基于神经网络的汽车车型识别系统论文

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，指出了目前国内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[16]，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

I

ABSTRACT

With the development of our national economy, traffic has become heavier in recent years, which has put forward new requirements for traffic management. In actual traffic system such as bridge toll station, large parking lot, ports and airports, vehicle recognition is necessary to charge corresponding fees and improve the automation and vehicle monitoring of the traffic system. Therefore, the modern management of the toll stations above has important practical significance.

Facing the technical problems of the vehicle recognition system based on the neural network, this paper conducts research and discussion from the following four parts :

In the first part, we discuss the background and significance of the vehicle recognition, then detailed analyzes the present situation of the application of vehicle recognition system and the present research status, and point out the shortcomings of vehicle recognition systems at home and abroad.

In the second part, we put forward the model of the vehicle recognition system. First we conduct the preprocessing of the obtained vehicle image, to reduce the noise of the image by graying and smoothing it, to improve the quality of the image. Next step is the segmentation and feature extracting. After the image binarization processing, Laplace edge detection, image horizontal and vertical filling, contour extraction, image correction, we extract the length and height of the front and back of the car. Vehicle recognition can be done with the characteristic parameters extracted. In the third part, we design a vehicle recognition algorithm using Laplace edge detection operator, and eliminate background using sequence difference image method. Then eliminate the discrete noise points after edge detection of the image., and extract the contour of the horizontal/vertical filled image using contour method. In the fourth part, we designed a vehicle recognition system to test the feasibility of the theory, and improve the algorithm through the continuous actual test

II

Based on software platform of VC++6.0, with Matlab simulation platform, we finish the vehicle recognition system based on image sequences. Through the experimental data analysis showed, we can find that this method of identification presented can get good recognition results.

Key words：intelligent transportation, vehicle recognition, image processing, feature extraction

III

目 录

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

2.2.1 BMP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

IV

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 谢.............................................................. 37 参考文献........................................................... 38

V

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(Intelligent Transport Systems，简称ITS)[12]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范围内、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，在发达国家使用范围较广，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。比较陈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

- -

1

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）可以检测更大范围内的交通流信息，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，可以极大地提高监控质量。 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。

- -

2

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

[1]。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

- - 3

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

[2]~[7]。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，在北京、上海、广东等地已经广泛使用。

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

- - 4

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：

CCD摄像机图像采集车辆图像车辆图像处理车型识别背景图像图1-1 大体流程图

模式匹配

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。

- - 5

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Visual C++。许多实际的车辆识别系统软件就是采用Visual C++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Visual C++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，范围极为广泛。 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，内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）存放在计算机内部的，因此用Matlab处理，十分方便。

（2）Matlab内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内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内部核心函数，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

- - 6

工具箱等。

整个系统的流程图如图1-2所示。

开始读入车型图像背景剔除图像灰度化图像平滑去噪二值化处理二值反向拉普拉斯边缘检测横向填充纵向填充图像修正轮廓提取车型识别结束 图1-2系统流程图

- -

7

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，在室内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');

- -

8

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

- - 9

图2-2 背景图

图2-3 差分后的车辆图像

- - 10

2.2图像处理的基本知识

2.2.1 BMP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、显示内容等信息；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 BITMAPFILEHEADER 14 位图信息头 BITMAPINFOHEADER 40 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的取值范围是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

- -

11

R=G=B=（WRR+WGG+WBB）/3

其中WR，WG，WB分别为 R，G，B的权值。WR，WG，WB取不同的值，加权平均值法将形成不同的灰度图像。由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，因此使WR>WG>WB将得到较合理的灰度图像试验和理论推导证明，当WR=0.30，WG=0.59，WB=0.11时，即当

