车型识别技术（精选五篇）
车型识别技术 篇1
1 数字图像处理基本知识
1.1 RGB颜色模型
颜色模型中与设备连接使用的模型就是RGB模型。RGB模型属于一种与人的视觉系统关系十分紧密的模型, 按照人眼特点, 将全部颜色都安装基础颜色进行调配。
在笛卡尔坐标系统中, RGB模型在三个轴上面的具体结构如图1所示。RGB模型所拥有的空间模型属于正方体, 在这种模型之中, 灰度值在源点与定点之间, 进而正方体每一个节点上面都能够反映出不同深度的颜色, 可以以源点作为基础, 按照矢量的方式表示颜色改变坐标。
在这个模型中, 每个颜色都应有三个角度上的平面, 也就是说颜色可以反映在三个平面上, 这种模型在实际应用中较为便捷。但是, 这种表示方式没有给人们带来直观感, 而是给人们一个RGB值, 人们很难看出所对应的颜色。
1.2 HSI颜色模型
在颜色模型中, HSI颜色模型表示颜色的不同视觉感知, 其中H表示的是颜色的色调, S表示的是颜色的饱和度, I表示的是颜色的亮度与灰度。其中亮度与物体之间的反射效率之间呈现正比, 物体要是没有任何颜色, 仅仅是亮度改变, 那就是颜色维量发生变化[1]。
HSI模型在颜色处理方面优点较多, 主要表现在两个方面。首先HSI模型在处理中, 能够有效将颜色上面的亮度分量与色度分量区别开来, 进而颜色分量与图像上面的信息之间就没有任何直接关联;其次, HSI模型在实际处理中, 能够有效将色调与饱和度相结合, 让颜色与视觉感知相结合。正是由于HSI模型特点使HSI模型与人的视觉系统相结合, 进而赋予图像处理分析算法。
2 运动目标检测与提取
想要完成对于车辆的自动识别、分类, 首先就需要对视频图像进行检测, 进而获取车辆有关信息, 也就是对目标车辆进行检测与分割, 这就是目标检测。目标检测指的是图像在场景上的变化, 如果图像发生改变, 就说明目标在运动, 需要使用监测技术对目标进行检测。在目标提取中, 需要利用有关手段将目标出现之后检测出来, 并且将这个图像从原来的图像中划分出来, 为下一步识别提供数据基础。在视频监控系统中, 关键性内容就是目标检测与提取算法[2]。
2.1 光流法
光流能够有效反映出图像变化规律, 其中包含物体运动信息, 人们能够通过这些信息反映出有关运动特点。光流要素主要有三种, 分别是运动速度场、光学特点部分、成像投影, 其中运动速度场是构成光流的必要性因素;光学特点部分能够携带物体运动的信息, 例如像素点;成像投影能够将空间运动信息反映在图像平面上, 这样人们才能够了解有关信息[3]。
2.2 背景差分算法
背景差分算法是现在运动分割中最常使用的一种方式, 能够在摄影机静止状态下应用, 以图像序列上面的数值对视频及图像运动特点进行分析, 明确图像上面是否有物体运动。背景差分算法在实际应用中最简单的方式是在视频中抽取出来有关信息, 使用前帧与图像差分作为检测方式, 这种差分法的检测效果较好, 能够提供系统数据资料, 计算数量较小, 拥有较高的使用价值。
3 基于特征脸和纹理特征的车型识别研究
3.1 基于特征脸的车型识别方法研究
3.1.1 特征脸法
特征脸法是一种以代数作为特征的方式, 是现在人脸识别中最常使用的方式。特征脸法在实际应用中以总体散布矩阵方式作为产生矩阵, 经过多次变化之后会得到最优的特征向量, 得到的特征向量所形成的图像与人脸基本一致, 因此, 特征向量也被称为特征脸[4]。
3.1.2 基于K-L变换的特征脸法
