基于某神经网络地汽车车型识别系统论文设计.docx
- 文档编号:26473671
- 上传时间:2023-06-19
- 格式:DOCX
- 页数:41
- 大小:1.76MB
基于某神经网络地汽车车型识别系统论文设计.docx
《基于某神经网络地汽车车型识别系统论文设计.docx》由会员分享,可在线阅读,更多相关《基于某神经网络地汽车车型识别系统论文设计.docx(41页珍藏版)》请在冰豆网上搜索。
基于某神经网络地汽车车型识别系统论文设计
摘要
近年来,随着我国国民经济的不断发展,交通运输越来越繁忙,对交通管理提出了新的要求。
在过桥收费站、大型停车场、城市道路监管、治安卡口、港口和飞机场等实际交通系统中,需要对汽车车型进行识别,以便收取相应的费用和提高交通系统车辆监控和自动化程度。
因此,如何对上述各类车辆收费站实现现代化的管理,具有重要的现实意义。
针对基于神经网络的汽车车型识别系统中的识别技术问题,本文从以下四个部分进行了研究和探讨:
第一部分,论述了车型识别的研究背景和意义,详细分析了我国目前车型识别系统的应用现状及研究现状,指出了目前国外应用系统及其车型识别方法存在的缺陷与不足。
第二部分,提出了车型识别的模型。
首先对采集的车辆图像进行预处理,通过灰度转换、图像平滑等方法剔除噪音,以提高图像质量。
然后对其进行分割并提取特征,在这个过程中经过图像的二值化处理
,拉普拉斯边缘检测、图像横向填充与纵向填充、轮廓提取、图像修正,再提取出图像车型的上顶长、高、前底长、后底长等特征参数。
结合所提取的特征参数进行车型识别。
第三部分,设计拉普拉斯边缘检测算子的汽车识别算法。
采用序列差影法进行背景剔除;边缘检测之后的图像进行离散噪点的剔除。
采用轮廓法对横/纵向填充图像进行轮廓提取。
第四部分,设计实现一个车型识别系统,以此检验论文理论研究的可行性,并通过不断地实际测验来改良算法。
本文以VC++6.0为软件平台,以Matlab为仿真平台,编程实现了基于序列图像的车型识别系统,通过实验数据分析表明,本文给出的识别方法能得到较好的识别结果。
关键词:
智能交通,车型识别,图像处理,特征提取
ABSTRACT
Withthedevelopmentofournationaleconomy,traffichasbecomeheavierinrecentyears,whichhasputforwardnewrequirementsfortrafficmanagement.Inactualtrafficsystemsuchasbridgetollstation,largeparkinglot,portsandairports,vehiclerecognitionisnecessarytochargecorrespondingfeesandimprovetheautomationandvehiclemonitoringofthetrafficsystem.Therefore,themodernmanagementofthetollstationsabovehasimportantpracticalsignificance.
Facingthetechnicalproblemsofthevehiclerecognitionsystembasedontheneuralnetwork,thispaperconductsresearchanddiscussionfromthefollowingfourparts:
Inthefirstpart,wediscussthebackgroundandsignificanceofthevehiclerecognition,thendetailedanalyzesthepresentsituationoftheapplicationofvehiclerecognitionsystemandthepresentresearchstatus,andpointouttheshortcomingsofvehiclerecognitionsystemsathomeandabroad.
Inthesecondpart,weputforwardthemodelofthevehiclerecognitionsystem.Firstweconductthepreprocessingoftheobtainedvehicleimage,toreducethenoiseoftheimagebygrayingandsmoothingit,toimprovethequalityoftheimage.Nextstepisthesegmentationandfeatureextracting.Aftertheimagebinarizationprocessing,Laplaceedgedetection,imagehorizontalandverticalfilling,contourextraction,imagecorrection,weextractthelengthandheightofthefrontandbackofthecar.Vehiclerecognitioncanbedonewiththecharacteristicparametersextracted.
Inthethirdpart,wedesignavehiclerecognitionalgorithmusingLaplaceedgedetectionoperator,andeliminatebackgroundusingsequencedifferenceimagemethod.Theneliminatethediscretenoisepointsafteredgedetectionoftheimage.,andextractthecontourofthehorizontal/verticalfilledimageusingcontourmethod.
