版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、<p><b> 畢業(yè)設(shè)計(jì)說明書 </b></p><p> 作 者: 學(xué) 號(hào): </p><p> 系: 信息工程系 </p><p> 專業(yè): 電子信息工程 </p>
2、<p> 題 目: 視頻圖像中車輛的車型識(shí)別 </p><p> 算法研究與實(shí)現(xiàn) </p><p> 指導(dǎo)者: </p><p> 評(píng)閱者: </p><p
3、> 2013年 6月 1日</p><p> 畢業(yè)設(shè)計(jì)(論文)中文摘要</p><p> 畢業(yè)設(shè)計(jì)(論文)外文摘要</p><p><b> 目 次</b></p><p> 1 緒論 ………………………………………………………………………………1</p><p>
4、1.1 課題的研究背景和意義 ………………………………………………………1</p><p> 1.2 課題的研究現(xiàn)狀 ………………………………………………………………2</p><p> 1.3 本文的基本內(nèi)容和組織結(jié)構(gòu) …………………………………………………3</p><p> 2 車型識(shí)別系統(tǒng)簡(jiǎn)介 ………………………………………………………………4<
5、/p><p> 2.1 預(yù)處理 …………………………………………………………………………4</p><p> 2.2 特征提取 ………………………………………………………………………4</p><p> 2.3 特征匹配 ………………………………………………………………………4</p><p> 3 基于灰度閾值分割法的車型識(shí)別 …………
6、……………………………………6</p><p> 3.1 介紹各模塊設(shè)計(jì) ………………………………………………………………6</p><p> 3.1.1 預(yù)處理模塊 ……………………………………………………………6</p><p> 3.1.2 特征提取模塊……………………………………………………………7</p><p> 3.1
7、.3 特征匹配模塊……………………………………………………………7</p><p> 3.2 運(yùn)行結(jié)果 ………………………………………………………………………8</p><p> 3.3 結(jié)果分析 ……………………………………………………………………11</p><p> 4 基于圖像背景差值法的車型識(shí)別 ……………………………………………13</p
8、><p> 4.1 介紹各模塊設(shè)計(jì) ……………………………………………………………13</p><p> 4.1.1 預(yù)處理模塊 ……………………………………………………………13</p><p> 4.1.2 特征提取模塊 …………………………………………………………14</p><p> 4.1.3 特征匹配模塊 ………………………
9、…………………………………14</p><p> 4.2 運(yùn)行結(jié)果 ……………………………………………………………………15</p><p> 4.3 結(jié)果分析 ……………………………………………………………………29</p><p> 4.4 結(jié)果對(duì)比 ……………………………………………………………………30</p><p>
10、 結(jié)論 ………………………………………………………………………………32</p><p> 參考文獻(xiàn) …………………………………………………………………………34</p><p> 致謝 ………………………………………………………………………………35</p><p><b> 1 緒論</b></p><p&g