(1) K-L变换。从压缩能量角度分析, K-L变换方式效果最佳, 低维空间在变换之后能够提高车辆表现性能, 但是, 这并不表示K-L变换能够辨别不同车型的车辆。生成矩阵是选择训练样本散布矩阵方式, 最显著特点就是能够有效反映出样本分布上最大方向几何, 但是图像统计方式, 并不是对于车脸的统计方式。K-L变换所查找出来的图像之间还是存在一定差异, 这些差异能够制定出车辆之间的差异, 并且这些差异并不是由于光线或者背景等因素的改变, 这些都是由于车辆内部结构上面所形成的差异, 特征脸方式在车辆识别理论方面还有一定不足。
(2) 主成分分析方法。主成分分析方法也被称为离散K-L变换, 是以目标统计特性作为交换基础的方法。主成分分析方法在实际应用中最为重要的性质就是分量正交并不会受到变换的影响, 在各方面都拥有较高的应用价值。主成分分析方法主要目的就是能够有效降维思想, 将传统多个指标转变成综合指标。
3.2 基于纹理特征的车型识别方法研究
3.2.1 基于纹理特征的车脸车型识别
车脸图像在实际应用中能够有效将灰度共生矩阵所具有的纹理特征量提取出来, 其中包括能量与对比度。任何一个车脸图像都具有5个纹理特征, 本文在对于基于纹理特征的车脸车型识别中, 需要将各个车辆图像上面的特点输入向量中。
3.2.2 纹理特征的提取
为了能够将共生矩阵纹理信息直观描述出来, 能够在共生矩阵上面反映出有关参数, 其中具有代表性的参数主要有三种, 分别是能量、熵及对比度。能量是灰度共生矩阵上面各元素数值的平方和, 也就是能量, 能够客观反映出图像灰度分布特点, 如果能量数值较大, 纹理就较粗, 如果能量数值较小, 纹理就较细。熵是图像上面所具有的信心, 纹理信心是图像中所包含的信息。如果图像没有任何信息, 灰度共生矩阵就是零矩阵, 图像所具有的熵就更大。对比度能够有效反映出图像清晰度与纹理深浅水平, 如果图像上面的纹理较深, 图像所具有的对比度就越大, 这样图像清晰程度就越高。
4 结语
伴随着车辆逐渐普及, 交通环境逐渐恶化, 各种交通事故不断增加, 要积极将高科技应用在交通系统中, 这样才能够从本质上解决交通中所存在的问题。在20世纪80年代之后, 科学技术得到较大发展, 各国为了解决交通问题, 研究出了有效集成智能、自动控制等技术, 常见的是系统性交通管理系统, 主要是应用在道路沿途安装检测上, 能够及时采取交通数据, 完成对于交通数据的处理, 进而提高交通管理质量。本文对交通系统中视频监控进行研究, 分析车型识别技术所具有的价值。
摘要：智能交通系统是我国交通行业未来主要发展趋势, 也是现在交通运输领域的热点研究课题。近几年, 车型识别技术相继出现, 主要应用在车辆检测上, 帮助对车辆进行自动识别, 检测出的参数主要是通过传感器获取的车辆有关数据。这种方式在实际应用中能够有效辨别车型, 同时计算方法较为方便。正是由于车型识别技术在实际应用中所具有的优势, 所以, 其成为智能交通系统中的关键技术。对于视频监控中车型识别技术进行研究, 不仅仅具有理论性价值, 还能扩大其应用空间。
关键词：车型识别,车脸,目标检测,特征提取,纹理特征
参考文献
[1]刘相锋, 周航.步态识别技术及其在视频监控中的应用[J].电视技术, 2011 (1) :119-121.
[2]李彬, 曲寒冰, 靳薇.浅谈人脸识别技术在智能视频监控中的应用与发展趋势[J].中国安防, 2011 (3) :50-53.
[3]刘治红, 骆云志.智能视频监控技术在哨位安全威胁智能识别中的应用[J].兵工自动化, 2011 (7) :82-85.
