基于圖像識(shí)別的車型識(shí)別系統(tǒng)畢業(yè)論文

1、<p><b>　　摘要</b></p><p>　　隨著交通擁擠和堵塞等各種問(wèn)題的日益突出，以及計(jì)算機(jī)技術(shù)的不斷發(fā)展，智能交通系統(tǒng)(Intelligent Traffic System，ITS)得到了越來(lái)越廣泛的應(yīng)用，其中車型分類技術(shù)是重要的一個(gè)分支。本論文對(duì)基于圖像識(shí)別的車型識(shí)別系統(tǒng)進(jìn)行了研究，通過(guò)對(duì)已有的車型識(shí)別技術(shù)經(jīng)驗(yàn)的研究和分析，實(shí)現(xiàn)了一個(gè)基于圖像的車型識(shí)別系統(tǒng)。<

2、/p><p>　　本文首先將拍攝到的車輛圖像進(jìn)行預(yù)處理，把車輛圖像分割出來(lái)；然后提取出完整的車輛外輪廓曲線，最后對(duì)輪廓曲線進(jìn)行分析，通過(guò)提取出的汽車的特征信息與設(shè)定好的汽車的特征信息進(jìn)行比較，利用最近鄰法進(jìn)行識(shí)別，得出識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)具有較好的識(shí)別率和魯棒性。</p><p>　　關(guān)鍵詞：智能交通；車型識(shí)別；車型分類；圖像處理</p><p><b&

3、gt;　　Abstract</b></p><p>　　With the traffic congestion and blockage issues become increasingly prominent, and continuous development of computer technology, intelligent transport system (Intelligent Tr

4、ansportation system, ITS) has been more widely applied. The vehicle classification is an important branch of ITS. In this paper, a vehicle recognition system based on image is studied. Though analysis and research the te

5、chnical experience of the previous research, we developed a vehicle recognition system based on image.</p><p>　　In our system, the vehicle image is preprocessed in first, and the vehicle is segmentation from

6、 the image which been preprocessed. Secondly, the contour of vehicle is extracted and analyzed. Finally, the feature of vehicle model is extracted, and the nearest neighbor classier method applied to classify. The effort

7、 of experiment show that the system have good classify effort and robustious characteristic.</p><p>　　Keywords: Intelligent traffic system；Vehicle classification；Vehicle Category；Image processing</p>

8、<p><b>　　目錄</b></p><p><b>　　1緒論1</b></p><p>　　1.1課題研究背景和意義1</p><p>　　1.2基于圖像識(shí)別的車型分類系統(tǒng)研究現(xiàn)狀2</p><p>　　1.3本文的主要研究?jī)?nèi)容和結(jié)構(gòu)安排4</p><

9、p>　　2 車型識(shí)別系統(tǒng)的總體設(shè)計(jì)5</p><p>　　2.1 基于OPENCV的車型識(shí)別系統(tǒng)設(shè)計(jì)5</p><p>　　2.2數(shù)字圖像處理技術(shù)6</p><p>　　2.3 本系統(tǒng)用到的圖像處理技術(shù)8</p><p>　　2.4 OpenCV10</p><p>　　3 基于OPENCV的車型系統(tǒng)的

10、實(shí)現(xiàn)12</p><p>　　3.1 OpenCV環(huán)境配置12</p><p>　　3.2圖像的讀取14</p><p>　　3.3圖像的邊緣檢測(cè)15</p><p>　　3.4 區(qū)域分割17</p><p>　　3.5 圖像的輪廓提取18</p><p>　　3.5.1 輪廓方向序

11、列的計(jì)算(T算法)18</p><p>　　3.5.2 輪廓起始點(diǎn)的尋找(IP算法)19</p><p>　　3.6 車輛的特征提取20</p><p>　　3.7分類識(shí)別22</p><p>　　4 實(shí)驗(yàn)結(jié)果與處理24</p><p>　　4.1 小轎車的車型識(shí)別24</p><p&g

12、t;　　4.1.1 圖像的輪廓提取25</p><p>　　4.1.2 圖像的腐蝕25</p><p>　　4.1.3 車型的識(shí)別26</p><p>　　4.2 小貨車的車型識(shí)別26</p><p><b>　　結(jié) 論29</b></p><p>　　社會(huì)經(jīng)濟(jì)效益分析30</p

13、><p><b>　　參考文獻(xiàn)31</b></p><p><b>　　致 謝32</b></p><p><b>　　附錄 程序表33</b></p><p><b>　　1緒論</b></p><p>　　1.1課題研究背景和

14、意義</p><p>　　近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的發(fā)展，公路網(wǎng)通過(guò)能力己經(jīng)不能滿足交通流量日益增長(zhǎng)的需要，經(jīng)過(guò)長(zhǎng)期和廣泛的研究，世界各發(fā)達(dá)國(guó)家逐漸開始采用高新技術(shù)來(lái)改造現(xiàn)有的公路交通運(yùn)輸系統(tǒng)及其管理體系，從而大幅提高了公路網(wǎng)的通行能力和服務(wù)質(zhì)量。隨著人工智能、自動(dòng)控制和模式識(shí)別等領(lǐng)域的發(fā)展，智能交通系統(tǒng) (Intelligent Traffic system，簡(jiǎn)稱ITS)應(yīng)運(yùn)而生，并獲得了極大的發(fā)展。ITS包括了

15、智能和交通兩個(gè)方面。它將先進(jìn)的人工智能、信息技術(shù)和自動(dòng)控制技術(shù)等綜合應(yīng)用于整個(gè)交通運(yùn)輸管理體系，通過(guò)對(duì)交通信息的實(shí)時(shí)采集、傳輸和處理，對(duì)各種交通情況進(jìn)行協(xié)調(diào)，建立起一種實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸管理體系，從而使交通設(shè)施得以充分利用，實(shí)現(xiàn)交通運(yùn)輸?shù)募s式發(fā)展。ITS系統(tǒng)是21世紀(jì)世界公路交通的發(fā)展趨勢(shì)，90年代中期我國(guó)學(xué)者也開始在相關(guān)領(lǐng)域開展大量的研究。</p><p>　　計(jì)算機(jī)視覺和模式識(shí)別技術(shù)的不斷發(fā)展，為以

16、圖像理解為基礎(chǔ)ITS系統(tǒng)進(jìn)入實(shí)際應(yīng)用提供了契機(jī)。計(jì)算機(jī)視覺就是用計(jì)算機(jī)來(lái)模擬人的視覺功能，從客觀事物的圖象中提取信息，進(jìn)行處理并加以理解，最終用于實(shí)際檢測(cè)、測(cè)量和控制等。計(jì)算機(jī)視覺不僅能使機(jī)器感知環(huán)境中的幾何信息，包括位置、大小、形狀、運(yùn)動(dòng)等，還能對(duì)它們進(jìn)行描述、解釋和理解。計(jì)算機(jī)視覺為交通系統(tǒng)提供了直觀方便的分析手段，交通環(huán)境中的大量信息，如車輛、交通標(biāo)志和路面標(biāo)識(shí)等都來(lái)源于視覺。</p><p>　　基于圖像

17、識(shí)別的車型分類系統(tǒng)正是在這種背景下提出來(lái)的。車輛檢測(cè)和車型分類在ITS應(yīng)用領(lǐng)域中重要的分支，也是目前相對(duì)薄弱的技術(shù)環(huán)節(jié)。基于圖像識(shí)別的車型分類是一門集計(jì)算機(jī)視覺、圖像處理、模式識(shí)別、工業(yè)測(cè)控技術(shù)、電子技術(shù)和系統(tǒng)工程技術(shù)與一體的綜合技術(shù)，引入了計(jì)算機(jī)信息管理的思想，它能夠自動(dòng)、實(shí)時(shí)地對(duì)車輛進(jìn)行檢測(cè)和分類，作為交通管理、收費(fèi)、調(diào)度和統(tǒng)計(jì)的依據(jù)。</p><p>　　目前，車型自動(dòng)分類系統(tǒng)的主要應(yīng)用場(chǎng)合為停車場(chǎng)、路橋收