11、t; 車型識(shí)別的目的是對(duì)待識(shí)別車輛進(jìn)行車型的判別(該課題將車型分為轎車、貨車、客車三類),它是通過分析比較待識(shí)別車輛側(cè)面視覺特征信息實(shí)現(xiàn)的,主要借助于計(jì)算機(jī)技術(shù)的應(yīng)用,車型識(shí)別技術(shù)是一種輪廓特征識(shí)別技術(shù),是用待識(shí)別車輛的側(cè)視輪廓特征來判別所屬車型。車輛的側(cè)視輪廓特征主要抽象為車頂長(zhǎng)度、車輛高度和車身長(zhǎng)度,依此可求得待識(shí)別車輛的頂長(zhǎng)比、頂高比和前后比(車頂中垂線將車身長(zhǎng)分得兩部分的比值),而通過統(tǒng)計(jì)計(jì)算可求得三類車型(轎車、貨車、客車)
12、的特征值(頂長(zhǎng)比、頂高比、前后比)的范圍,將提取的待識(shí)別車輛的特征值與統(tǒng)計(jì)值相比較可實(shí)現(xiàn)對(duì)待識(shí)別車輛的車型判別[1]。</p><p> 1.1 課題的研究背景和意義</p><p> 中國(guó)正處在一個(gè)快速發(fā)展的時(shí)期,各種車型車輛數(shù)量也在持續(xù)上升,使得我國(guó)城市交通越來越擁擠,人們需要借助一種交通智能化系統(tǒng)來提高交通情況監(jiān)控的實(shí)時(shí)性和交通管理的自動(dòng)化程度,這也為智能交通系統(tǒng)的產(chǎn)生提供了條件
13、。在我國(guó)的一些大城市正在逐步提高交通管理的智能化,主要體現(xiàn)在實(shí)現(xiàn)高速公路的快捷收費(fèi)、公共場(chǎng)所車輛監(jiān)控自動(dòng)化加強(qiáng)等方面,我們對(duì)交通管理智能化的需求日益增加,這將帶動(dòng)智能交通系統(tǒng)的不斷發(fā)展。</p><p> 人們對(duì)車型識(shí)別的研究雖然已有很長(zhǎng)一段時(shí)間,但仍有許多難題仍未解決,首先,車輛的顏色、光澤度等都會(huì)隨著時(shí)間的推移和環(huán)境的改變而發(fā)生變化,而且即使是同一車輛在錄入鏡頭時(shí)的形狀、大小也各不同,這主要與位置和速度的隨
14、機(jī)性有關(guān);第二,車輛錄入鏡頭的外觀狀態(tài)還與攝像頭位置、臨近的物體或臨近的車輛對(duì)待識(shí)別車輛的遮擋程度有關(guān);第三,車型識(shí)別的準(zhǔn)確性和快捷性還與光照情況的改變、天氣季節(jié)的交替及背景圖像的不斷變化緊密相關(guān)。因此現(xiàn)在的車型識(shí)別技術(shù)還遠(yuǎn)不能滿足當(dāng)代大城市交通智能化管理的需求,我們?nèi)孕鑼?duì)車型識(shí)別技術(shù)進(jìn)行改進(jìn)以滿足準(zhǔn)確性和使用性上的要求。</p><p> 目前已經(jīng)解決交通智能管理的大部分關(guān)鍵技術(shù),但是部分細(xì)節(jié)方面仍然存在不足
15、,準(zhǔn)確性不高就是其中的一方面。交通智能管理的關(guān)鍵技術(shù)包括車型判別,希冀借助本課題的研究能促進(jìn)智能交通系統(tǒng)的發(fā)展,使信號(hào)燈指揮通行、車輛數(shù)量統(tǒng)計(jì)、公共場(chǎng)所車輛無(wú)人收費(fèi)、公路狀況監(jiān)控等方面更具可操控性。就目前而言,在交通智能管理方面我國(guó)與發(fā)達(dá)國(guó)家仍有很大差距,故該課題的研究對(duì)交通智能管理具有積極的影響。</p><p> 1.2 課題的研究現(xiàn)狀</p><p> 目前,國(guó)內(nèi)外車型識(shí)別技術(shù)的
16、研究已經(jīng)取得了很大成果,人們利用不同的技術(shù)手段來判別車型??偟膩碚f分為直接法和間接法。間接法的車型判別技術(shù)要借助卡或條碼的應(yīng)用,而直接法是要借助圖像處理技術(shù)來進(jìn)行判別的。</p><p> 間接法:把儲(chǔ)存車型信息的卡或條碼安裝在車輛上,借助專用設(shè)備來讀取待識(shí)別車輛上安裝的卡或條碼存儲(chǔ)的相關(guān)信息來進(jìn)行判別。該方法滿足了準(zhǔn)確性和可靠性的要求,但性價(jià)比得不到滿足,對(duì)硬件設(shè)備要求高,無(wú)法完成異地作業(yè)。此外,若想很好地推