Inthefourthpart,wedesignedavehiclerecognitionsystemtotestthefeasibilityofthetheory,andimprovethealgorithmthroughthecontinuousactualtest
BasedonsoftwareplatformofVC++6.0,withMatlabsimulationplatform,wefinishthevehiclerecognitionsystembasedonimagesequences.Throughtheexperimentaldataanalysisshowed,wecanfindthatthismethodofidentificationpresentedcangetgoodrecognitionresults.
Keywords:
intelligenttransportation,vehiclerecognition,imageprocessing,featureextraction
前言1
1绪论3
1.1选题的目的及意义3
1.2车型识别的研究现状4
1.3论文研究的思路与流程4
1.4车型图像处理平台5
1.4.1车型图像硬件平台5
1.4.2车型图像软件平台5
1.4.3车型图像仿真平台6
2车辆图像的分离与处理8
2.1车辆图像的分离8
2.2图像处理的基本知识11
2.2.1BMP图像的读取11
2.2.2图像的灰度化处理11
2.2.3图像的平滑处理12
2.2.4灰度图像的二值化处理13
2.2.5图像的边缘化检测13
2.3车辆图像的处理结果16
2.3.1车辆BMP图像显示与读取16
2.3.2车辆图像灰度化19
2.3.3车辆图像平滑处理——中值滤波20
2.3.4车辆图像的二值化及二值反向22
2.3.5车辆图像的边缘检测24
3车辆的特征提取26
3.1特征提取26
3.2车型轮廓提取26
3.3目标区域的填充29
3.3.1图像横向填充29
3.3.2图像的纵向填充31
4车型识别32
4.1车辆轮廓识别32
4.2车辆特征参数的提取与计算32
4.3车型特征匹配33
5总结与展望35
5.1总结与分析35
5.2未来展望35
致37
参考文献38
前言
随着全球经济的告诉发展,社会对交通运输的需求持续增长,无论是发达国家还是发展中国家都面临着城市交通拥堵、交通事故频发、交通环境恶化以及能源短缺等问题。
智能交通系统(IntelligentTransportSystems,简称ITS)
是交通事业发展的必然选择,是未来交通事业的发展方向,它是通过先进的信息技术、数据通信传输技术、电子控制技术、电子传感技术、计算机处理技术和系统综合技术有效的集成及应用,加强了车辆、道路、使用者之间的相互作用关系,从而建立起一种在大围、全方位发挥作用的实时、准确、高效的交通运输综合管理系统。
车辆检测作为智能交通系统的一部分广泛应用与辅助安全驾驶、自动导航、交通流量监测等许多方面,对于提高车辆佳士得安全性,避免车祸的发生具有重要的作用。
智能交通系统中的核心功能是对过往车辆的准确检测和车型的正确识别。
当前对车辆检测分类技术的研究主要有两个技术流派:
车辆自动识别和车辆自动分类。
车辆自动识别是利用车载设备与地面基站设备互相识别进行,该技术主要用于收费系统中,在发达国家使用围较广,如美国的AE-PASS系统、日本的ETC系统、全球卫星GPS定位等。
车辆自动分类是通过检测车辆本身固有的参数,在一定车辆分类标准下运用适当的识别算法,主动对车辆进行分型,这一类技术运用比较广泛,已经有很多成熟的系统应用咋实际生活中,该类技术可以通过射频微波、红光、激光、声表面波等凡是来自动识别车辆信息,也可以使用视频图像处理的的方式来识别车牌、车型等车辆信息。
比较述的技术有环形线圈检测、激光、红外线检测、超声波/微波检测、地磁检测等,但这几种方法各在优劣,有点事识别精度高,但缺点也很明显,主要缺点有施工和安装过程十分复杂,影响征程交通秩序,维护困难,主要设备容易损坏,花费较大等。
由于我国对道路监控的日益重视,视频检测技术已成为智能交通领域最重要的信息采集手段,综合评比,将视频检测技术应用于高速公路和城市道路具有很大的可行性,基于视频车型系统,将全面提高公路和信息采集和安全管理的水平,在智能交通系统中一定会发挥越来越重的作用。
