车辆识别系统

摘要 汽车类型自动识别在现代交通管理和监控中有着广阔的应用前景,本文提出一种用于汽车类型识别的BP神经网络分类器的设计问题。在车辆图像预处理和特征提取的基础上进行基于前向三层神经网络的自动识别和分类。 关键词: 车辆类型　图像分割　特征提取　神经网络　自动识别 引言 为了保证识别的准确性，要对输入的原始图像进行预处理，常用的图像处理方法分为两种:一种是空间域处理；另一种是频域处理。由于图像的频域处理算法实现起来速度较慢，对于我们的实时系统，很难满足技术要求，因此采用空域处理算法来进行。在此简单介绍本文采用的预处理算法。 2.2 图像中的灰度化 在此图像处理的主要任务是提取图像的边缘，对物体进行定位。因此图像处理的任务主要是进行边缘检测.由于彩色图像包含信息量大，速度较慢，因此我们采用信息量较少的灰度图像来进行边缘检测.而摄像机和采集卡获取的是彩色图像，我们需要对其进行灰度化. 2.3 图像中的二值化 对于视觉系统来说，一个重要的问题就是从图像中找出代表物体的区域。一般的，可用二值图像来表示感兴趣的物体与背景的区别，也就是说，将背景点赋值为0，而将感兴趣的物体点赋值为1。 2.4 图像的平滑 图像平滑有两个方面内容，一是消除噪音，二是增强图像特征。在实际中这两点也总是结合在一起的，需要在这两者间取得良好的兼顾。一幅图像可能受到各种噪音源的干扰，包括光电转换过程中的噪音，照片颗粒遭遇和信息传输中的误差等，图像的平滑处理可以减小噪音，另外对图像恰当的平滑能使图像特征得到较好的保护，使其更加明显，下面我们先简要介绍一些传统的常见图像进行平滑处理方法。 算法简述 1．车型图像处理 我们在摄取图像时先摄取一幅背景图片，然后在同一背景下摄取一幅车辆图片，通过图像处理的方法去掉不相关的背景，保留有用的车辆轮廓信息，便于下一步从图片中提取车型特征量以进一步判断车型，具体的处理过程为：1.对背景图像和车辆图像分别进行边缘增强；2.对两幅边缘图像进行相减运算，去掉车辆图像与背景图像中共有的边缘，得到一幅边缘相减图像；3.在经过一系列处理，最终得到一幅完整的车辆轮廓图像，以便特征提取。 2．特征提取 经过实地观察测量和查找有关车辆的类型数据及资料，可以知道大部分的车型具有以下特征：1.篷的长度所占整个车辆长度的比重，一般来说，轿车约为0.2-0.5之间，占比重再大的轿车比较罕见，对于客车来说，车篷的长度所占整个车辆长度的比重较大，例如城市中的公共客车，车篷与整个车身的长度之比近似为1；长途客车的车篷与整个车身的长度之比也几乎在0.85以上。而相比之下，货车的车篷与整个车身的长度之比为识别车辆类型的特征参数之一。根据需要还可以提取其它的特征参数。 3．分类器设计 经过提取的特征输入到神经网络中进行处理，人工神经网络适合处理具有残存信息和含有一定错误的模式。 在经过对特定的对象进行学习之后，神经网络能够对给定的一组输入进行识别，最大限度的对已有模式进行逼近，我们选择了应用广泛并具有插值性质的BP神经网络对经过处理的车辆照片进行处理和识别。 临域平均法：邻域平均法是一种图像局部空间处理的算法。假设一幅图像f（x，y）为N*N的阵列平滑后的图像为g（x，y）它的每个像素的灰度级有包含在（x，y）的预定邻域的几个像素的灰度级的平均值决定，即用下面的式子得到平滑的图像。