18、費(fèi)管理和公安交通管理部門。其中停車場(chǎng)和路橋收費(fèi)管理部門可利用該系統(tǒng)實(shí)現(xiàn)車型的自動(dòng)識(shí)別及收費(fèi)工作。車型自動(dòng)分類系統(tǒng)識(shí)別車輛的車型，按照事先確定的收費(fèi)標(biāo)準(zhǔn)確定車輛應(yīng)收費(fèi)額，自動(dòng)保存收費(fèi)記錄，自動(dòng)費(fèi)用結(jié)算。這種自動(dòng)收費(fèi)方式可在不停車的情況下完成收費(fèi)工作，達(dá)到提高車速和道路通行能力的目的，而且可以杜絕工作人員詢私、貪污等行為。交通管理部門則可以利用該系統(tǒng)實(shí)現(xiàn)無(wú)人值守警察功能，實(shí)時(shí)抓拍違規(guī)車輛，結(jié)合相關(guān)數(shù)據(jù)庫(kù)還可實(shí)現(xiàn)未年檢車輛稽查、違章未交罰款、

19、特定車輛查詢等功能。</p><p>　　1.2基于圖像識(shí)別的車型分類系統(tǒng)研究現(xiàn)狀</p><p>　　基于圖像識(shí)別的車型分類過(guò)程主要包括兩個(gè)階段：1、從圖像中分割出目標(biāo)車輛。2、提取車輛特征并進(jìn)行分類。針對(duì)第一個(gè)階段的算法主要利用圖像序列之間存在的大量相關(guān)信息進(jìn)行車輛區(qū)域定位和分割。第二階段的算法比較多，主要可分為三類：1、簡(jiǎn)單參數(shù)分類法；2、模板匹配法；3、神經(jīng)網(wǎng)絡(luò)分類法。車型分類第二

20、階段的工作主要涉及車輛特征的提取和分類器的設(shè)計(jì)，而車輛特征的選取會(huì)影響到分類的精確程度，分類器的設(shè)計(jì)是否合理則直接決定了最終的分類結(jié)果。因此，一些學(xué)者針對(duì)第二階段展開研究并取得了一定的成果。</p><p>　　下面介紹目前存在的部分研究成果：</p><p>　　有的學(xué)者采用一種基于三維結(jié)構(gòu)模型的車輛特征提取方法，為車輛建立一個(gè)參數(shù)模型，然后以改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)作為車型分類器，采用梯度下

21、降法訓(xùn)練網(wǎng)絡(luò)，網(wǎng)絡(luò)輸入為30個(gè)特征參數(shù)。該文提出的參數(shù)模型能夠細(xì)致地描述車輛的形狀結(jié)構(gòu)特征，但只考慮了固定簡(jiǎn)單背景下的情況，而且沒(méi)有研究如何從圖像中分割出完整的目標(biāo)車輛區(qū)域。有的研究成果以頂長(zhǎng)比(頂篷長(zhǎng)度與車輛長(zhǎng)度之比)、頂高比(頂篷長(zhǎng)度與車輛高度之比)和前后比(以頂篷中垂線為界，前后兩部分之比)三個(gè)車輛幾何尺寸作為特征參數(shù)，將車輛劃分為卡車、客車和貨車三種類型。并設(shè)計(jì)了一種改進(jìn)的BP算法(尺度共扼梯度法)對(duì)神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練，解決

22、了一般算法收斂慢的問(wèn)題。該研究工作主要解決的是上述第二階段的問(wèn)題，沒(méi)有對(duì)目標(biāo)車輛區(qū)域的分割作出研究。</p><p>　　有的研究利用背景消減法進(jìn)行運(yùn)動(dòng)車輛區(qū)域的分割，并提出了一種基于Gabor:濾波器和邊緣特征的車型識(shí)別方法。與傳統(tǒng)方法相比，提出一種新的基于車輛邊緣的非均勻采樣策略。首先將圖像中長(zhǎng)度大于某一確定值的邊緣定為關(guān)鍵邊緣，然后將取樣窗口根據(jù)包含關(guān)鍵邊緣像素的多少進(jìn)行降序排列，把一定比例的取樣窗口定位K

23、SW (Key Sampling windows)和ASW (Assistant sampling Windows)，在KSW和ASW中采用不同的采樣間隔進(jìn)行樣點(diǎn)的抽取，最后計(jì)算低維的特征矢量，并將得到的Gabor特征集與模板特征集進(jìn)行匹配，從而實(shí)現(xiàn)車型分類。該方法只適用于幾何特征明顯的物體識(shí)別，不能進(jìn)行車型的細(xì)分。而且采用模板匹配法進(jìn)行分類需要較多的計(jì)算時(shí)間?；趫D像識(shí)別的車型自動(dòng)分類系統(tǒng)</p><p>　　

24、還有學(xué)者以車輛前上方的圖像作為處理對(duì)象，利用車牌位置信息確定車頭位置，并對(duì)車頭部分的保險(xiǎn)杠所在位置進(jìn)行測(cè)量，以保險(xiǎn)杠的長(zhǎng)度作為車輛的寬度，同時(shí)找出車頂位置，確定車輛高度;然后找到車尾位置，結(jié)合車頭的位置和攝像頭拍攝的角度計(jì)算車輛的長(zhǎng)度;最后采用SVM (Support Vector Machine)分類器對(duì)三個(gè)參數(shù)進(jìn)行分類。該文把車輛的絕對(duì)長(zhǎng)度、寬度和高度作為分類的依據(jù)，但對(duì)像轎車和吉普車這類車，只用三個(gè)參數(shù)并不能完全描述其形狀，只能將

25、車輛大致劃分為大型、中型和小型三種類型，而且從車輛前上方確定其長(zhǎng)度和高度存在很大的困難，對(duì)圖像質(zhì)量要求較高。</p><p>　　也有研究是利用一種模糊模式識(shí)別方法對(duì)車型進(jìn)行分類。首先從車輛上方、和側(cè)面兩個(gè)角度采集車輛圖像，通過(guò)分割和輪廓跟蹤得到車輛輪廓圖，然后采用模糊識(shí)別技術(shù)對(duì)車型進(jìn)行分階段識(shí)別。第一階段以車輛的頂長(zhǎng)比和前后比作為特征參數(shù)，利用模糊支持向量機(jī)實(shí)現(xiàn)客車和貨車的分類;第二階段利用車輛的長(zhǎng)度、高度和寬

26、度作為特征參數(shù)，利用模糊神經(jīng)網(wǎng)絡(luò)建立客車的識(shí)別模型，用遺傳算法來(lái)同時(shí)優(yōu)化隸屬函數(shù)和推理規(guī)則，得到了穩(wěn)定精簡(jiǎn)的識(shí)別模型，從而把客車劃分為大型、中型和小型三類。該圖像采集，而且采用車輛的絕對(duì)幾何尺寸作為特征參數(shù)，這就要求攝像頭必須安裝在固定的位置，限制了其應(yīng)用場(chǎng)合。</p><p>　　從已有的研究成果可以歸納出以下一些基于圖像識(shí)別的車型分類系統(tǒng)的核心問(wèn)題和關(guān)鍵技術(shù)：</p><p>　　1、

27、目標(biāo)車輛區(qū)域的分割和提?。喝绾卧趶?fù)雜的背景下分割出完整的目標(biāo)車輛區(qū)域是整個(gè)系統(tǒng)的前提和基礎(chǔ)，目標(biāo)車輛區(qū)域分割的質(zhì)量直接影響到最后的車型分類結(jié)果。</p><p>　　2、車輛特征的選?。涸谲囕v圖像經(jīng)過(guò)預(yù)處理后，如何選取具有代表性的特征，并將其量化為描述車輛特征的參數(shù)至關(guān)重要。選取的特征應(yīng)既能充分體現(xiàn)所屬車型的特點(diǎn)，又具有簡(jiǎn)潔性，以減少計(jì)算復(fù)雜度。</p><p>　　3、車型分類：在得到車

28、輛的特征參數(shù)后，需要設(shè)計(jì)合適的分類器以對(duì)各種車型進(jìn)行分類。</p><p>　　針對(duì)第一項(xiàng)，目前采用的主要方法是基于圖像序列的分析，然而目前的研究均沒(méi)有考慮復(fù)雜背景下的情況，沒(méi)有對(duì)車輛區(qū)域分割這一問(wèn)題在實(shí)際應(yīng)用中遇到于圖像識(shí)別的車型自動(dòng)分類系統(tǒng)的困難作深入討論。</p><p>　　第二項(xiàng)車輛特征的選取主要集中在車輛幾何尺寸的度量，包括絕對(duì)幾何尺寸和相對(duì)幾何尺寸。絕對(duì)幾何尺寸即根據(jù)攝像頭與