17、行該方法要制定統(tǒng)一標(biāo)準(zhǔn),且無(wú)法保證車與卡或車與碼相符,這也使其無(wú)法快速推廣。</p><p> 直接法:攝取車輛的圖像信息,不依賴車載發(fā)射裝置,對(duì)待識(shí)別車輛進(jìn)行距離性信息采集來實(shí)現(xiàn)車型判別。借助攝像機(jī)拍下的車輛圖像,利用計(jì)算機(jī)技術(shù)進(jìn)行處理,提取所需特征信息,如外型尺寸、前后軸距、車輪大小等等,通過分析比較可達(dá)到判別目的。該方法不需安置設(shè)備,節(jié)約了大量資金,且識(shí)別速度較快,實(shí)時(shí)性得以提高,并在人機(jī)交換性方面得到了
18、很大改善。近些年,隨著計(jì)算機(jī)及相關(guān)技術(shù)的發(fā)展,一些國(guó)家開始關(guān)注人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用,RBF神經(jīng)網(wǎng)絡(luò)便是其中一種,應(yīng)用該技術(shù)進(jìn)行車型的判別有賴于與樣本的比較。</p><p> 近些年來,國(guó)內(nèi)外學(xué)者對(duì)車型識(shí)別技術(shù)的關(guān)注日益加深,也在努力研究新的算法以提高識(shí)別率、降低復(fù)雜度,使得車型識(shí)別技術(shù)得以快速發(fā)展。</p><p> 基于 和 的方法,經(jīng)實(shí)驗(yàn)驗(yàn)證,該方法模型化程度高,可以提高識(shí)
19、別準(zhǔn)確率、對(duì)環(huán)境條件要求低,具有較高實(shí)用性,易于操作[2]。</p><p> 基于模糊理論的方法,它的二級(jí)評(píng)判模型是基于聚類的,該方法受主觀因素影響小,可以客觀地反映真實(shí)情況,快捷高效,極大地提高了實(shí)時(shí)性。</p><p> 基于角點(diǎn)算法進(jìn)行車型的判別,首先要借助圖像分割技術(shù)獲得轎車、貨車、客車的標(biāo)準(zhǔn)樣本,并利用算法求得其角點(diǎn)作為樣本庫(kù)[3]。再提取待識(shí)別車輛的圖像,計(jì)算角點(diǎn)并進(jìn)行比
20、對(duì),計(jì)算待識(shí)別車輛與各車型樣本的距離,并取距離最小者為待識(shí)別車輛所屬車型。經(jīng)驗(yàn)證,基于角點(diǎn)檢測(cè)法較好地滿足了準(zhǔn)確性和快捷性要求。借助角點(diǎn)檢測(cè)技術(shù)進(jìn)行車型判別的方法計(jì)算速度很快,與主成分分析法相比,該方法要簡(jiǎn)單許多,不必像主成分分析法那樣進(jìn)行大量的預(yù)處理工作。 </p><p> 近期,借助圖像處理技術(shù)進(jìn)行車型判別顯現(xiàn)出顯著優(yōu)點(diǎn),國(guó)內(nèi)外學(xué)者對(duì)其關(guān)注度日益加深,但由于背景和光照因素的復(fù)雜多變性,想要達(dá)到理想
21、的圖像分割效果并非易事。近些年,國(guó)內(nèi)外市場(chǎng)都推出了一些實(shí)用的車型判別系統(tǒng)。但是,這些系統(tǒng)都受到一些特殊環(huán)境的限制,車型識(shí)別技術(shù)仍有很大的發(fā)展空間,該技術(shù)的研究應(yīng)用對(duì)實(shí)現(xiàn)交通智能化管理具有很大的推動(dòng)作用。</p><p> 1.3 本文的基本內(nèi)容和組織結(jié)構(gòu)</p><p> 本文先研究了基于灰度閾值分割法的車型識(shí)別技術(shù),客觀分析了該技術(shù)的優(yōu)點(diǎn)和不足。針對(duì)灰度閾值分割法的不足,提出了基于圖
22、像背景差值法的車型識(shí)別技術(shù),該技術(shù)相對(duì)于灰度閾值分割法雖然有部分改善,但圖像又需要滿足更加嚴(yán)格的條件。</p><p> 本論文設(shè)計(jì)了車型識(shí)別的實(shí)現(xiàn)過程,并對(duì)每一步進(jìn)行了分析,其中著重分析了圖像分割和特征提取部分。對(duì)待識(shí)別車輛進(jìn)行車型判別以主成分分析法為基礎(chǔ),提取的主特征為待識(shí)別車輛的頂長(zhǎng)比、頂高比和前后比(車頂中垂線將車身長(zhǎng)分得兩部分的比值),并對(duì)主特征提取對(duì)于車型判別準(zhǔn)確性的影響進(jìn)行了研究,最后給出了針對(duì)該
