畢業(yè)設(shè)計(jì)（論文）視頻圖像中車輛的車型識(shí)別算法研究與實(shí)現(xiàn)

1、<p><b>　　畢業(yè)設(shè)計(jì)說明書 </b></p><p>　　作 者： 學(xué) 號(hào)： </p><p>　　系： 信息工程系 </p><p>　　專業(yè)： 電子信息工程 </p>

2、<p>　　題 目： 視頻圖像中車輛的車型識(shí)別 </p><p>　　算法研究與實(shí)現(xiàn) </p><p>　　指導(dǎo)者： </p><p>　　評(píng)閱者： </p><p

3、>　　2013年 6月 1日</p><p>　　畢業(yè)設(shè)計(jì)（論文）中文摘要</p><p>　　畢業(yè)設(shè)計(jì)（論文）外文摘要</p><p><b>　　目 次</b></p><p>　　1 緒論 ………………………………………………………………………………1</p><p>　　

4、1.1 課題的研究背景和意義 ………………………………………………………1</p><p>　　1.2 課題的研究現(xiàn)狀 ………………………………………………………………2</p><p>　　1.3 本文的基本內(nèi)容和組織結(jié)構(gòu) …………………………………………………3</p><p>　　2 車型識(shí)別系統(tǒng)簡(jiǎn)介 ………………………………………………………………4<

5、/p><p>　　2.1 預(yù)處理 …………………………………………………………………………4</p><p>　　2.2 特征提取 ………………………………………………………………………4</p><p>　　2.3 特征匹配 ………………………………………………………………………4</p><p>　　3 基于灰度閾值分割法的車型識(shí)別 …………

6、……………………………………6</p><p>　　3.1 介紹各模塊設(shè)計(jì) ………………………………………………………………6</p><p>　　3.1.1 預(yù)處理模塊 ……………………………………………………………6</p><p>　　3.1.2 特征提取模塊……………………………………………………………7</p><p>　　3.1

7、.3 特征匹配模塊……………………………………………………………7</p><p>　　3.2 運(yùn)行結(jié)果 ………………………………………………………………………8</p><p>　　3.3 結(jié)果分析 ……………………………………………………………………11</p><p>　　4 基于圖像背景差值法的車型識(shí)別 ……………………………………………13</p

8、><p>　　4.1 介紹各模塊設(shè)計(jì) ……………………………………………………………13</p><p>　　4.1.1 預(yù)處理模塊 ……………………………………………………………13</p><p>　　4.1.2 特征提取模塊 …………………………………………………………14</p><p>　　4.1.3 特征匹配模塊 ………………………

9、…………………………………14</p><p>　　4.2 運(yùn)行結(jié)果 ……………………………………………………………………15</p><p>　　4.3 結(jié)果分析 ……………………………………………………………………29</p><p>　　4.4 結(jié)果對(duì)比 ……………………………………………………………………30</p><p>　

10、　結(jié)論 ………………………………………………………………………………32</p><p>　　參考文獻(xiàn) …………………………………………………………………………34</p><p>　　致謝 ………………………………………………………………………………35</p><p><b>　　1 緒論</b></p><p&g

11、t;　　車型識(shí)別的目的是對(duì)待識(shí)別車輛進(jìn)行車型的判別（該課題將車型分為轎車、貨車、客車三類），它是通過分析比較待識(shí)別車輛側(cè)面視覺特征信息實(shí)現(xiàn)的，主要借助于計(jì)算機(jī)技術(shù)的應(yīng)用，車型識(shí)別技術(shù)是一種輪廓特征識(shí)別技術(shù)，是用待識(shí)別車輛的側(cè)視輪廓特征來判別所屬車型。車輛的側(cè)視輪廓特征主要抽象為車頂長(zhǎng)度、車輛高度和車身長(zhǎng)度，依此可求得待識(shí)別車輛的頂長(zhǎng)比、頂高比和前后比（車頂中垂線將車身長(zhǎng)分得兩部分的比值），而通過統(tǒng)計(jì)計(jì)算可求得三類車型（轎車、貨車、客車）

12、的特征值（頂長(zhǎng)比、頂高比、前后比）的范圍，將提取的待識(shí)別車輛的特征值與統(tǒng)計(jì)值相比較可實(shí)現(xiàn)對(duì)待識(shí)別車輛的車型判別[1]。</p><p>　　1.1 課題的研究背景和意義</p><p>　　中國(guó)正處在一個(gè)快速發(fā)展的時(shí)期，各種車型車輛數(shù)量也在持續(xù)上升，使得我國(guó)城市交通越來越擁擠，人們需要借助一種交通智能化系統(tǒng)來提高交通情況監(jiān)控的實(shí)時(shí)性和交通管理的自動(dòng)化程度，這也為智能交通系統(tǒng)的產(chǎn)生提供了條件

13、。在我國(guó)的一些大城市正在逐步提高交通管理的智能化，主要體現(xiàn)在實(shí)現(xiàn)高速公路的快捷收費(fèi)、公共場(chǎng)所車輛監(jiān)控自動(dòng)化加強(qiáng)等方面，我們對(duì)交通管理智能化的需求日益增加，這將帶動(dòng)智能交通系統(tǒng)的不斷發(fā)展。</p><p>　　人們對(duì)車型識(shí)別的研究雖然已有很長(zhǎng)一段時(shí)間，但仍有許多難題仍未解決，首先，車輛的顏色、光澤度等都會(huì)隨著時(shí)間的推移和環(huán)境的改變而發(fā)生變化，而且即使是同一車輛在錄入鏡頭時(shí)的形狀、大小也各不同，這主要與位置和速度的隨