基于视频流的车型识别系统研究 篇2
这种方法为静止背景建立背景模型, 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、阴影的变化、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, 在室内应用中影响更为明显。根据适应环境的能力, 可以将背景模型分为非自适应和自适应两大类。
非自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会不断积累, 影响算法的性能。自适应背景模型则为每个图像点建立一个动态统计模型, 通过不断地自动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的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。
出于计算处理速度和算法性能以及应用场合等因素的考虑, 和大部分视觉监视系统一样, 本文选择了建立背景模型作为检测前景区域的基本方法。
2 背景建模算法
2.1 背景建模算法概述
将运动目标所在的前景区域从背景中分割提取出来, 即实现前景和背景的分离, 是整个视觉监视系统处理中的第一步工作。
统计建模方法是基于概率统计理论的。理论上讲, 所谓静止的“背景”就是在图像序列中灰度不发生变化或变化很小的像素。从统计学的角度来看, 背景中像素的灰度值可以看作是一个统计的结果, 即图像序列中各个像素在统计上最可能出现的值。基于这一思想, 我们就可以建立基于统计的背景更新模型。设t时刻的背景图Bt (x, y) 为:
其中G (*) 为背景更新函数, ft (x, y) 为在时刻t采集到的图像, n为用来估计背景图像序列的长度, Bk (x, y) 为在时刻k得到的背景图像, 并给定一定的权重, 用来调整t-1时刻的背景在t时刻背景中的比重。如果采样时间间隔为△t, 则统计时间为n*△t。
常用于进行背景建模的算法有:均值法、中值法、时间中值滤波和模型法等算法。本文采用的是均值法。
2.2 均值法背景建模
它是利用如下的公式来计算背景的:
其中Ij (x, y) 是当前的第j帧视频图像在 (x, y) 处的像素值, 而Bj-1 (x, y) 是上一帧时的背景在 (x, y) 处的像素值。它们按照一定的比例取和即得当前要求的背景图像中 (x, y) 处的像素值。
2.3 背景差分提取车辆轮廓
这种方法的主要思想是:将当前图像灰度化后和背景图像逐个像素进行比较, 确定出像素点灰度值有变化的区域, 即得到车辆的轮廓信息。只要背景模型足够精确, 就可以获得关于车辆轮廓完整精确的描述。如图1为某路段根据均值法背景建模所得到的背景图象, 图2为有车通过时的灰度图象, 将图1与图2中对应像素点灰度值不同的点找出, 采用连接, 填充, 同色等处理, 得到图象3。
3 车长及车高信息的提取
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及参数, 才能对车辆进行准确分类。本文所采用的方法是提取车辆长度和车辆高度两个关键参数。如在图3中, 找到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。
4 实验及结果
为了更好地提取车型的特征, 本文把摄像机安装在道路的侧面, 通过侧面来拍摄车道上车辆。很多文献利用正前方或者正上方来拍摄车道, 但是这样做有很多缺点。本文之所以安排在侧面有如下几个方面的好处: (1) 与安装在正前方相比, 可以有效地避免车灯的干扰, 根据实验结果, 当车灯打开时, 摄像机几乎拍摄不到任何有效的信息; (2) 与安装在正前方相比, 侧面能够得到更多、更为有效的车型特征, 如车长、车高、车辆轮距, 而在正面只能够得到不是很准确的车宽、车高, 而在车型识别中车长才是最主要的决定性要素; (3) 如果安装在正上方, 一则它也无法完全避免车灯的影响, 而且它只能得到变形的车长和车宽, 要经数学处理后才能得到车长、车宽信息, 但是这样处理后误差明显增大, 没有在侧面来得简单、精确。所以, 本文所讨论的视频图片都是基于侧面的拍摄结果。
设求得的车辆相对长度为x (并非实际车长, 而是在800X600分辨率环境下求的像素点坐标差) , 给出以下约定:
两次实验, 通过和肉眼识别做对比, 结果如下:
本文的测试方法是在学校附近的公路上采集视频录像, 然后通过本系统分析其结果, 再与人工处理结果对比。系统运行的主要环境为:CPU主频为AMD3200+2.01G Hz、内存大小为1G的PC机, 同时配以“天敏视讯SDK2000”图像采集卡和一个松下Color CCTV牌的CCD摄像头用于采集视频图像。图像的分辨率为352×288。由上表可以看出, 本文所采用的方法, 可以较为精确地识别车辆信息, 考虑到上述实验结果是仅提取车长信息所得出的, 若加之以车辆高度信息, 识别率有望再上一个台阶。
5 结束语
利用图像处理实现交通流的检测是一个很有前途的方向, 关键是要研究简便、实用、快速的处理算法。本文采用均值法背景建模的方法, 对原始图像进行处理, 以达到车型识别的目的, 通过对实验结果的分析, 此方法是具有可行性的。
摘要：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, 促进智能交通系统的发展有重大的实际意义。主要讨论如何通过背景建模的方法提取车辆轮廓信息来达到车型识别的目的, 并指出了下一步的研究方向。
关键词：图象检测,车型识别,背景建模
参考文献
[1]张全元.基于实时视频流的车型识别系统设计[D].中国地质大学 (武汉) 硕士学位论文, 2007.