23、課題的總結(jié)展望。</p><p> 2 車型識(shí)別系統(tǒng)簡(jiǎn)介</p><p> 模式識(shí)別技術(shù)的一個(gè)重要分支是車型識(shí)別,實(shí)現(xiàn)車型識(shí)別的主要步驟如下圖所示:</p><p><b> 2.1 預(yù)處理</b></p><p> 車型識(shí)別過程中的重要環(huán)節(jié)之一就是圖像預(yù)處理,圖像預(yù)處理過程的好壞直接關(guān)系到待識(shí)別車輛的特征提取和
24、特征匹配工作能否順利完成。經(jīng)過預(yù)處理可以去除或減少圖像的多余信息,使圖像的真實(shí)信息得以恢復(fù)、檢測(cè)相關(guān)信息的能力得以提升、圖像的逼真度和圖像的可識(shí)別度得到提高,最大限度地簡(jiǎn)化相關(guān)數(shù)據(jù),提高特征提取、特征匹配和判別的可靠性。</p><p><b> 2.2 特征提取</b></p><p> 特征提取是車型識(shí)別系統(tǒng)的重要環(huán)節(jié),利用計(jì)算機(jī)對(duì)經(jīng)過預(yù)處理的圖像進(jìn)行相關(guān)信息
25、的提取,判定該圖像的特征點(diǎn)包括哪些點(diǎn)[4]。特征值的選擇以及特征提取的好壞直接關(guān)系到能否快速、準(zhǔn)確的對(duì)待識(shí)別車輛進(jìn)行判別和分類。該課題通過對(duì)待識(shí)別車輛的側(cè)視圖進(jìn)行處理來提取特征,通常待識(shí)別車輛的側(cè)視圖可以提供車輛的輪廓信息。若能提取出這些信息,經(jīng)過相關(guān)計(jì)算便可求得:頂長(zhǎng)比(車頂長(zhǎng)度與車身長(zhǎng)度之比)、頂高比(車頂長(zhǎng)度與車輛高度之比)、前后比(以車頂中垂線為界分得車身為兩部分的長(zhǎng)度之比)。再利用計(jì)算得出的三個(gè)特征比進(jìn)行判別[5]。</
26、p><p><b> 2.3 特征匹配</b></p><p> 該課題的特征匹配即利用提取的待識(shí)別車輛的特征值進(jìn)行車型判別。首先,要經(jīng)過統(tǒng)計(jì)計(jì)算求得三類標(biāo)準(zhǔn)車型(轎車、客車、貨車)的特征值(頂長(zhǎng)比、頂高比、前后比)的范圍,進(jìn)行剔除選擇后將其作為樣本庫(kù)。然后,編程實(shí)現(xiàn)車型的判別。</p><p> 3 基于灰度閾值分割法的車型識(shí)別</p
27、><p> 選取含有待識(shí)別車輛的圖像,對(duì)其進(jìn)行灰度線性變換,待識(shí)別車輛的灰度值與背景的灰度值在圖像直方圖不均勻分布,可以選取一灰度閾值范圍,使該閾值范圍包含待識(shí)別車輛的大部分灰度級(jí),幾乎不包含或盡量少包含背景的灰度級(jí),對(duì)閾值范圍內(nèi)的灰度級(jí)賦予255級(jí),對(duì)背景的灰度級(jí)賦予0級(jí),這樣可以將待識(shí)別車輛從背景中分割出來,該方法即為灰度閾值分割法。</p><p> 3.1 介紹各模塊設(shè)計(jì)</
28、p><p> 3.1.1 預(yù)處理模塊</p><p> 由于攝取的圖像一般含有噪聲,需要對(duì)圖像進(jìn)行預(yù)處理,濾除干擾、噪聲,獲得較高品質(zhì)的圖像?;诨叶乳撝捣指罘ǖ念A(yù)處理要對(duì)攝取的圖像進(jìn)行灰度圖像變換、圖像平滑、二值化處理和圖像填充,以達(dá)到提高圖像質(zhì)量的目的,為接下來進(jìn)行車輛輪廓特征的提取提供必要的基礎(chǔ)。預(yù)處理流程如圖3.1所示:</p><p> 圖3.1 預(yù)處理