14、機(jī)性有關(guān)；第二，車輛錄入鏡頭的外觀狀態(tài)還與攝像頭位置、臨近的物體或臨近的車輛對(duì)待識(shí)別車輛的遮擋程度有關(guān)；第三，車型識(shí)別的準(zhǔn)確性和快捷性還與光照情況的改變、天氣季節(jié)的交替及背景圖像的不斷變化緊密相關(guān)。因此現(xiàn)在的車型識(shí)別技術(shù)還遠(yuǎn)不能滿足當(dāng)代大城市交通智能化管理的需求，我們?nèi)孕鑼?duì)車型識(shí)別技術(shù)進(jìn)行改進(jìn)以滿足準(zhǔn)確性和使用性上的要求。</p><p>　　目前已經(jīng)解決交通智能管理的大部分關(guān)鍵技術(shù)，但是部分細(xì)節(jié)方面仍然存在不足

15、，準(zhǔn)確性不高就是其中的一方面。交通智能管理的關(guān)鍵技術(shù)包括車型判別，希冀借助本課題的研究能促進(jìn)智能交通系統(tǒng)的發(fā)展，使信號(hào)燈指揮通行、車輛數(shù)量統(tǒng)計(jì)、公共場(chǎng)所車輛無人收費(fèi)、公路狀況監(jiān)控等方面更具可操控性。就目前而言，在交通智能管理方面我國(guó)與發(fā)達(dá)國(guó)家仍有很大差距，故該課題的研究對(duì)交通智能管理具有積極的影響。</p><p>　　1.2 課題的研究現(xiàn)狀</p><p>　　目前，國(guó)內(nèi)外車型識(shí)別技術(shù)的

16、研究已經(jīng)取得了很大成果，人們利用不同的技術(shù)手段來判別車型。總的來說分為直接法和間接法。間接法的車型判別技術(shù)要借助卡或條碼的應(yīng)用，而直接法是要借助圖像處理技術(shù)來進(jìn)行判別的。</p><p>　　間接法：把儲(chǔ)存車型信息的卡或條碼安裝在車輛上，借助專用設(shè)備來讀取待識(shí)別車輛上安裝的卡或條碼存儲(chǔ)的相關(guān)信息來進(jìn)行判別。該方法滿足了準(zhǔn)確性和可靠性的要求，但性價(jià)比得不到滿足，對(duì)硬件設(shè)備要求高，無法完成異地作業(yè)。此外，若想很好地推

17、行該方法要制定統(tǒng)一標(biāo)準(zhǔn)，且無法保證車與卡或車與碼相符，這也使其無法快速推廣。</p><p>　　直接法：攝取車輛的圖像信息，不依賴車載發(fā)射裝置，對(duì)待識(shí)別車輛進(jìn)行距離性信息采集來實(shí)現(xiàn)車型判別。借助攝像機(jī)拍下的車輛圖像，利用計(jì)算機(jī)技術(shù)進(jìn)行處理，提取所需特征信息，如外型尺寸、前后軸距、車輪大小等等，通過分析比較可達(dá)到判別目的。該方法不需安置設(shè)備，節(jié)約了大量資金，且識(shí)別速度較快，實(shí)時(shí)性得以提高，并在人機(jī)交換性方面得到了

18、很大改善。近些年，隨著計(jì)算機(jī)及相關(guān)技術(shù)的發(fā)展，一些國(guó)家開始關(guān)注人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用，RBF神經(jīng)網(wǎng)絡(luò)便是其中一種，應(yīng)用該技術(shù)進(jìn)行車型的判別有賴于與樣本的比較。</p><p>　　近些年來，國(guó)內(nèi)外學(xué)者對(duì)車型識(shí)別技術(shù)的關(guān)注日益加深，也在努力研究新的算法以提高識(shí)別率、降低復(fù)雜度，使得車型識(shí)別技術(shù)得以快速發(fā)展。</p><p>　　基于 和 的方法，經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法模型化程度高，可以提高識(shí)

19、別準(zhǔn)確率、對(duì)環(huán)境條件要求低，具有較高實(shí)用性，易于操作[2]。</p><p>　　基于模糊理論的方法，它的二級(jí)評(píng)判模型是基于聚類的，該方法受主觀因素影響小，可以客觀地反映真實(shí)情況，快捷高效，極大地提高了實(shí)時(shí)性。</p><p>　　基于角點(diǎn)算法進(jìn)行車型的判別，首先要借助圖像分割技術(shù)獲得轎車、貨車、客車的標(biāo)準(zhǔn)樣本，并利用算法求得其角點(diǎn)作為樣本庫(kù)[3]。再提取待識(shí)別車輛的圖像，計(jì)算角點(diǎn)并進(jìn)行比

20、對(duì)，計(jì)算待識(shí)別車輛與各車型樣本的距離，并取距離最小者為待識(shí)別車輛所屬車型。經(jīng)驗(yàn)證，基于角點(diǎn)檢測(cè)法較好地滿足了準(zhǔn)確性和快捷性要求。借助角點(diǎn)檢測(cè)技術(shù)進(jìn)行車型判別的方法計(jì)算速度很快，與主成分分析法相比，該方法要簡(jiǎn)單許多，不必像主成分分析法那樣進(jìn)行大量的預(yù)處理工作。 </p><p>　　近期，借助圖像處理技術(shù)進(jìn)行車型判別顯現(xiàn)出顯著優(yōu)點(diǎn)，國(guó)內(nèi)外學(xué)者對(duì)其關(guān)注度日益加深，但由于背景和光照因素的復(fù)雜多變性，想要達(dá)到理想

21、的圖像分割效果并非易事。近些年，國(guó)內(nèi)外市場(chǎng)都推出了一些實(shí)用的車型判別系統(tǒng)。但是，這些系統(tǒng)都受到一些特殊環(huán)境的限制，車型識(shí)別技術(shù)仍有很大的發(fā)展空間，該技術(shù)的研究應(yīng)用對(duì)實(shí)現(xiàn)交通智能化管理具有很大的推動(dòng)作用。</p><p>　　1.3 本文的基本內(nèi)容和組織結(jié)構(gòu)</p><p>　　本文先研究了基于灰度閾值分割法的車型識(shí)別技術(shù)，客觀分析了該技術(shù)的優(yōu)點(diǎn)和不足。針對(duì)灰度閾值分割法的不足，提出了基于圖