29、車輛之間的距離和圖像拍攝的角度計(jì)算出車輛的實(shí)際大小，這種方法存在的缺陷是，攝像頭與車輛之間的距離必須保持不變，而這在實(shí)際應(yīng)用中幾乎是無(wú)法實(shí)現(xiàn)的，而且車輛的大小有時(shí)并不能代表其所屬車型;相對(duì)幾何尺寸不要求計(jì)算車輛的實(shí)際尺寸，而是計(jì)算車輛各個(gè)幾何參數(shù)之間的比例，這在一定程度上能反映車輛的整體形狀結(jié)構(gòu)，而且對(duì)車輛圖像的大小不作限制，即對(duì)攝像頭的安裝要求比較靈活，從而擴(kuò)大了其適用范圍。</p><p>　　第三項(xiàng)對(duì)車型作

30、最終分類，最簡(jiǎn)單的方法就是對(duì)得到的車輛特征參數(shù)與標(biāo)準(zhǔn)特征參數(shù)進(jìn)行比較得出分類結(jié)果，這種方法運(yùn)算量小，但只能適用于參數(shù)個(gè)數(shù)較少的情況，而參數(shù)個(gè)數(shù)太少就無(wú)法對(duì)車型進(jìn)行有效分類;模板匹配法把分割得到的車輛圖像直接與標(biāo)準(zhǔn)模板進(jìn)行比較，這需要耗費(fèi)較多的計(jì)算時(shí)間另外存在一個(gè)更實(shí)際的問(wèn)題是，目前的研究都僅限于將車輛劃分為轎車、客車和貨車三類，或按車輛大小分成大型、中型和小型，而在實(shí)際應(yīng)用場(chǎng)合中都要求將車輛按座位數(shù)或噸位劃分，因此目前研究的車輛類型劃分

31、都很難應(yīng)用于如公路收費(fèi)等場(chǎng)合。</p><p>　　1.3本文的主要研究?jī)?nèi)容和結(jié)構(gòu)安排</p><p>　　智能交通系統(tǒng)(ITS)是現(xiàn)代交通發(fā)展的必然趨勢(shì)，基于視頻技術(shù)的車輛類型自動(dòng)識(shí)別是智能交通系統(tǒng)的一個(gè)重要研究方向，在城市道路交通監(jiān)控和高速公路收費(fèi)等系統(tǒng)中有著廣泛的應(yīng)用前景。本設(shè)計(jì)要求對(duì)于拍攝的圖像，在VC和OPENCV環(huán)境下，進(jìn)行車型識(shí)別系統(tǒng)的設(shè)計(jì)。該系統(tǒng)的特征為：</p>

32、;<p>　　（1）.具有完整的圖像處理系統(tǒng)。</p><p>　　（2）具有較高的識(shí)別率。</p><p>　　本文的研究?jī)?nèi)容主要有以下幾部分：</p><p>　　1、分析車型分類系統(tǒng)的研究現(xiàn)狀，確定了以圖像識(shí)別為基礎(chǔ)的車型分類方法，設(shè)計(jì)了系統(tǒng)的總體框架。</p><p>　　2、基于圖像處理和結(jié)構(gòu)模式識(shí)別理論，探索出針對(duì)車

33、型分類系統(tǒng)的圖像處理方法，包括靜態(tài)車輛區(qū)域的分割提取、圖像邊緣檢測(cè)、基于車輛特征的提取。</p><p>　　3、在分類方面，針對(duì)車型分類問(wèn)題的獨(dú)特性，選擇最近鄰分類法。</p><p>　　2 車型識(shí)別系統(tǒng)的總體設(shè)計(jì)</p><p>　　2.1 基于OPENCV的車型識(shí)別系統(tǒng)設(shè)計(jì)</p><p>　　基于圖像識(shí)別的車型分類系統(tǒng)是集計(jì)算機(jī)視覺

34、、圖像處理、模式識(shí)別、工業(yè)測(cè)控技術(shù)、電子技術(shù)和系統(tǒng)工程技術(shù)于一體的綜合綜合識(shí)別系統(tǒng)， 如圖2.1所示，它一般包括車型圖像獲取，圖像預(yù)處理、車型特征提取和分類識(shí)別4個(gè)大的步驟。</p><p>　　圖2.1圖像處理一般框圖</p><p>　　圖像獲取主要通過(guò)攝像機(jī)獲取動(dòng)態(tài)的視頻圖像，根據(jù)一定的規(guī)則，采集包含完整汽車側(cè)面的單幀圖像，為后續(xù)處理和識(shí)別做準(zhǔn)備。</p><p&

35、gt;　　圖像預(yù)處理是采用圖像處理技術(shù)對(duì)采集的單幀圖像進(jìn)行處理，包括濾波去噪、圖像轉(zhuǎn)換、二值化、邊緣檢測(cè)、形態(tài)學(xué)運(yùn)算等步驟，為下一步的車型特征提取做準(zhǔn)備。它是車型識(shí)別的重要的一個(gè)步驟。由于采集圖像環(huán)境的復(fù)雜性，圖像預(yù)處理效果的好壞，直接影響后期車型特征的提取，進(jìn)而影響識(shí)別分類效果。</p><p>　　車型特征的提取是車型識(shí)別系統(tǒng)的關(guān)鍵步驟。根據(jù)先驗(yàn)知識(shí)，提取區(qū)分不同車型的本質(zhì)特征。提取的特征一般應(yīng)滿足平移、旋轉(zhuǎn)

36、和縮放不變性。</p><p>　　分類識(shí)別是選擇合適的分類器。對(duì)車型特征進(jìn)行分類。一般采用傳統(tǒng)的模式識(shí)別方法，如最近鄰分類器等和神經(jīng)網(wǎng)絡(luò)分類方法，如BP神經(jīng)網(wǎng)絡(luò)方法等。</p><p>　　本論文的車型識(shí)別系統(tǒng)是對(duì)采集的汽車側(cè)面靜態(tài)圖像進(jìn)行識(shí)別。它的步驟如圖2.2所示：</p><p>　　圖2.2本設(shè)計(jì)的系統(tǒng)框圖</p><p>　　對(duì)靜

37、態(tài)圖像先進(jìn)行圖像預(yù)處理，然后提取出車型特征，在采用傳統(tǒng)的模式識(shí)別方法最近鄰分類器，通過(guò)與事先提取的車型特征進(jìn)行對(duì)比，輸出識(shí)別結(jié)果。</p><p>　　系統(tǒng)在Windows系統(tǒng)中，基于VC++6.0和OPENCV環(huán)境下編程實(shí)現(xiàn)。</p><p>　　2.2數(shù)字圖像處理技術(shù)</p><p>　　數(shù)字圖像處理(Digital Image Processing)是通過(guò)計(jì)算

38、機(jī)對(duì)圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。數(shù)字圖像處理的產(chǎn)生和迅速發(fā)展主要受三個(gè)因素的影響:一是計(jì)算機(jī)的發(fā)展;二是數(shù)學(xué)的發(fā)展(特別是離散數(shù)學(xué)理論的創(chuàng)立和完善);三是廣泛的農(nóng)牧業(yè)、林業(yè)、環(huán)境、軍事、工業(yè)和醫(yī)學(xué)等方面的應(yīng)用需求的增長(zhǎng)。</p><p>　　一般來(lái)講,對(duì)圖像進(jìn)行處理(或加工、分析)的主要目的有三個(gè)方面: </p><p>　　(1) 提高圖像的視感質(zhì)量,

39、如進(jìn)行圖像的亮度、彩色變換、增強(qiáng)、抑制某些成分,對(duì)圖像進(jìn)行幾何變換等,以改善圖像的質(zhì)量。 </p><p>　　(2) 提取圖像中所包含的某些特征或特殊信息,這些被提取的特征或信息往往為計(jì)算機(jī)分析圖像提供便利。提取特征或信息的過(guò)程是模式識(shí)別或計(jì)算機(jī)視覺的預(yù)處理。提取的特征可以包括很多方面,如頻域特征、灰度或顏色特征、邊界特征、區(qū)域特征、紋理特征、形狀特征、拓?fù)涮卣骱完P(guān)系結(jié)構(gòu)等。 </p><p

