基于圖像處理的車型識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、分類號(hào)一●■■■●■●■■■■●■●■■■■■■●●■■一UDC學(xué)校代碼!Q壘窆2學(xué)號(hào)量Q壘窆221魚2墨量2武強(qiáng)理歹大署學(xué)位論文英文ThedesignandimplementationofVehiclerecognition題目墨Y逝!塾墜墾墨曼魚Q墜i!墜壘g曼P!QQ曼墨墨i墜g研究生姓名吳小鵬姓名鄞金旭職稱教授學(xué)位砸士指導(dǎo)教師單位名稱武這理王太堂郵編單位名稱武這理王太堂郵編430070申請(qǐng)學(xué)位級(jí)別砸士學(xué)科專業(yè)名稱電路皇系統(tǒng)論文提

2、交日期2Q!蘭生三且論文答辯日期2Q!三笙壘且一學(xué)位授予單位武這理王太堂學(xué)位授予日期塑13望生|L答辯委員會(huì)主席j塾上婦閱人—害J—?！弧戢F——一2013年3月武漢理工大學(xué)碩士學(xué)位論文摘要車型識(shí)別技術(shù)是現(xiàn)代化智能交通系統(tǒng)研究的重要組成部分，因?yàn)槠渲悄苄院透咝栽谲嚵髁繖z測(cè)系統(tǒng)、高速公路收費(fèi)系統(tǒng)、交通檢測(cè)系統(tǒng)和停車場(chǎng)收費(fèi)系統(tǒng)等領(lǐng)域具備廣闊的應(yīng)用前景，但由于其實(shí)現(xiàn)技術(shù)復(fù)雜，應(yīng)用場(chǎng)景復(fù)雜等原因，車型識(shí)別技術(shù)的研究進(jìn)展緩慢。本文將從圖像分割

3、、車輛檢測(cè)與特征提取、車型分類等方面展開研究，實(shí)現(xiàn)車型識(shí)別技術(shù)。針對(duì)車型識(shí)別對(duì)目標(biāo)車輛分割的要求，對(duì)各種目標(biāo)檢測(cè)算法展開分析后確定以背景差分法作為檢測(cè)算法，對(duì)傳統(tǒng)固定背景的背景差分法進(jìn)行改進(jìn)，引入混合高斯背景建模的方法，建立穩(wěn)定背景并按圖像處理實(shí)時(shí)性要求更新背景。對(duì)背景差分后的前景圖像進(jìn)行自適應(yīng)閥值分割，其中閥值按OSTU閥值分割中的方法計(jì)算。對(duì)分割后的車輛圖像進(jìn)行濾波、填充等處理，提取車輛完整外輪廓圖像，訓(xùn)練基于Adaboost算法的

4、車輛分類器對(duì)車輛進(jìn)行跟蹤，避免車輛重復(fù)識(shí)別。對(duì)車輛輪廓進(jìn)行邊緣檢測(cè)，對(duì)檢測(cè)到的邊緣圖像進(jìn)行輪廓跟蹤，將跟蹤提取的輪廓信息存入到記錄輪廓的雙端隊(duì)列中，由記錄輪廓的雙端隊(duì)列組成輪廓樹。對(duì)輪廓進(jìn)行特征提取和記錄，對(duì)大量交通視頻中的車輛進(jìn)行特征提取后組成車輛的特征樣本，對(duì)樣本中的特征進(jìn)行選擇提取出分類器的訓(xùn)練樣本和測(cè)試樣本。分析Libsvm中提供的源代碼，設(shè)計(jì)本文中的SVM分類器，用訓(xùn)練樣本和測(cè)試樣本對(duì)分類器進(jìn)行訓(xùn)練和測(cè)試，對(duì)基于LINEAR、

5、POLY、RBF、SIGMOID核函數(shù)的分類器測(cè)試結(jié)果進(jìn)行比對(duì)分析并修改分類器中默認(rèn)參數(shù)反復(fù)測(cè)試優(yōu)化，獲得最優(yōu)分類器模型。將訓(xùn)練后的分類器應(yīng)用到實(shí)際車型分類中。為了將車型識(shí)別方案應(yīng)用到實(shí)際環(huán)境中去，將在謝n7系統(tǒng)下對(duì)設(shè)計(jì)方案進(jìn)行實(shí)現(xiàn)，開發(fā)出車型識(shí)別系統(tǒng)并對(duì)不同場(chǎng)景下車輛類型進(jìn)行識(shí)別，都能取得不錯(cuò)的識(shí)別效果，在實(shí)際場(chǎng)景下識(shí)別率可以達(dá)到80％。為進(jìn)一步研究將車型識(shí)別技術(shù)融合到交通車流量檢測(cè)系統(tǒng)中，對(duì)通行車輛進(jìn)行統(tǒng)計(jì)和識(shí)別提供技術(shù)支持。關(guān)鍵字