22、像背景差值法的車型識(shí)別技術(shù)，該技術(shù)相對(duì)于灰度閾值分割法雖然有部分改善，但圖像又需要滿足更加嚴(yán)格的條件。</p><p>　　本論文設(shè)計(jì)了車型識(shí)別的實(shí)現(xiàn)過程，并對(duì)每一步進(jìn)行了分析，其中著重分析了圖像分割和特征提取部分。對(duì)待識(shí)別車輛進(jìn)行車型判別以主成分分析法為基礎(chǔ)，提取的主特征為待識(shí)別車輛的頂長(zhǎng)比、頂高比和前后比（車頂中垂線將車身長(zhǎng)分得兩部分的比值），并對(duì)主特征提取對(duì)于車型判別準(zhǔn)確性的影響進(jìn)行了研究,最后給出了針對(duì)該

23、課題的總結(jié)展望。</p><p>　　2 車型識(shí)別系統(tǒng)簡(jiǎn)介</p><p>　　模式識(shí)別技術(shù)的一個(gè)重要分支是車型識(shí)別，實(shí)現(xiàn)車型識(shí)別的主要步驟如下圖所示：</p><p><b>　　2.1 預(yù)處理</b></p><p>　　車型識(shí)別過程中的重要環(huán)節(jié)之一就是圖像預(yù)處理，圖像預(yù)處理過程的好壞直接關(guān)系到待識(shí)別車輛的特征提取和

24、特征匹配工作能否順利完成。經(jīng)過預(yù)處理可以去除或減少圖像的多余信息，使圖像的真實(shí)信息得以恢復(fù)、檢測(cè)相關(guān)信息的能力得以提升、圖像的逼真度和圖像的可識(shí)別度得到提高，最大限度地簡(jiǎn)化相關(guān)數(shù)據(jù)，提高特征提取、特征匹配和判別的可靠性。</p><p><b>　　2.2 特征提取</b></p><p>　　特征提取是車型識(shí)別系統(tǒng)的重要環(huán)節(jié)，利用計(jì)算機(jī)對(duì)經(jīng)過預(yù)處理的圖像進(jìn)行相關(guān)信息

25、的提取，判定該圖像的特征點(diǎn)包括哪些點(diǎn)[4]。特征值的選擇以及特征提取的好壞直接關(guān)系到能否快速、準(zhǔn)確的對(duì)待識(shí)別車輛進(jìn)行判別和分類。該課題通過對(duì)待識(shí)別車輛的側(cè)視圖進(jìn)行處理來提取特征，通常待識(shí)別車輛的側(cè)視圖可以提供車輛的輪廓信息。若能提取出這些信息，經(jīng)過相關(guān)計(jì)算便可求得：頂長(zhǎng)比（車頂長(zhǎng)度與車身長(zhǎng)度之比）、頂高比（車頂長(zhǎng)度與車輛高度之比）、前后比（以車頂中垂線為界分得車身為兩部分的長(zhǎng)度之比)。再利用計(jì)算得出的三個(gè)特征比進(jìn)行判別[5]。</

26、p><p><b>　　2.3 特征匹配</b></p><p>　　該課題的特征匹配即利用提取的待識(shí)別車輛的特征值進(jìn)行車型判別。首先，要經(jīng)過統(tǒng)計(jì)計(jì)算求得三類標(biāo)準(zhǔn)車型（轎車、客車、貨車）的特征值（頂長(zhǎng)比、頂高比、前后比）的范圍，進(jìn)行剔除選擇后將其作為樣本庫(kù)。然后，編程實(shí)現(xiàn)車型的判別。</p><p>　　3 基于灰度閾值分割法的車型識(shí)別</p

27、><p>　　選取含有待識(shí)別車輛的圖像，對(duì)其進(jìn)行灰度線性變換，待識(shí)別車輛的灰度值與背景的灰度值在圖像直方圖不均勻分布，可以選取一灰度閾值范圍，使該閾值范圍包含待識(shí)別車輛的大部分灰度級(jí)，幾乎不包含或盡量少包含背景的灰度級(jí)，對(duì)閾值范圍內(nèi)的灰度級(jí)賦予255級(jí)，對(duì)背景的灰度級(jí)賦予0級(jí)，這樣可以將待識(shí)別車輛從背景中分割出來，該方法即為灰度閾值分割法。</p><p>　　3.1 介紹各模塊設(shè)計(jì)</

28、p><p>　　3.1.1 預(yù)處理模塊</p><p>　　由于攝取的圖像一般含有噪聲，需要對(duì)圖像進(jìn)行預(yù)處理，濾除干擾、噪聲，獲得較高品質(zhì)的圖像?；诨叶乳撝捣指罘ǖ念A(yù)處理要對(duì)攝取的圖像進(jìn)行灰度圖像變換、圖像平滑、二值化處理和圖像填充，以達(dá)到提高圖像質(zhì)量的目的，為接下來進(jìn)行車輛輪廓特征的提取提供必要的基礎(chǔ)。預(yù)處理流程如圖3.1所示：</p><p>　　圖3.1 預(yù)處理

29、流程圖</p><p>　　灰度圖像變換：當(dāng)光線情況不太理想時(shí)，與彩色圖像相比灰度圖像更易于分辨，為了滿足光線情況多樣性，有必要對(duì)彩色圖像進(jìn)行灰度變換，這樣既易于處理又減少了計(jì)算量。</p><p>　　圖像平滑：為了減少噪聲、干擾的影響，需要對(duì)含有待識(shí)別車輛的圖像進(jìn)行平滑處理。圖像平滑主要有基于空域和基于頻域的方法，中值濾波屬于基于空域的非線性濾波法，該方法對(duì)椒鹽噪聲的濾波效果較好。&l

