域和民用領(lǐng)域，利用圖像對車輛目標(biāo)識別都有著廣闊的應(yīng)用前景。針對實(shí)際應(yīng)用中，室外的環(huán)境背景復(fù)雜多變，給車輛目標(biāo)識別帶來了很大挑戰(zhàn)，分析了復(fù)雜環(huán)境背景下車輛識別的意義和面臨的困難，對現(xiàn)有的圖像預(yù)處理、特征提取、分類器設(shè)計(jì)的研究現(xiàn)狀進(jìn)行梳理，對復(fù)雜環(huán)境背景下車輛目標(biāo)識別研究的發(fā)展方向進(jìn)行分析。

復(fù)雜環(huán)境背景；車輛；目標(biāo)識別

對圖像中特定目標(biāo)的識別一直都是計(jì)算機(jī)視覺研究領(lǐng)域的熱點(diǎn)問題。車輛目標(biāo)識別不論在民用還是軍用都具有重要意義，民用方面[1-2]，其發(fā)展有效地推進(jìn)智能交通、電子收費(fèi)、車輛監(jiān)管等系統(tǒng)的應(yīng)用；軍用方面[3]，對戰(zhàn)場環(huán)境中車輛目標(biāo)(坦克、步兵戰(zhàn)車等)的部署動(dòng)態(tài)、識別與跟蹤、精確打擊等方面都發(fā)揮著關(guān)鍵作用。

近年來，國內(nèi)外在車輛識別[4-7]方面已經(jīng)開展了大量研究，在室外道路、停車場、小區(qū)等背景相對單一的場景下取得了很好的效果。但在現(xiàn)實(shí)生活中，車輛目標(biāo)通常處在室外復(fù)雜多變的環(huán)境背景中，實(shí)現(xiàn)車輛目標(biāo)識別仍面臨諸多挑戰(zhàn)[8]：一是自然環(huán)境中受背景多變、地物遮擋、陰影等干擾大；二是圖像品質(zhì)易受光照變化、陰天、霧霾等天氣因素干擾；三是車輛型號多、外形復(fù)雜，拍攝角度和高度不同導(dǎo)致車輛出現(xiàn)一定的形變和尺度變化，加大了識別的難度。因此，對復(fù)雜環(huán)境背景下車輛目標(biāo)識別已成為研究的一個(gè)熱點(diǎn)問題。

復(fù)雜背景并沒有一個(gè)標(biāo)準(zhǔn)的界定，主要是相對于單一、簡單的背景提出。目前，多數(shù)車輛識別的研究是針對特定場景、特定問題展開，而對復(fù)雜背景下車輛目標(biāo)識別的研究工作，缺乏系統(tǒng)全面的專門性研究綜述。本研究針對復(fù)雜環(huán)境背景下，國內(nèi)外在車輛目標(biāo)識別研究現(xiàn)狀進(jìn)行梳理總結(jié)，指出其發(fā)展趨勢。

1 車輛目標(biāo)識別流程

車輛目標(biāo)圖像識別通常分為兩個(gè)階段。一是樣本訓(xùn)練階段：按照對大量標(biāo)簽樣本圖像進(jìn)行圖像預(yù)處理、提取目標(biāo)特征的步驟建立車輛目標(biāo)特征集，再采取相應(yīng)的學(xué)習(xí)算法進(jìn)行分類訓(xùn)練。二是圖像目標(biāo)識別階段：按照圖像預(yù)處理、提取目標(biāo)特征、目標(biāo)分類識別的步驟，最終確認(rèn)測試圖像中車輛目標(biāo)屬性。下面就現(xiàn)有圖像預(yù)處理、特征提取和分類識別的研究現(xiàn)狀進(jìn)行梳理。