40、>　　(3) 圖像數(shù)據(jù)的變換、編碼和壓縮,以便于圖像的存儲(chǔ)和傳輸。</p><p>　　不管是何種目的的圖像處理,都需要由計(jì)算機(jī)和圖像專用設(shè)備組成的圖像處理系統(tǒng)對(duì)圖像數(shù)據(jù)進(jìn)行輸入、加工和輸出。 </p><p>　　數(shù)字圖像處理主要研究的內(nèi)容有以下幾個(gè)方面： </p><p>　　(1) 圖像變換由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計(jì)算量很大。因此，

41、往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術(shù)，將空間域的處理轉(zhuǎn)換為變換域處理，不僅可減少計(jì)算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進(jìn)行數(shù)字濾波處理）。目前新興研究的小波變換在時(shí)域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應(yīng)用。 </p><p>　　(2) 圖像編碼壓縮圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量（即比特?cái)?shù)），以便節(jié)省圖像傳輸、處理時(shí)

42、間和減少所占用的存儲(chǔ)器容量。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進(jìn)行。編碼是壓縮技術(shù)中最重要的方法，它在圖像處理技術(shù)中是發(fā)展最早且比較成熟的技術(shù)。 </p><p>　　(3) 圖像增強(qiáng)和復(fù)原圖像增強(qiáng)和復(fù)原的目的是為了提高圖像的質(zhì)量，如去除噪聲，提高圖像的清晰度等。圖像增強(qiáng)不考慮圖像降質(zhì)的原因，突出圖像中所感興趣的部分。如強(qiáng)化圖像高頻分量，可使圖像中物體輪廓清晰，細(xì)節(jié)明顯；如強(qiáng)化低頻分量可減少圖

43、像中噪聲影響。圖像復(fù)原要求對(duì)圖像降質(zhì)的原因有一定的了解，一般講應(yīng)根據(jù)降質(zhì)過(guò)程建立"降質(zhì)模型"，再采用某種濾波方法，恢復(fù)或重建原來(lái)的圖像。 </p><p>　　(4) 圖像分割圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一。圖像分割是將圖像中有意義的特征部分提取出來(lái)，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進(jìn)一步進(jìn)行圖像識(shí)別、分析和理解的基礎(chǔ)。雖然目前已研究出不少邊緣提取、區(qū)域分割的方法，但還沒(méi)有一

44、種普遍適用于各種圖像的有效方法。因此，對(duì)圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點(diǎn)之一。 </p><p>　　(5) 圖像描述圖像描述是圖像識(shí)別和理解的必要前提。作為最簡(jiǎn)單的二值圖像可采用其幾何特性描述物體的特性，一般圖像的描述方法采用二維形狀描述，它有邊界描述和區(qū)域描述兩類方法。對(duì)于特殊的紋理圖像可采用二維紋理特征描述。隨著圖像處理研究的深入發(fā)展，已經(jīng)開始進(jìn)行三維物體描述的研究，提出了體積描述

45、、表面描述、廣義圓柱體描述等方法。</p><p>　　(6) 圖像分類（識(shí)別）圖像分類（識(shí)別）屬于模式識(shí)別的范疇，其主要內(nèi)容是圖像經(jīng)過(guò)某些預(yù)處理（增強(qiáng)、復(fù)原、壓縮）后，進(jìn)行圖像分割和特征提取，從而進(jìn)行判決分類。圖像分類常采用經(jīng)典的模式識(shí)別方法，有統(tǒng)計(jì)模式分類和句法（結(jié)構(gòu)）模式分類，近年來(lái)新發(fā)展起來(lái)的模糊模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖像識(shí)別中也越來(lái)越受到重視。</p><p>　　數(shù)字

46、圖像處理的工具可分為三大類:第一類包括各種正交變換和圖像濾波等方法,其共同點(diǎn)是將圖像變換到其它域(如頻域)中進(jìn)行處理(如濾波)后,再變換到原來(lái)的空間(域)中;第二類方法是直接在空間域中處理圖像,它包括各種統(tǒng)計(jì)方法、微分方法及其它數(shù)學(xué)方法:第三類是數(shù)學(xué)形態(tài)學(xué)運(yùn)算,它不同于常用的頻域和空域的方法,是建立在積分幾何和隨機(jī)集合論的基礎(chǔ)上的運(yùn)算。</p><p>　　2.3 本系統(tǒng)用到的圖像處理技術(shù)</p>

47、<p>　　該過(guò)程主要是把模擬圖像信號(hào)轉(zhuǎn)化為計(jì)算機(jī)所能接受的數(shù)字形式，以及把數(shù)字圖像的顯示和表現(xiàn)出來(lái)。這一過(guò)程包括攝取圖像，光電轉(zhuǎn)換及數(shù)字化等幾個(gè)步驟。在車型識(shí)別中圖像的獲取分為靜態(tài)的和動(dòng)態(tài)的，動(dòng)態(tài)的是通過(guò)利用攝像頭獲取圖像，并對(duì)其進(jìn)行車型識(shí)別。</p><p>　　圖像的預(yù)處理包含：圖像的灰度化，圖像的二值話，圖像復(fù)原，圖像增強(qiáng)，圖像分割，邊緣檢測(cè)。</p><p><b

48、>　　1．圖像的灰度化</b></p><p>　　一幅完整的圖像，是由紅色綠色藍(lán)色三個(gè)通道組成的。紅色、綠色、藍(lán)色三個(gè)通道的縮覽圖都是以灰度顯示的。用不同的灰度色階來(lái)表示“ 紅，綠，蘭”在圖像中的比重。通道中的純白，代表了該色光在此處為最高亮度，亮度級(jí)別是255。</p><p>　　在計(jì)算機(jī)領(lǐng)域中，灰度數(shù)字圖像是每個(gè)像素只有一個(gè)采樣顏色的圖像。這類圖像通常顯示為從最暗

49、黑色到最亮的白色的灰度，盡管理論上這個(gè)采樣可以任何顏色的不同深淺，甚至可以是不同亮度上的不同顏色?；叶葓D像與黑白圖像不同，在計(jì)算機(jī)圖像領(lǐng)域中黑白圖像只有黑色與白色兩種顏色；灰度圖像在黑色與白色之間還有許多級(jí)的顏色深度。但是，在數(shù)字圖像領(lǐng)域之外，“黑白圖像”也表示“灰度圖像”，例如灰度的照片通常叫做“黑白照片”。在一些關(guān)于數(shù)字圖像的文章中單色圖像等同于灰度圖像，在另外一些文章中又等同于黑白圖像。</p><p>　

50、　按一定的規(guī)律修改像素的灰度值，是圖像的亮度或?qū)Ρ榷确派淖?，使之更容易分辨，貨或達(dá)到某種預(yù)定的視覺效果。</p><p><b>　　2．圖像的二值化</b></p><p>　　圖像的二值化處理就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，也就是講整個(gè)圖像呈現(xiàn)出明顯的黑白效果。 </p><p>　　將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈y

51、值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，首先，圖像的二值化有利于圖像的進(jìn)一步處理，使圖像變得簡(jiǎn)單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標(biāo)的輪廓。其次，要進(jìn)行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像。 </p><p>　　所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度值

52、為0，表示背景或者例外的物體區(qū)域。</p><p>　　為了分析圖像的的特征，常常需要從圖像分離出對(duì)象物，從而把圖像看做僅由對(duì)象區(qū)域與背景區(qū)域所構(gòu)成。</p><p><b>　　3． 圖像復(fù)原</b></p><p>　　當(dāng)造成圖像退化的原因己知時(shí)，復(fù)原技術(shù)可以對(duì)圖像進(jìn)行修復(fù)。圖像復(fù)原的關(guān)鍵的是對(duì)每種退化的偶需要有一個(gè)合理的模型。例如，掌握了

53、聚焦不良成像系統(tǒng)的物理特性，便可恢復(fù)原模型，而且對(duì)獲取圖像的特定光學(xué)系統(tǒng)的直接測(cè)量也是可能的。退化模型和特點(diǎn)數(shù)據(jù)一起描述了圖像的退化的影響，從而產(chǎn)生一個(gè)等價(jià)與理想成像系統(tǒng)所獲得的圖像。因?yàn)楸疚牟捎玫膱D像為靜態(tài)圖像，從而選取的圖像都為識(shí)別度很高的圖像，則而不需要圖像復(fù)原。</p><p><b>　　4． 圖像增強(qiáng)</b></p><p>　　圖像增強(qiáng)是對(duì)圖像質(zhì)量在一般

