基于BP神經(jīng)網(wǎng)絡(luò)的車型識(shí)別畢業(yè)設(shè)計(jì)論文(共43頁)

1、揚(yáng)州大學(xué)本科生畢業(yè)設(shè)計(jì)基于(jy)BP神經(jīng)(shnjng)網(wǎng)絡(luò)(wnglu)的車型識(shí)別摘要車型分類識(shí)別技術(shù)作為智能交通系統(tǒng)中的關(guān)鍵技術(shù)，對(duì)提高道路運(yùn)輸效率，改善車輛收費(fèi)檢測等方面有著重要的理論與現(xiàn)實(shí)意義。本文基于視頻檢測技術(shù)，首先通過圖像預(yù)處理、車輛分割、輪廓提取得到車輛的輪廓圖，從中獲得車輛的外形幾何參數(shù)，并做相關(guān)性分析，提取特征向量。然后利用提取的特征向量，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的車型分類系統(tǒng)進(jìn)行車型識(shí)別。主要研究內(nèi)容包括：(1)車輛檢測研究。本文采用一種基于背景差分的車輛分割方法，較好地解決了復(fù)雜交通情況下車輛的檢測問題。(2)車型特征提取。根據(jù)車型分類的需要，分析了車型特征參數(shù)的選擇問題，為

2、車輛分類奠定了基礎(chǔ)。本文最終選取了頂長比、頂高比、前后比作為特征向量。(3)車型分類研究。研究了基于BP神經(jīng)網(wǎng)絡(luò)的車型分類，通過選擇合適的特征參數(shù)，獲得了較高的分類正確率。應(yīng)用效果與仿真結(jié)果表明，基于BP網(wǎng)絡(luò)的車型分類技術(shù)的實(shí)時(shí)性、精確性和分類識(shí)別性能等關(guān)鍵指標(biāo)得到明顯的改善，達(dá)到系統(tǒng)設(shè)計(jì)的預(yù)期要求。同時(shí),我們采取的方法具有提取的特征簡單、量少，并且所構(gòu)成的具有分類功能的BP網(wǎng)絡(luò)簡單、便于硬件實(shí)現(xiàn)、有利于BP網(wǎng)絡(luò)的分類識(shí)別等優(yōu)點(diǎn)。關(guān)鍵詞：智能交通系統(tǒng)；車型識(shí)別；車輛檢測；特征提?。籅P神經(jīng)網(wǎng)絡(luò)Vehicle Recognition Based on BP Neural NetworkAbstr

3、actAs the key technology of Intelligent Transportation System(ITS),vehicle recognition has all important theoretical and practical significance in improving the efficiency of road transportation and testing of vehicle chargingFirstly, the paper based on video detection discusses how to get the vehic

4、le contour map through these operations such as image pre-processing, vehicle segmentation and contour extraction to derive geometrical parameters of vehicles which are used to establish the vector by a correlation analysisSecondly, we use these feature vectors to build the system of vehicle classif

5、ication based on BP Neural Network to recognize the vehiclesThe main tasks are as follows: (1) Vehicle detectionThis paper presents the vehicle segmentation method based on background subtractionIt can solve the problem of vehicle detection in complex traffic situations effectively. (2) Feature extr

6、actionAccording to the needs of vehicle classification，we analyze the selective problems of the parameters to laid the foundation of vehicle classificationThis paper finally adopts the vectors of the ratio of top and length, top and height, forward and back(3) Vehicle classificationThis paper studie

7、s vehicle classification based on BP neural network and obtains higher classification accuracy by selecting the appropriate parametersThe result of application and simulation indicates that the real-time quality, accuracy and other performances improved and the vehicle classification system achieves

8、 prospective objectivesAt the same time, our approach has following advantages : The extracted features are simple, the account is small , and the BP network posed by the classification function is simple and easy to implement hardware, which will help classification and recognitionKeywords : ITS ;

9、Vehicle Recognition ; Vehicle Detection ; Feature Extraction; BP Neural Network目錄(ml) TOC o 1-4 h z u HYPERLINK l _Toc325216239 第1章 緒論(xln) PAGEREF _Toc325216239 h 1 HYPERLINK l _Toc325216240 1.1 課題(kt)研究的背景和意義 PAGEREF _Toc325216240 h 1 HYPERLINK l _Toc325216241 1.2 國內(nèi)外車型識(shí)別技術(shù)的研究現(xiàn)狀 PAGEREF _Toc325216

10、241 h 2 HYPERLINK l _Toc325216242 1.3 論文的主要內(nèi)容 PAGEREF _Toc325216242 h 3 HYPERLINK l _Toc325216243 第2章 車輛目標(biāo)檢測 PAGEREF _Toc325216243 h 4 HYPERLINK l _Toc325216244 2.1 基于視頻圖像的車型識(shí)別系統(tǒng)簡介 PAGEREF _Toc325216244 h 4 HYPERLINK l _Toc325216245 2.2 視頻圖像序列采集 PAGEREF _Toc325216245 h 4 HYPERLINK l _Toc325216246 2.

11、3 車輛目標(biāo)檢測的常用方法 PAGEREF _Toc325216246 h 5 HYPERLINK l _Toc325216247 2.3.1 圖像預(yù)處理 PAGEREF _Toc325216247 h 5 HYPERLINK l _Toc325216248 2.3.2 背景差分 PAGEREF _Toc325216248 h 6 HYPERLINK l _Toc325216249 2.3.3 閾值分割 PAGEREF _Toc325216249 h 8 HYPERLINK l _Toc325216250 2.3.4 形態(tài)學(xué)處理 PAGEREF _Toc325216250 h 10 HYPER

12、LINK l _Toc325216251 2.3.5 連通區(qū)域標(biāo)記及區(qū)域填充 PAGEREF _Toc325216251 h 14 HYPERLINK l _Toc325216252 第3章 車輛目標(biāo)的特征提取 PAGEREF _Toc325216252 h 16 HYPERLINK l _Toc325216253 3.1 目標(biāo)特征的提取及描述 PAGEREF _Toc325216253 h 16 HYPERLINK l _Toc325216254 3.2 基于輪廓特征的邊緣檢測 PAGEREF _Toc325216254 h 16 HYPERLINK l _Toc325216255 3.3

13、基于輪廓特征的選擇與提取 PAGEREF _Toc325216255 h 19 HYPERLINK l _Toc325216256 3.3.1車型特征值的選擇 PAGEREF _Toc325216256 h 19 HYPERLINK l _Toc325216257 3.3.2車型特征值的提取 PAGEREF _Toc325216257 h 20 HYPERLINK l _Toc325216258 第4章 BP網(wǎng)絡(luò)的設(shè)計(jì)與車型識(shí)別 PAGEREF _Toc325216258 h 23 HYPERLINK l _Toc325216259 4.1 BP神經(jīng)網(wǎng)絡(luò)簡介 PAGEREF _Toc32521