1.1 圖像預(yù)處理

圖像預(yù)處理是為了增強(qiáng)圖像的可讀性，使圖像更適合于人或計(jì)算機(jī)做進(jìn)一步的分析處理。外部環(huán)境因素和成像系統(tǒng)自身噪聲的干擾，是CCD攝像機(jī)和圖像采集卡獲取靜態(tài)圖像的主要降質(zhì)原因。針對系統(tǒng)自身噪聲，常用的方法有濾波、灰度變換、二值化、圖像復(fù)原、圖像增強(qiáng)、形態(tài)學(xué)處理等[9]。陰影、霧霾、地物遮擋和陰天作為復(fù)雜環(huán)境背景下普遍存在的物理現(xiàn)象，是車輛目標(biāo)識別過程經(jīng)常會遇到的問題，它們的存在給計(jì)算機(jī)視覺任務(wù)帶來了諸多不利影響。

圖1 車輛目標(biāo)識別流程

1.1.1 陰影圖像處理

對圖像陰影處理實(shí)現(xiàn)陰影與目標(biāo)有效分離，主要包括陰影檢測和陰影去除[10]兩部分。陰影檢測可分為基于模型和基于陰影屬性[11]兩類方法。前者是利用有關(guān)場景、目標(biāo)、光照的先驗(yàn)知識構(gòu)建陰影模型，后者是通過分析陰影在亮度、梯度、色彩、紋理等信息對陰影區(qū)域進(jìn)行標(biāo)識，因更具普適性而逐漸成為主流方法。去除陰影的目的是將陰影區(qū)域的顏色、亮度和紋理恢復(fù)到與非陰影區(qū)域相一致的狀態(tài)，保持視覺一致性。常用到的方法有：基于泊松方程的陰影去除[12]、基于梯度域的陰影去除[13]、基于成對區(qū)域的陰影去除[14]、使用金字塔的陰影去除[15]和使用子區(qū)域匹配亮度轉(zhuǎn)移的陰影去除[16]等。

1.1.2 霧霾圖像處理

對霧霾降質(zhì)圖像的處理方法有很多，主要有基于圖像增強(qiáng)和基于物理模型兩類[17]。第一類方法的優(yōu)勢在于圖像處理算法較為成熟，其原理是改進(jìn)常用的圖像增強(qiáng)算法[18-20]來調(diào)整圖像亮度或?qū)Ρ榷韧怀鼍植考?xì)節(jié)信息，能從某些角度有限的改善圖像品質(zhì)并獲取有價(jià)值的信息，缺點(diǎn)是由于沒有考慮圖像降質(zhì)的本質(zhì)原因，圖像或多或少會出現(xiàn)失真或信息丟失。第二類方法是基于大氣退化模型或先驗(yàn)知識來復(fù)原退化圖像，能更貼近的還原真實(shí)場景，對復(fù)雜場景的圖像處理效果較好。當(dāng)前，一些優(yōu)秀的算法都是在基于偏微分方程[21]、基于深度關(guān)系[22]、基于先驗(yàn)知識[23]等算法上進(jìn)行改進(jìn)，取得了較為理想的效果。近年來，基于暗原色先驗(yàn)知識[24]在圖像去霧方面取得突破性進(jìn)展，開辟了全新的思路，引起大量研究者的關(guān)注。

1.1.3 地物遮擋處理

拍到的畫面中經(jīng)常會出現(xiàn)車輛被地物或車輛間相互遮擋的情況，對車輛識別形成很大的干擾。按遮擋程度不同，車輛遮擋分為部分遮擋和完全遮擋。評估丟失信息，并獲取盡可能多的特征來恢復(fù)遮擋車輛是車輛遮擋處理的核心問題。由于完全遮擋下車輛無信息可見，目前，主要集中在對車輛部分遮擋問題的研究，國內(nèi)外研究者提出了大量有效的解決辦法，主要有特征模型、統(tǒng)計(jì)模型、推理和三維模型4類方法[25]。特征模型和統(tǒng)計(jì)模型的方法應(yīng)用最為廣泛，但前者算法運(yùn)算較為復(fù)雜，易受場景中不相關(guān)物體干擾，后者僅依賴統(tǒng)計(jì)上的差異，可靠性不高。推理模型的方法對車輛軌跡、位置等先驗(yàn)信息依賴性強(qiáng)，相對簡單的場景下處理遮擋效果優(yōu)良，復(fù)雜場景下效果仍有待提升。