基于视频的车型识别系统是利用计算机分析通过摄像头和图像采集卡获取视频图像,通过对特定区域的视频图像处理分析,完成车辆检测和车辆分类识别。
该技术绿色、环保,使用简洁,维护方便,只需在路面上方架设一部或几部摄像机,或利用交通部门现有的电视监控设备,将路面实时视频图像输入系统中,可以立刻进行分析,提取出需要流信息。
因此,与其他技术相比,视频检测技术的优越性体现在:
(1)采用非接触检测方式,安装维护不必破开路面,不影响路面寿命,不影响交通;
(2)可以检测更大围的交通流信息,从而减少设备数量,节约资金;
(3)可以在采集交通流信息的同时提供交通的实时视频图像,便于监察;
(4)对于某些应用,比如交通量调查等,可以把视频图像采集存储后,离线进行分析处理;
(5)当环境发生变化,或系统移动到他处使用时,只需简单设置,系统即可重新投入使用。
(6)可以综合提供交通数据信息和视频图像,便于对现场的全面、直观检测。
可以提供流量、速度、占有率、车长度分类、车头时距与车头间距、排队长度等丰富的交通数据监控信息;而且借助视频图像的参考,可以极提高监控质量。
开展基于视频图像的车型识别研究意义重大,其研究成果不仅具有广阔的应用前景,而且对于解决拥堵的交通环境、规划城市交通系统和尽快发展我国的智能交通系统等具有重要的战略意义。
1绪论
1.1选题的目的及意义
随着社会经济的快速发展和人民生活水平的不断提高,汽车工业蓬勃发展,汽车数量猛增,各种商务车和乘用车在日常生活和交通运输中发挥着越来越重要的作用。
但随之而来的交通拥堵、交通环境恶化、交通管理落后、收费模式混乱、交通事故频发等问题已成为世界各国共同面临的问题。
经过长期和广泛的研究,世界部分发达国家逐渐开始采用高新技术来改造现有的公路交通运输系统及其管理体系,从而大幅提高了公路网的通行能力和服务质量。
随着自动控制技术和信息技术等综合应用于整个交通运输管理体系,通过对交通过程信息的实时采集、传输和处理,对各种交通情况进行协调,建立起一种实时、高效、准确的综合运输管理体系,从而是交通设施得到充分的利用,实现交通运输的集约式发展
。
ITS系统是21世纪世界公路交通行业的发展趋势,90年代开始我国学者也在相关领域开展了大量的研究工作。
在智能交通系统中,车辆信息的获取对车辆自动监控和全自动收费系统的建立起着关键的作用。
因此车辆图像检测技术的研究对提高公路交通的自动化程度,促使智能交通系统的发展有重大的实际意义。
基于图像序列的运动目标识别和跟踪技术是计算机视觉领域中的一个重要课题,也是计算机视觉系统的关键底层技术,其目的是通过计算机视觉从复杂的变化的背景环境中准确的识别出所需的运动目标,提取稳定的目标特征,并对目标的位置和姿态等信息进行快速实施的跟踪。
随着计算机处理能力的显著提高,该技术在众多的领域都有越来越广泛的应用。
车辆检测、跟踪和车型识别是ITS应用领域中重要的分支,也是目前相对薄弱的技术环节。
同其他车型识别技术相比,基于图像识别的车型识别技术有其多种优势。
基于图像的车型识别融合了图像处理、计算机视觉、模式识别等技术,它能够自动、实时的对车辆进行检测和分类,可以作为交通收费、管理、调度和统计的依据。
车型自动识别系统的主要应用场合是停车场、路桥收费管理和公安交通管理部门。
迄今为止,世界部分发达国家在车型的自动识别方面有了比较成功的应用。
但由于诸多原因,车型自动分类在我国并没有得到广泛的英语。
因此开展基于图像的车型识别技术研究有其现实意义。
1.2车型识别的研究现状
基于视频图像的车型识别技术的研究一般分为三个部分:
1、图像分割。
即在图像中分割出车辆图像。
2、特征提取。
即根据一定的算法提取车辆图像的特征。
3、车型的识别与分类。
即根据提取的车辆特征和识别算法来达到车型分类的目的。
针对第一部分,现有的车辆检测及分割方法主要有:
基于背景的差分方法、光流法以及基于帧间差分方法。
第三部分的车型识别及分类方法也有很多
。
主要可分为两类:
1、神经网络分类方法。
这里有的学者用到了BP神经网络,有的学者用到了支持向量机(SVW)的方法。
2、模式匹配方法。