14、6259 h 23 HYPERLINK l _Toc325216260 4.1.1 多層前饋神經(jīng)網(wǎng)絡(luò) PAGEREF _Toc325216260 h 24 HYPERLINK l _Toc325216261 4.1.2 BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則 PAGEREF _Toc325216261 h 26 HYPERLINK l _Toc325216262 4.2 BP網(wǎng)絡(luò)在本實(shí)驗(yàn)中的設(shè)計(jì)與應(yīng)用 PAGEREF _Toc325216262 h 27 HYPERLINK l _Toc325216263 4.2.1 BP網(wǎng)絡(luò)的設(shè)計(jì) PAGEREF _Toc325216263 h 27 HYPERLINK l _T

15、oc325216264 4.2.2 車型識(shí)別(shbi)結(jié)果 PAGEREF _Toc325216264 h 29 HYPERLINK l _Toc325216265 第5章 總結(jié)(zngji)與展望 PAGEREF _Toc325216265 h 33 HYPERLINK l _Toc325216266 5.1 本文工作(gngzu)及成果總結(jié) PAGEREF _Toc325216266 h 33 HYPERLINK l _Toc325216267 5.2 未來工作展望 PAGEREF _Toc325216267 h 33 HYPERLINK l _Toc325216268 致 謝 PAGE

16、REF _Toc325216268 h 34 HYPERLINK l _Toc325216269 參考文獻(xiàn) PAGEREF _Toc325216269 h 35PAGE 45第1章 緒論(xln)1.1 課題(kt)研究的背景和意義近年來，隨著社會(huì)經(jīng)濟(jì)(jngj)和綜合國力的不斷增強(qiáng)，人們對(duì)交通運(yùn)輸?shù)母鞣N需求明顯增長，交通運(yùn)輸與社會(huì)經(jīng)濟(jì)生活的聯(lián)系也越來越緊密，大大地縮短了人們通行和貨物運(yùn)輸?shù)臅r(shí)間，加快了工作進(jìn)程。然而，無論是在發(fā)達(dá)國家還是發(fā)展中國家，由于車輛數(shù)量的不斷增加，道路負(fù)荷日益加重，交通擁擠、道路阻塞、交通事故現(xiàn)象越來越嚴(yán)重，由此而引起的社會(huì)經(jīng)濟(jì)損失、環(huán)境污染等問題已成為不利于社會(huì)發(fā)展

17、的消極因素。由于我國的城市化與汽車化發(fā)展十分迅猛，城市化的迅速推進(jìn)特別是大城市規(guī)模的擴(kuò)張，帶來了城市交通需求特別是機(jī)動(dòng)車數(shù)量的迅速增長,這些問題和矛盾在我國表現(xiàn)得尤為突出，正越來越嚴(yán)重困擾著城市居民的日常生活。為了解決上述問題，經(jīng)過長期和廣泛的研究，以改善交通秩序、緩解交通擁擠和減少由交通產(chǎn)生的環(huán)境污染為目標(biāo)，綜合信息技術(shù)、通信技術(shù)和自動(dòng)控制技術(shù)等智能交通系統(tǒng)相關(guān)技術(shù)的研究越來越深入。智能交通系統(tǒng)(Intelligent Transportation System，簡稱ITS)應(yīng)運(yùn)而生，并獲得了巨大的發(fā)展。ITS包括智能和交通兩個(gè)方面，將先進(jìn)的人工智能、信息技術(shù)和自動(dòng)控制等綜合用于整個(gè)交通運(yùn)輸

18、管理體系，通過對(duì)交通信息的實(shí)時(shí)采集、傳輸和處理，對(duì)各種復(fù)雜的交通情況進(jìn)行協(xié)調(diào)，建立一種實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸管理體系，從而使得交通設(shè)施得以充分利用，充分實(shí)現(xiàn)交通運(yùn)輸?shù)募s式發(fā)展。車型識(shí)別技術(shù)是ITS的重要組成部分，在交通違章監(jiān)控管理、公交優(yōu)先系統(tǒng)、高速公路不停車收費(fèi)、停車場監(jiān)控管理等系統(tǒng)中的需求在不斷加大。車型識(shí)別國內(nèi)外主要采用的方法：感應(yīng)線圈法、超聲波檢測法、紅外探測法、視頻圖像處理識(shí)別法等?；谝曨l圖像處理的車型識(shí)別系統(tǒng)，通過引入數(shù)字?jǐn)z像技術(shù)以及計(jì)算機(jī)信息管理技術(shù)，采用先進(jìn)的圖像處理、模式識(shí)別、人工智能技術(shù)，通過對(duì)圖像的采集、處理，獲得豐富的信息，從而達(dá)到高智能的管理程度。車型識(shí)別系統(tǒng)

19、已經(jīng)廣泛應(yīng)用于包括高速公路不停車收費(fèi)、停車場監(jiān)控與管理等系統(tǒng)以及車輛檢測中。車型識(shí)別技術(shù)作為智能交通系統(tǒng)中的關(guān)鍵技術(shù)，對(duì)規(guī)范交通秩序、大型停車場管理、高速公路自動(dòng)計(jì)費(fèi)等諸多方面有重要的理論與現(xiàn)實(shí)意義。1.2 國內(nèi)外車型識(shí)別(shbi)技術(shù)的研究(ynji)現(xiàn)狀 目前國內(nèi)外基于圖像分析的車型識(shí)別研究的主要方向?yàn)椋禾卣髌ヅ渌惴ǖ能囆妥R(shí)別、神經(jīng)網(wǎng)絡(luò)的車型識(shí)別、支持向量(xingling)機(jī)的車型識(shí)別?；谔卣髌ヅ涞能囆妥R(shí)別，相對(duì)于傳統(tǒng)車型識(shí)別算法有較大的改進(jìn)，在大部分天氣情況下，它不但識(shí)別準(zhǔn)確，而且計(jì)算量小，魯棒性好，識(shí)別速度快，因此能從根本上滿足識(shí)別實(shí)時(shí)性要求，但是算法在復(fù)雜環(huán)境中識(shí)別不是很準(zhǔn)確；

20、神經(jīng)網(wǎng)絡(luò)是由人工神經(jīng)元所組成的模擬人腦智能的網(wǎng)絡(luò)結(jié)構(gòu)，它具有很好的自學(xué)習(xí)、自適應(yīng)性和抗干擾能力，但對(duì)它的研究離實(shí)際工程的使用還有一定差距；支持向量機(jī)是實(shí)現(xiàn)統(tǒng)計(jì)學(xué)習(xí)理論的通用學(xué)習(xí)方法，它可以描述成類似神經(jīng)網(wǎng)絡(luò)的形式，該方法較好地解決了模型選擇、過學(xué)習(xí)問題、非線性和局部極小點(diǎn)等問題，但從理論到應(yīng)用還存在一些尚未解決的問題。論文研究范圍屬于基于神經(jīng)網(wǎng)絡(luò)的視頻車型分類技術(shù)，隨著神經(jīng)網(wǎng)絡(luò)理論和圖像處理技術(shù)應(yīng)用的日益成熟，基于視頻圖像處理的技術(shù)應(yīng)用，在智能交通系統(tǒng)中發(fā)揮越來越重要的作用。目前，基于神經(jīng)網(wǎng)絡(luò)的視頻圖像車型分類方法大致可以分為以下兩類：（1）基于神經(jīng)網(wǎng)絡(luò)的模板匹配的方法?；谀０迤ヅ涞幕具^程