1.1.4 陰天圖像處理

陰天，是軍事作戰(zhàn)和民事活動(dòng)中典型的天氣類型，會造成圖像中目標(biāo)對比度降低，車輛的邊緣輪廓信息不明顯，給車輛目標(biāo)的檢測、識別與跟蹤造成嚴(yán)重干擾。通常采用圖像增強(qiáng)的方法削弱或去除圖像中某些干擾信息來改善陰天圖像的品質(zhì)，根據(jù)算法處理的范圍可分為全局處理和局部處理[26]。全局處理典型方法有均值濾波、中值濾波、直方圖均衡和灰度拉伸等。為了更好地改進(jìn)局部信息，以局部直方圖均衡法和移動(dòng)直方圖均衡法為代表的局部處理方法取得了較好的銳化邊緣和平滑效果，但這類方法并不能有效地抑制噪聲，且處理后圖像亮度與原圖出入較大。

1.2 車輛目標(biāo)特征提取

復(fù)雜環(huán)境背景下，不同時(shí)間獲取的圖像中車輛很可能以不同的亮度、對比度、大小、位置、姿態(tài)呈現(xiàn)，同一車輛在不同的圖像中也會非常不同。另外，車輛型號多樣，不同型號車輛在大小、形狀細(xì)節(jié)、顏色上都有差異，使得構(gòu)建具有泛化能力的表觀模型極為困難。一直以來，研究者們致力于提取能區(qū)分車輛與非車輛，具有旋轉(zhuǎn)、比例、平移不變性的高維度目標(biāo)特征，按提取手段不同分為人工特征提取和自動(dòng)學(xué)習(xí)特征提取。

1.2.1 人工特征提取

過去幾十年，人工提取特征在圖像模式識別領(lǐng)域一直占據(jù)主導(dǎo)地位，其主流思想是先采用區(qū)域選擇方法定位提取感興趣的區(qū)域，然后手工設(shè)計(jì)提取目標(biāo)特征。車輛目標(biāo)特征提取建立在車輛目標(biāo)檢測的基礎(chǔ)上，即先搜索定位包含車輛的區(qū)域，再提取有用的車輛目標(biāo)特征信息。由于不知道圖像中是否有車輛目標(biāo)及其大小、長寬比和位置，傳統(tǒng)的車輛檢測方法采用基于滑動(dòng)窗口的窮盡策略對整幅圖像遍歷，通過設(shè)置不同的尺度、長寬比，搜索包含目標(biāo)所有可能出現(xiàn)的位置。近年來，以AdaBoost框架[27]和DPM框架[28]的各種改進(jìn)算法堪稱佳作，取得了較好的效果。

車輛識別中常用到的特征有：視覺特征、全局不變量特征和局部不變量特征。視覺特征[29]包括灰度、亮度、對比度、幾何特征(形狀、長寬比)等；全局不變量特征包括矩不變量[30-31](Hu矩、Zernike矩、偽Zernike矩)和傅里葉描繪子[32]等；由于復(fù)雜環(huán)境背景下存在噪聲較大、局部遮擋等情況，利用局部不變量特征[33]進(jìn)行識別是非常有效的方法，局部不變量特征包括角點(diǎn)[34]、SIFT特征[35]和輪廓描述[36]等。典型的特征抽取方法有主分量分析、獨(dú)立分量分析、Fisher線性鑒別分析、因子分析和奇異值分解以及流形學(xué)習(xí)方法等。

