题目：视频监控系统中的车辆识别算法研究

视频图像分析有助于提高对海量视频数据的理解与搜索，已成为多媒体领域的研究热点之一，其中，针对视频图像的车辆检测技术越来越受到重视。由于具有成本低、集成度高、灵活性强等优点，车辆检测技术在面向交通、安防等领域的视频监控系统中得到了广泛应用。针对视频图像的车辆检测主要包括运动目标提取和车辆识别两个关键步骤。本文主要对运动目标提取后的车辆识别技术展开研究。然而，在实际的室外视频监控系统中，由于其监控远距远、时间长，针对车辆识别技术而言难免存在以下三个难点问题：首先，在远距离视频监控中，车辆的尺寸往往较小，且目标一般较为模糊；其次，复杂应用场景中，车辆的尺寸具有多样性；最后，在实时视频监控系统中，车辆识别的实时性要求较高。因此，论文针对上述视频监控系统中的三个实际问题展开深入研究，取得了以下成果：首先，针对在远距离视频监控中，“目标小、图像模糊”而导致的特征信息少的问题，首先，在图像预处理阶段，采用了直方图均衡化技术对图像进行增强处理，拉伸了图像对比度，增加了图像的SIFT特征点数目；其次，采用空间金字塔匹配方法，在原有特征点的基础上，考虑了图像特征的位置信息，将特征空间与图像空间有效结合。实验结果表明，针对小尺寸运动车辆目标而言，本文所提方法能有效提高识别的准确性。其次，针对复杂应用场景中，“车辆尺度多样”而导致的特征表示能力差的问题，首先，采用了归一化处理，将不同尺寸的目标归一化到同一尺度，并针对该尺度训练分类器用于车辆识别，这样能有效缩小不同尺度目标特征个数之间的差异；其次，结合词包模型（Bag of Words, BOW），将特征空间转换到特征频率空间，以进一步鲁棒地描述不同尺度目标的不同特征；实验结果表明，结合尺度归一化处理和BOW模型，能有效提升不同尺度车辆的整体识别率。为了进一步提高识别率，将原有归一化到单一尺度的方法，扩展到了归一化到多个尺度下，实验结果表明，在多尺度多姿态数据库上，归一化到三个尺度下的方法对车辆识别率的提升效果最明显。最后，为了提高车辆检测的实时性，提出了一种基于边缘区域提取的车辆识别方法，首先，对于刚体目标，其边缘信息明显且能很好地描述目标特性，因此，本文首先使用DOG算子提取出边缘信息明显的区域，只对这些区域提取HOG特征，而不是针对所有区域提取HOG特征，这能有效减少特征提取的个数；其次，对于提取的HOG特征，使用PCA降维，进一步降低冗余特征，有效降低了车辆识别在特征提取环节的时间复杂度。实验结果表明，本文方法识别一个（40×100）目标的平均时间为31ms。