21、是：首先對(duì)目標(biāo)車輛進(jìn)行二值化，并將其尺寸大小縮放為車型數(shù)據(jù)庫模板的大小，然后與所有的模板進(jìn)行匹配，隨后選取最佳匹配作為結(jié)果。其優(yōu)點(diǎn)是能夠從車輛的實(shí)際外型在當(dāng)前拍攝角度下的投影出發(fā)來識(shí)別車型，缺點(diǎn)是工作量巨大、學(xué)習(xí)過程冗長，并且環(huán)境稍有變動(dòng)就又要重新進(jìn)行整個(gè)學(xué)習(xí)過程，該方法對(duì)光照、氣侯等因素的變化也很敏感。MDubuisson Jolly等通過模板匹配法對(duì)車型進(jìn)行分類，將融入先驗(yàn)知識(shí)的變形多邊形作為模板，運(yùn)用Bayes決策判定車型，車型識(shí)別準(zhǔn)確率可達(dá)919。但是，該算法復(fù)雜、計(jì)算量大。Wei等構(gòu)造了相對(duì)簡化的參數(shù)化模型用以表示車型，模型參數(shù)包括車輛的至高點(diǎn)、拓?fù)浣Y(jié)構(gòu)等，然后應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，

22、車型識(shí)別率達(dá)到90以上。(2)基于神經(jīng)網(wǎng)絡(luò)的特征識(shí)別方法。該方法主要包括兩個(gè)階段：首先對(duì)識(shí)別目標(biāo)車型進(jìn)行特征提取，然后用所得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。這種網(wǎng)絡(luò)的識(shí)別效果與目標(biāo)車型特征提取有關(guān)，而目標(biāo)特征提取往往比較耗時(shí)。比較而言，基于車型圖像特征的人工神經(jīng)網(wǎng)絡(luò)分類方法在精確性和魯棒性等性能優(yōu)于模板匹配法。該方法將車輛樣本(yngbn)圖像視為矩陣，通過對(duì)矩陣進(jìn)行變換或線性投影，可以抽取車輛的代數(shù)特征。陳愛斌等提出了基于K-L變換(binhun)的特征車型識(shí)別(shbi)方法。魏小鵬等將人臉識(shí)別中的奇異值方法應(yīng)用于車型識(shí)別，由于車輛樣本圖像均采集于室外，圖像灰度變化比較大，需要引入了灰度一致因

23、子進(jìn)行校正。TLim等應(yīng)用Gabor濾波器對(duì)車輛樣本圖像抽取Gabor特征，車型識(shí)別效果較好。1.3 論文的主要內(nèi)容車型識(shí)別技術(shù)作為智能交通系統(tǒng)中關(guān)鍵技術(shù)，對(duì)其進(jìn)行研究具有重要的理論與現(xiàn)實(shí)意義。本文研究的課題是基于BP神經(jīng)網(wǎng)絡(luò)的車型識(shí)別，主要研究對(duì)于視頻交通數(shù)據(jù)采集后的圖像處理技術(shù)，包括車輛檢測、特征提取和BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)等主要內(nèi)容。本文在理論分析和實(shí)驗(yàn)的基礎(chǔ)上，了解現(xiàn)有的一些方法，在此基礎(chǔ)上對(duì)車型識(shí)別方法中的關(guān)鍵技術(shù)進(jìn)行了深入的研究，得出具有一定應(yīng)用價(jià)值的車型識(shí)別方法。第1章，緒論。本章介紹課題的研究背景及意義，國內(nèi)外研究現(xiàn)狀，以及論文的主要內(nèi)容和結(jié)構(gòu)安排。第2章，車輛目標(biāo)檢測。首先對(duì)車輛

24、圖像進(jìn)行預(yù)處理，然后利用背景差分法實(shí)現(xiàn)了運(yùn)動(dòng)車輛與背景的分離，再對(duì)其閾值分割，形態(tài)學(xué)處理，連通域標(biāo)記及填充等操作，最終檢測出運(yùn)動(dòng)車輛。第3章，車輛目標(biāo)的特征提取。本章采用實(shí)時(shí)性較好的Sobel算子進(jìn)行邊緣檢測，在此基礎(chǔ)上進(jìn)行了特征提取，本課題選取的特征值是：頂長比、頂高比和前后比。第4章，BP網(wǎng)絡(luò)的設(shè)計(jì)與車型識(shí)別。采用3-8-3的BP神經(jīng)網(wǎng)絡(luò)對(duì)輸入的特征值樣本進(jìn)行訓(xùn)練和測試，基于Matlab平臺(tái)，進(jìn)行了分組訓(xùn)練與測試驗(yàn)證，使得訓(xùn)練好的網(wǎng)絡(luò)穩(wěn)定性好、識(shí)別時(shí)間低、識(shí)別率高，收到了良好的效果，最終達(dá)到了預(yù)期的目的。第5章，總結(jié)與展望。本章對(duì)本文的工作及成果進(jìn)行了總結(jié)，并在所取得的工作成果基礎(chǔ)上，對(duì)今

25、后的工作及研究提出了展望。第2章 車輛(chling)目標(biāo)(mbio)檢測(jin c)2.1 基于視頻圖像的車型識(shí)別系統(tǒng)簡介視頻圖像的車型識(shí)別流程圖如圖2-1所示。視頻圖像序列采集圖像預(yù)處理車輛目標(biāo)檢 測圖像后續(xù)處 理車輛特征提 取分類判 決判別結(jié)果輸 出圖2-1車型識(shí)別流程圖1. 圖像采集系統(tǒng)將攝像機(jī)攝取的路段上行駛車輛的視頻圖像捕捉下來，并數(shù)字化，存入內(nèi)存。2. 將這些采集到的圖像進(jìn)行預(yù)處理，如：濾波去噪，圖像銳化，對(duì)比度增強(qiáng)等。3. 把汽車從所拍攝的圖像中檢測出來。4. 對(duì)圖像進(jìn)行進(jìn)一步預(yù)處理，如：閾值分割，填充等。5. 對(duì)分割后的圖像進(jìn)行特征提取，用于車型分類器。6. 把提取的特征用