30、t;/p><p>　　閾值分割、二值化：設(shè)圖像灰度值為，所屬區(qū)間為,在和之間確定一個(gè)閾值，則灰度閾值分割法可描述為：</p><p>　　由此得到二值圖像[6]。能否確定合適的閾值直接影響車型判別結(jié)果的準(zhǔn)確性。</p><p>　　圖像填充：由于噪聲、干擾的影響，基于灰度閾值分割法進(jìn)行圖像分割得到的待識(shí)別車輛的灰度級(jí)并非全部都為255，這時(shí)進(jìn)行圖像填充是很有必要的，經(jīng)過

31、圖像填充，可使圖像車輛部分的灰度級(jí)一致，有利于車輛的特征提取。</p><p>　　3.1.2 特征提取模塊</p><p>　　對(duì)攝取的圖像進(jìn)行預(yù)處理后，得到的灰度圖像只有兩個(gè)灰度級(jí)（0和255），由于只有兩個(gè)灰度級(jí)便于對(duì)灰度圖像進(jìn)行掃描，提取待識(shí)別車輛的主要特征信息：頂長(zhǎng)比（車頂長(zhǎng)度與車身長(zhǎng)度之比）、頂高比（車頂長(zhǎng)度與車輛高度之比）和前后比（以車頂中垂線為界分得車身為兩部分的長(zhǎng)度之比)

32、[7]。</p><p>　　3.1.3 特征匹配模塊</p><p>　　基于灰度閾值分割法的車型識(shí)別系統(tǒng)進(jìn)行車型的判別時(shí)采用特征匹配算法，該算法輸入一組待識(shí)別車輛的特征值數(shù)據(jù)，判別過程如下：</p><p>　　(1)輸入一組特征值數(shù)據(jù)；</p><p>　　(2)如果前后比＜0.6，則該車輛為貨車，否則轉(zhuǎn)至(3)；</p>

33、<p>　　(3)如果頂長(zhǎng)比＞0.3，則該車為客車，否則該車為轎車。程序流程如下圖所示：</p><p><b>　　是</b></p><p><b>　　否</b></p><p>　　否 是</p><p>　　圖3.2 程序流程圖</p&g

34、t;<p><b>　　3.2 運(yùn)行結(jié)果</b></p><p>　　該課題應(yīng)用基于灰度閾值分割法的車型識(shí)別系統(tǒng)對(duì)5輛待識(shí)別車輛進(jìn)行了判別，其中（1）的背景復(fù)雜，（2）、（4）、（5）的背景較簡(jiǎn)單，（3）的背景單一、背景顏色緩慢變化。運(yùn)行結(jié)果如下：</p><p>　　（1）背景復(fù)雜，待識(shí)別車輛為轎車，選取的灰度閾值為[200/230],運(yùn)行程序后識(shí)別結(jié)

35、果為轎車(識(shí)別結(jié)果正確）。</p><p>　　圖3.3 原彩色圖像 圖3.4 灰度圖像</p><p>　　圖3.5 圖像直方圖 圖3.6 填充過程圖</p><p>　　（2）背景較簡(jiǎn)單，待識(shí)別車輛為轎車，選取的灰度閾值為[180/210],運(yùn)行程序后識(shí)別結(jié)果為貨車（識(shí)別結(jié)果錯(cuò)誤

36、）。</p><p>　　圖3.7 原彩色圖像 圖3.8 灰度圖像</p><p>　　圖3.9 圖像直方圖 圖3.10 填充過程圖</p><p>　　（3）背景單一、背景顏色緩慢變化，待識(shí)別車輛為貨車，選取的灰度閾值為[80/200],運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果

37、正確，但填充效果差、閾值范圍很難確定，圖像分割效果并不理想）。</p><p>　　圖3.11 原彩色圖像 圖3.12 灰度圖像</p><p>　　圖3.13 圖像直方圖 圖3.14 填充過程圖</p><p>　?。?）背景較簡(jiǎn)單，待識(shí)別車輛為客車，選取的灰度閾值為[50/

38、80],運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確，但填充效果很差）。</p><p>　　圖3.15 原彩色圖像 圖3.16 灰度圖像</p><p>　　圖3.17 圖像直方圖 圖3.18 圖像填充圖 </p><p>　?。?）背景較簡(jiǎn)單，

39、待識(shí)別車輛為客車，選取的灰度閾值為[30/60],運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確，但填充效果很差）。</p><p>　　圖3.19 原彩色圖像 圖3.20 灰度圖像</p><p>　　圖3.21 圖像直方圖 圖3.22 填充過程圖</p><p><b&g

40、t;　　3.3 結(jié)果分析</b></p><p>　　基于灰度閾值分割法的車型識(shí)別系統(tǒng)，首先，要將原圖像進(jìn)行灰度線性變換，可求出其相應(yīng)的灰度信息[8]。然后，要根據(jù)灰度圖像的直方圖選取合適的閾值范圍，將灰度圖像轉(zhuǎn)化為二值化圖像，根據(jù)二值化圖像進(jìn)行橫向填充、縱向填充，再利用坐標(biāo)掃描法求得車頂長(zhǎng)度、車身長(zhǎng)度、車輛高度和車頂位置（據(jù)此可求得待識(shí)別車輛的頂長(zhǎng)比、頂高比和前后比）。最后，應(yīng)用特征匹配法對(duì)待識(shí)別車

41、輛進(jìn)行車型的判別。</p><p>　　應(yīng)用基于灰度閾值分割法的車型識(shí)別系統(tǒng)對(duì)待識(shí)別車輛進(jìn)行車型的判別，能否準(zhǔn)確的選取合適的閾值范圍直接關(guān)系到圖像分割的好壞，直接影響特征提取和特征匹配工作效果的好壞。當(dāng)待識(shí)別車輛的顏色與背景圖像的顏色對(duì)比鮮明時(shí)，表現(xiàn)在圖像直方圖上為灰度級(jí)分布明顯分開，這時(shí)可較容易選取合適的范圍以達(dá)到圖像分割的目的，提取待識(shí)別車輛。而當(dāng)待識(shí)別車輛的顏色與圖像中除待識(shí)別車輛外其余部分顏色相近時(shí)，待識(shí)