Vgray=0.30R+0.59G+0.11B

R=G=B=gray

时，能得到最合理的灰度图像。

2.2.3图像的平滑处理

基本图像处理方法可分为点处理和区域处理两类。

点处理相对较简单，只能改变图像的灰度分布，但不会改变图像内的空间关系。点处理可以按预定的方式改变图像的灰度直方图。最常用的点处理是灰度直方图均衡。

区域处理在处理某个像素时，利用与该像素相邻的一组像素，经过某种变化得到处理后图像某一点的像素值。目标像素的邻域一般是由像素组成的二位矩阵，该矩阵的大小为奇数。目标像素位于该矩阵的中央，即目标像素就是区域的中心像素。经过处理后，目标像素的值为经过特定算法计算后所得的结果。区域中心像素周围的那些像素值在二维方向上提供了图像的亮度变化趋势的信息。图像中像素的亮度在一定距离上变化速率称为图像的空间频率。区域处理将改变图像的空间频率信息，减缓或增强图像中的某些特定的频率分量。

区域处理算法一般是针对灰度图像进行处理的，对于RGB彩色图像，可以分别对其R,G,B分量进行处理，最后再组合颜色分量，以得到彩色输出图像。 主要的区域处理算法有卷积法、中值滤波法和Sobel边缘检测法等。

在对目标图像进行采集时，难免会遇到一些因素的干扰，比如：气候、环境以及摄像机的原件损耗等。这些噪声往往会影响图像的质量，淹没图像的特征。因此应对图像中可能存在的噪声我们需要进行相应的处理。消除图像的噪声最常采用的方法便是图像平滑。一般有邻域平均法和中值滤波法。对比这两种方法，

- -

12

邻域平均法对随机噪声处理效果比中值滤波要好，但会使图片模糊。中值滤波对椒盐噪声的处理效果比邻域平均法要好，图片变得清晰。所以，在本篇论文采用的是中值滤波法。

2.2.4灰度图像的二值化处理

灰度图像中的像素就只有一个像素的灰度值，这个值决定了像素的明亮程度。接下来还需要做的就是将图像进行二值化处理。图像的二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。 图像的二值化有很多种方法，例如：阈值分割法、给定阈值法等等。阈值分割法可以分为全局阈值法和局部阈值分割法。所谓局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。在阈值分割后，相邻子图像之间的边界处可能产生灰度级的不连续，因此需用平滑技术进行排除。局部阈值法常用的方法有灰度差直方图法、微分直方图法。全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割图像。根据阈值选择方法的不同，可以分为模态方法、迭代式阈值选择等方法。这些方法都是以图像的灰度直方图为研究对象来确定阈值的。另外还有类间方差阈值分割法、二维最大熵分割法、模糊阈值分割法、共生矩阵分割法、区域生长法等等。

就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。

2.2.5图像的边缘化检测

图像的边缘是图像最基本也是最重要的特征之一。边缘检测一直是计算机视觉和图像处理领域的经典研究课题之一。 图像分析和理解的第一步常常是边缘

- - 13

检测。边缘检测的目的是去发现图像中关于形状和反射或透射比的信息，是图像处理、图像分析、模式识别、计算机视觉以及人类视觉的基本步骤之一。其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。对一些传统的边缘检测方法和近年来广泛收到关注的边缘检测算法进行了简单介绍。综述中只涉及到检测方面，而没有讨论滤波、边缘定位、算法的复杂程度和边缘检测器性能的评价。其基本操作就是寻找图像中变化比较剧烈的像素位置。这些像素可以简单地表示图像中有用的信息。进行边缘检测的基本步骤如下： （1）去除噪声。

（2）对图像进行灰度处理。 （3）检测边界。

边缘图像的最基本特征，边缘点是图像中周围像素灰度有急促变化的像素点，即灰度值导数较大或极大的地方。所谓边缘是指图像周围像素灰度有阶跃变化或屋顶状变化的像素的集合，它存在于目标与背景、目标与目标、区域与区域、基元与基元之间。边缘具有方向和幅度两个特征，沿边缘走向，像素值变化比较平缓；垂直于边缘走向，像素值变化比较剧烈，可能呈现阶跃状，也可能呈现斜坡状。因此边缘可以分为两种：一种为阶跃性边缘，它两边的像素灰度值有着明显的不同；另一种为屋顶状边缘，它位于灰度值从增加到减少的变化转折点。对于阶跃性边缘，二阶方向导数在边缘处呈零交叉；而对于屋顶状边缘，二阶方向导数在边缘处取极值。

由于噪声和模糊的存在，检测得到边界可能会变宽或某些点处发生间断，因此，边界检测包括两个基本内容：首先抽取反映灰度变化的边缘点，然后剔除某些边界点或者填补边界间断点，并将这些边缘连接成完整的线。