54、意義上的改善。當(dāng)無(wú)法知道圖像有關(guān)的定量信息時(shí)，可以使用圖像技術(shù)較為主觀地改善圖像的質(zhì)量。所以，圖像增強(qiáng)技術(shù)是用于改善圖像質(zhì)量所采取的一種方法，因?yàn)樵鰪?qiáng)技術(shù)并非是針對(duì)某種退化所采取的方法。所以很難預(yù)測(cè)哪一種特定技術(shù)是最好的，只能通過(guò)實(shí)驗(yàn)和分析誤差來(lái)選擇一種的合適的方法。有時(shí)可能需要徹底改變圖像的視覺效果，以便突出重要特征的可觀察性，使人或計(jì)算機(jī)更以觀察或檢測(cè)。在這種情況下，可以把增強(qiáng)理解為增強(qiáng)感興趣的特征的可觀察性，而非改善視感質(zhì)量。電視

55、節(jié)目片頭或片尾處的顏色，輪廓的變換，其目的是得到一種特殊的藝術(shù)增強(qiáng)動(dòng)感和力度。</p><p><b>　　5． 圖像分割</b></p><p>　　把圖像分成區(qū)域的過(guò)程就是圖像分割。圖像自動(dòng)分割是圖像處理中最困難的問(wèn)題之一。人類視覺系統(tǒng)的優(yōu)越性，使得人類能夠?qū)⑺^察的復(fù)雜環(huán)境觀察出來(lái)，可計(jì)算機(jī)卻是個(gè)難題，由于解決和分割有關(guān)的基本問(wèn)題是特定領(lǐng)域中圖像分析實(shí)用化的關(guān)鍵

56、一步，因此，將各種方法融合在一起并使用技術(shù)來(lái)提高處理的可靠性和有效性是圖像分割的研究熱點(diǎn)。</p><p><b>　　6． 邊緣提取</b></p><p>　　圖像中的邊緣是視覺感知的重要線索，這些邊緣對(duì)應(yīng)圖像中特性“有意變化的地方。例如，對(duì)于車輛圖像來(lái)說(shuō)，邊緣特征常常對(duì)應(yīng)車輛的輪廓線或線。圖像的邊緣檢測(cè)能夠使圖像的輪廓更加突出，是一種重要的區(qū)域處理技在對(duì)圖像進(jìn)行

57、特征提取之前，一般都需要進(jìn)行邊緣檢測(cè)，然后進(jìn)行二值化處邊緣檢測(cè)將突出圖像的邊緣，邊緣以外的圖像區(qū)域通常被削弱。處理后邊界度與原圖中邊緣周圍的亮度變化率成正比邊緣發(fā)生在圖像灰度值不連續(xù)的地方，可以對(duì)圖像進(jìn)行差分運(yùn)算得到。的邊緣檢測(cè)算子包括sobel算子、Prewitt算子、Roberts算子、earmy算子和而本文采用了Sobel算子和LaPlace算子Sobel來(lái)進(jìn)行邊緣檢測(cè)。</p><p>　　2.4 Ope

58、nCV</p><p>　　OpenCV是英特爾公司開發(fā)的開源圖像處理和計(jì)算機(jī)視覺函數(shù)庫(kù)。它由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。 OpenCV是一個(gè)跨平臺(tái)的中、高層 API 構(gòu)成，目前包括 300 多個(gè) C 函數(shù)。它不依賴與其它的外部庫(kù)，盡管也可以使用某些外部庫(kù)。OpenCV 對(duì)非商業(yè)用途和商業(yè)用途都是免費(fèi)的。</p><p>　　這是目

59、前的現(xiàn)狀。而標(biāo)準(zhǔn)的API將簡(jiǎn)化計(jì)算機(jī)視覺程序和解決方案的開發(fā)。OpenCV致力于成為這樣的標(biāo)準(zhǔn)API。</p><p><b>　　它有以下特點(diǎn)： </b></p><p>　　(1) 開放的C/C++源碼 </p><p>　　(2) 基于Intel處理器指令集開發(fā)的優(yōu)化代碼 </p><p>　　(3) 統(tǒng)一的結(jié)構(gòu)和

60、功能定義 </p><p>　　(4) 強(qiáng)大的圖像和矩陣運(yùn)算能力 </p><p>　　(5) 方便靈活的用戶接口 </p><p>　　(6）同時(shí)支持MS-WINDOWS、LINUX平臺(tái) </p><p>　　3 基于OPENCV的車型系統(tǒng)的實(shí)現(xiàn)</p><p>　　本章詳細(xì)介紹基于OPENCV的車型系統(tǒng)的實(shí)現(xiàn)。&l

61、t;/p><p>　　3.1 OpenCV環(huán)境配置</p><p>　　首先按要求安裝OPENCV 1.0軟件，安裝完成后要對(duì)其進(jìn)配置。OPENCV環(huán)境配置包括兩個(gè)方面，一個(gè)是系統(tǒng)環(huán)境配置；一個(gè)是VC++6.0軟件環(huán)境配置。</p><p>　　1．Windows環(huán)境變量的配置</p><p>　　首先檢查C:\Program Files\Ope

62、ncv\bin是否已經(jīng)被加入到環(huán)境變量PATH，如果沒(méi)有，請(qǐng)加入。先打開“我的電腦”屬性，選擇“高級(jí)”選項(xiàng)，點(diǎn)擊“環(huán)境變量”，如下圖所示：</p><p>　　圖3.1 windows環(huán)境變量框圖</p><p>　　2．配置VC++6.0</p><p>　　菜單Tools->Options->Directories；先配置lib路徑，選擇Librar

63、y files，在下方填入路徑：</p><p>　　C:\Program Files\Opencv\lib</p><p>　　然后選擇include files，在下方填入路徑：</p><p>　　C:\Program Files\Opencv\cxcore\include</p><p>　　C:\Program Files\Open

64、cv\ cv\include</p><p>　　C:\Program Files\Opencv\ cvaux\include</p><p>　　C:\Program Files\Opencv\ ml\include</p><p>　　C:\Program Files\Opencv\ otherlibs\highgui</p><p>　

65、　C:\Program Files\Opencv\ otherlibs\cvcam\include</p><p><b>　　如下圖所示：</b></p><p>　　圖3.2 options設(shè)置</p><p><b>　　3．項(xiàng)目配置</b></p><p>　　每創(chuàng)建一個(gè)將要使用Opencv

66、的VC Project，都需要給它指定需要的lib。菜單Project->Settings，然后將Setting for選為AllConfigurations，然后選擇右邊的link標(biāo)簽，在Object/library modules附加上：</p><p>　　Cxcore.Lib cv.lib ml.lib cvaux.lib highgui.lib cvcam.lib</p><p

67、><b>　　3.2圖像的讀取</b></p><p>　　在MFC環(huán)境下，要使用OPENCV的函數(shù)和功能，主要通過(guò)CImage類及其成員函數(shù)實(shí)現(xiàn)。IplImage*結(jié)構(gòu)指針是OPENCV最基本的結(jié)構(gòu)，OPENCV的基本函數(shù)都是以此結(jié)構(gòu)為基礎(chǔ)實(shí)現(xiàn)的。如何實(shí)現(xiàn)IplImage*的對(duì)象與CImage類對(duì)象的數(shù)據(jù)傳輸，從而實(shí)現(xiàn)圖像數(shù)據(jù)的讀取、顯示和處理是關(guān)鍵。具體的實(shí)現(xiàn)過(guò)程是通過(guò)CImage

68、的CopyOf（）函數(shù)和GetImage()函數(shù)實(shí)現(xiàn)。</p><p>　　IplImage* Image; //生成OPENCV處理的對(duì)象</p><p>　　CImage m_image; //生成CImage對(duì)象1</p><p>　　CImage MyImage; //生成CImage對(duì)象2</p><

69、p>　　在打開文件的OnOpenDocument(LPCTSTR lpszPathName)函數(shù)中，添加下列語(yǔ)句</p><p>　　m_image.Load(lpszPathName,-1); //以圖片原本的通道方式打開圖片 </p><p>　　MyImage.CopyOf(m_image); //復(fù)制圖片，接受以后的處理</p><p>

70、;　　Image=MyImage.GetImage(); //得到IplImage*指針，方便運(yùn)用opencv進(jìn)行處理</p><p>　　這樣就將圖像讀進(jìn)了m_image中，并復(fù)制給了opencv的對(duì)象Image。</p><p>　　圖像的顯示在OnDraw(CDC* pDC)函數(shù)中實(shí)現(xiàn)：</p><p>　　CRect rect;</p>