42、別車輛的灰度級(jí)分布與圖像中除待識(shí)別車輛外其余部分的灰度級(jí)分布有明顯交疊，這時(shí)不易選取閾值范圍進(jìn)行圖像分割，即使勉強(qiáng)分割出了待識(shí)別車輛，往往效果也較差，最后的判別結(jié)果也會(huì)不準(zhǔn)確[9]。</p><p>　　4 基于圖像背景差值法的車型識(shí)別</p><p>　　固定鏡頭保持不動(dòng)，對(duì)得到的視頻進(jìn)行分幀處理，各幀圖像的背景是保持不變的，設(shè)背景圖像的灰度值為，含有待識(shí)別車輛的圖像的灰度值為，讓含有待

43、識(shí)別車輛的圖像的灰度值減去背景的灰度值可得待識(shí)別車輛的灰度值：</p><p><b>　?。?-1）</b></p><p>　　即可完成對(duì)待識(shí)別車輛的分割[10]。</p><p>　　4.1 介紹各模塊設(shè)計(jì)</p><p>　　4.1.1 預(yù)處理模塊</p><p>　　基于圖像背景差值法的

44、車型識(shí)別系統(tǒng)對(duì)含有噪聲的圖像進(jìn)行預(yù)處理，濾除干擾、噪聲，獲得較高品質(zhì)的圖像，要進(jìn)行灰度圖像變換、圖像平滑、減背景處理和圖像填充，以達(dá)到提高圖像質(zhì)量的目的，為接下來進(jìn)行車輛輪廓特征的提取提供必要的基礎(chǔ)。預(yù)處理流程如下圖所示：</p><p><b>　　二值化</b></p><p>　　圖4.1 預(yù)處理流程圖</p><p>　　灰度圖像變換：

45、當(dāng)光線情況不太理想時(shí)，與彩色圖像相比灰度圖像更易于分辨，為了滿足光線情況多樣性，有必要對(duì)彩色圖像進(jìn)行灰度變換，這樣既易于處理又減少了計(jì)算量。</p><p>　　圖像平滑：為了減少噪聲、干擾的影響，需要對(duì)含有待識(shí)別車輛的圖像進(jìn)行平滑處理。主要有基于空域和頻域的方法，中值濾波屬于基于空域的非線性平滑濾波方法，該方法對(duì)椒鹽噪聲的濾波效果較好[11]。</p><p>　　減背景、二值化處理：將

46、含有待識(shí)別車輛的圖像與不含待識(shí)別車輛的背景圖像相減，提取出只含有待識(shí)別車輛的圖像，達(dá)到圖像分割的目的。</p><p>　　圖像填充：由于噪聲、干擾的影響，基于灰度閾值分割法進(jìn)行圖像分割得到的待識(shí)別車輛的灰度級(jí)并非全部都為255，這時(shí)進(jìn)行圖像填充是很有必要的，經(jīng)過圖像填充，可使圖像上車輛部分的灰度級(jí)一致，有利于車輛的特征提取。</p><p>　　4.1.2 特征提取模塊</p>

47、;<p>　　對(duì)攝取的圖像進(jìn)行預(yù)處理后，得到的灰度圖像只有兩個(gè)灰度級(jí)（0和255），由于只有兩個(gè)灰度級(jí)便于對(duì)灰度圖像進(jìn)行掃描，再經(jīng)過計(jì)算、比對(duì)可提取待識(shí)別車輛的三個(gè)特征比[12]。</p><p>　　4.1.3 特征匹配模塊</p><p>　　基于灰度閾值分割法的車型識(shí)別系統(tǒng)進(jìn)行車型的判別時(shí)采用特征匹配算法，該算法輸入一組待識(shí)別車輛的特征值數(shù)據(jù)，判別過程如下：</p

48、><p>　　(1)輸入一組特征值數(shù)據(jù)；</p><p>　　(2)如果前后比＜0.6，則該車輛為貨車，否則轉(zhuǎn)至(3)；</p><p>　　(3)如果頂長(zhǎng)比＞0.3，則該車為客車，否則該車為轎車。程序流程如下圖所示：</p><p><b>　　是</b></p><p><b>　　否&

49、lt;/b></p><p>　　否 是</p><p>　　圖4.2 程序流程圖</p><p><b>　　4.2 運(yùn)行結(jié)果</b></p><p>　　該課題應(yīng)用基于圖像背景差值法的車型識(shí)別系統(tǒng)對(duì)17輛待識(shí)別車輛進(jìn)行了車型判別，對(duì)不同的情況進(jìn)行了驗(yàn)證，包括同背景不同車型、同車

50、型不同背景、同車型不同位置、同車型不同大小。（1）-（12）基于圖像背景差值法的車型識(shí)別系統(tǒng)的背景圖像比較簡(jiǎn)單，色彩較單調(diào)，顏色差異明顯，待識(shí)別車輛易于從背景圖像中分割出來。（13）、（14）背景亮暗分明，（15）-（17）的背景圖像較復(fù)雜，運(yùn)行結(jié)果如下：</p><p>　?。?）待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確，但填充效果差）。</p><p>　　圖4.3 背

51、景圖像 圖4.4 原彩色圖像</p><p>　　圖4.5 灰度圖像 圖4.6 中值濾波圖像</p><p>　　圖4.7 圖像分割、填充圖</p><p>　?。?）待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確，且填充效果很好）。與（1）相比待識(shí)

52、別車輛大小不變，顏色明亮許多。</p><p>　　圖4.8 背景圖像 圖4.9 原彩色圖像</p><p>　　圖4.10 灰度圖像 圖4.11 中值濾波圖像</p><p>　　圖4.12 圖像分割、填充圖</p><p>　　（3