最简单的边缘检测方法是边缘检测算子，它利用相邻区域的像素值不连续的性质，采用一阶或二阶导数来检测边缘点。近年来还提出了基于曲线拟合的方法，基于边界曲线拟合的方法。其中基于曲线拟合的方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根据该曲面来决定边缘点。基于边界曲线拟合的方法用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示边界的曲线从而达到图像分割的目的，而且由于它直接给出的事边界曲线而不像一般的方法找出的事离散的、不相关的边缘点，

- - 14

因而对图像分割的后继处理如物体识别等高层处理有很大的帮助。即使用一般的方法找出边缘点，用曲线来描述它们以便于高层处理也是经常被采用的一种有效地方式。

常用的边缘检测算子有Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、LoG算子、Canny算子等等。 （1）Roberts算子 Roberts梯度算子的模板:

??10??0?1??01? ?10? ????用Roberts算子计算时利用的像素数一共有4个。Roberts算子边缘定位准，但对噪声敏感。适用于边缘明显而且噪声较少的图像分割。 （2）Sobel梯度算子 Sobel梯度算子的模板：

??101???1?2?1???202??000?? ?? ????121????101??用的是邻域加权平均，相当于先做图像平滑处理，然后再求导。Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越大，产生的影响越小。

（3）Prewitt梯度算子 Prewitt梯度算子的模板：

??101???1?1?1???101??000?? ?? ?????101???111??- -

15

Sobel算子和Prewitt算子都是加权平均，Prewitt算子对噪声有抑制作用，抑制噪声的原理是通过像素平均。但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Robert。 （4）Laplacian梯度算子 Laplacian梯度算子的模板：

?0?1???01?410??1?11?? ??0???11??81?? 11??1 Laplacian算子：对噪声的敏感性很高，幅值会出现双边缘，为了弥补这个缺陷，美国学者Marr提出在运用Laplacian算子之前，先进行高斯低通滤波，得到的算子称为Laplacian of a Gussan，简称LoG。 （5）LoG梯度算子 LoG梯度算子的模板：

0?0?0?1???1?2??0?1?0?0?1?216?2?10?1?2?100?0???1?? 0?0?? LoG算子克服了Laplacian算子抗噪声能力差的缺点，但是抑制噪声的同时也将原有的比较尖锐的边缘平滑掉了，造成这些边缘无法被检测到。

2.3车辆图像的处理结果

2.3.1车辆BMP图像显示与读取

一般来说，bmp图像文件的数据是从下到上，从左到右的。即从文件中最先读到的是图像最下面一行的左边第一个像素，然后是坐标第二个.....接下来是

- -

16

倒数第二行的第一个像素。BMP图像的显示的流程图如图2-4所示，BMP图像的读取的流程图如图2-5所示。

- - 开始调用信息头读取函数读取图像文件头信息根据信息投中的数据判断图像的颜色深度调用相应的图像显示函数结束 图2-4 BMP图像的显示流程图

17

开始读方式打开文件跳过BITMAPFILEHEADER结构读入BITMAPFILEHEADER结构读入颜色表读入位图数据关闭文件结束图2-5 BMP图像的读入

如图2-6为读入的bmp图像。

图2-6 读入的bmp图像

- -

18

2.3.2车辆图像灰度化

本篇论文采用方法是加权平均法，即:

Vgray=0.30R+0.59G+0.11B

R=G=B=gray

加权平均法的灰度化处理的流程图如图2-7所示，得灰度图像如图2-8所示。

- - 开始读取图像的RGB值赋值Vgray=0.30R+0.59G+0.11BR=G=B=Vgray车辆灰度图像结束 图2-7 加权平均法灰度化流程图

19

图2-8 灰度化处理后的图像

2.3.3车辆图像平滑处理——中值滤波

中值滤波是一种不属于卷积算法的区域处理方法，是非线性处理技术，能抑制图像中的噪声。中值滤波在衰减噪声的同时不会使图像边界模糊，这也是中值滤波得到广泛应用的原因。本文应用该方法主要是在图像预处理环节，因此可以不用考虑其不适合处理多环节的图像中的缺点。它将区域中所有值按大小进行排序，并将排序后位于中间的像素值赋予中心像素。噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是有像素数较多、面积较大的小块构成。基本原理是把数字序列或数字图像中某一点的值用该点的一个邻域中各点值得中值交换。