[2]王春波, 张卫东.智能交通系统运动车辆的视觉检测[J].红外与毫米波学报, 2001 (20) .
[3]林晓梅, 李琳娜.基于小波边缘检测的图像去噪方法[J].光学精密工程, 2004 (1) .
[4]詹伟, 基于AVI视频流的公路收费站车型识别系统研究[D].中国地质大学 (武汉) 硕士学位论文, 2006.
[5]刘宏兵, 杨万海.图像小波边缘提取中阈值选取的一种自适应算法[J].西安电子科技大学学报, 2000 (3) .
[6]S Peeta, R L Kashyap.Unsupervised Video Segmentation and Object Tracking[C].IEEE International Conference on Image Processing, 1999.
车型识别技术 篇3
车型识别在公路收费站、停车场、洗车场、高速公路[1]以及交警治理超载超长车辆等领域有着广泛的应用, 在此方面研究的技术有以下六个方面:基于图像识别技术, 红外识别技术, 雷达识别技术, 射频技术, 电感涡流技术和超声波技术。
对于射频技术[2]的车型识别, 类似于超市食品扫描一样需要预设一个电子标签, 只能在一个小范围使用, 大范围推广可能性小, 而且增加车主的成本。基于电感涡流技术[3]的识别技术存在大量信息丢失, 或者信息量非常大, 对于处理器要求很高。基于图像[4]、红外和雷达技术的图像识别, 具有信息量大, 安装和使用方便, 但因其内部构造复杂, 对光线强度等敏感, 以及价格等方面严重影响其实际使用。超声波识别技术[5,7]只能从侧面以及上面等识别车型, 成本低、方便安装使用, 但存在对车型大量信息丢失或者判断不准确。比如, 从顶识别车型存在一个车满载和空车情况, 此时车型识别出来可靠性就非常差。
本文提出并实现了一种采用红外对管获取车辆的特征信息、并采用BP神经网络[8]对采集的数据进行车型的识别系统, 比模糊神经网络[6]更适合车型识别。该系统能对任何道路的宽度都成正确识别, 而且识别率非常高, 成本低廉, 安装方便实用, 对环境几乎没有任何要求。该系统为车型的识别提供一个可靠实用的解决方案。
1 车型分类于特征参数提取
在我国道路上行驶的车辆主要是两大类:乘用车和商用车。乘用车主要包括微型车, 轿车, SUV, MPV以及跨界车;商用车主要包含客车, 货车, 以及特殊工程车辆。通过大量车型统计, 表1给出了目前中国道路上行驶部分车辆的车高以及车长度等信息特征, 通过对这些车辆参数测量与处理, 可以很好识别出车辆特征信息。
要识别出车辆的特征信息, 经过实际考察与验证, 主要取决于以下六个方面:车头高A, 车身高B, 车尾高C, 车重D, 车长E, 车轴距F。参数提取如图1所示。
2 车型特征参数提取原理与结构
2.1 系统识别总体结构
为了获取所需的车型参数, 我们在道路两侧设置红外测试对管阵列, 如图2所示, a高为5米, 安装有50个红外对管, b为一个触发对管, c为重量传感器。通过该阵列, 可以获取我们所需的车型A, B, C参数。
在道路上安装重量传感器, 可以获取车型E, D和F特征参数。
当车辆触发b处对管开始计时, 车辆触发a处阵列对管停止计时, 此时, 速度v=Sab/t (其中Sab是b到a到垂直距离, t为时间) 。
2.1.1 红外对管选择及其参数
红外对管采用光束遮断式感应器 (Photoelectric Beam Detector) 基本的构造包括瞄准孔、光束强度指示灯、球面镜片、LED指示灯等。
其侦测原理乃是利用红外线经LED红外光发射二极体, 再经光学镜面做聚焦处理使光线传至很远距离, 由受光器接受。当光线被遮断时就会发出警报。具体参数为:
