基于移动区域的快速车型识别

论文摘要

随着经济的发展,机动车数量的增加,交通事故逐渐增多,交通管理、公路收费的工作量和工作难度也日益加大。智能交通系统(ITS, Intelligent Transportation System)逐渐发展起来,而车型自动识别是智能交通系统中的重要组成部分,是图像处理和模式识别应用研究领域的一个热点。同时车型自动识别在公路交通管理和自动收费中都有重要的意义。本文通过分析比较目前常用的车型识别方法,在前人研究的基础上将传统的基于静态图片的目标检测及车型识别方法应用到视频图象中,提出了一种基于移动区域的快速车型识别方法。该方法首先利用自适应背景更新方法检测出运动目标,再将获取的移动目标图像依次进行二值化处理、标签法去噪、基于HSV颜色空间的阴影检测之后进行轮廓提取、车型特征值计算,最后运用模糊理论建立隶属度函数对车辆进行车型识别。本文在获取车辆轮廓的同时进行Freeman链码编码,依据Freeman链码方便地计算车辆轮廓顶部长度、车辆轮廓长度、车高、图象相对矩等特征。另外本文还提出了根据Freeman链码计算车辆轮廓相对矩特征的方法。图象相对矩的引入减少了由于目标车辆移动、旋转、缩放等引起的车型误判,使车辆在图像中的不同位置均可获得较好的识别效果。本文提出的车型识别方法运用模糊理论建立隶属度函数对提取的车型特征数据进行模式识别,该方法能识别常见的轿车、越野车、客车、载货汽车、挂车等车型。实验证明该系统无论时间性能还是识别率都得到了很大提高,其应用前景十分广阔。

论文目录

• 摘要
• Abstract
• 前言
• 1 绪论
• 1.1 选题的意义及研究背景
• 1.2 国内外研究现状
• 1.3 本文主要研究内容
• 2 模式识别基础
• 2.1 模式识别概念
• 2.2 模式识别分类
• 2.3 模糊模式识别
• 2.3.1 模糊集
• 2.3.2 模糊分类器
• 3 图象分割与运动目标检测
• 3.1 图象分割技术
• 3.1.1 基于阈值的分割方法
• 3.1.2 基于熵的分割
• 3.1.3 基于色度和空间的分割方法
• 3.1.4 基于Gabor小波的纹理分割方法
• 3.2 运动目标检测方法
• 3.2.1 帧间差分法
• 3.2.2 背景差分法
• 3.2.3 光流法
• 4 车型识别系统关键技术
• 4.1 自适应背景更新
• 4.1.1 基于高斯模型的自适应阈值的确定
• 4.1.2 背景提取
• 4.1.3 求取移动区域
• 4.1.4 自适应背景模型更新
• 4.2 标签法快速去噪处理
• 4.3 基于HSV颜色空间的阴影去除
• 4.3.1 问题描述
• 4.3.2 HSV颜色系统
• 4.3.3 基于HSV颜色空间阴影检测原理
• 4.3.4 阴影检测过程
• 5 车型识别系统
• 5.1 系统总体结构图
• 5.2 车型分类
• 5.3 轮廓提取及Freeman链码
• 5.3.1 轮廓提取算法
• 5.3.2 Freeman 链码原理
• 5.3.3 轮廓平滑
• 5.4 车型特征值计算
• 5.4.1 车长与车高
• 5.4.2 图象相对矩
• 5.5 车型识别
• 5.5.1 建立模糊模式
• 5.5.2 建立隶属度函数
• 5.5.3 利用最大隶属原则识别车型
• 5.5.4 结果分析
• 6 总结与展望
• 参考文献
• 个人论文发表情况
• 作者个人简历
• 致谢