53、）待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(結(jié)果正確，但填充效果很差）。</p><p>　　與（1）、（2）相比待識(shí)別車輛的顏色由亮色變?yōu)榱税瞪?lt;/p><p>　　圖4.13 背景圖像 圖4.14 原彩色圖像</p><p>　　圖4.15 灰度圖像

54、 圖4.16 中值濾波圖像</p><p>　　圖4.17 圖像分割、填充圖</p><p>　?。?）待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確，填充效果一般）。</p><p>　　待識(shí)別車輛的顏色與背景中天空的顏色相近。</p><p>　　圖4.18 背景圖像 圖

55、4.19 原彩色圖像</p><p>　　圖4.20 灰度圖像 圖4.21 中值濾波圖像</p><p>　　圖4.22 圖像分割、填充圖</p><p>　　待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確，填充效果很差）。待識(shí)別車輛的顏色與背景中宣傳牌的顏色相近。</p><p&g

56、t;　　圖4.23 背景圖像 圖4.24 原彩色圖像</p><p>　　圖4.25 灰度圖像 圖4.26 中值濾波圖像</p><p>　　圖4.27 圖像分割、填充圖</p><p>　?。?）待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確，填充

57、效果一般）。</p><p>　　與（5）相比待識(shí)別車輛的顏色變?yōu)榱税咨?，圖像分割效果有所改善。</p><p>　　圖4.28 背景圖像 圖4.29 原彩色圖像</p><p>　　圖4.30 灰度圖像 圖4.31 中值濾波圖像</p><

58、;p>　　圖4.32 圖像分割、填充圖</p><p>　?。?）待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確，填充效果很差）。</p><p>　　待識(shí)別車輛顏色與背景中宣傳牌的顏色相近，與（5）相比車輛大小有變化。</p><p>　　圖4.33 背景圖像 圖4.34 原彩色圖像

59、 </p><p>　　圖4.35 灰度圖像 圖4.36 中值濾波圖像</p><p>　　圖4.37 圖像分割、填充圖</p><p>　?。?）待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確，填充效果很差）。</p><p>　　待識(shí)別車輛顏色與背景中宣傳牌的顏色

60、相近，車輛的大小與（5）、（7）不同。</p><p>　　圖4.38 背景圖像 圖4.39 原彩色圖像</p><p>　　圖4.40 灰度圖像 圖4.41 中值濾波圖像</p><p>　　圖4.42 圖像分割、填充圖</p><p&g

61、t;　?。?）待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確，填充效果很差）。</p><p>　　待識(shí)別車輛的顏色與背景中宣傳牌顏色相近，且車輛較大。</p><p>　　圖4.43 背景圖像 圖4.44 原彩色圖像</p><p>　　圖4.45 灰度圖像

62、 圖4.46 中值濾波圖像</p><p>　　圖4.47 圖像分割、填充圖</p><p>　　（10）待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確，填充效果很好）。待識(shí)別車輛顏色鮮明，明顯有別于背景。</p><p>　　圖4.48 背景圖像 圖4.49 原彩色圖像</p>

63、<p>　　圖4.50 灰度圖像 圖4.51 中值濾波圖像</p><p>　　圖4.52 圖像分割、填充圖</p><p>　　（11）待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確，填充效果很好）。待識(shí)別車輛顏色鮮明，明顯有別于背景。</p><p>　　圖4.53 背景圖像

64、 圖4.54 原彩色圖像</p><p>　　圖4.55 灰度圖像 圖4.56 中值濾波圖像</p><p>　　圖4.57 圖像分割、填充圖</p><p>　　(12)待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果錯(cuò)誤，填充效果很好）。</p>&

65、lt;p>　　彩色圖像中車輛較長(zhǎng)，車身色彩鮮明。</p><p>　　圖4.58 背景圖像 圖4.59 原彩色圖像</p><p>　　圖4.60 灰度圖像 圖4.61 中值濾波圖像</p><p>　　圖4.62 圖像分割、填充圖</p>

66、<p>　　(13)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確，填充效果很差）。</p><p>　　待識(shí)別車輛為灰色與車前公路和車后墻面色調(diào)基本一致。</p><p>　　圖4.63 背景圖像 圖4.64 原彩色圖像</p><p>　　圖4.65 灰度圖像

67、 圖4.66 中值濾波圖像</p><p>　　圖4.67 圖像分割、填充圖</p><p>　　(14)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確，填充效果很差）。</p><p>　　待識(shí)別車輛顏色較亮，與背景對(duì)比明顯。</p><p>　　圖4.68 背景圖像

68、 圖4.69 原彩色圖像 </p><p>　　圖4.70 灰度圖像 圖4.71 中值濾波圖像</p><p>　　圖4.72 圖像分割、填充圖</p><p>　　待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正

69、確，而且填充效果很好）。待識(shí)別車輛顏色較亮，明顯有別于背景。</p><p>　　圖4.73 背景圖像 圖4.74 原彩色圖像</p><p>　　圖4.75 灰度圖像 圖4.76 中值濾波圖像</p><p>　　圖4.77 圖像分割、填充圖</p&g

70、t;<p>　　(16)待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確，但填充效果很差）。與（15）相比，待識(shí)別車輛的車型改變，顏色明顯有別于背景。</p><p>　　圖4.78 背景圖像 圖4.79 原彩色圖像 </p>

71、<p>　　圖4.80 灰度圖像 圖4.81 中值濾波圖像</p><p>　　圖4.82 圖像分割、填充圖</p><p>　　(17)待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確，而且填充效果較好）。與（15）、（16）相比待識(shí)別車輛車型改變，車輛顏色明亮，與背景顏色對(duì)比鮮明。</p><p

72、>　　圖4.83 背景圖像 圖4.84 原彩色圖像</p><p>　　圖4.85 灰度圖像 圖4.86 中值濾波圖像</p><p>　　圖4.87 圖像分割、填充圖</p><p><b>　　4.3結(jié)果分析</b></p