26、于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)車型分類器。2.2 視頻圖像序列采集由于本文需利用車輛圖像的側(cè)面輪廓特征進(jìn)行車型識(shí)別分類，因此，CCD攝像機(jī)可安裝在路側(cè)或通道口的側(cè)面，與車輛通行方向大致成90度角。其拍攝的速率可設(shè)置為10bps（每秒鐘獲取10幀運(yùn)動(dòng)車輛視頻序列圖像），獲取的圖像大小為192256pixels。由于需要的是車輛的輪廓圖像，因此可以僅僅提取并存儲(chǔ)車輛在場景中運(yùn)動(dòng)的連續(xù)四幀圖像。如圖2-2采集到的視頻序列圖像，這里顯示的是已被rgb2gray函數(shù)處理過的灰度圖像（即采集到的RGB模式下的彩色圖像首先轉(zhuǎn)化為灰度圖像）。圖2-2視頻(shpn)序列圖像2.3 車輛(chling)目標(biāo)檢測(jin c

27、)的常用方法本章研究的主要內(nèi)容為背景靜止條件下的車輛檢測和分割，車輛的檢測和有效分割對(duì)于特征的提取及最終的車型分類等后期處理是非常重要的，因?yàn)楹笃谔幚磉^程僅僅考慮圖像中對(duì)應(yīng)于車輛運(yùn)動(dòng)區(qū)域的像素。解決車輛檢測算法的計(jì)算量和實(shí)時(shí)性這對(duì)矛盾，是提高系統(tǒng)檢測準(zhǔn)確度和穩(wěn)定度的關(guān)鍵，然而實(shí)際中光照的變化、背景混亂運(yùn)動(dòng)的干擾、運(yùn)動(dòng)目標(biāo)的影子、攝像機(jī)的抖動(dòng)以及運(yùn)動(dòng)目標(biāo)的自遮擋和互遮擋現(xiàn)象的存在，這些都會(huì)影響車輛檢測和分割的精度，必須在算法中考慮這些因素的影響及其去除的方法。下面先對(duì)目前常用的基于視頻的車輛檢測過程與方法進(jìn)行簡單梳理。2.3.1 圖像預(yù)處理數(shù)字圖像預(yù)處理的目的在于：1)去除由于在圖像采集時(shí)引入的

28、噪聲與干擾；2)去除所有夾雜在背景上的次要圖像信息，以便突出主要的待識(shí)別的車輛圖像，供計(jì)算機(jī)進(jìn)行分析和使用。預(yù)處理過程中采用的是“平滑”、“銳化”等圖像處理技術(shù)。1. 圖像平滑利用攝像頭和圖像采集卡所采集的原始汽車圖像可能達(dá)不到目標(biāo)識(shí)別的要求，因此需要對(duì)圖像進(jìn)行預(yù)處理，目的是改善原始汽車圖像的效果，提高感興趣區(qū)域的清晰度。它主要包括圖像平滑和圖像銳化。圖像平滑也稱圖像去噪。由于受攝像頭等因素影響圖像會(huì)受到不同程度的噪聲污染，而這對(duì)圖像邊緣信息的提取產(chǎn)生影響。因此在提取車輛邊緣信息與特征提取前必須去噪。本文采用中值濾波法去除噪聲。中值濾波法是一種非線性平滑技術(shù)，它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某

29、鄰域窗口內(nèi)的所有象素點(diǎn)灰度值的中值。中值濾波在圖像處理中，常用于保護(hù)邊緣信息，是經(jīng)典的平滑噪聲的方法。實(shí)現(xiàn)方法：1)通過(tnggu)從圖像中的某個(gè)采樣窗口取出奇數(shù)個(gè)數(shù)據(jù)進(jìn)行排序。2)用排序(pi x)后的中值取代要處理的數(shù)據(jù)即可。圖像中采用中值濾波的基本原理：由于噪聲在圖像中是孤立的一些點(diǎn)，這些點(diǎn)占用的像素較少，而圖像中像素點(diǎn)較多、面積較大的區(qū)域構(gòu)成了圖像的有效信息。因此，如果把數(shù)字(shz)圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，這樣能讓周圍的像素值接近真實(shí)值，從而消除孤立的噪聲點(diǎn)。本文采用上述的濾波方法進(jìn)行了實(shí)驗(yàn)，結(jié)果如圖2-3。具體程序如下：clear all %

30、中值濾波i = imread(E:mvche.bmp);j =medfilt2(i); Figure,imshow(j) (a)含噪聲圖像 (b) 中值濾波后的圖像圖2-3原圖像與中值濾波圖像的對(duì)比2. 圖像銳化圖像平滑雖然降低了噪聲的影響，但它是以圖像的邊界、輪廓變模糊為代價(jià)的，因此，一般還需要采用圖像銳化技術(shù)減少這類不利效果的影響，保證圖像邊緣的清晰。圖像的銳化處理也分為時(shí)域和頻域兩種處理方法。從時(shí)域角度來考慮，經(jīng)過平滑的圖像變模糊的根本原因是由于圖像采用了平均或積分運(yùn)算，因此，要讓圖像變清晰，可以對(duì)其進(jìn)行逆運(yùn)算(如微分運(yùn)算)。從頻域角度來考慮，圖像模糊的實(shí)質(zhì)是因?yàn)槠涓哳l分量被衰減，因此可

31、以用高通濾波器來使圖像清晰。2.3.2 背景差分目前最為成熟且應(yīng)用最多的運(yùn)動(dòng)目標(biāo)檢測方法主要有以下三種: 幀間差分法、光流法、和背景差分法。本文采取基于背景差分的方法進(jìn)行目標(biāo)檢測。背景差分法是目前運(yùn)動(dòng)分割中最常用的一種方法，它適用于攝像機(jī)靜止的情況，或自然環(huán)境的緩慢變化，其最簡單的實(shí)現(xiàn)是從視頻序列中預(yù)先抽取不含前景運(yùn)動(dòng)物體的幀圖像作為背景，然后利用當(dāng)前幀與背景圖像的差分來檢測運(yùn)動(dòng)區(qū)域，這種差分法對(duì)于復(fù)雜背景下的運(yùn)動(dòng)物體檢測效果較好，一般能夠提供最完整的特征數(shù)據(jù)，計(jì)算量小，實(shí)用價(jià)值大?；诒尘安罘值姆椒▽?duì)圖像進(jìn)行分割，以分割為目的，首先獲得背景圖像，我們稱之為背景重建，這部分是圖像分割的基礎(chǔ)。在

32、車輛不是很多的時(shí)候，可以拍到無車時(shí)的圖像作為背景，這是獲取背景的一個(gè)方法。但是需要按照時(shí)間段將不同時(shí)間的背景圖片存到數(shù)據(jù)庫中，然后(rnhu)根據(jù)當(dāng)前的時(shí)間將背景的圖片讀取出來作為背景。這種方法前期工作量大，受周圍環(huán)境影響很大，魯棒性不好，而且需要在數(shù)據(jù)庫中建立按季節(jié)、日照時(shí)間的背景信號(hào)模型。在交通系統(tǒng)繁忙時(shí)，安裝調(diào)試不可能要求交通暫停，得到?jīng)]有運(yùn)動(dòng)車輛的背景圖像比較困難，所以系統(tǒng)必須依靠有車輛運(yùn)行的圖像來得到道路的背景圖像。背景重建工作簡單原理介紹如下：考慮到攝像機(jī)固定，背景圖像變化比較緩慢，而運(yùn)動(dòng)對(duì)象相對(duì)于背景變化較快，也就是說背景像素點(diǎn)的灰度值變化比較緩慢，而運(yùn)動(dòng)目標(biāo)對(duì)應(yīng)的像素點(diǎn)灰度值變

