基于Haar特征与稀疏表示分类的车辆检测系统

资 源 简 介

该项目实现了一种运用Haar特征结合稀疏表示（SRC）分类理论的车辆检测方法。系统提供了配套的训练与测试车辆图像资源。其核心逻辑是通过提取正负样本的Haar特征构建过完备字典，并利用稀疏编码技术对测试图像块进行分类。针对目标区域，算法计算其在字典中的稀疏系数并根据重构残差判定是否为车辆。由于实验阶段提取的Haar特征未经过进一步的降维与特征选择优化，导致特征维度较高，使得在执行整体图像的滑动窗口搜索时计算开销较大、耗时较长。因此，该代码主要用于输出分类准确率、统计数据等实验结果，以此作为学习和研究稀疏表示在车辆检测应用中的参考工具，重点展示算法的分类逻辑与识别效能。

详 情 说 明

基于Haar特征与稀疏表示分类的车辆检测系统

项目介绍

本项目是一个用于研究和实验车辆检测算法的系统，重点探讨了Haar-like特征与稀疏表示分类（SRC）理论的结合应用。系统通过构建包含正负样本特征的过完备字典，利用信号的稀疏分解能力来实现目标物体的识别。该工具旨在展示如何利用数学建模中的重构残差来进行二分类任务（车辆与非车辆），并提供了完整的从数据生成、特征提取到分类评价的可视化流程。由于未启用复杂的降维技术，该系统更侧重于分类逻辑的效能展示，是学习空域特征提取与稀疏编码算法的参考资源。

功能特性

• 自动化数据集生成：内置模拟数据生成引擎，能够合成具有特定纹理特征的车辆样本（如矩形结构）和背景样本（如梯度或随机噪声），方便在无外部图像库的情况下进行算法验证。
• 高效特征提取：利用积分图像（Integral Image）技术实现Haar-like特征的快速计算，涵盖了水平边缘、垂直边缘以及三矩形线段特征。
• 稀疏重构分类：采用稀疏表示分类（SRC）核心逻辑，通过对比测试样本在不同类别子空间下的重构精度（残差）来判定目标类别。
• 高性能稀疏求解：集成正交匹配追踪（OMP）算法，在迭代过程中寻找最具代表性的字典原子，高效求解稀疏系数。
• 多维度性能评估：系统能够自动计算分类准确率，并生成重构残差分布图、分类结果趋势图以及随机样本识别结果的直观展示。

系统要求

• MATLAB R2016b 或更高版本。
• 需安装 Image Processing Toolbox（用于积分图像计算及图像展示）。
• 建议运行环境内存不低于 8GB，以确保大量高维特征处理时的稳定性。

实现逻辑说明

系统的执行逻辑严格遵循以下步骤：

1. 参数初始化：定义全局图像尺寸（24x24像素）、训练与测试样本规模、以及OMP算法的稀疏度阈值。
2. 数据制备：通过模拟函数生成带有特定几何特征的灰度图像。车辆样本模拟了车身的主体矩形结构，背景样本则模拟了对角线梯度或随机纹理，并均加入了一定的高斯噪声以增加鲁棒性。
3. 字典构建：

* 对每一张训练图像提取Haar特征向量。 * 将所有特征向量按列拼接，形成初始特征矩阵。 * 对待构建的字典进行单位范数归一化，确保特征尺度一致，为稀疏分解做准备。

1. 稀疏表示分类：

* 提取测试样本的Haar特征并归一化。 * 调用OMP算法，在过完备字典中寻找该特征的稀疏系数向量。 * 分块重构：将稀疏系数分为“车辆”和“背景”两部分，分别利用字典中对应的原子计算重构信号。 * 判定规则：分别计算原始特征与两类重构信号之间的L2范数距离（残差），残差较小的一类即为判定结果。

1. 结果可视化：输出总体分类准确率，并绘制各样本的残差对比曲线，直观反映分类器的区分能力。

关键算法与技术细节

• Haar-like 特征提取：系统实现了三种经典的Haar特征算子。通过在图像上以固定步长滑动特定尺寸的模板（如4x2或2x4），利用积分图像在常数时间内求取矩形区域像素和之差。这种特征能有效捕获车辆边缘和局部明暗变化。
• 正交匹配追踪 (OMP)：这是一种贪心算法，用于求解欠定线性方程组的稀疏解。它通过迭代选择与当前残差最相关的字典原子，并利用最小二乘法更新系数，直到达到预设的稀疏度。
• 重构残差分析：这是SRC的核心。算法假设一个属于车辆类的测试样本，其特征可以被训练集中车辆类的特征（字典子集）较好地线性组合表示。因此，该样本在车辆子空间下的重构误差会明显低于在背景子空间下的误差。
• 积分图像应用：为了优化高维Haar特征的计算效率，系统首先将原始图像转换为积分图像，使得任何矩形区域的累加和仅需四次查表和三次加减法即可完成。

使用方法

1. 启动 MATLAB 软件。
2. 将包含系统代码的工作目录设置为当前路径。
3. 在命令行窗口输入主函数名称并回车。
4. 程序将自动执行数据生成、特征提取、字典训练及分类测试。
5. 执行完成后，系统自动弹出两个图窗：一个用于分析重构残差与统计准确率，另一个用于展示随机抽取的测试样本及其分类标签（正确与否会以颜色和文字标注）。