73、><p>　　基于圖像背景差值法的車型識(shí)別系統(tǒng)的基本原理是利用含有待識(shí)別車輛圖像的灰度值與背景圖像的灰度值相減得到待識(shí)別車輛的灰度值，再對(duì)待識(shí)別車輛的灰度值進(jìn)行二值化處理和圖像填充以達(dá)到圖像分割的目的。同樣，基于背景圖像差值法的車型識(shí)別系統(tǒng)能否準(zhǔn)確判別車型也與待識(shí)別車輛顏色和背景顏色是否具有明顯差異性緊密相關(guān)，當(dāng)待識(shí)別車輛顏色與背景的顏色具有明顯差異性時(shí)，待識(shí)別車輛的灰度級(jí)分布與背景灰度級(jí)的分布會(huì)明顯分散開，這時(shí)相減

74、得到的待識(shí)別車輛的灰度值較好，而當(dāng)待識(shí)別車輛的灰度級(jí)分布與背景圖像的灰度級(jí)分布比較集中時(shí)，這時(shí)相減得到的待識(shí)別車輛的灰度值可能會(huì)出現(xiàn)明顯殘缺，相應(yīng)的圖像分割效果會(huì)很差。同樣，當(dāng)背景較簡(jiǎn)單、色彩較單一時(shí)，背景的灰度級(jí)分布比較集中，圖像分割的效果也會(huì)較理想。</p><p>　　另一方面，應(yīng)用背景差值法，若要想達(dá)到較好的圖像分割效果，在攝取視頻時(shí)盡量保持?jǐn)z像機(jī)的位置不動(dòng)，這樣對(duì)視頻圖像進(jìn)行分幀得到的各幀圖像的背景是不

75、變的，這樣進(jìn)行差值也會(huì)方便許多[13]。</p><p><b>　　4.4 結(jié)果對(duì)比 </b></p><p>　　基于灰度閾值分割法的車型識(shí)別系統(tǒng)：該課題對(duì)該方法進(jìn)行驗(yàn)證時(shí)，選取了5輛待識(shí)別車輛，其中有2輛轎車、1輛貨車和2輛客車。驗(yàn)證如下表所示：</p><p>　　表4-1 基于灰度閾值分割法的車型識(shí)別系統(tǒng)驗(yàn)證結(jié)果</p>

76、<p>　　表4-1 基于灰度閾值分割法的車型識(shí)別系統(tǒng)驗(yàn)證結(jié)果</p><p>　　基于圖像背景差值法的車型識(shí)別系統(tǒng)：該課題對(duì)該方法進(jìn)行驗(yàn)證時(shí)，選取了17輛待識(shí)別車輛，其中有7輛轎車、6輛貨車和4輛客車。驗(yàn)證如下表所示：</p><p>　　表4-2 基于圖像背景差值法的車型識(shí)別系統(tǒng)驗(yàn)證結(jié)果</p><p>　　通過以上的表4-1與表4-2的對(duì)比可

77、知，基于圖像背景差值法的車型識(shí)別系統(tǒng)的識(shí)別率要高于基于灰度閾值分割法的車型識(shí)別系統(tǒng)的識(shí)別率。</p><p><b>　　結(jié) 論</b></p><p>　　該課題研究視頻圖像中車輛的車型識(shí)別，總體思路為對(duì)含有待識(shí)別車輛的視頻進(jìn)行分幀處理，通過對(duì)分幀的圖像進(jìn)行一系列處理、計(jì)算、比對(duì)達(dá)到對(duì)其所屬車型判別的目的[14]。該課題以主成分分析法為基礎(chǔ)，根據(jù)預(yù)處理階段進(jìn)行圖

78、像分割采用方法的不同可分為基于灰度閾值分割法的車型識(shí)別系統(tǒng)和基于圖像背景差值法的車型識(shí)別系統(tǒng)。該課題重點(diǎn)研究了圖像分割和特征提取工作,能否很好地將待識(shí)別車輛從背景中分割出來直接影響到后續(xù)工作的進(jìn)行。</p><p>　　基于灰度閾值分割法的車型識(shí)別系統(tǒng)需要求得含有待識(shí)別車輛的直方圖，根據(jù)圖像直方圖的灰度級(jí)分布，確定待識(shí)別車輛的灰度閾值范圍，對(duì)灰度級(jí)進(jìn)行分類、二值化（將閾值范圍內(nèi)的灰度值統(tǒng)一設(shè)定為255級(jí)，閾值范圍

79、外的灰度值統(tǒng)一設(shè)定為0級(jí)）。該系統(tǒng)需要人為確定閾值范圍，人為因素在該系統(tǒng)中起著重要作用，直接影響著車型判別結(jié)果的準(zhǔn)確性。該系統(tǒng)要求人為參與作用較大，系統(tǒng)工作較為復(fù)雜，而且對(duì)于待識(shí)別車輛顏色與背景顏色相近的圖像，也不易人為確定閾值范圍來進(jìn)行圖像分割。</p><p>　　基于圖像背景差值法的車型識(shí)別系統(tǒng)需要將含有待識(shí)別車輛的圖像的灰度值與背景圖像的灰度值相減，若固定攝像機(jī)的位置，就能保證對(duì)視頻進(jìn)行分幀后提取的圖像的

80、背景是基本不變的。經(jīng)過驗(yàn)證應(yīng)用該方法進(jìn)行圖像差值，除了待識(shí)別車輛和待識(shí)別車輛邊緣的背景外大多都能較好地去除。該方法并不需要人為因素的作用，智能化程度較高。</p><p>　　對(duì)進(jìn)行圖像分割的圖像進(jìn)行填充，使待識(shí)別車輛的灰度級(jí)為255，背景的灰度級(jí)為0，利用坐標(biāo)掃描法提取待識(shí)別車輛的相關(guān)信息，依此可求出所需的三個(gè)特征比[15]。可以依據(jù)此特征值進(jìn)行特征匹配識(shí)別車型。</p><p>　　基