33、化相對(duì)較快。我們將每一幅圖像劃分為兩類區(qū)域：一、背景區(qū)，該區(qū)域由灰度值變化較小的像素點(diǎn)構(gòu)成(guchng)；二、前景區(qū)，該區(qū)域由灰度值變化較大的像素點(diǎn)構(gòu)成；前景區(qū)包括運(yùn)動(dòng)目標(biāo)在當(dāng)前幀所在的區(qū)域和它在上一幀中所在的區(qū)域，這些區(qū)域內(nèi)的像素點(diǎn)的灰度值的具體處理過程如下：設(shè)和為采集(cij)到的兩幀視頻圖像，運(yùn)用幀間差分法對(duì)這兩幀圖像灰度進(jìn)行差分處理，檢測規(guī)則如下：If （2.1）If （2.2）其中T為閾值。然后將處理后的每個(gè)像素點(diǎn)灰度值相加，再除以被檢測為屬于背景的次數(shù)，這個(gè)值就是該點(diǎn)的背景像素的灰度值。程序如下： video = imread(E:mvCHE0124.mpg,201:500);

34、bg=video.frames(20).cdata;bg_bw = rgb2gray(bg); thresh = 15; fr_size = size(bg); width = fr_size(2);height = fr_size(1);fg = zeros(height, width);for i = 21:51;fr = video.frames(i).cdata; fr_bw = rgb2gray(fr); fr_diff = abs(double(fr_bw) - double(bg_bw); for j=1:width for k=1:height if (fr_diff(k,j)

35、 i=imread(cmj1.bmp); % Otsu法 th=graythresh(i); j=im2bw(i,th); th=255*th; imshow(j);3.實(shí)驗(yàn)(shyn)結(jié)果如圖2-6。圖2-6 Otsu法閾值(y zh)分割對(duì)上述自適應(yīng)閾值選取分割算法進(jìn)行(jnxng)仿真，結(jié)果如圖2-6所示，Otsu法可以實(shí)現(xiàn)對(duì)前景的分割。仿真軟件采用Matlab 70，圖像大小為192256， Otsu法耗時(shí)為0.08秒。實(shí)驗(yàn)結(jié)果表明，Otsu法的分割結(jié)果較為理想。2.3.4 形態(tài)學(xué)處理通過Otsu法進(jìn)行閾值分割以后的二值圖像存在較突出的問題就是使原來屬于同一個(gè)目標(biāo)的區(qū)域變得分散，同時(shí)圖

36、像分割行為受到噪聲的干擾而產(chǎn)生很多的細(xì)小的噪聲斑點(diǎn)，這些分散的區(qū)域和噪聲斑點(diǎn)對(duì)于下一步的圖像斑塊處理造成較大的干擾因此需要對(duì)二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理。1數(shù)學(xué)形態(tài)學(xué)濾波數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology，也稱圖像代數(shù))是一種應(yīng)用于圖像處理和模式識(shí)別領(lǐng)域的新理論和新方法，1964年由法國GMatheron和JSerra在積分幾何的基礎(chǔ)上首次創(chuàng)立。形態(tài)學(xué)的基本思想是使用具有一定形態(tài)的結(jié)構(gòu)元素來度量和提取圖像中的對(duì)應(yīng)形狀，從而達(dá)到對(duì)圖像進(jìn)行分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)可以用來簡化圖像數(shù)據(jù)，保持圖像的基本形狀特性，同時(shí)去掉圖像中與研究目的無關(guān)的部分。使用形態(tài)學(xué)操作可以增強(qiáng)對(duì)比度

37、、消除噪聲、細(xì)化、填充和分割等常用圖像處理任務(wù)。它主要以積分幾何、幾何代數(shù)及拓?fù)湔摓槔碚摶A(chǔ)，將對(duì)象模型化，對(duì)集合進(jìn)行研究，它與圖像處理的模板有相似作用，但性能比模板更強(qiáng)，它對(duì)圖像進(jìn)行移位、交、并等集合運(yùn)算構(gòu)成形態(tài)學(xué)的各種處理算法，其基本思想如圖2-7所示。輸入圖像移移位位、交、并等集合運(yùn)算輸出圖像結(jié)構(gòu)元素處理運(yùn)算移位、交、并等集合運(yùn)算結(jié)構(gòu)元素圖2-7數(shù)學(xué)(shxu)形態(tài)學(xué)的基本思想2. 數(shù)學(xué)形態(tài)學(xué)的基本(jbn)運(yùn)算數(shù)學(xué)形態(tài)學(xué)最基本的形態(tài)學(xué)運(yùn)算(yn sun)有：膨脹(Dilation)，腐蝕(Erosion)，開啟(Open)和閉合(Close)?；跀?shù)學(xué)形態(tài)學(xué)的汽車圖像處理算法就是利用膨

38、脹、腐蝕、開啟和閉合等運(yùn)算在圖像中進(jìn)行圖像的前期處理。其主要目的就是選取合適的結(jié)構(gòu)元素，濾除圖像中的孤立點(diǎn)噪聲。數(shù)學(xué)形態(tài)學(xué)中的膨脹、腐蝕、開啟和閉合運(yùn)算具有以下特點(diǎn)：(1)膨脹運(yùn)算可以使圖像中的像素粘連。此特點(diǎn)可用于填平小孔，彌合小裂縫，而保持總的位置和形狀不變。(2)腐蝕運(yùn)算可以擦除圖像中的像素。能夠去除孤立的小點(diǎn)、毛刺，而保持總的位置和形狀不變。(3) 圖像的開運(yùn)算和閉運(yùn)算是互逆的。開操作一般使對(duì)象的輪廓變得光滑，連接窄的間斷和消除細(xì)的突出物。閉操作同樣使輪廓線更為光滑，但與開操作相反的是，它通常消彌狹窄的削斷和長細(xì)的鴻溝，消除小的空洞，并填補(bǔ)輪廓線中的裂痕。本文以二值圖像為主要處理對(duì)象，

39、其基本運(yùn)算表示如下：設(shè)A為圖像集合，B為結(jié)構(gòu)元素，S為結(jié)構(gòu)元素分布區(qū)域，為空集。(1) 膨脹：膨脹算子為，A被B膨脹記為，其定義為： （2.11）即B首先做關(guān)于原點(diǎn)的映射，然后平移x。膨脹運(yùn)算具有擴(kuò)大圖像的作用，對(duì)填補(bǔ)圖像分割后物體中形成的空洞很有效。其中D為膨脹結(jié)果，表示像素點(diǎn)的取值（0或1） (2) 腐蝕(fsh)：腐蝕在數(shù)學(xué)形態(tài)學(xué)中的作用與膨脹正好(zhngho)相反，它是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過程，腐蝕可以(ky)用來消除小且無意義的物體。若A、B為S中的集合，則A被B腐蝕記為，定義為： （2.12）腐蝕運(yùn)算的過程為：結(jié)構(gòu)元素B移動(dòng)后，結(jié)構(gòu)元素仍在集合A中的參考點(diǎn)的集合。