傳統(tǒng)的手工車輛目標(biāo)特征方法不斷在改進(jìn)，但存在兩個(gè)問題：一是基于滑動(dòng)窗口的區(qū)域選擇方法缺乏針對性，時(shí)間復(fù)雜度高，且窗口冗余；二是手工設(shè)計(jì)的特征對復(fù)雜環(huán)境背景中車輛特征的魯棒性有待提高。

1.2.2 自動(dòng)學(xué)習(xí)提取特征

若能利用大數(shù)據(jù)這一優(yōu)勢，通過從大量的訓(xùn)練樣本圖像中自動(dòng)學(xué)習(xí)提取特征，將是圖像識別領(lǐng)域一大突破。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)一度被寄予厚望，但其發(fā)展出現(xiàn)了瓶頸：訓(xùn)練容易出現(xiàn)過擬合、算法復(fù)雜、訓(xùn)練速度慢。近年來，伴隨著GPU和深度學(xué)習(xí)的快速發(fā)展，彌補(bǔ)了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的不足。2012年在ImageNet圖像分類比賽中，Hinton及其學(xué)生采用卷積神經(jīng)網(wǎng)絡(luò)以超過第二名10%的準(zhǔn)確率贏得冠軍，自此掀起了深度學(xué)習(xí)研究的熱潮，極大的推動(dòng)了圖像識別研究的進(jìn)展。

深度學(xué)習(xí)[37-41]的本質(zhì)是通過多層非線性變換，從大規(guī)模數(shù)據(jù)集中自動(dòng)學(xué)習(xí)特征。深層的結(jié)構(gòu)使其具有極強(qiáng)的表達(dá)能力和學(xué)習(xí)能力，尤其擅長提取復(fù)雜的全局特征和上下文信息。得益于卷積神經(jīng)網(wǎng)絡(luò)和候選區(qū)域(region proposal，RP)算法,以R-CNN為代表的目標(biāo)檢測方法開啟了深度學(xué)習(xí)應(yīng)用于目標(biāo)檢測的先河。以RP+CNN分類的目標(biāo)檢測框架主要基于3個(gè)步驟：首先，通過滑動(dòng)窗口或object proposals方法產(chǎn)生大量的候選窗口；然后使用訓(xùn)練好的分類器對候選窗口進(jìn)行分類并對其打分；最后，采用非極大值抑制(Non-maximum supperssion:NMS)消除重疊檢測。目前，結(jié)合RP和CNN分類的框架(R-CNN,SPP-NET,Fast R-CNN,Faster R-CNN)和將目標(biāo)檢測轉(zhuǎn)換為回歸問題的目標(biāo)檢測框架(YOLO，SSD)不斷在目標(biāo)檢測領(lǐng)域取得新的突破，掀起了基于深度學(xué)習(xí)目標(biāo)檢測的熱潮。

鑒于卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network:CNN)對通用物體分類識別非常有效[42]，并在ImageNet圖像分類和人臉識別、行人檢測等方面取得了重大突破，如果將其應(yīng)用于車輛識別，尤其在復(fù)雜環(huán)境背景下，將更具靈活性和普適性。目前，國內(nèi)開展了一些基于深度學(xué)習(xí)的車輛識別[8]研究方面的探索和嘗試。文獻(xiàn)[43]采用深度卷積神經(jīng)網(wǎng)絡(luò)與SVM結(jié)合進(jìn)行車型識別，文獻(xiàn)[44]提出了改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型應(yīng)用于車型識別，文獻(xiàn)[45]提出一種采用深度卷積網(wǎng)絡(luò)的魯棒視覺車輛識別算法。

1.3 分類器設(shè)計(jì)

建立已知所屬類別的特征空間訓(xùn)練集后，分類器是解決目標(biāo)識別的有效工具。常用分類器有最小距離分類器、貝葉斯網(wǎng)絡(luò)分類器、人工神經(jīng)網(wǎng)絡(luò)分類器、支持向量機(jī)等。