81、于圖像背景差值法的車型識(shí)別系統(tǒng)的性能要明顯優(yōu)于基于灰度閾值分割法的車型識(shí)別系統(tǒng)的性能，進(jìn)行待識(shí)別車輛分割的效果也要明顯好一些。經(jīng)過對(duì)比驗(yàn)證可以得出基于圖像背景差值法的車型識(shí)別系統(tǒng)的識(shí)別準(zhǔn)確率要明顯高于基于灰度閾值分割法的車型識(shí)別系統(tǒng)，而且計(jì)算量也較少，識(shí)別速度較快。</p><p>　　本課題以主成分分析法為主體思路，應(yīng)用該方法對(duì)攝取的圖像質(zhì)量要求較高，主特征的提取效果直接影響判別的準(zhǔn)確性[16]。但是，現(xiàn)在車型

82、的外觀多樣化，主成分分析法已很難達(dá)到理想的識(shí)別效果。現(xiàn)在國(guó)內(nèi)外的學(xué)者正在研究新的方法進(jìn)行更高效的車型識(shí)別，而且已經(jīng)取得了顯著成果。應(yīng)用主成分分析法的車型識(shí)別系統(tǒng)對(duì)條件要求較為嚴(yán)格，而且需要人為因素的作用，所以有待進(jìn)一步研究。</p><p><b>　　參 考 文 獻(xiàn)</b></p><p>　　杜華英. 基于車型識(shí)別的BP算法Matlab實(shí)現(xiàn). 計(jì)算機(jī)與現(xiàn)代化, 2

83、012, 5.</p><p>　　鄧天民，于勇. 基于Gabor變換和隱馬爾可夫模型的車型識(shí)別研究. 交通標(biāo)準(zhǔn)化, 2008, 4.</p><p>　　周愛軍, 杜宇人. 基于視頻圖像Harris角點(diǎn)檢測(cè)的車型識(shí)別. 揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2008, 11(1).</p><p>　　季晨光, 張曉宇, 白相宇. 基于視頻圖像中的車型識(shí)別

84、. 遼寧工業(yè)大學(xué)學(xué)報(bào)（自 然科學(xué)版）,2010, (1).</p><p>　　車德欣, 李小平. 基于小波分析和矩不變量的車型識(shí)別. 學(xué)術(shù)論文, 2006.</p><p>　　胡方明, 簡(jiǎn)琴, 張秀君. 基于BP神經(jīng)網(wǎng)絡(luò)的車型分類器. 西安電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2005, 32(3).</p><p>　　

85、馬蓓, 張樂. 基于紋理特征的汽車車型識(shí)別. 電子科技, 2010, 23(2).</p><p>　　馬軍, 賀俊吉, 史立. 轎車局部區(qū)域特征提取與車型識(shí)別. 上海海事大學(xué)學(xué)報(bào), 2011, 32(3).</p><p>　　婁莉, 黨瑞榮. 基于智能圖像處理技術(shù)的車型識(shí)別. 微電子學(xué)與計(jì)算機(jī), 2006, 23(6).</p><p>　　劉直芳, 游志勝,

86、徐欣, 曹剛. 車型識(shí)別系統(tǒng)中利用陰影特點(diǎn)快速定位車體. 紅外技術(shù), 2002, 24(6).</p><p>　　吳志攀, 趙躍龍. 車型圖像分割方法的研究. 惠州學(xué)院院報(bào)(自然科學(xué)版), 2005, 25(6).</p><p>　　朱志勇, 劉偉銘, 伍友龍. 基于Bayes法則和BP神經(jīng)網(wǎng)絡(luò)的高速動(dòng)態(tài)情形下車型識(shí)別. 計(jì)算機(jī)測(cè)量與控制, 2005, 13(7).</p>

87、<p>　　楊帆，丁士心，唐紅梅，張志偉．?dāng)?shù)字圖像處理與分析，北京：北京航空航天大學(xué)出版社，2007.</p><p>　　林通，張宏江，封舉富，石青云.鏡頭內(nèi)容分析及其在視頻檢索中的應(yīng)用.軟件學(xué)報(bào)，2002,31（08）：1577-1585.</p><p>　　侯冠華，史萍.視頻分割與場(chǎng)景聚類算法研究.中國(guó)傳媒大學(xué)學(xué)報(bào)自然科學(xué)版，2006.06，13（02）：32-37.

88、</p><p>　　房岳樓，徐慶.視頻關(guān)鍵幀選取方法和可視化表現(xiàn)研究.中國(guó)優(yōu)秀碩士學(xué)位論文全文數(shù)據(jù)庫(kù).2008.06：11-23.</p><p><b>　　致 謝</b></p><p>　　三個(gè)月的畢業(yè)設(shè)計(jì)即將結(jié)束，這次畢業(yè)設(shè)計(jì)使我對(duì)本科所學(xué)習(xí)的知識(shí)有了一次系統(tǒng)的應(yīng)用。在系統(tǒng)設(shè)計(jì)期間，有時(shí)會(huì)感到?jīng)]有頭緒，找不到突破口，老師和同學(xué)給了

89、我中肯的建議，通過查閱相關(guān)的書籍、網(wǎng)上資料，我找到了解決問題的方法，經(jīng)歷了這一過程，我不僅學(xué)到了知識(shí)，更學(xué)到了遇到問題時(shí)解決問題的方法。在這里尤其要感謝我的畢設(shè)指導(dǎo)老師，在這三個(gè)月中劉老師給了我無私的幫助，使我明白了整個(gè)課題設(shè)計(jì)的思路及撰寫論文的過程。劉老師不厭其煩地教導(dǎo)我，幫助我解決問題，更教會(huì)了我分析問題的思路。</p><p>　　也很感謝在這篇論文中所涉及到的所有學(xué)者，你們的理論研究對(duì)我的畢設(shè)起到了很大的