基于視頻圖像的車(chē)型識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、車(chē)型識(shí)別是智能交通系統(tǒng)的一個(gè)重要組成部分，可以在交通流量管制、停車(chē)場(chǎng)自動(dòng)收費(fèi)系統(tǒng)、高速公路收費(fèi)站等領(lǐng)域發(fā)揮重要作用?；谝曨l圖像序列的車(chē)型識(shí)別方法具有直觀性、經(jīng)濟(jì)性、信息量豐富、適用范圍廣等特點(diǎn)，因此對(duì)其進(jìn)行研究和開(kāi)發(fā)變得越來(lái)越有實(shí)際應(yīng)用價(jià)值。隨著社會(huì)需求的不斷提高，對(duì)車(chē)型識(shí)別的準(zhǔn)確性和實(shí)時(shí)性有了越來(lái)越高的要求。
　　論文在研究并對(duì)比國(guó)內(nèi)外智能交通應(yīng)用中車(chē)型識(shí)別方法基礎(chǔ)上，設(shè)計(jì)實(shí)現(xiàn)了一套基于視頻圖像的車(chē)型識(shí)別系統(tǒng)。主要從以下幾個(gè)方

2、面進(jìn)行了論述:
　　首先給出了一種基于視頻圖像的車(chē)型識(shí)別系統(tǒng)實(shí)現(xiàn)方案。利用攝像機(jī)和個(gè)人電腦搭建了一個(gè)車(chē)型識(shí)別系統(tǒng)的硬件平臺(tái)，該硬件平臺(tái)可以實(shí)時(shí)獲取道路上的車(chē)輛視頻信息，并將這些獲取到的車(chē)輛視頻圖像信息用于車(chē)型識(shí)別。軟件方面論文基于對(duì)現(xiàn)有車(chē)型識(shí)別算法的對(duì)比分析研究，設(shè)計(jì)實(shí)現(xiàn)了一套基于多特征融合的車(chē)型識(shí)別方法。
　　其次實(shí)現(xiàn)了視頻圖像預(yù)處理和車(chē)輛檢測(cè)?；跀z像機(jī)獲取的道路視頻圖像，經(jīng)過(guò)灰度化、濾波等預(yù)處理之后，去除噪聲干擾，減少

3、圖像中不相關(guān)信息。然后進(jìn)行車(chē)輛檢測(cè)，論文在分析比較多種目標(biāo)檢測(cè)方法基礎(chǔ)上，實(shí)現(xiàn)了基于混合高斯模型的背景差分法目標(biāo)檢測(cè)，該方法在論文的應(yīng)用場(chǎng)景中可以取得較好檢測(cè)效果。
　　然后進(jìn)行了車(chē)輛特征提取與車(chē)輛跟蹤?；谇懊孳?chē)輛檢測(cè)結(jié)果，進(jìn)一步提取車(chē)輛特征，進(jìn)而對(duì)車(chē)輛進(jìn)行分類(lèi)識(shí)別。論文選用了多特征融合的方法進(jìn)行車(chē)輛識(shí)別，包括車(chē)輛幾何特征、HOG(Histogram of Oriented Gradient)特征和SURF(Speeded Up

4、 Robust Features)特征，該方法可以更加全面地描述不同類(lèi)型車(chē)輛特征，極大提高車(chē)型識(shí)別準(zhǔn)確性。為了進(jìn)一步提高車(chē)型識(shí)別準(zhǔn)確率，在分析兩種不同目標(biāo)跟蹤方法之后，論文選用卡爾曼濾波跟蹤方法對(duì)車(chē)輛進(jìn)行跟蹤，利用車(chē)輛跟蹤對(duì)同一輛車(chē)進(jìn)行多次識(shí)別，再對(duì)多次識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)分析，得到最后分類(lèi)結(jié)果，減少識(shí)別過(guò)程中單次識(shí)別分類(lèi)誤差造成的分類(lèi)錯(cuò)誤，提高車(chē)型識(shí)別準(zhǔn)確率。
　　最后進(jìn)行了車(chē)型分類(lèi)器的設(shè)計(jì)與實(shí)現(xiàn)和系統(tǒng)的整體測(cè)試。在分析SVM支持向