最小距離分類器是一種簡單而有效的分類識別方法，其原理是將被測圖像特征與圖像特征庫進(jìn)行歐式距離計(jì)算，選取最短距離作為兩幅圖像相似的依據(jù)。貝葉斯網(wǎng)絡(luò)分類器[46]是針對單傳感器目標(biāo)識別的一種重要方法，典型的貝葉斯網(wǎng)絡(luò)分類器有樸素貝葉斯分類器、擴(kuò)展樸素貝葉斯分類器等。目前，神經(jīng)網(wǎng)絡(luò)分類器[47-49]和支持向量機(jī)[50-51]在車輛識別方面應(yīng)用最為廣泛。人工神經(jīng)網(wǎng)絡(luò)分類器具有巨量并行、風(fēng)險(xiǎn)小、有較強(qiáng)容錯(cuò)性且支持自適應(yīng)學(xué)習(xí)等優(yōu)點(diǎn)，同時(shí)，也存在對小樣本訓(xùn)練過擬合、結(jié)構(gòu)復(fù)雜、建模困難、學(xué)習(xí)性能差等缺點(diǎn)，因此，綜合運(yùn)用人工神經(jīng)網(wǎng)絡(luò)和其他分類方法在車輛識別中有著大量應(yīng)用。SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論和以結(jié)構(gòu)風(fēng)險(xiǎn)最小為分類原則的分類器，具有分類性能好、訓(xùn)練時(shí)間短、在小樣本條件下識別率高等優(yōu)點(diǎn)，適用于復(fù)雜環(huán)境背景下獲取訓(xùn)練樣本圖像不足的情況，但SVM的性能依賴于核函數(shù)的選擇，在加入新數(shù)據(jù)時(shí)必須重新訓(xùn)練。

2 分析與展望

盡管研究者們在過去幾十年進(jìn)行大量的研究并不斷取得突破性的進(jìn)展，但目前復(fù)雜環(huán)境背景下車輛目標(biāo)識別距離理想應(yīng)用狀況下對實(shí)時(shí)性、準(zhǔn)確性的要求仍存在挑戰(zhàn)，提高車輛檢測識別過程中魯棒性和降低計(jì)算復(fù)雜度是兩個(gè)重要的研究方向。

2.1 圖像預(yù)處理方面

實(shí)現(xiàn)復(fù)雜背景下目標(biāo)的有效分離，是一個(gè)富有挑戰(zhàn)性的研究領(lǐng)域。目前提出的陰影檢測和陰影去除算法取得了一定的效果，但由于復(fù)雜環(huán)境背景下陰影過于復(fù)雜，現(xiàn)有的算法在實(shí)時(shí)性、準(zhǔn)確性和實(shí)用性等方面還難以達(dá)到工程要求，在模型建立、陰影特征選擇、陰影數(shù)據(jù)庫等方面仍需投入大量的研究。在圖像去霧方面，基于物理模型的去霧算法作為當(dāng)前的主流方法，仍有許多需要改進(jìn)的地方：針對不同濃度的霧霾圖像，算法自適應(yīng)能力不強(qiáng)，需要進(jìn)行相關(guān)參數(shù)調(diào)整；去霧后的圖像或多或少存在失真現(xiàn)象，圖像去霧質(zhì)量仍有待提高；面對大量的圖像數(shù)據(jù)，算法復(fù)雜度仍需要進(jìn)一步優(yōu)化改進(jìn)。隨著機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展，基于機(jī)器學(xué)習(xí)的智能噪聲去除算法將是未來研究的潮流。