71、<p>　　GetClientRect(rect);</p><p>　　//把顯示區(qū)設(shè)為圖像的真實(shí)寬度和高度</p><p>　　rect.bottom=pDoc->MyImage.Height(); </p><p>　　rect.right=pDoc->MyImage.Width(); </p><p>

72、　　//定義一個(gè)CSize對(duì)象, 用于保存滾動(dòng)條的尺寸, 設(shè)為圖像的真實(shí)尺寸</p><p>　　CSize sizeTotal(rect.right, rect.bottom);</p><p>　　SetScrollSizes(MM_TEXT, sizeTotal);//設(shè)置滾動(dòng)條的位置 </p><p>　　//調(diào)用CImage類的成員函數(shù)DrawToHD

73、C在視圖窗口顯示圖像</p><p>　　//函數(shù)形參為當(dāng)前的設(shè)備環(huán)境和顯示區(qū)大小</p><p>　　pDoc->MyImage.DrawToHDC(pDC->m_hDC, rect);</p><p>　　OPENCV函數(shù)處理完成后的圖像，通過(guò)CopyOf（）函數(shù)傳回MyImage，顯示。</p><p>　　3.3圖像的邊

74、緣檢測(cè)</p><p>　　圖像中的邊緣是視覺感知的重要線索，這些邊緣對(duì)應(yīng)圖像中特性“有意變化的地方。例如，對(duì)于車輛圖像來(lái)說(shuō)，邊緣特征常常對(duì)應(yīng)車輛的輪廓線或線。圖像的邊緣檢測(cè)能夠使圖像的輪廓更加突出，是一種重要的區(qū)域處理技在對(duì)圖像進(jìn)行特征提取之前，一般都需要進(jìn)行邊緣檢測(cè)，然后進(jìn)行二值化處邊緣檢測(cè)將突出圖像的邊緣，邊緣以外的圖像區(qū)域通常被削弱。處理后邊界度與原圖中邊緣周圍的亮度變化率成正比邊緣發(fā)生在圖像灰度值不連續(xù)

75、的地方，可以對(duì)圖像進(jìn)行差分運(yùn)算得到。</p><p>　　Sobel是邊緣檢測(cè)的算法之一，使用擴(kuò)展Sobel算子計(jì)算一階,二階，三階或混合圖像差分。</p><p>　　在OpenCV中運(yùn)用cvsobel函數(shù)如下為運(yùn)用cvsobel的函數(shù)算法函數(shù)程序：</p><p>　　void cvSobel (const CvArr* src(輸入圖像).CvArr*dst（

76、輸出圖像）. Int xorder（X方向上的差分階數(shù)）. Int aperture–size=3);</p><p>　　函數(shù)cvSobel通過(guò)對(duì)圖像用相應(yīng)的內(nèi)核進(jìn)行卷積操作來(lái)計(jì)算圖像的差分（3.1）</p><p><b>　?。?.1）</b></p><p>　　由于Sobel算子結(jié)合了Gaussian平滑和微分，所以，其結(jié)果或多或少的

77、對(duì)噪聲有一定的魯棒性通常情況，函數(shù)調(diào)用用如下參數(shù)（xorder=1，yorder=0,aperture_size=3）或（xorder=0,yorder=1，aperture_size=3）來(lái)計(jì)算一階圖像差分。</p><p>　　Sobel算子采有如表的3.1的模板。</p><p>　　表3.1 Sobel算子水平模板</p><p>　　表3.2 Sobe

78、l算子垂直模板</p><p>　　上面圖表為對(duì)圖像像素處理的模板矩陣，每個(gè)圖像像素點(diǎn)都與這個(gè)兩個(gè)模板作卷積，第一個(gè)模板用于檢測(cè)水平邊緣，第二個(gè)模板用于檢測(cè)豎直邊緣。兩個(gè)卷積結(jié)果的最大值即為該點(diǎn)的輸出值。 Sobel邊緣檢測(cè)算子對(duì)灰度漸變和噪聲較大的圖像處理的比較好。</p><p><b>　　LOG邊緣檢測(cè)</b></p><p>　?。?

79、）LOG邊緣檢測(cè)的一般算法：</p><p>　　LOG算子提取車輛圖像邊緣的方法是一種比較簡(jiǎn)便的處理方法，與其它方法比較，優(yōu)于Roberts算子和Sobel算子的方法，邊緣比較完整，位置比較準(zhǔn)確；與小波分析的方法比較，雖然獲得的圖像質(zhì)量略有不足。但其算法簡(jiǎn)單處理速度快，在流量較大路口的車輛檢測(cè)系統(tǒng)中有較高實(shí)用價(jià)值</p><p>　　LOG算法是一種2階邊緣檢測(cè)方法。它通過(guò)尋找圖像灰度值

80、的中二階微分中的過(guò)零點(diǎn)(Zero Crossing)來(lái)檢測(cè)邊緣點(diǎn)。因?yàn)椋叶染徸冃纬傻倪吘壗?jīng)過(guò)微分算分算子峰值兩側(cè)符號(hào)相反，而原先的極值點(diǎn)對(duì)應(yīng)二階微分中的零點(diǎn)為了消除噪聲影響。必須用高斯函數(shù)對(duì)圖像進(jìn)行濾波在對(duì)濾波后的的圖像求二階導(dǎo)數(shù)，即按照下式計(jì)算</p><p><b>　　（3.2）</b></p><p>　　其中以為圖像，G(X，Y)為高斯函數(shù)，上述兩個(gè)處理步

81、驟可以合成一個(gè)算子，經(jīng)運(yùn)算可得</p><p><b>　?。?.3）</b></p><p>　　公式中稱為拉普拉斯高斯算子，經(jīng)運(yùn)算可得：</p><p><b>　?。?.4）</b></p><p>　　是關(guān)于原點(diǎn)對(duì)稱的函數(shù)，其主瓣寬度為：</p><p>　　G(x,

82、y)比較符合人的視覺特性，LoG算法能較好地反映了視覺模型。</p><p>　?。?）LoG算法過(guò)零檢測(cè)</p><p>　　對(duì)G(x,y)簡(jiǎn)化得到下公式</p><p><b>　　（3.5）</b></p><p>　　一般，礦取值較大時(shí)，趨于平滑圖像；fir較小時(shí)，則趨于脫化圖像。</p><

83、p>　　事實(shí)上，檢測(cè)邊界就是尋找的過(guò)零點(diǎn)，可用以下幾種參數(shù)表示過(guò)零點(diǎn)處灰度變化的速率：</p><p>　　(1)過(guò)零點(diǎn)處的斜率。</p><p>　　(2)二次微分峰——峰差值。</p><p>　　(3)二次微分峰——峰間曲線下面積絕對(duì)值之和。</p><p>　　邊界點(diǎn)方向信息可由梯度算子給出。為減小計(jì)算量，在實(shí)用中可用高斯差分算

84、子(DOG) </p><p><b>　?。?.6）</b></p><p><b>　　3.4 區(qū)域分割</b></p><p>　　圖像中的區(qū)域是指一個(gè)相互連通的、具有一致的“有意義”屬性的像元素。區(qū)域分割就是從全圖出發(fā)，按“有意義”屬性一致的準(zhǔn)則，決定每個(gè)像素的歸屬區(qū)域區(qū)域分割是圖像處理中的一項(xiàng)基本內(nèi)容，也是圖

85、像理解中關(guān)鍵的一步。區(qū)域分割將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。</p><p>　　區(qū)域分割算法大致可分為兩類:一是基于圖像的灰度統(tǒng)計(jì)特征，通過(guò)某一約束函數(shù)，選取合理的閩值進(jìn)行區(qū)域分割。這類算法典型的有:直方圖分析法、最佳嫡自動(dòng)門限法、最小誤差法和類間方差法。二是基于圖像的局部灰度梯度變化特征，如邊緣檢測(cè)，即先找出目標(biāo)的邊界，通過(guò)某一判別標(biāo)準(zhǔn)，識(shí)別出目標(biāo)邊界，用邊界來(lái)表示目標(biāo)