40、(3) 開運(yùn)算和閉運(yùn)算膨脹和腐蝕并不是互為逆運(yùn)算，所以它們可以級(jí)連結(jié)合使用。如果使用同一個(gè)結(jié)構(gòu)元素先對(duì)圖像進(jìn)行腐蝕，然后膨脹其結(jié)果，這種運(yùn)算稱為開運(yùn)算；如果先膨脹后腐蝕其結(jié)果，則稱為閉運(yùn)算。開啟運(yùn)算符為“”，其定義為： (2.13)閉合運(yùn)算符為“”，其定義為： (2.14)以上各種運(yùn)算都具有位移不變性、單調(diào)增長性、等冪性等，而這些特性是它們?cè)趫D像處理中得以應(yīng)用的基礎(chǔ)。另外各個(gè)不同元素還具有各種不完全一致的特性，如組合性、互換性等。四種運(yùn)算程序如下：j=imread(cmj2.bmp); % 二值圖像的膨脹se=strel(diamond,1); im2=imdilate(j,se); figu

41、re(1); imshow(j); figure(2); imshow(im2); i=imread(cmj2.bmp); % 二值圖像的腐蝕 se=strel(disk,1); im2=imerode(i,se); figure(1); imshow(i); figure(2); imshow(im2);I=imread(cmj2.bmp); % 開運(yùn)算(yn sun)se=strel(diamond,1);im2=imopen(I,se);imshow(im2);I=imread(cmj2.bmp); % 閉運(yùn)算(yn sun)se=strel(diamond,1);im2=imclose

42、(I,se);imshow(im2);形態(tài)學(xué)處理前后(qinhu)效果對(duì)比如圖2-8。 (a)初步檢測結(jié)果 (b)膨脹結(jié)果 (c)腐蝕結(jié)果 (d)開運(yùn)算結(jié)果 (e)閉運(yùn)算結(jié)果圖2-8 數(shù)學(xué)形態(tài)學(xué)處理結(jié)果2.3.5 連通區(qū)域標(biāo)記及區(qū)域填充1區(qū)域連通標(biāo)記通過形態(tài)學(xué)濾波器濾波后，噪聲已經(jīng)(y jing)基本消除，然后對(duì)區(qū)域進(jìn)行連通性檢查，用來標(biāo)記區(qū)域中的運(yùn)動(dòng)車輛。連通區(qū)域有四連通和八連通之分，四連通區(qū)域指的是各像素與其相鄰的上下左右四個(gè)方向上的像素(四鄰域(ln y)像素)的連通路徑相連接形成的區(qū)域，八連通區(qū)域指各像素與其(yq)上下左右加上對(duì)角線上的四個(gè)點(diǎn)的八個(gè)鄰域像素的連通路徑相連接形成的區(qū)域。

43、一個(gè)八連通區(qū)域的算法也可以用在四連通區(qū)域上，在這里，我們選擇八連通區(qū)域進(jìn)行連通性檢查。如圖2-9所示，中間像素(x,y)為當(dāng)前被掃描像素，0，1，2，7為與它相鄰的8個(gè)像素。2341（x , y）5076圖2-9八連通示意圖對(duì)二值圖像從左到右從上到下進(jìn)行掃描，主要就是標(biāo)記當(dāng)前正被掃描的像素，檢查它與之前掃描到的若干近鄰像素(主要是左鄰域和上鄰域)的連通性。這里有幾種不同的情況需要分別考慮，如果當(dāng)前正被掃描像素灰度是“1”，則將它標(biāo)記為與之相連通的目標(biāo)像素；如果其左鄰域和上鄰域的標(biāo)記不同，則選擇其中一個(gè)標(biāo)記，并把另一個(gè)標(biāo)記和這個(gè)標(biāo)記記為等價(jià)標(biāo)記；如果發(fā)現(xiàn)是從“0”到“l(fā)”的過渡，則賦一個(gè)新的目標(biāo)

44、標(biāo)記。一次掃描結(jié)束后，需要進(jìn)行二次掃描，主要有兩個(gè)目的：一是將等價(jià)標(biāo)記修改為同一標(biāo)記；二是計(jì)算各個(gè)連通區(qū)域的面積，對(duì)于面積小于設(shè)定閾值的區(qū)域，可以認(rèn)為該區(qū)域?yàn)樵肼暎瑢⑵錇V除。通過連通性檢查，我們可以分出圖像中車輛的個(gè)數(shù)、位置、和大小，這對(duì)后期車輛特征的提取和分類非常有用。經(jīng)過上述步驟后，就完成了連通區(qū)域的標(biāo)記，也識(shí)別出了車輛目標(biāo)的“黑白”圖像。2.區(qū)域填充通過以上區(qū)域標(biāo)記后運(yùn)動(dòng)目標(biāo)內(nèi)部可能存在“空洞”，可通過以下區(qū)域填充操作獲得目標(biāo)對(duì)象。首先，指定一個(gè)背景點(diǎn)作為起始點(diǎn)，先進(jìn)行橫向填充，從左向右找到一個(gè)灰度值為1的亮點(diǎn)，記下此位置信息，再在同一行從右向左找到一個(gè)度值為1的亮點(diǎn)，記下此位置信息，把

45、這兩點(diǎn)間的所有度值改為1。再進(jìn)行縱向填充，從上向下找到一個(gè)度值為1的亮點(diǎn)，記下此位置信息，再在同一列從下向上找到一個(gè)度值為1的亮點(diǎn)，記下此位置信息把這兩點(diǎn)間的所有度值改為1。通過填充操作可以去掉沒有連接到邊界的一些零碎的值，這個(gè)操作對(duì)于刪除圖像中的人工痕跡(hnj)非常有用，能提高檢測的質(zhì)量。實(shí)驗(yàn)(shyn)結(jié)果如圖2-10。 （a）差分(ch fn)圖像 (b) Otsu閾值分割結(jié)果 (c)后續(xù)處理結(jié)果圖2-10圖像檢測結(jié)果第3章 車輛(chling)目標(biāo)(mbio)的特征提取3.1 目標(biāo)特征(tzhng)的提取及描述目標(biāo)圖像的表觀特征主要表現(xiàn)為形狀和灰度分布兩大類，其中，形狀特征對(duì)于光照變