中值滤波去除噪声的效果依赖于领域的空间范围和中值计算中涉及的像素数这两个要素。小于滤波器面积一半的亮或暗的物体基本上会被滤除，而较大的物体几乎会原封不动地保存下来。我们以图2-9的模板为例，其具体步骤为:首先读取模板中A1，A2……A9 像素点对应的灰度值；其次将这9 个灰度值从低到高排序；最后求中间值，则A5 的新值即为该值。

- - 20

A1 A4 A7 A2 A5 A8 图2-9 像素模板

A3 A6 A9 中值滤波对异常值（与周围像素灰度值差别较大的像素的值）的敏感性比均值滤波小，中值滤波可以在不减小图像对比度的情况下剔除这些异常值，使图像产生较少的模糊。因为它能够有效的去除尖峰噪声，还能对边缘起到很好的保护作用。所以被广泛应用于实际中。

中值滤波的流程图如图2-9所示，图2-10是中值滤波后的图像。

开始读领域空间A1-A9的灰度值从低到高排序a1-a9A5=a5是否为边界像素点Y结束N 图2-9 中值滤波的流程图

- - 21

图2-10 中值滤波后的图像

2.3.4车辆图像的二值化及二值反向

图像二值化的方法是：逐个像素获取位图（BMP）图像的颜色信息，并将其转换成LAB色彩空间，将LAB的L（亮度）分量与形参传递的阈值进行比较，L（亮度）分量大于阈值则将RGB三个分亮亮均设置成255，也即是白色，如果LAB的L（亮度）分量小于形参传递的阈值则将RGB三个分亮亮均设置成0，也即是黑色。

车辆图像二值化处理的流程图如图2-11所示，经过二值化处理的图像如图2-12。此处选用的阈值是120。

另外，为了使边缘提取清楚，对位图进行二值反向，使车型轮廓更加明显。所谓二值反向就是将灰度值为255的像素点赋值为0，灰度值为0的像素点赋值为255，这样就实现了二值图像的二值反向。如图2-13为二值反向后的车辆图像。

- - 22

开始读入灰度图像设定阀值k灰度值>x灰度值=255灰度值=0二值化图像结束 图2-11 车辆图像二值化的流程图

图2-12二值化处理的图像

- - 23

图2-13 二值反向后的图像

2.3.5车辆图像的边缘检测

本篇论文中，图像的边缘检测运用的是Laplacian梯度算子， 并对边缘进行了追踪。从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。一般增强技术对于陡峭的边缘和缓慢变化的边缘很难确定其边缘线的位置。但此算子却可用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。同梯度算子一样，拉普拉斯算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先进行平滑处理。边缘检测得到的图像如图2-14。

- - 24

图2-14 边缘检测后的图像

- -

25

3车辆的特征提取

3.1特征提取

特征提取是车型识别的关键，理论上应尽量选择能唯一标识不同车类的特征，但这在实际中并不现实，根据人类验证知识可知，车辆形状、车长和车高是车型识别的关键参数。为了达到对车辆分类的目的，仅仅确定车辆的轮廓是不够的，应该提取车辆的主要信息与参数，才能对车辆进行准确分类。本文采用的方法是提取车辆长度和车辆高度两个关键参数。找到处理后图像横坐标最大的像素和横坐标最小的像素，将两者横坐标最大的像素和横坐标最小的像素，将两者横坐标相减，便可得到车辆的相对长度，同理，也可求出车辆的相对高度。 车辆图像经过边缘提取和二值化处理后，边缘成了由像素组成的连续曲线。对于车辆轮廓而言，它们是一个不规则的多边形。本文仅按汽车的应用功能对汽车车型进行大致的分类，即可分为客车、轿车和货车三类。通过这三类车型的统计分析，选取车长和车高为特征参数。 从实验中可以得到表3-1：