即采取一定的算法和策略得到具体的车型分类。
因为特征参数的选取以及分类器的设计是否合理直接影响到车型分类系统的精确度。
在本篇论文中,图像分割采用的是基于背景图像的差分方法,而特征提取采用的是模式匹配的方法。
用摄像机采集运动的车辆图像,通过计算机得到背景图像,然后利用差分的方法得到车辆图像,进而对提取出的车辆图像进行图像处理,最后对图像进行横向和纵向填充,提取出车辆的最终轮廓,进而对车型进行识别。
目前该技术在世界上应用最为广泛的地区是日本,如日本的该项技术已经相当完毕和成熟,其次美国、欧洲等地区也普遍应用。
在我国,交通运输目前还存在着大量的问题:
基础设施短缺与其利用的低效率并存;基础设施建设速度落后于车辆增长速度;交通拥堵已成为大中城市交通中的普遍现象;交通安全形势严峻,造成的损失巨大等等。
而我国在这方面的研究起步也较晚,知道1996年才开始起步阶段的研究,到目前为止,在、、等地已经广泛使用。
1.3论文研究的思路与流程
本篇论文主要分为三部分:
1、图像采集与分离部分;2、图像处理部分;3、车型识别及模板匹配部分。
首先,通过CCD摄像机采集车辆图像信息,对照车辆图与背景图将车辆从原图中分离出来,在此运用的是背景图像的差分方法,即通过对视频图像序列中相邻两帧做差分运算来获得运动目标轮廓的方法;然后对分离出来的汽车图像进行处理,一般有:
灰度化处理,中值滤波,灰度图像二值化,二值反向,滤波并删除小面积,对目标的横向与纵向填充;最后,对处理完的车辆图像进行特征提取,并根据这一特征对车辆的车型进行识别。
在对目标进行匹配时,先将待测的车辆图片放入系统中,然后调入模板图像,将两者左上角对齐,进行匹配程度计算;然后将模板向右移动一个单位继续计算匹配的程度,以此类推,直到将整个图片的匹配程度都计算出来;最后选取匹配值最高的区域为与模板匹配的区域。
以下框图1-1为大体流程:
图1-1大体流程图
1.4车型图像处理平台
1.4.1车型图像硬件平台
车辆图像检测平台主要由硬件和软件两部分组成。
硬件部分组成主要为视频采集卡和摄像头。
一般情况下,视频采集卡和摄像头应用于工业控制中进行车辆图像的采集与处理。
采用超声波测距仪和工业CCD摄像头。
通过超声波测距,得到对车型摄像的最佳距离,摄取彩色的车辆侧面BMP图像。
1.4.2车型图像软件平台
在实际工程应用中,为了实现道路车辆识别的实时性,提高工作效率,处理硬件条件(例如摄像头、视频采集卡和工业控制机)要达到一定的性能要求外,所采用的软件(主要是指上位机软件)对系统的工作速度和效率也有很大的影响。
一般的,系统采用具有可编译性的软件平台,利用C语言、C++语言或者VisualC++。
许多实际的车辆识别系统软件就是采用VisualC++编制的。
可视化图形界面,运行稳定,运行效果好。
本文采用的车型图像软件平台是用VisualC++编写的,界面友好,操作简单。
1.4.3车型图像仿真平台
Matlab拥有极为丰富的数据资源,友善的图像及图形界面,快速完备的可视化资源,更多的开发应用工具,启用用领域涉及到模式识别,信号处理,图像处理,小波变换,人工智能等,围极为广泛。
本文决定用Matlab作为仿真工具原因如下:
(1)Matlab特别适合矩阵计算,不具有许多矩阵函数、议程和计算公式。
图像经过数据采集卡(即A/D转换),一般以矩阵形式(或数组形式)存放在计算机部的,因此用Matlab处理,十分方便。
(2)Matlab部具有丰富的神经网络函数,其可靠性和易用性可以缩短研究算法的周期。
(3)Matlab具有极强的图像显示功能,它提供了极好的的调试条件,可以根据现实的图像容来修改和完善程序。
2002年8月,MathWorks公司推出了全新的MATLAB6.5正式版,其典型应用包括以下几方面:
(1)数值计算
(2)字符计算
(3)数字信号处理
(4)建模和仿真模拟
(5)工程图形的绘制
(6)数据分析和结果的可视化
MATLAB有着强大的矩阵计算和图形处理能力,它由主程序和各种工具箱组成。
其中主程序包含百个部核心函数,而工具箱可大致分为两类:
功能型工具箱和邻域型工具箱。
MATLAB工具箱凝聚了各个领域专家的智慧,使它具有开放的体系结构和丰富的技术支持,本文就用到了其中的图像处理工具箱、信号处理工具箱等。