86、，然后進(jìn)行聚類，將目標(biāo)從圖像中識(shí)別出來(lái)。這類方法包括:自適應(yīng)閡值法，模糊C均值法。本文根據(jù)車輛圖像的特點(diǎn)和實(shí)際需要，采用上述第一類基于圖像的灰度統(tǒng)計(jì)特征的閩值分割法對(duì)圖像進(jìn)行區(qū)域分割。下面簡(jiǎn)單介紹本文運(yùn)用的直方圖分析法。</p><p>　　3.5 圖像的輪廓提取</p><p>　　識(shí)別車型，需要提取汽車外部輪廓特征，對(duì)二值圖像進(jìn)行輪廓跟蹤，得到輪廓曲線。所以，首先要對(duì)上述二值化圖像進(jìn)行

87、輪廓跟蹤。輪廓跟蹤的基本方法是：先根據(jù)某些嚴(yán)格的“探測(cè)準(zhǔn)則”找出目標(biāo)物體輪廓上的像素，再根據(jù)這些像素的某些特征用一定的“跟蹤準(zhǔn)則”找出目標(biāo)物體上的其它像素點(diǎn)．傳統(tǒng)的串行跟蹤算法是：從上到下，從左到右掃描全圖，找到所有以0(黑像素)為鄰點(diǎn)的255(白像素)，按定義，這些值為255的點(diǎn)一定是邊界點(diǎn)。這種算法要對(duì)每個(gè)邊界像素周圍的八個(gè)鄰點(diǎn)進(jìn)行判斷，計(jì)算量較大．另一種稱為蟲隨法的搜索輪廓的思想是這樣的：從白邊緣向黑色像素區(qū)走，當(dāng)穿過(guò)黑像素時(shí)左轉(zhuǎn)

88、，并走向下一個(gè)像素，同時(shí)始終遵循遇黑左轉(zhuǎn)，遇白右轉(zhuǎn)的原則，一直到回到原始出發(fā)點(diǎn)為止。這樣就可以得到目標(biāo)物體的輪廓。但這種方法所得到的輪廓與初始點(diǎn)有關(guān)。</p><p>　　下面介紹的一種輪廓算法由兩部分組成，一個(gè)是計(jì)算輪廓方向序列的方法稱為T算法：另一是計(jì)算輪廓起始點(diǎn)方法稱為IP(Initial．Point)算法。輪廓算法的步驟是由這兩個(gè)算法依次交叉進(jìn)行。即第一個(gè)輪廓起始點(diǎn)找到后，進(jìn)行第一個(gè)輪廓方向序列的計(jì)算，算

89、完后再尋找第二個(gè)輪廓起始點(diǎn)，接著計(jì)算第二個(gè)輪廓方向序列；如此依次交叉的進(jìn)行，計(jì)算完圖中所有輪廓為止。</p><p>　　下面分別介紹一下輪廓方向序列及輪廓起始點(diǎn)算法。</p><p>　　3.5.1 輪廓方向序列的計(jì)算(T算法)</p><p>　　輪廓方向序列是由輪廓起始點(diǎn)開始到輪廓上的第二點(diǎn)。第三點(diǎn)，直到最后一點(diǎn)再返回起始點(diǎn)為止，由方向所組成的方向序列。確定輪

90、廓上一點(diǎn)走向下一點(diǎn)的方向是用“最先左看規(guī)則”，即從進(jìn)入輪廓點(diǎn)(如A點(diǎn))的方向看去(如圖3.3)，最先向左方向?qū)ふ遥粲龅交叶燃?jí)和A點(diǎn)相同的鄰點(diǎn)，則輪廓由A點(diǎn)走向這一點(diǎn)，若左看沒(méi)有灰度級(jí)和A點(diǎn)相同的鄰點(diǎn)，再按向上看、向右看、向下看的順序?qū)ふ遥钡秸业接谢叶燃?jí)相同的點(diǎn)為止．將輪廓由A點(diǎn)移向該點(diǎn)，若四個(gè)方向都沒(méi)有表示這個(gè)輪廓只是由一個(gè)像素(孤立點(diǎn))構(gòu)成的。</p><p><b>　　圖3.3向右看圖<

91、/b></p><p>　　3.5.2 輪廓起始點(diǎn)的尋找(IP算法)</p><p>　　為了尋找輪廓起始點(diǎn)IP，我們使用順序掃描搜索方法，也就是從數(shù)字圖像的左上角(第一行，第一列)的像素開始，按行從左到右，按列從上到下逐點(diǎn)順序掃描，知道右小角最后一個(gè)像素為止，對(duì)掃描遇到的每一個(gè)像素，進(jìn)行判別是否為輪廓起點(diǎn)IP。如果判別每一像素是否為IP呢?先來(lái)介紹一下“掃描搜索比較表”和“起始點(diǎn)判

92、別準(zhǔn)則”.</p><p>　?、賿呙杷阉鞅容^表構(gòu)成(CPL)</p><p>　　(1)僅每掃一行，制一個(gè)表，當(dāng)然開始掃描前表是空的．</p><p>　　(2)對(duì)每一行掃描從左到右逐點(diǎn)進(jìn)行判別。若遇到點(diǎn)標(biāo)志為A，將該點(diǎn)的灰度級(jí)值從表的右端依次填入表中。若遇到點(diǎn)標(biāo)志是D，將表中最靠近標(biāo)志為A的灰度級(jí)劃去。若遇到點(diǎn)標(biāo)志是D或I，表不變化，即不填也不劃去什么。<

93、/p><p>　　(3)每一行掃描完畢，表也一定是空的，因?yàn)檩喞偸欠忾]的，輪廓通過(guò)某一行有向下的點(diǎn)(D)，有向上的點(diǎn)(A)，即A點(diǎn)數(shù)一定等于D點(diǎn)數(shù)。</p><p>　?、谳喞鹗键c(diǎn)判斷準(zhǔn)則</p><p>　　在掃描搜索過(guò)程中，凡符合下列兩個(gè)條件的就判為輪廓起始點(diǎn)IP。</p><p>　　(1)標(biāo)志是I(即不是已確認(rèn)過(guò)的輪廓上的點(diǎn))．<

94、;/p><p>　　(2)它的灰度級(jí)值不等于掃描搜索表中最靠近的標(biāo)記為A的點(diǎn)的灰度級(jí)值。按照這兩種準(zhǔn)則就可以判斷輪廓起始點(diǎn)．這里注意的就是一副數(shù)字圖像的左上角的點(diǎn)(第一行，第一列)總認(rèn)為是第一輪廓起始點(diǎn)，這是不難理解的。二值化圖像輪廓提取還可以采用數(shù)學(xué)形態(tài)學(xué)的方法：設(shè)圖像為A，結(jié)構(gòu)元素為B，圖像邊緣為</p><p>　　即圖像A與A被B腐蝕的結(jié)果的差為圖像的邊緣。本系統(tǒng)中采用如下跟蹤準(zhǔn)則：對(duì)

95、差值按照從左到右，從下到上的順序搜索，找到的第一個(gè)白色點(diǎn)一定是最左下方的邊界點(diǎn)，以這個(gè)邊界點(diǎn)起始，假設(shè)已經(jīng)沿順時(shí)針?lè)较颦h(huán)繞整個(gè)圖像一圈找到了所有的邊界點(diǎn)。由于邊界是連續(xù)的，所以，每個(gè)邊界點(diǎn)都可以用這個(gè)邊界點(diǎn)對(duì)前個(gè)邊界點(diǎn)所張的角度來(lái)表示．所以，從第一個(gè)邊界點(diǎn)開始，定義初始的搜索方向?yàn)檠刈笊戏?；如果左上方的點(diǎn)是白色的，則為邊界點(diǎn)，否則搜索方向順時(shí)針旋轉(zhuǎn)45度。這樣一直到找到另一個(gè)白色點(diǎn)為止。然后把這個(gè)白色點(diǎn)作為新的邊界點(diǎn)，在當(dāng)前搜索方向的基

96、礎(chǔ)上逆時(shí)針旋轉(zhuǎn)90度，繼續(xù)用同樣的方法搜索下一個(gè)自點(diǎn)，直到返回最初的邊界點(diǎn)為止。</p><p>　　3.6 車輛的特征提取</p><p>　　提取特征時(shí)我們必須考慮兩個(gè)基本問(wèn)題：一是特征能夠較容易地從圖像中提取;其二是所選取的特征必須有利于分類，也即對(duì)分類有較大的貢獻(xiàn)。從外觀上看，最能夠區(qū)分不同車型的是車輛的形狀，因此形狀是區(qū)分車型的重要依據(jù)但在公路收費(fèi)等場(chǎng)合中以車輛的座位數(shù)作為分類的