表3-1车长与车高参数

分类 轿车 客车 货车 长度 <6米 6-9米 >9米 高度 <2.1米 2.1-2.7米 >2.7米

3.2车型轮廓提取

由图像处理后的车辆图像为图3-1。由于光照等原因，该图像存在噪声，所以对车辆图像进行滤波和小面积删除处理，使得更加清晰的从车辆图像中提取出车辆的轮廓。车辆轮廓的提取在本设计中利用的是Matlab程序实现的。滤波和小面积删除的过程如下： szuida=max(max(s));

- -

26

szuixiao=min(min(s)); tk=(szuida+szuixiao)/2; bcal=1;

Sdaxiao=size(s); while(bcal) ifore=0; iback=0; isum=0; backsum=0; for i=1:Sdaxiao(1) for j=1:Sdaxiao(2) tmp=s(i,j); if (tmp>=tk) ifore=ifore+1; isum=isum+double(tmp); else

iback=iback+1;

backsum=backsum+double(tmp); end end end

so=isum/ifore; sb=backsum/iback; tktmp=uint8((so+sb)/2); if(tktmp==tk) bcal=0; else

tk=tktmp; end

- - 27

end

s1=im2bw(s,double(tk)/255); figure,imshow(s1); s2=medfilt2(s1,[7,7]); s3=bwareaopen(s2,200); figure,imshow(s3);

图3-1 图像处理后的车辆图像

滤波和小面积删除后的车辆的图像如图3-2所示。

- - 28

图3-2 滤波和小面积删除后的车辆的图像

3.3目标区域的填充

经过处理后的车辆轮廓图像存在着离散的点与线为了便于提取车辆的信息特征，对车辆边缘化图像需做进一步的处理，可采用图像横向填充、图像纵向填充、图像修正等技术。经过噪声滤波后，背景中的噪声已完全消除，只剩下目标车辆区域。但此时目标车辆的轮廓并不完整，区域内存在孔洞，无法直接提取车辆特征，应此需要对图像做填充以形成完整的车辆区域。

3.3.1图像横向填充

对图像的每一行惊醒扫描，如果在某行从左向右遇到第一个亮点，记下其坐标；然后在同一行从右到左寻找第一个亮点，记下其坐标；那么同一行把两个亮点之间的所有像素点改为亮点，进而实现了车辆图像的横向填充。横向填充的流程图如图3-3所示。

- - 29

开始扫描图像中的第一行记录一行中最左边的亮点坐标X1记录一行中最右边的亮点坐标X2从X1至X2之间像素点改为亮点扫描图像的下一行Y扫描结束N结束图3-3车型图像横向填充流程图

车辆图像横向填充后的效果如图3-4所示。

图3-4横向填充后的车辆图像

- -

30

3.3.2图像的纵向填充

方法与图像横向填充类似。对每一列进行扫描，如果在某列从上向下遇到第一个亮点，记下其坐标；然后在同一列从下向上寻找第一个亮点，记下其坐标；那么，在同一列把两个亮点之间的所有像素点改为亮点，进而实现了车辆图像的纵向填充。纵向填充后的效果图如图3-5所示。

图3-5 纵向填充后的车辆图像

至此，车辆轮廓已完全提取出来了。以下将对提取出来的车辆轮廓进行车型识别。

- -

31

4车型识别

4.1车辆轮廓识别

进过最后处理的二值化图像轮廓虽然与真实的车辆轮廓有点失真变形，但是在一定的失真前提下是可以容忍的。这样就可以根据图像的信息进行车辆信息提取了。目前汽车的种类繁多，需要抽取哪些特征来进行车型识别和分类的难点，也是重点。特征提取的的好坏，关系到识别和分类的速度和准确度。通常各类汽车的车身试图可提供整个车长、顶篷长度及车辆高度等信息，由于在拍摄图像时，镜头与车辆的距离、角度的微小变化都会造成同一车辆在两次拍摄图像时，上述各参数的绝对大小不等，这就限制了不能用绝对长度或绝对高度等绝对参数来作为识别特征。在提取完车辆的轮廓之后，接下来我们将对提取出来的轮廓进行进一步的识别。在前文中我们讲到过我们将汽车的类型划分为轿车、货车和客车，而每一类的车型都有其独特的轮廓特征。因此，我们先将提取到的汽车图像进行初步的形状识别，以车辆顶长作中垂线分下底长的前后比例数、顶长等作为参数，提取出特征参数，根据识别的结果将其归为以上三种类型中的一类，然后利用小孔成像的原理，推算出长和车高。