46、化不敏感，而灰度特征更為豐富的反映了目標(biāo)的相關(guān)信息。但是視頻圖像序列中，光照的變化較大，而光照的變化又將對(duì)目標(biāo)的灰度特征產(chǎn)生較難消除的影響，因此，形狀特征較灰度分布將更適合于視頻運(yùn)動(dòng)目標(biāo)的識(shí)別。3.2 基于輪廓特征的邊緣檢測車輛目標(biāo)輪廓的提取通過邊緣檢測來實(shí)現(xiàn)。邊緣檢測在圖像處理和計(jì)算機(jī)視覺中占有特殊的位置，它的任務(wù)是標(biāo)識(shí)出數(shù)字圖像中亮度變化明顯的點(diǎn)。因?yàn)閳D像邊緣是灰度變化劇烈的地方，兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣是灰度值不連續(xù)的結(jié)果。通過檢測邊緣，還可以大大壓縮圖像的冗余信息，而且圖像屬性中發(fā)生的顯著變化通常反映了屬性中的重要事件和變化。邊緣檢測是圖像處理和計(jì)算機(jī)視覺中，尤

47、其是特征提取中的一個(gè)重要研究領(lǐng)域。1.常用的輪廓提取方法現(xiàn)在常用的邊緣算法有Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子、Canny算子等。我們知道一般Roberts算子的檢測效果較差，邊界平滑度不夠，Prewitt算子與Sobel算子的區(qū)域僅在于選用的模板不同，所以本文僅對(duì)Sobel、LoG和Canny算子作簡要介紹并對(duì)其性能進(jìn)行了比較。（1）Sobel算子Sobel算子可以通過以下兩個(gè)模板實(shí)現(xiàn)： 圖3-1 Sobel算子模板以上兩個(gè)矩陣分別代表圖像的水平梯度和垂直梯度。如果用Sobel算子檢測圖像M的邊緣，一般先用水平算子和垂直算子對(duì)圖像進(jìn)行卷積，得到兩個(gè)矩陣M1、

48、M2，在不考慮邊界因素的時(shí)候，它們對(duì)原圖像有相同的大小，分別表示圖像M中相同位置對(duì)于x和y的偏導(dǎo)數(shù)。然后求M1和M2對(duì)應(yīng)位置的兩個(gè)數(shù)的平方和，得到一個(gè)新的矩陣G。G是M中像素灰度梯度的近似值，然后經(jīng)過閾值操作得到邊緣。即 (3.1)（2）拉普拉斯高斯(o s)算子（LoG）拉普拉斯高斯(o s)算子如下式所示： (3.2)以模板形式(xngsh)表示就可以得到常用的算子：圖3-2 LoG算子模板算子能突出反映圖像中的角點(diǎn)和孤立點(diǎn)，在邊緣和孤立點(diǎn)的幅值都比較大，但是一階導(dǎo)數(shù)對(duì)噪聲敏感，因而不穩(wěn)定，由此，二階導(dǎo)數(shù)對(duì)噪聲就會(huì)更加敏感，因而更不穩(wěn)定。所以在作Laplacian變換之前需要平滑，同時(shí)，又

49、因?yàn)榫矸e是可交換，可結(jié)合的，所以先作高斯卷積，再用Laplacian算子作卷積，等價(jià)于對(duì)原圖用高斯函數(shù)的Laplacian變換后的濾波器作卷積，這樣就的到一個(gè)新的濾波器LoG(Laplacian of Gaussian)濾波器。 (3.3)式中，是圖像。 (3.4) (3.5)（3）Canny算子Canny算子是最優(yōu)的階梯型(step edge)邊緣檢測算子，Canny邊緣檢測算子對(duì)受白噪聲影響的階躍性邊緣是最優(yōu)的，它具有不丟失重要邊緣、定位準(zhǔn)確等優(yōu)點(diǎn)，其實(shí)現(xiàn)步驟如下：1）首先(shuxin)用2D高斯濾波模板(mbn)與原始圖像進(jìn)行卷積，以消除噪聲。2）利用導(dǎo)數(shù)(do sh)算子（如Prew

50、itt算子、Sobel算子）找到圖像灰度沿著兩個(gè)方向的導(dǎo)數(shù)、，并求出梯度的大?。?。3）利用上述結(jié)果計(jì)算出梯度的方向：。4）求出了邊緣的方向，就可以把邊緣的梯度方向大致分為4種（水平、垂直、45o方向和135o方向），并可以找到這個(gè)像素梯度方向的鄰接像素。5）遍歷圖像，若某個(gè)像素的灰度值與其梯度方向上前后兩個(gè)像素的灰度值相比不是最大的，那么將這個(gè)像素值置為0，即不是邊緣。6）使用累計(jì)直方圖計(jì)算兩個(gè)閾值。凡是大于高閾值的一個(gè)一定是邊緣；凡是小于低閾值的一定不是邊緣。如果檢測結(jié)果在兩個(gè)閾值之間，則根據(jù)像素的鄰接像素種有沒有超過高閾值的邊緣像素，如果有，則它就是邊緣，否則不是。2實(shí)驗(yàn)結(jié)果及分析現(xiàn)列出運(yùn)

51、用Sobel算子進(jìn)行邊緣檢測的程序： f=imread(im2); f=im2double(f); bw=edge(f,sobel,vertical); % 邊緣檢測,vertical為閾值 figure，imshow(f); % 顯示原始圖像 figure，imshow(bw); % 顯示邊緣檢測圖像如圖3-3所示，為分別運(yùn)用介紹的幾種邊緣檢測算子對(duì)二值圖像進(jìn)行處理的結(jié)果，獲取車輛目標(biāo)的輪廓。表3.1為檢測方法的耗時(shí)情況。 (a) 車輛二值圖 (b)Canny算子檢測 (c)Sobel算子檢測 (d)LoG算子檢測圖3-3邊緣檢測效果對(duì)比表3.1 各種檢測方法的耗時(shí)情況各種檢測方法的耗時(shí)情況

52、檢測方法Canny算子Sobel算子LoG算子仿真耗時(shí)(s)0.2750.0750.303由上述實(shí)驗(yàn)結(jié)果可見(kjin)，本文情況下，Canny算子的邊緣檢測效果較好，邊界連續(xù)(linx)且平滑，但仿真耗時(shí)相對(duì)較長； LoG算子雖檢測(jin c)效果與Sobel算子相當(dāng)，但其耗時(shí)要大大超過后者；因此Sobel算子的性能較好，Sobel算子應(yīng)能更好的突出邊緣。3.3 基于輪廓特征的選擇與提取本文已經(jīng)對(duì)圖像的背景重建更新、目標(biāo)區(qū)域提取等過程進(jìn)行了詳細(xì)的介紹分析，然后我們只需對(duì)提取到的車輛目標(biāo)區(qū)域的二值圖像作Sobel算子邊緣檢測即可得到目標(biāo)的清晰輪廓。本文基于Matlab仿真平臺(tái)，對(duì)運(yùn)動(dòng)車輛的輪