型号:ABT-80, 室外80米, 探测方式:红外线脉冲可调式, 2光束同时遮断检知式, 光束数:2束。
2.1.2 轴距、车重特征提取
当车辆前轮通过c时候开始计时, 当后轮通过时停止计时, 并记录重量D, 且F=v×t。
2.1.3 车侧面参数特征提取
车辆通过红外对管阵列, cpu不停扫描阵列对管数据 (扫描频率为f1=1KHz) , 获取的数据图形如图3所示 (数据多, 省略其中部分点) 。其中n为参考线, 即50个对管。x处为前轴距对应的车高A, y为车身高B, z处为车尾轴距处车高C。车长E=阵列数×1/f1。
2.2 识别系统软件、硬件设计
5 0个红外对管以及单片机最小系统、液晶显示模块、重量传感器及地址设置开关和电源组成, 因为对管占用IO口数多, 所以采用STM32F103ZET6。
控制板程序流程如图4所示。
3 基于BP神经网络的数据处理及识别
BP神经网络的数据处理和识别采用一个输入层、一个中间层、一个输出层。其中输入向量, 输出向量, 隐含层神经向量为。神经元输出函数采用, 学习采用导师方式, 期望输出如表2所示。
各隐含层的输出和校正误差为:
输出层的输出和校正误差为:
输出层到隐含层的权值以及阈值校正误差为:
隐含层到输出层的权值以及阈值校正误差为:
其中, ok为期望输出, η, b为学习系数。
经过学习速率可变的BP算法的误差曲线如图5所示。误差收敛速度符合要求, 为后续车型进行识别。
通过实验, 取如果取门限为0.5, 取其中一组数据进行识别, 那么可以判断出该车型为微型车。部分实验结果如表3所示。
4 结论
通过该系统识别出车型, 再根据该车型对应的最大载重量, 可运用于道路交通中自动进行超载、超长车辆的自动识别, 当然也可用于自助洗车系统以及自动停车系统中车型判断。实践表明, 该系统造价低, 识别率高, 安装方便, 不受天气等的影响。
摘要：针对高速公路收费、停车场、城市道路监控等车型识别问题, 本文提出运用红外对管和BP神经网络的车型识别系统。该系统包含STM32F103型号CPU, 通过该系统能够获得车型数据, 且能根据五个参数应用BP神经网络得出正确的结果。实验表明, 该方法能有效、准确地做出车型的判断。
关键词：BP神经网络,车型识别,特征参数,红外对管
参考文献
[1]程全, 樊宇.基于GSM的高速公路能见度检测系统设计[J].制造业自动化.2012 (01) :56-58.
[2]李青川, ETC系统及其在现阶段段路网收费应用中的解决方案[J].公路, 2003 (9) :112-115.
[3]Yong-Kul Ki, Doo-Kwon Baik, Vehicle–ClassificationAlgorithm for Single-Loop Detectors Using NeuralNetworks[J]IEEE 2006;1704-1711.
[4]娄丽, 党瑞荣, 基于图像处理技术的车型识别[J].微电子与计算机, 2006, (6) :71-73.
[5]李长琦, 曲仕茹, 基于超声波测距及BP神经网络的车型识别[J].计算机测量与控制, 2009.17 (9) :1804-1806.
[6]郝吉生, 模糊神经网络技术在煤与瓦斯突出预测中的应用[J].煤炭学报, 1999, 24 (6) :624-627.
[7]Glenn Washer, Paul Fuchs.Ultrasonic Testing ofReactive Powder Concrete (J) .IEEE transactionso n u l t r a s o n i c s, f e r r o e l e c t r i c s, a n d f r e q u e n c ycontrol, 2004, 51 (2) :193-201.