从实验中可以得出，客车的轴距和车长比较小，一般在0.55以下，所以我们将0.55作为分界点，而轿车和货车的轴距与车长比大；对于顶长比，客车比较小，而轿车和货车则较大，两者相差比较明显。这一点差别是区分轿车和货车的主要依据，所以，我们将顶长比在区间（0.75,1.25）之间的判断为轿车。掌握好这些特征，就达到了把汽车分为轿车、货车、客车三类的目的。

4.2车辆特征参数的提取与计算

要得到最后的识别结果，必须对车辆的特征参数进行提取和计算。首先，对处理后的车辆图像进行扫描，分别进行顶部扫描，底部扫描，右边和左边扫描，最后，得到车辆的顶长作中垂线分下底长的前后比。我们将提取出来的汽车图像进行初步的形状识别，以车辆顶长作中垂线分下底长的前后比例数，顶长数作为

- - 32

参数，提取出特征参数，根据识别结果将其归为以上三种类型中的一类，然后利用小孔成像的原理，推算出车长和车高。

以一组平行线束从不同的角度对图像进行扫描，记录平行线穿过目标区域部分的长度，扫描的角度越多，对图像的形状描述就越精确，对车型分类系统来说，不需要从形状参数中精确地恢复出车辆的形状，只需区分三种不同的形状，因此只需要从一个角度对车辆进行扫描，沿平行于纵坐标的方向，令一组平行线束穿过车辆图像区域，计算每条线处于车辆区域内部分的长度，这样就得到一组车辆形状特征参数。在进行操作时，上述方法相当于将车辆图像投影到横坐标上，然后在投影上确定车辆的头尾位置，最后在车头和车尾之间选择若干点，投影在这若干个点上的值即为车辆的形状特征参数。接下来需要检测车辆的长度、宽度和轴间距。上述的垂直投影法可得到车辆的长度信息，即将车头位置坐标减去车位置坐标：与之类似，通过水平投影可计算出车辆的高度信息。

4.3车型特征匹配

采用特征匹配算法对车型进行识别，该算法的输入的是一组特征数据，其实现过程如下： （1）输入一组数据;

（2）如果车辆的顶长作中垂线分下底长的前后比<0.55,则该车辆为客车，否则转为（3）；

（3）如果顶长比在区间（0.75,1.25）之间，该车为轿车，否则为货车； 程序流程图如图4-1所示。

- - 33

数据输入车辆的顶长做中垂线分下底长的前后比<0.55N0.75<顶长比<1.25N货车YY客车轿车 图4-1 车型特征匹配程序流程图

最终Matlab实现对于车辆处理后，车型匹配结果是：该车型为car，车长为3.5226，车高为1.3246。运行结果如图4-2所示。

图4-2最终运行结果

- -

34

5总结与展望

5.1总结与分析

基于车辆轮廓定位匹配的车型识别系统运用了图像处理技术和图像识别技术。用一个安装在高速公路或城市内公路上的摄像头来采集车辆图像，计算机对图像进行实时处理，识别车道与车辆，对车辆进行统计与记录。该设备对治理公共交通，以及交通控制作用显著。

本文根据实际应用场合的需要，在车辆特征的选取上，研究了车辆外观特征与其类型之间的关系，结合车辆形状特征参数和其相对几何尺寸参数作为车型分类依据，有效地区分了三种不同类型的车辆。 主要工作及创新点体现在：

（1）将序列差分法应用到车型识别系统中来，是车型与背景能够很好的分离出来。采用实时摄入极短时间内的两幅车型图像，减去相同的部分，剩下的只有车型部分了。这样可以很大程度上提高车型与背景的分离效果。可适应与不同时间、不同天气、不同光线的车型图像的背景分割。