53、廓提取過程進(jìn)行了仿真，其整個(gè)過程與提取結(jié)果如圖3-4所示。 （a）背景圖像 （b）當(dāng)前幀圖像 （c）差分圖像 （d）Otsu閾值分割結(jié)果 （e）后續(xù)處理結(jié)果 （f）Sobel算子邊緣檢測圖3-4 基于背景減法的車輛邊緣提取3.3.1車型特征值的選擇目前汽車種類繁多，不勝枚舉。需要提取哪些特征來進(jìn)行車型識(shí)別和分類是難點(diǎn)也是重點(diǎn)。特征提取的好壞，關(guān)系到識(shí)別和分類的速度和準(zhǔn)確度。通常各類汽車的車身側(cè)視圖可提供整個(gè)車長、頂棚位置、頂棚長度及車輛高度等信息，由于拍攝圖像時(shí)，鏡頭與車輛間的距離、角度都是隨機(jī)的，任何微小的變化都可能造成上述各參數(shù)的絕對(duì)大小不相等，這就限制了我們不能用絕對(duì)長度或絕對(duì)高度等絕對(duì)

54、參數(shù)作為識(shí)別特征，因此我們必須考慮用某種相對(duì)值來作為特征參數(shù)。按汽車的應(yīng)用功能進(jìn)行大致分類，可分為客車、轎車(jioch)和貨車三類，通過(tnggu)詳細(xì)觀察我們發(fā)現(xiàn)，三類車型客車、貨車和轎車一個(gè)(y )很大的不同之處在于車頂部分。客車的車頂通常接近于整車長度，貨車的車頂長通常要遠(yuǎn)遠(yuǎn)小于整車長度且貨車頂部通常位于車輛的一端，而轎車車頂長度一般為整車長的一半左右，且轎車頂部通常位于車輛的中間部分(普通轎車)或后部(如吉普車)。這樣一來我們就可以采用車頂長度作為參數(shù)，從而進(jìn)一步引入其他相關(guān)參數(shù)。通過大致觀察可以看出，客車的車頂長度相比整車而言最大，而轎車的車頂長度相對(duì)整車長度較小，貨車的車頂長度

55、相對(duì)整車長度來看最小，這樣就為我們提供了一個(gè)重要的相對(duì)特征參數(shù)車頂長度與整車長度之比。另外，通過觀察我們得出若以車頂中垂線為界把車分為前后兩部分，那么客車的前后長度之比應(yīng)接近于1，轎車中普通轎車的前后長度之比亦應(yīng)接近1，轎車中的吉普車、廂式車若以車頭方向?yàn)榍岸说脑?，其前后長度之比應(yīng)較大，通常大于1，而對(duì)貨車而言若以車頭方向?yàn)榍岸说脑?，其前后長度之比應(yīng)較小，要小于0.5。為了增加特征參數(shù)值，以使識(shí)別更加準(zhǔn)確，我們還引入了車頂長度與車高度之比，很明顯，客車的比值較大，而轎車和貨車則較小，兩者相差比較明顯。通過對(duì)這三類車型的統(tǒng)計(jì)分析，我們選取的特征是：頂蓬長度與車輛長度之比，稱之為頂長比；頂蓬長度與

56、車輛高度之比，稱之為頂高比；以頂蓬中垂線為界，前后兩部分之比，稱之為前后比。這樣選取的依據(jù)是可以較好地克服鏡頭的焦距和角度的誤差，同時(shí)提取的特征簡單、量少，并且所構(gòu)成的具有分類功能的BP 網(wǎng)絡(luò)簡單，便于硬件實(shí)現(xiàn)，有利于BP網(wǎng)絡(luò)的分類識(shí)別。3.3.2車型特征值的提取圖像邊緣檢測，得到車型輪廓邊緣圖像。從邊緣圖像中就可以提取出我們感興趣的特征值了。我們選擇的特征值有三個(gè)，分別是：頂長比、頂高比和前后比，所以要先取得車頂長，車高，車長在圖像中所占的像素長度，再求其比值。算法如下：(1)對(duì)圖像進(jìn)行邊界跟蹤，消除孤立點(diǎn)和孤立線的干擾。(2)對(duì)圖像由上向下按行掃描，記錄每行中邊緣點(diǎn)(即像素灰度值=255的

57、點(diǎn))的個(gè)數(shù)，當(dāng)大于閾值(y zh)h時(shí)，即認(rèn)為(rnwi)該行為車頂。記錄(jl)該行行號(hào)為start。為增加程序穩(wěn)定性，繼續(xù)掃描20行，記錄每行中最右邊的邊緣點(diǎn)的列號(hào)減去最左邊的邊緣點(diǎn)的列號(hào)的長度，在20個(gè)值中選取最大值認(rèn)為是車頂長。記錄車頂中點(diǎn)所在的列號(hào)記為middle。(3)對(duì)圖像由下向上按行掃描，記錄每行中邊緣點(diǎn)(即像素灰度值=255的點(diǎn))的個(gè)數(shù)，當(dāng)大于閾值h時(shí)，即認(rèn)為該行為車底。記錄該行行號(hào)為end。停止掃描。(4)車高即為endstart。(5)對(duì)圖像由左向右按列掃描，記錄每列中邊緣點(diǎn)(即像素灰度值=255的點(diǎn))的個(gè)數(shù)，當(dāng)大于閾值1時(shí)，即認(rèn)為該行為車頭。記錄該列列號(hào)為start。停

58、止掃描。(6)對(duì)圖像由右向左按列掃描，記錄每列中邊緣點(diǎn)(即像素灰度值=255的點(diǎn))的個(gè)數(shù)，當(dāng)大于閾值1時(shí)，即認(rèn)為該列為車尾。記錄該列列號(hào)為end。停止掃描。(7)車長即為endstart。(8)車前半部分為middlestart；后半部分為endmiddle。根據(jù)上面的算法，計(jì)算出各長度，比值，即得到三個(gè)特征值，見表3.2。由試驗(yàn)數(shù)據(jù)我們可以看出，試驗(yàn)的結(jié)果與我們選取特征值時(shí)的設(shè)想是一致的。客車的頂長比明顯大于轎車和貨車，全部大于0.5，而轎車與貨車的頂長比在0.2-0.4的范圍內(nèi)?？蛙嚨那昂蟊冉咏?，而轎車的前后比略微大于1，貨車的前后比遠(yuǎn)遠(yuǎn)小于1，甚至小于0.5。客車的頂高比最大，轎車和

59、貨車則較小，兩者相差比較明顯。表3.2三類(sn li)車型的特征值特征值車型頂長比頂高比前后比貨車0.14730.43720.39260.15260.45920.45880.34211.00060.51660.31640.92500.18750.23110.94590.13260.15340.52800.51720.30050.83570.18740.39621.02770.18740.18740.85760.26280.43341.06770.51660.14730.63120.56660.32270.72380.1875客車0.86452.30530.92880.83291.99630.

60、96250.94882.40150.94660.87352.43420.56890.77971.51030.93150.88051.59030.94660.74531.37710.95430.84561.73660.97210.88102.35880.91560.91122.43930.95470.93402.87120.99120.97402.54510.9702轎車0.39620.75001.52380.36870.81382.88230.44441.00122.18180.29210.98452.30000.33191.07541.48780.34551.38271.36000.2747