2.2 特征提取方面

利用人工提取的特征進(jìn)行車輛識別仍是一個(gè)重要的研究方向。隨著遺傳網(wǎng)絡(luò)和其他理論的成熟，國內(nèi)外學(xué)者開始探索如何解決單一不變量識別精度偏低、準(zhǔn)確率不高、抗干擾性較差的問題，已經(jīng)呈現(xiàn)出多特征融合[37-38]的趨勢。車輛特征提取的好壞受諸多因素影響，人工特征提取也存在一些不足：必須依靠設(shè)計(jì)者的先驗(yàn)知識，特征的設(shè)計(jì)上需要花費(fèi)大量精力，還要應(yīng)對運(yùn)算量大和復(fù)雜的圖像預(yù)處理等問題。可以預(yù)見，特征提取必然朝著自動(dòng)化、智能化的方向發(fā)展。深度學(xué)習(xí)在二維圖像識別方面已展現(xiàn)出其優(yōu)勢，為了加速目標(biāo)檢測速度，提高目標(biāo)檢測的準(zhǔn)確率，產(chǎn)生高品質(zhì)的候選窗口和提升分類器性能是研究者們關(guān)注的重點(diǎn)。另外，在車輛目標(biāo)識別方面，如何解決復(fù)雜環(huán)境背景下圖像樣本不足、訓(xùn)練時(shí)間長、調(diào)參復(fù)雜等問題，探索新的特征提取模型和有效的并行訓(xùn)練算法也是今后研究的重點(diǎn)方向。

2.3 分類器設(shè)計(jì)方面

復(fù)雜環(huán)境背景下，車輛識別本身就是一個(gè)識別難度大、精度低的技術(shù)難題，在提取的車輛特征品質(zhì)一定的情況下，分類器的性能將起到?jīng)Q定性的作用。人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在車輛識別方面已成為重要的分類方法，但其自身存在一定的不足，必然導(dǎo)致以單一分類器進(jìn)行識別的準(zhǔn)確率不高。近年來，綜合運(yùn)用多種分類器進(jìn)行目標(biāo)識別是熱點(diǎn)，很多論文都是在優(yōu)化上下功夫，企圖達(dá)到更快的收斂速度、更好的解，如基于多核學(xué)習(xí)(Multiple Kernel Learning,MKL)、投票表決、D-S證據(jù)理論和模糊積分等的分類器融合判別。

[1] 金茂菁.我國智能交通系統(tǒng)技術(shù)發(fā)展現(xiàn)狀及展望[J].交通信息與安全,2012,30(5):1-5.

[2] GUOLIANG M.A fast vehicle tag recognition system with video by IP camera[C]//Proceedings of the 9th ACM SIGGRAPH International Conference on Virtual Reality Continuum and Its Applications in Industry,2010:319-322.

[3] 張河.探測與識別技術(shù)北京[M].北京：北京理工大學(xué)出版社,2003.

[4] BEYMER C,M CLAUCHLAN P,COIFMAN B.et al.A real-time computer vision system for measuring traffic parameters[C]//IEEE Computer Society Conference on Computer Vision and Pa tern Recognition.IEEE Computer Press,1997:495-501.

[5] RAJAGOPALAN A N,BURLINA P,CHELLAPPA R.Higher order statistical learning for vehicle detection in images[C]//IEEE International Conference on Computer Vision.[S.l.]:[s.n.],1999:1204-1209.

[6] HENRY SCHNEIDERMAN.A Statis ical Method for 3D Object Detection Applied to Faces and Cars[Z].Pittsburgh:CMU,2000.

[7] WU J,ZHANG X,ZHOU J.Vehicle detection in static road images with PCA and wavelet-based classifier[C]//Proc.IEEE Intelligent Transportation Systems Conf.,Oakland,CA,2001:740-744.

[8] 鄧柳.基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別[D].成都:西南交通大學(xué),2015.

[9] 崔瑞芳.復(fù)雜背景下目標(biāo)圖像識別技術(shù)研究[D].太原:中北大學(xué),2009.

[10]孔祥文.靜態(tài)圖像的陰影檢測與去除算法研究[D].天津:天津大學(xué),2013.

[11]胡勇,趙春霞.單幅室外自然場景中的陰影檢測與消除[J].南京理工大學(xué)學(xué)報(bào),2015,2(35):1-5.

[12]FINLAYSON G D,HORDLEY S D,LU C,et al.On the removal of shadows from images[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2006,28(1):59-68.