97、依據(jù)，因此需要將車輛的形狀特征與其座位數(shù)對(duì)應(yīng)起來(lái)。</p><p>　　表3.1為車輛形狀與類型的對(duì)應(yīng)關(guān)系：我們首先對(duì)汽車的形狀進(jìn)行分類，即我們將這些汽車圖像的形狀作為汽車判斷的標(biāo)準(zhǔn)，由這個(gè)汽車形狀特征與讀入的汽車圖像形狀特征進(jìn)行比對(duì)，只要符合其中某一個(gè)汽車圖像標(biāo)準(zhǔn)，就會(huì)將其識(shí)別為該類汽車。</p><p>　　表3.3車輛形狀與類型</p><p>　　表3.4中

98、4類的臨近參數(shù)</p><p>　　上表格為識(shí)別汽車圖像特征標(biāo)準(zhǔn)，前幾章節(jié)主要介紹了圖片顯示與特征提取，通過(guò)對(duì)汽車進(jìn)行圖像預(yù)處理，從而進(jìn)一步提取汽車圖像的特征點(diǎn)，按要求轉(zhuǎn)換為識(shí)別汽車圖像所要求的圖像的特征形式，利用最近鄰方法，將提取出的特征信號(hào)設(shè)定的標(biāo)準(zhǔn)特征信號(hào)相比較，取與汽車標(biāo)準(zhǔn)特征信號(hào)特征距離最小的那個(gè)標(biāo)準(zhǔn)特征信號(hào)，可以的出汽車型車型。總之，汽車車型的識(shí)別過(guò)程就是一個(gè)特征提取與特征比較的過(guò)程。</p&g

99、t;<p><b>　　3.7分類識(shí)別</b></p><p>　　對(duì)于任何一個(gè)模式分類器，除了希望它有盡可能高的識(shí)別率外,還希望能比較準(zhǔn)確地估計(jì)它的分類結(jié)果的準(zhǔn)確性,即置信度，置信度的主要用途有：(1) 為拒識(shí)提供依據(jù)。 在很多應(yīng)用場(chǎng)合下,我們不僅希望識(shí)別率盡可能高,還希望誤識(shí)率低,在一定的分類器下,這只能通過(guò)拒識(shí)部分樣本實(shí)現(xiàn)。這樣就需要決定拒識(shí)哪一部分樣本,如果拒識(shí)的樣本總

100、是識(shí)別置信度最低的樣本,系統(tǒng)的誤識(shí)率就會(huì)在拒識(shí)率一定的情況下獲得最大幅度的下降。(2) 為多方案集成提供根據(jù)。現(xiàn)在,多方案集成是模式識(shí)別的一個(gè)重要趨勢(shì)。人們已不再滿足于簡(jiǎn)單的表決,而希望能充分利用單個(gè)分類器的各種信息。 其中,每個(gè)分類器的置信度是一種重要信息。其意義是明顯的：當(dāng)多個(gè)分類器的結(jié)果不同時(shí),應(yīng)當(dāng)選擇置信度比較大的分類器的結(jié)果，至少應(yīng)給予較大的權(quán)重。鑒于置信度的重要地位,基本上各種應(yīng)用系統(tǒng)都以某種方式給出置信度的估計(jì)。對(duì)于基于前

101、向神經(jīng)網(wǎng)絡(luò)的分類器,文獻(xiàn)中證明了在使用均方誤差或交叉熵做代價(jià)函數(shù)時(shí)，神經(jīng)網(wǎng)輸出的期望值是各個(gè)類別的后驗(yàn)概率，這就為用神經(jīng)網(wǎng)的輸出估計(jì)置信度提供了強(qiáng)有力的理論根據(jù)。而對(duì)于早在60 年代就已提出、并在幾十年的模式識(shí)別實(shí)踐中得到廣泛應(yīng)用的最近鄰分類器，盡</p><p>　　在聚類分析中，由于沒(méi)有樣本類別的先驗(yàn)知識(shí)，因而按最近距離原則的基本思想進(jìn)行分類。最近鄰法在具有訓(xùn)練樣本條件下，但不進(jìn)行訓(xùn)練，而是按最近距離原則對(duì)待

102、識(shí)模式進(jìn)行分類，這種分類技術(shù)思想直觀，方法簡(jiǎn)單，效果較好，其中k-NN法可以看做是一種從樣本中獲取最大后驗(yàn)概率的方法，最近鄰法的某些技術(shù)在理論上可以達(dá)到先驗(yàn)知識(shí)完備的貝葉斯決策的分類效果，能適應(yīng)類域分布較復(fù)雜的情況，這類技術(shù)是最重要的模式識(shí)別技術(shù)之一。實(shí)際上，這類分類技術(shù)書貝葉斯決策思想的一種體現(xiàn)，因某類樣本距待識(shí)模式最近，或某一小區(qū)域某類樣本較多，意味著此處這類概密較大。</p><p>　　對(duì)于c類問(wèn)題，設(shè)類

103、有N個(gè)訓(xùn)練樣本。分類的思想是對(duì)于一個(gè)待識(shí)模式x，分別計(jì)算它與各已知類別的訓(xùn)練樣本的距離，將它判為距離最近的那個(gè)樣本所需的類。在這樣大的分類思想下，類的判斷函數(shù)為</p><p>　　//x-x// (i=1,2，…, （3.7）</p><p><b>　　判決規(guī)則為</b></p><p>　　如果

104、 = （3.8）</p><p><b>　　則判</b></p><p>　　由于上述方法只根據(jù)離待識(shí)模式最近的一個(gè)樣本的類別而決定其類別，通常稱其為1-NN方法。為了克服單個(gè)樣本類別的偶然性以增加樣本哪一類最多，就將x判屬哪一類。設(shè)，…分別為待識(shí)模識(shí)x的k個(gè)最近鄰樣本屬于類樣本數(shù)，定義類的判別函數(shù)為<

105、;/p><p><b>　?。?.9）</b></p><p><b>　　判決規(guī)則為</b></p><p><b>　　如果 則判</b></p><p>　　這種方法通常稱為法。</p><p><b>　　4 實(shí)驗(yàn)結(jié)果與處理</b&g

106、t;</p><p>　　本論文的的車型識(shí)別主要識(shí)別主要為4類：小轎車，貨車，吉普車，和大型客車。對(duì)于這4類的識(shí)別步驟都是相同其主要為：圖像的預(yù)處理，圖像的特征提取和車型的分類。以小轎車為例。</p><p>　　4.1 小轎車的車型識(shí)別</p><p>　　首先對(duì)小轎車進(jìn)行圖像的獲取如下圖4.1所示</p><p><b>　　圖

107、4.1轎車原圖</b></p><p>　　對(duì)轎車圖像進(jìn)行圖像的預(yù)處理得到的為下圖所示；</p><p>　　圖4.2邊緣檢測(cè)后的圖像</p><p>　　原圖與邊緣檢測(cè)后的圖像可以看出邊緣檢測(cè)后的圖像影子與車身是混在一起，造成這種現(xiàn)象的原因是因?yàn)樵瓐D是彩色圖像，沒(méi)有對(duì)原圖進(jìn)行灰度化，而程序識(shí)別的像位是255位，所以造成以上的原因。</p>

108、<p>　　一般對(duì)圖像進(jìn)行預(yù)處理時(shí) 一般會(huì)遇到的以下的幾個(gè)問(wèn)題：</p><p>　?。?）圖像無(wú)法打開。</p><p>　　本設(shè)計(jì)所采用的圖片格式為BMP格式，則所存文件夾的格式也應(yīng)為BMP格式的，如圖片的格式不為BMP,軟件是無(wú)法打開的，應(yīng)將圖片的格式轉(zhuǎn)化為BMP格式。</p><p>　?。?）圖像為BMP格式，軟件也無(wú)法打開。</p>

109、;<p>　　在程序設(shè)計(jì)中設(shè)定的圖片位數(shù)為256位 ，高于或低于256位的只能打開圖像，程序是無(wú)法運(yùn)行的，應(yīng)將圖像進(jìn)行轉(zhuǎn)化，轉(zhuǎn)為256位的。</p><p>　　4.1.1 圖像的輪廓提取</p><p>　　本論文的特正提取主要是對(duì)輪廓特征的提取，圖4.3為輪廓特取。</p><p><b>　　圖4.3輪廓提取圖</b><