視頻圖像中車型識別系統(tǒng)的研究與實現(xiàn).pdf

1、本文重點研究了智能交通系統(tǒng)中視頻圖像車型判別技術(shù)的基本原理和關(guān)鍵技術(shù)。其中，車型的自動識別是ITS系統(tǒng)的重要分支及關(guān)鍵技術(shù)。通過學習相關(guān)文獻，分析歸納已有的車型識別技術(shù)，結(jié)合數(shù)字圖像處理及模式識別的基礎(chǔ)理論，闡述了一種新的理論方法，并通過相關(guān)實驗驗證了此方法的有效性，同時設(shè)計并基本實現(xiàn)了一種車型識別分類系統(tǒng)。
　　利用圖像處理和模式識別方式進行車型的識別，通常包括運動目標檢測、特征提取、分類識別等三個階段。本文選用圖像平均法來滑動

2、更新背景圖像來進行車輛的檢測，先利用投影技術(shù)定位出車輛區(qū)域，隨后根據(jù)車輛的紋理特征和幾何特征，使用BP神經(jīng)網(wǎng)絡(luò)建模的方法對車輛圖像進行識別分類，并用MFC及利用OpecvCV顯示結(jié)果。
　　本文先闡述了檢測運動車輛的幾種通用方法，最后比較采用圖像平均法來滑動更新背景圖像減背景圖像法，之后圖像進行灰度化、采用自適應閾值方法二值化圖像，進而采用數(shù)字形態(tài)學的方法對車輛圖像的區(qū)域里的噪點進行消除等操作，同時采用漫水填充算法去除車體外較大的

3、噪點，用填充法填充車體內(nèi)部不連通的區(qū)域，最后，提取輪廓，得到了較為完整的車型輪廓圖像。
　　在車輛的特征提取方面，本文選用了不變矩特征量和紋理特征灰度共生矩特征量作為特征參量。并提取了四個紋理灰度共生矩特征量和七個不變矩特征量作為車型特征提取的特征參數(shù)。通過相關(guān)的試驗驗證了這兩種特征量的有效性，并詳細的作了一定的分析。
　　在車型的模式識別方面，詳細介紹了人工神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)的相關(guān)知識，并結(jié)合本文使用車型樣本庫的特點，

4、分析BP神經(jīng)網(wǎng)絡(luò)分類的基礎(chǔ)理論，通過具體實驗確定了分類器的相關(guān)參數(shù)，實驗結(jié)果中，首先，利用不變矩量和紋理特征灰度共生矩量特征并選用BP神經(jīng)網(wǎng)絡(luò)分別對車型進行識別，然后再通過測試紋理特征矩特征量與七個不變矩特征量的不同組合，從而得到了兩類特征中一對識別率較高的組合;在論文最后階段，介紹了車型識別系統(tǒng)軟硬件環(huán)境，本文用OpenCV和VisualStudio2008搭建實驗平臺，并設(shè)計了一種車型識別系統(tǒng)，并進行了相關(guān)的系統(tǒng)測試，并達到了較好的