车型识别技术 篇4
1 车型识别技术的应用范围
1) 稽查布控及刑侦系统。车型识别最重要最广泛的应用就是在稽查布控及刑侦系统中, 它能够迅速地在海量的行驶车辆之中找到所需要的嫌疑车辆, 监控嫌疑车辆的去向, 统计行驶轨迹, 为破案提供帮助, 不仅能够提高破案的效率, 还能够对罪犯形成威慑力。
2) 车辆车型统计系统。针对一些应用, 有时需要统计路网上运行的各型车辆的数量, 以便进行市场调查、流量分析以及道路规划。如果能够利用现有的大量视频监控摄像机, 开发出快速识别车型的技术, 自动统计不同车型数量提高设备利用率。
3) 公路收费系统。在我国有些道路、停车场、桥梁是有偿提供给车辆使用的, 因此, 建立自动识别车型的技术, 自动区分出大中小型车辆, 结合公路收费系统, 就能够广泛用于道路、停车场以及桥梁等领域, 减少人力的使用, 提高通关效率。
4) 重点车辆监控系统。智能车型识别技术同样还可以应用于重点车辆监控系统中, 也就是监控某些特定的汽车, 包括盗抢违法犯罪嫌疑车辆, 新疆牌照车辆, 特种作业车辆等。此外, 还可以对政府机关的公车进行轨迹监控, 最大程度警示及避免公车私用的现象, 减小政府不必要的财政消耗, 提高政府的透明度, 重新树立政府的公信力。
2 车型识别的常用方法
2.1 根据车牌颜色进行分类和识别
我国对于车牌颜色有着明确的规定, 一般来讲, 大型车辆发放黄底黑字车牌, 普通小型车辆发放蓝底白字车牌, 涉外车辆发放黑底白字车牌, 军警及武警车辆发放白底黑字车牌, 军车前汉字为红色。因此利用车牌颜色来进行分类和识别具有一定的可靠性, 且我国目前车牌颜色的规定较为成熟, 应用也较为广泛, 短时间内难以更改, 因此在相当长的一段时间内根据车牌颜色来对车辆进行识别还是能够实现的。
2.2 根据车辆轮廓信息进行识别
现代的计算机技术已经能够完成将监控录像中车辆与环境分隔开来, 通过车辆与周边参照物的比例, 来获取车辆的几何特征, 在此基础上对原有的数据库进行比对, 能够在一定程度上缩小车辆识别的难度。
2.3 根据车标进行识别
常见的汽车, 如大众、丰田、现代、保时捷等的车标都存在较大的差异, 因而利用车标进行车型识别也是较为可行的方法, 但是由于车标通常都比较小, 因此在监控中就更容易受到光照的影响而使车标显示不清, 从而影响车型识别的效果。
3 一种新型的车型识别技术
3.1 识别方法概述
利用以上常用的技术可在一定程度上实现车型识别, 但当视频监控图像质量较差时, 如何有效地获取具有明显区分度的特征显得更加重要。利用摄像机监视区域中的正向或背向下视图像, 结合一个较好的特征提取方法, 能够有效区分主流的车辆车型特征。
3.2 车型特征识别
本识别方法是对大型车辆分界线将车体分为4个或4个以上的区间, 区间的颜色一般为3种或3种以上, 前车窗的高度与车长的比例比较小。一般中型车辆分界线将车分成3个区间, 在无反光的情况下, 这些区间呈现为2种不同的颜色, 有反光时可能表现为3种颜色, 前车窗的高度与车长的比例较大, 车窗高和车长均为两者在纵轴上的尺寸。小型车辆通常分成1~2个区间, 1~2种颜色, 在各种光照条件下统计出来的车辆前窗比例、车辆区间颜色数和区间数的特征分布经过大量的统计分析, 可以得出大中小型车辆的三个特征的区分度比较明显, 辨别能力强, 可以用来对大中型车辆和小型车辆进行分类和识别。
3.3 车型特征提取
特征提取的过程就是对某一模式的组测量值进行变换的过程, 以突出该模式具有代表性特征。通过影像分析和变换, 以提取所需特征的方法。然而当其实际应用于图像分割时, 在进行边缘检测时往往容易受到光照和运动遮挡的影响。一般采用的算法是搜索与样本点分布最接近模式的非参数密度估计算法, 不仅考虑了各分类点本身特征, 还考虑它们之间的空间关系, 同时作为一种统计迭代方法它还能根据图像的统计特征自动确定聚类数目, 不用人为地设定过多参数就可以得到较为客观的分割结果。
1) 区间分割。本算法采用一种有效的统计迭代方法, 先算出当前点的偏移均值, 移动该点到其偏移均值, 然后以此为新的起始点, 继续移动, 直到满足一定的条件结束。本算法要求特征空间满足欧氏距离, 在对彩色图像进行分割前需先将图像从三原色空间变换到具有一致性和均一性的空间, 并将空间信息 (空域) 和颜色信息 (色度域) 联合构成特征空间, 经过每一像素进行平滑处理、聚类、设定参数值、设定最小区域等4个步骤进行分割。2) 提取区间分界线。在分割后的区间的特征基础上提取真正的结构区间水平分界线。对其进行二值化处理, 然后逐行统计当前行上的边缘点数, 最后提取区间分界线。
3.4 车型分析
受到光照的影响, 车辆部分区间的颜色会出现失真, 以车顶区间尤甚, 同时车辆的前窗也不同程度地存在不利于特征区间提取的干扰边缘和一些杂乱的非特征区间。同时受到车速的影响使得部分车体区间的分界线变得模糊, 这些因素都会影响特征提取的效果。
4 小结
车型识别技术能够很好地应用于稽查布控及刑侦系统、车辆统计系统、公路收费系统、重点车辆监控系统中, 提供巨大的便利。我国车型识别系统的建立已经相对完善, 但是车型识别还有一定的发展空间, 相信随着时间的推移, 车型识别系统必然更加完善, 从而在各个方面发挥出更大的作用。
摘要：智能交通视频监控在日常交通管理中具有极其重要作用。本文通过挖掘视频监控的潜力, 利用实时监控图像来实现车型的自动识别, 旨在提高视频监控的应用能力。通过采用视频图像特征提取的算法, 获取具有明显区分和表征车辆的特征, 实现自动识别常见大中小型车辆车型。
关键词：智能交通,视频监控,车型识别,现状,车型识别算法
参考文献
[1]华莉琴, 许维, 王拓等.采用改进的尺度不变特征转换及多视角模型对车型识别[J].西安交通大学学报, 2013.
