基于圖像分析的車輛識(shí)別與跟蹤若干關(guān)鍵技術(shù)研究.pdf

1、在智能交通系統(tǒng)領(lǐng)域中，車牌識(shí)別、運(yùn)動(dòng)車輛檢測(cè)、車型識(shí)別和車輛跟蹤等問題一直是比較重要的研究熱點(diǎn)。而數(shù)字圖像處理與分析技術(shù)由于自身的特點(diǎn)和優(yōu)勢(shì)，被日益廣泛地應(yīng)用到智能交通領(lǐng)域中。本文結(jié)合實(shí)際項(xiàng)目，基于圖像分析、模式識(shí)別和智能算法等方法，對(duì)交通場(chǎng)景下車輛信息的識(shí)別和跟蹤問題進(jìn)行了深入研究和探討，主要包括車牌識(shí)別、運(yùn)動(dòng)車輛檢測(cè)、車型識(shí)別和車輛跟蹤4個(gè)方面。
　　 1、本文研究了車牌識(shí)別問題。提出了固定場(chǎng)景灰度圖像車牌定位、自適應(yīng)大小車

2、牌定位及模板匹配快速定位三種車牌定位方法。其中，針對(duì)采集圖像中車牌大小變化的情況，提出了大小自適應(yīng)定位的問題，并設(shè)計(jì)了一個(gè)大小自適應(yīng)的車牌定位思路，可以有效避免常規(guī)方法中采用數(shù)學(xué)形態(tài)學(xué)操作時(shí)的結(jié)構(gòu)元素的選擇問題。本文針對(duì)常規(guī)的基于連通域的字符分割方法和基于投影法的字符分割兩種字符分割方法，進(jìn)行了改進(jìn)，使之能更好地對(duì)車牌字符進(jìn)行有效分割。并對(duì)夜間車牌圖像定位與字符分割做了初步探討。本文也討論了基于徑向基神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法。實(shí)驗(yàn)結(jié)果表明

3、，本文提出的算法是有效的，取得了較好的識(shí)別效果。
　　 2、在運(yùn)動(dòng)車輛檢測(cè)中，如何檢測(cè)與背景相似的運(yùn)動(dòng)車輛一直是一個(gè)困難問題。
　　 本文在武漢交通視頻監(jiān)控場(chǎng)景下，對(duì)與背景灰度相似的運(yùn)動(dòng)目標(biāo)的檢測(cè)問題和如何采用非參數(shù)核密度估計(jì)方法進(jìn)行背景和前景分類的問題分別進(jìn)行了分析和討論。提出了利用非參數(shù)核密度估計(jì)方法（KDE）結(jié)合邊緣模型來確定與背景相似的運(yùn)動(dòng)目標(biāo)，修復(fù)其可能的缺失區(qū)域的車輛檢測(cè)算法。針對(duì)KDE算法中的各個(gè)要素，本文

4、提出了自己的確定方法。實(shí)驗(yàn)結(jié)果測(cè)試表明，本文提出的車輛檢測(cè)方法能夠較好地檢測(cè)與背景相似的運(yùn)動(dòng)車輛。
　　 3、本文將粒子群算法具體應(yīng)用到車型識(shí)別領(lǐng)域，提出了基于粒子群方法和決策樹的車型識(shí)別方法。通過選取大小、形狀、邊緣特征等相應(yīng)的特征，進(jìn)行粒子群編碼、適應(yīng)值函數(shù)設(shè)計(jì)，然后訓(xùn)練樣本，取得了較好識(shí)別效果。此外，本文將云模型理論具體運(yùn)用到車型識(shí)別領(lǐng)域，通過求取各類車型的云模型參數(shù)，并結(jié)合屬性相似度，來求取各個(gè)特征的在分類中的權(quán)值，然后

5、根據(jù)云分類器和決策樹進(jìn)行車型識(shí)別。
　　 根據(jù)實(shí)際圖像系列進(jìn)行測(cè)試，車型分類效果較好。
　　 4、如何準(zhǔn)確跟蹤與背景灰度相似的運(yùn)動(dòng)目標(biāo)一直是一個(gè)比較困難的問題。本文通過對(duì)均值漂移跟蹤算法和粒子濾波跟蹤算法的研究，針對(duì)實(shí)驗(yàn)場(chǎng)景，設(shè)計(jì)了改進(jìn)的多種特征融合的特征提取算法，將邊緣特征和顏色特征結(jié)合起來，進(jìn)而對(duì)復(fù)雜背景環(huán)境下的多車輛跟蹤問題進(jìn)行了研究和探討。實(shí)驗(yàn)表明，本文設(shè)計(jì)的特征提取方法用于解決復(fù)雜背景環(huán)境下的車輛跟蹤問題是行之