[13]LEVIN A,LISCHINSKI D,WEISS Y.A closed-form solution to naturalimage matting[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2008,30(2):228-242.

[14]COMANICIU D,MEER P.Mean shift:A robust approach toward feature space analysis[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2002,24(5):603-619.

[15]SHOR Y,LISCHINSKI D.The Shadow Meets the Mask:Pyramid.Based Shadow Removal[J].Computer Graphics Forum.Blackwell Publishing Ltd,2008,27(2):577-586.

[16]XIAO C,XIAO D,ZHANG L,et al.Efficient Shadow Removal Using Subregion Matching Illumination Transfer[J].Computer Graphics Forum,2013,32(7):421-430.

[17]吳迪.圖像去霧的最新研究進(jìn)展[J].自動(dòng)化學(xué)報(bào),2015,2(41):221-239.

[18]SEOW M J,ASARI V K.Ratio rule and homomorphic filter for enhancement of digital colour image[J].Neurocomputing,2006,69 (7/9):954-958.

[19]RUSSO F.An image enhancement technique combining sharpening and noise reduction[J].IEEE Transactions on Instrumentation and Measurement,2002,51(4):824-828.

[20]RAHMAN Z,JOBSON D J,WOODELL G A.Retinex processing for automatic image enhancement[J].Journal of Electronic Imaging,2004,13(1):100-110.

[21]SCHECHNER Y Y,NARASIMHAN S G,NAYAR S K.Instant dehazing of images using polarization[C]//Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Kaual,HI:IEEE,2001,1:I-325-I-332.

[22]NARASIMHAN S G,NAYAR S K.Interactive (de) weathering of an image using physical models[C]//Proceedings of the 2003 IEEE Workshop on Color and Photometric Methods in Computer Vision.France,IEEE,2003:1.

[23]TAN R T.Visibility in bad weather from a single image[C]//Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition.Anchorage,AK:IEEE,2008:1-8.

[24]HE K M.Single image haze removal using dark channel prior[C]//IEEE Conference on Computer Vision and Pattern Recognition.[S.l.]:[s.n.],2009:1956-1963.

[25]任建新.車輛遮擋算法研究[D].北京：北方工業(yè)大學(xué),2010.

[26]宋懷波.低質(zhì)量可見光圖像的處理技術(shù)[D].濟(jì)南:山東大學(xué),2009.

[27]VIOLA P,JONES M.Rapid object detection using a boosted cascade of simple features[C]//Computer Vision and Pattern Recognition,2001.CVPR 2001.Proceedings of the 2001 IEEE Computer Society Conference on.IEEE,2001,1:I-511-I-518.

[28]FELZENSZWALB P F,GIRSHICK R B,MCALLESTER D,et al.Object Detection with Discriminatively Trained Part-Based Models[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2010,32(9):1627.

[29]李開明.地面車輛目標(biāo)識別研究綜述[J].電子學(xué)報(bào),2014,3(3):538-546.

[30]WANG S,LI X,LV X,et al.Research on the vehicle recognition based on invariant moment[C]//International Conference on New Trends in Information Science and Service Science.IEEE,2010:329-332.

[31]朱旭鋒.基于圖像不變量特征的自動(dòng)目標(biāo)識別技術(shù)研究[D].北京：中國科學(xué)院研究生院,2012.

[32]周烽.一種新的基于局部傅立葉級數(shù)的紋理描述子[J].中國圖像圖形學(xué)報(bào),2001(10):993-997.

[33]曹健.基于局部特征的圖像目標(biāo)識別問題的綜述[J].中南大學(xué)學(xué)報(bào),2013,7(44):258-261.

[34]曹健.角點(diǎn)特征在目標(biāo)識別中的應(yīng)用[J].北京理工大學(xué)學(xué)報(bào),2011(3):308-312.

[35]LOWE D.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[36]鈕峰,俞能海.航空圖片中車輛的檢測方法研究[J].電路與系統(tǒng)學(xué)報(bào),2002,7(4):80-83.