[2]罗瑞, 张自红.基于红外对管及BP神经网络的车型识别[J].制造业自动化, 2013.
[3]任建强.基于视频序列的车型识别算法设计[J].计算机工程, 2011.
车型识别技术 篇5
随着社会的发展, 我国所拥有的汽车数量与日俱增, 伴随而来的城市交通拥挤问题也日益严重, 交通的拥挤不仅影响人们的出行、工作和学习, 在排队等待缴费的汽车所排放的尾气也会污染环境, 因此快速对过路车辆进行车型识别对于缓解交通压力, 抑制环境污染具有重要的意义和作用, 模式识别的方式有很多种, 如:红外线探测法[1], 传感器识别法, 视频图像识别法[2], 这些识别方式需要安装大量的设备, 而且需要经常维护, 基于神经网络的车型模式识别方法算法复杂又难以实现。而基于模糊理论的模式识别方法不需要安装太多的设备, 不需要经常维护, 算法也很简单, 相对于上面所介绍的识别方法拥有很大的优势。
1 模糊理论车型识别方法的研究
1.1 模糊理论识别的流程
由于在电子不停车收费系统中汽车是运动着的, 要想得到汽车清晰的图像是很难的, 在进行车型识别的时候我们只要得到车型相关的特征信息我们就可以对车型进行准确判断, 因此我们只需要在汽车通过电子不停车收费车道时对车辆在不同的时候进行图像抓拍, 然后经过电脑的处理和分析, 就能得到车辆的特征的信息, 从而判断出车辆的具体的车型。具体的过程如图1所示:
1.2 图像的处理
我们通过摄像机所抓拍的图像是彩色图像, 计算机不便于做进一步的处理, 因此我们要将得到的彩色图像转化成灰色图像, 图像的灰度化处理是将彩色图片的R、G、B的值转换相对应的另一组数值, 转化后的数值映射出不同的灰度值, 转化的过程是采用加权平均的方法。首先我们应该给R、G、B赋予不同的权值, 然后将它们进行加权平均就能得到灰度值, 通过大量验证明, 当Wr=0.30, Wg=0.59, Wb=0.11时, 所得到的灰色图像最为合适, 灰度化的公式为W=Wr*R+Wg*G+Wb*B。
当我们得到灰色图片以后, 下一步要做的就是得到能够判断出车辆类型的特征信息, 也就是说图像中不包括特征信息的部分对我们来说是次要的, 我们只需要将包含特征信息的部分给突出出来就行, 而对于那些不包括特征的信息, 通过技术手段对其进行衰减, 已达到突出特征信息的目的, 我们所得到的图像虽然不一定与原图相近, 但是却把图像的特征信息给完全保留下来了, 这样就能增强图像的可读性。
1.3 特征信息的提取
我们对于特征信息的提取所采用的方法主要的差影法, 差影法是指将不同时刻所得到的图像进行相减, 假如所处的外部条件一致, 当两幅图像进行相减时, 灰度值相同的部分抵消, 留下的灰度值不同的部分, 这说明了汽车发生了移动, 因此我们对连续时间上前后两帧灰度图像进行相减运算, 然后再将结果在连续拍照的时间段上进行积分运算, 所得到的图像就是整个车子的轮廓, 我们就可以从得到的灰度图像中提取出车辆的特征信息。假设连续的两帧图像为f (k-1) (x, y) 和f (k) (x, y) , 则相邻两帧图像的绝对差灰度图像d (k-1, k) (x, y) 如下所示
1.4 模糊理论模式的建立
根据我国的标准, 汽车可以大致分成下面这几种类型:客车、轿车、越野车、载货汽车、牵引车和挂车。汽车的外形多种多样, 但都可以归纳到上述的类型当中, 我们将车顶长度与车底前后轮之间距离的比值和车顶到地面的距离与车底前后轮之间距离的比值建立两个模糊子集, 然后根据隶属度函数公式, 就可以将这六种车型给识别出来。