整个系统的流程图如图1-2所示。
图1-2系统流程图
2车辆图像的分离与处理
2.1车辆图像的分离
本文将车辆图像从背景图像中分离出来用的是基于差分法的前景提取,这种方法为静止背景模型,通过对当前图像帧和背景模型进行比较,确定出亮度变化较大的区域,即认为是前景区域。
影响背景模型精确度的主要因素是场景中的光照条件、阴影变化、大面积运动区域和视频信号中的噪声等,它们都可能影响背景模型的有效性,在室应用中阴影更为明显。
根据适应环境的能力,可以将背景模型分为非适应和自适应两大类。
非适应背景模型一般为每个图像点建立一个静态统计模型,因此,当背景发生变化时需要人工重新初始化。
否则,背景模型错误所引起的误差就不会不断积累,影响算法的性能。
自动适应背景模型则为每个图像点建立一个动态统计模型,通过不断地更新这个动态模型使其适应背景的变化。
现在的视觉侦察系统已基本摒弃了前一种方法,而采用动态更新的自适应模型。
背景消减也有它自身的缺点,比较严重的一点是当背景发生突然地变化时背景模型的响应速度不够快,这是因为背景模型的更新是一个缓慢的过程,对背景的突然变化缺乏快速响应的能力。
由于考虑到设计时间和所学知识的局限,本文采取的前景差分为非适应的背景模型。
拍摄两幅图像,目标图和背景图。
由于这两幅图像是连续拍摄得到的,因此从理论上说这两幅图像除目标车辆区域外的灰度值应该是完全一致的,但是由于关照变化的原因、车辆反光的角度影响,经过差分运算后,目标图像出现了大量的噪声,所以,继续用滤波的方法对图像进行去噪并且删除图像中小面积对象。
差分处理的运算由matlab算法实现,经过差分计算前的原图如图2-1,背景图如图2-2,差分运算后的目标图像即车辆图像如图2-3。
Matlab算法实现差分运算:
i=imread('F:
\毕业设计\原图1.jpg');
j=imread('F:
\毕业设计\背景图.jpg');
figure;imshow(i);title('原图');
figure;imshow(j);title('背景');
i1=rgb2gray(i);
j1=rgb2gray(j);
i2=medfilt2(i1,[3,3]);
j2=medfilt2(j1,[3,3]);
s=imsubtract(j2,i2);
s=double(s);
figure,imshow(s);
图2-1差分计算前的原图
图2-2背景图
图2-3差分后的车辆图像
2.2图像处理的基本知识
2.2.1BMP图像的读取
BMP图像文件由三部分组成:
位图文件头数据结构,它包含BMP图像文件的类型、显示容等信息;位图信息数据结构,它包含有BMP图像的宽、高、压缩方法,以及定义颜色等信息。
位图文件主要分为如下3个部分:
块名称对应Windows结构体定义大小(Byte)
文件信息头BITMAPFILEHEADER14
位图信息头BITMAPINFOHEADER40
RGB颜色阵列BYTE*由图像长宽尺寸决定
2.2.2图像的灰度化处理
颜色可分为黑白色和彩色。
黑白色指颜色中不包含任何颜色成分,仅有黑色和白色组成。
在RGB颜色模型中,如果R=G=B,则颜色表示一种黑白颜色;其中R=G=B的值叫做灰度值,所以黑白色又叫灰度颜色。
彩色和灰度之间可以互相转换,有彩色转化为灰度的过程叫做灰度化处理;由灰度转化为彩色的过程为伪彩色处理。
灰度化就是使彩色的R,G,B分量相等的过程。
由于R,G,B的取值围是0-255,所以灰度的级别只有256级,即灰度图像仅能表现256种颜色(灰度)。
灰度化处理的方法主要有三种:
(1)最大值法:
使R,G,B的值等于3值中最大的一个,即
R=G=B=max(R,G,B)
最大值法会形成亮度很高的灰度图像。
(2)平均值法:
使R,G,B的值求出平均值,即
R=G=B=(R+G+B)/3
平均值法会形成较柔和的灰度图像。
(3)加权平均值法:
根据重要性或其他指标给R,G,B赋予不同的权值,并使R,G,B的值加权平均,即
R=G=B=(
R+
G+
B)/3
其中
,
,
分别为
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 神经网络 汽车 车型 识别 系统 论文 设计