[37]劉兵,李輝,翟海天.基于小波矩和證據(jù)理論的圖像目標(biāo)識別算法[J].火力與指揮控制,2013(10):38-41.

[38]付俊.基于特征融合的遙感圖像飛機(jī)目標(biāo)識別研究[D].南京:南京航空大學(xué),2014.

[39]LEE H,PHAM P T,LARGMAN Y,et al.Unsupervised feature learning for audio classification using convolutional deep belief networks[C]//NIPS.[S.l.]:[s.n.],2009:1096-1104.

[40]NGIAM J,COATES A,LAHIRI A,et al.On optimization methods for deep learning[C]//Proceedings of the 28th International Conference on Machine Learning (ICML-11).[S.l.]:[s.n.],2011:265-272.

[41]李衛(wèi).深度學(xué)習(xí)在圖像識別中的研究及應(yīng)用[D].武漢:武漢理工大學(xué),2014.

[42]ALEX KRIZHEVSKY,ILYA SUTSKEVER,GEOFFREY E HINTON.Imagenet classification with deep convolutional neural networks[C]//Advances in neural information processing systems.[S.l.]:[s.n.],2012:1097-1105.

[43]鄧柳.基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別研究[J].計(jì)算機(jī)應(yīng)用研究,2016,33(3):930-932.

[44]張飛云.基于深度學(xué)習(xí)的車輛定位及車型識別研究[D].鎮(zhèn)江:江蘇大學(xué),2016.

[45]蔡英鳳.采用視覺顯著性和深度卷積網(wǎng)絡(luò)的魯棒視覺車輛識別算法[J].江蘇大學(xué)學(xué)報(bào),2015,36(5):331-336.

[46]余民杰.貝葉斯網(wǎng)絡(luò)分類器與應(yīng)用[D].昆明:云南財(cái)經(jīng)大學(xué),2012.

[47]王年.基于神經(jīng)網(wǎng)絡(luò)的車型識別方法[J].中國圖像圖形學(xué)報(bào),1999,4(8):668-672.

[48]杜華英.基于神經(jīng)網(wǎng)絡(luò)的汽車車型識別方法的技術(shù)研究[D].長沙:中南大學(xué),2006.

[49]XIA L M.Vehicle Recognition Using Boosting Neural Network Classifiers[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation.[S.l.]:[s.n.],2006:9641.

[50]范伊紅.相關(guān)向量機(jī)在車型識別中的應(yīng)用研宄[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(6):1510-1511.

[51]周辰雨.基于SVM的車輛識別技術(shù)[J].科技導(dǎo)報(bào),2012,30(30):53-57.

(責(zé)任編輯 楊繼森)

Review of Vehicle Recognition in Complex Environment Background

XIE Xiao-zhu, HE Cheng

(Academy of Armored Force Engineering, Beijing 100072, China)

In both the military and civilian fields, vehicle target recognition has a great application space with using image. Considering that the practical application and the outdoor complex background of environment conditions bring great challenges to vehicle target recognition. Firstly, this paper discusses the significance of vehicle target recognition and difficulties in complex background conditions. Then, the existent image preprocessing, feature extraction and classifier design were listed. Finally, the future research directions were forecasted.

complex background of environment; vehicle; target recognition

2017-02-21；

2017-03-19

謝曉竹(1965—)，女，博士，副教授,主要從事戰(zhàn)場偵察與情報(bào)處理研究。

10.11809/scbgxb2017.06.020

format:XIE Xiao-zhu, HE Cheng.Review of Vehicle Recognition in Complex Environment Background[J].Journal of Ordnance Equipment Engineering,2017(6):90-94.

TP391;TJ81

A

2096-2304(2017)06-0090-05

本文引用格式：謝曉竹，何成.復(fù)雜環(huán)境背景下車輛目標(biāo)識別研究綜述[J].兵器裝備工程學(xué)報(bào)，2017(6):90-94.