一般来说, 客车车顶长度与车底前后轮距离之比特点最为明显, 一般在1:1以上, 载货汽车、牵引车和挂车车顶长度与车底前后轮距离之间的比值一般在2:5以下, 轿车和越野车的车顶长度与前后轮之间距离的比值在2:5和1:1之间, 这样就能将 (客车) 、 (轿车和越野车) 和 (载货汽车、牵引车和挂车) 这三个模糊子集[3]区分开来, 然后再根据车顶到地面的距离和车底前后轮之间距离的比值, 就可以将轿车和越野车区分开来, 也能将载货汽车、牵引车和挂车区分开来。
我们将车顶长度 (Top-Lengh) 记作T, 车底前后轮之间的距离 (Bottom-Lengh) 记作B, 将车辆顶部到地面的距离 (Height) 记作H。
根据上问的论述, 我们把车顶长度与车底前后轮之间距离的比值 (T/B) 作为一个论域, 显然0<T/B<2, 可以建立起三个模糊子集, 即A1{载货汽车、牵引车、挂车}, A2{客车}, A3{轿车、越野汽车}, 并令R1=T/B, 然后将车顶距离地面的距离与车底前后轮之间距离的比值作为另一个论域, 同理0<H/B<2, 可以建立起五个模糊子集, B1{轿车}, B2{越野车}, C1{挂车}, C2{牵引车}, C3{载货汽车}。令R2=H/B。
然后建立客车、载货汽车、牵引车、挂车、轿车和越野汽车的隶属度函数[4], 六种车顶隶属度函数的示意图和六种车型隶属度函数公式如图2-图4所示:
根据上述的公式, 通过由图像所得到的汽车的特征信息, 就可以将这六种车型区别开来, 具体的过程如下:
首先我们采集到车辆的彩色图像, 然后将彩色图像转换成灰色图像, 然后根据差影检测法将车辆的大致轮廓呈现出来, 然后对该图像进行特性信息的提取即车辆顶部的长度, 车底前后轮之间的距离, 车龄顶部距离地面的长度, 由此我们可以得到R1, R2的值, 我们就可以根据隶属度公式计算出A1 (R1) , A2 (R1) 和A3 (R1) , 如果A2 (R1) 的值最大, 根据最大隶属度原则, 我们就可判断出该车辆是客车, 如果A1 (R1) 的值最大, 我们只可以判断出该车辆是挂车、牵引车和载货汽车其中的一种类型, 如果想确定车辆的准确类型, 我们需要计算R2, 然后再计算出C1 (R2) , C2 (R2) , C3 (R2) 的值, 同理根据最大隶属度原则, 哪个函数值大, 哪个函数所对应的车型就是待测车型, 同理如果第一次识别出的是轿车和越野汽车中的一种, 那么需要根据B1 (R1) , B2 (R2) 的值来确定待测车辆的车型, 具体的识别流程如图5所示。
2 结论
通过模糊理论建立的模式识别方法计算量小, 所需要的外部器材少, 因此维修的费用少, 而车型识别所需要的时间也短, 从成本和效率方面来看基于模糊理论的车型识别技术都有着无可比拟的优势, 因此该技术在电子不停车收费系统的有着巨大的发展前景。
参考文献
[1]牟瑛.车型自动分类识别系统[J].微计算机应用, 2006, 4.
[2]田保慧.智能交通系统中自动车型识别技术的研究[D].西安电子科技大学, 2008.
[3]杨俊.基于模糊理论的车型识别[J].计算机与信息技术, 2007, 3:68-70.