（2）对拉普拉斯边缘检测之后车型图像进行横向填充、纵向填充，并利用扫描分对离散噪声进行剔除。这样可以方便准确的提取出车型轮廓的信息。

5.2未来展望

目前的车型识别方法还存在一些问题：

（1）虽然计算机的处理速度越来越快，然而图像处理十分复杂，运算量大，特别是在车型图像采集是遇到照明采光不好，雨、雾、雪等恶劣天气，或物体本身发光等，都会使得车型图像产生比较严重的噪声，处理速度和图像分割算法对于整个系统来书至关重要的。因此研究具有良好抗噪性能、运行稳定、采用并行算法的图像分割方法就显得尤为重要。

（2）对于车辆的识别还打不到100%，应增加考虑对困难车辆进行识别的方法。这些都是以后研究的重点，都是以后迫切需要解决的问题。

- - 35

（3）仅仅靠对CCD视频图像进行图像分割提取车辆特征值来识别车型是不够的，应该辅助以其他的技术，比如微波、红外线、环形线圈、电子地磅、电子标签等。每种车辆识别技术均有着优点和不足。多种技术的有机结合势必会提高车型识别的识别率。

总的来说，随着计算机技术的发展与革新，随着对人类视觉系统的深入了解，随着计算机模式识别技术的成熟与发展，人们会不断提出一些新的设计理念和创新技术，进一步推动车型识别这一课题的研究与发展。

- -

36

致 谢

毕业设计即将完成，我要衷心的感谢我的指导老师，整个论文工作都是在朱老师的悉心指导下完成的。从适当的选题到论文的完成，学生的每一点进步都凝聚着老师的心血和汗水。在本次毕业设计中，我从朱老师身上学到了很多东西。朱老师丰富的经验，严谨的治学态度和深厚的理论水平都使我受益匪浅。他无论在理论上还是在实践中，都给了我很大的帮助，使我的能力得到很大的提高，这对于我以后的工作和学习都有巨大的帮助。

在实验室待过的这段时间，令我终身难忘。感谢学院领导和老师能够给我们提供这样一个好的学习机会和环境。在这里，有浓厚的学习、创新的精神和同学们之间互相讨论和互相帮助的良好氛围，在这里我学到的不仅仅是专业知识，更学会了学习的方法和解决问题的思路。

- - 37

参考文献

[1]边明远，陈思忠，罗汉军，智能交通系统（ITS）及其发展，武汉理工大学学报，2001（23）：67—70

[2]Wei Wu,Zhang Qisen,Wang Mingjun,A Method of Vehicle Classification Using Models and Nerual Networks,IEEE,2001:3022—3026

[3]胡方明，简琴，张秀君，基于BP神经网络的车型分类器，西安电子科技大学学报，2005（32）：439-442

[4]余孔梁，基于视频的车型识别技术研究，浙江大学，32—58

Wu Y N.Si Z.Fleming C,et al.Deformable template as Active Basis.ICCV.2007 [5]陈爱斌，基于支持向量机得车型识别[D]，中南大学，23—30

[6]陈宏，何小梅，吴炜等，应用SVW的三维车型识别技术，四川大学学报，2006（43）：1279—1284

[7]欧卫华，智能交通系统中汽车车型的模糊模式识别，东南大学硕士学位论文，2005

[8]《MATLAB及在电子信息课程中的应用（第3版）》 陈怀琛 吴大正 高西全 电子工业出版社 2006

[9]《数字图像处理（第二版）》[美]冈萨雷斯 (R.C.Gonzalez) 等著 阮秋琦 阮宇智 等译 电子工业出版社 2007

[10]《数字图像处理（MATLAB版）》[美]冈萨雷斯 (R.C.Gonzalez) 等著 阮秋琦 等译 电子工业出版社 2005

[11]《运动车辆车型精确识别技术研究》庄永 四川大学硕士学位论文 2005 [12]《ITS在中国的发展》 王笑京 《计算机世界》37期C版

[13]《公路交通管理中行驶车辆自动识别技术研究》 王艳春 李建军 何鹏等 《微计算机信息》 2006

[14]《Visual C++/MATLAB图像处理与识别实用案例精选》 胡小峰 赵辉 人民邮电出版社 2004

[15]《轮廓识别中二值化方法的研究》 朱浩悦 耿国华 周明全 《计算机应用与软件》 2007

- -

38

本文来源：https://www.bwwdw.com/article/5eio.html