29、流程圖</p><p> 灰度圖像變換:當(dāng)光線情況不太理想時(shí),與彩色圖像相比灰度圖像更易于分辨,為了滿足光線情況多樣性,有必要對(duì)彩色圖像進(jìn)行灰度變換,這樣既易于處理又減少了計(jì)算量。</p><p> 圖像平滑:為了減少噪聲、干擾的影響,需要對(duì)含有待識(shí)別車輛的圖像進(jìn)行平滑處理。圖像平滑主要有基于空域和基于頻域的方法,中值濾波屬于基于空域的非線性濾波法,該方法對(duì)椒鹽噪聲的濾波效果較好。&l
30、t;/p><p> 閾值分割、二值化:設(shè)圖像灰度值為,所屬區(qū)間為,在和之間確定一個(gè)閾值,則灰度閾值分割法可描述為:</p><p> 由此得到二值圖像[6]。能否確定合適的閾值直接影響車型判別結(jié)果的準(zhǔn)確性。</p><p> 圖像填充:由于噪聲、干擾的影響,基于灰度閾值分割法進(jìn)行圖像分割得到的待識(shí)別車輛的灰度級(jí)并非全部都為255,這時(shí)進(jìn)行圖像填充是很有必要的,經(jīng)過
31、圖像填充,可使圖像車輛部分的灰度級(jí)一致,有利于車輛的特征提取。</p><p> 3.1.2 特征提取模塊</p><p> 對(duì)攝取的圖像進(jìn)行預(yù)處理后,得到的灰度圖像只有兩個(gè)灰度級(jí)(0和255),由于只有兩個(gè)灰度級(jí)便于對(duì)灰度圖像進(jìn)行掃描,提取待識(shí)別車輛的主要特征信息:頂長(zhǎng)比(車頂長(zhǎng)度與車身長(zhǎng)度之比)、頂高比(車頂長(zhǎng)度與車輛高度之比)和前后比(以車頂中垂線為界分得車身為兩部分的長(zhǎng)度之比)
32、[7]。</p><p> 3.1.3 特征匹配模塊</p><p> 基于灰度閾值分割法的車型識(shí)別系統(tǒng)進(jìn)行車型的判別時(shí)采用特征匹配算法,該算法輸入一組待識(shí)別車輛的特征值數(shù)據(jù),判別過程如下:</p><p> (1)輸入一組特征值數(shù)據(jù);</p><p> (2)如果前后比<0.6,則該車輛為貨車,否則轉(zhuǎn)至(3);</p>
33、<p> (3)如果頂長(zhǎng)比>0.3,則該車為客車,否則該車為轎車。程序流程如下圖所示:</p><p><b> 是</b></p><p><b> 否</b></p><p> 否 是</p><p> 圖3.2 程序流程圖</p&g
34、t;<p><b> 3.2 運(yùn)行結(jié)果</b></p><p> 該課題應(yīng)用基于灰度閾值分割法的車型識(shí)別系統(tǒng)對(duì)5輛待識(shí)別車輛進(jìn)行了判別,其中(1)的背景復(fù)雜,(2)、(4)、(5)的背景較簡(jiǎn)單,(3)的背景單一、背景顏色緩慢變化。運(yùn)行結(jié)果如下:</p><p> (1)背景復(fù)雜,待識(shí)別車輛為轎車,選取的灰度閾值為[200/230],運(yùn)行程序后識(shí)別結(jié)
35、果為轎車(識(shí)別結(jié)果正確)。</p><p> 圖3.3 原彩色圖像 圖3.4 灰度圖像</p><p> 圖3.5 圖像直方圖 圖3.6 填充過程圖</p><p> ?。?)背景較簡(jiǎn)單,待識(shí)別車輛為轎車,選取的灰度閾值為[180/210],運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果錯(cuò)誤
36、)。</p><p> 圖3.7 原彩色圖像 圖3.8 灰度圖像</p><p> 圖3.9 圖像直方圖 圖3.10 填充過程圖</p><p> (3)背景單一、背景顏色緩慢變化,待識(shí)別車輛為貨車,選取的灰度閾值為[80/200],運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果
37、正確,但填充效果差、閾值范圍很難確定,圖像分割效果并不理想)。</p><p> 圖3.11 原彩色圖像 圖3.12 灰度圖像</p><p> 圖3.13 圖像直方圖 圖3.14 填充過程圖</p><p> ?。?)背景較簡(jiǎn)單,待識(shí)別車輛為客車,選取的灰度閾值為[50/
38、80],運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確,但填充效果很差)。</p><p> 圖3.15 原彩色圖像 圖3.16 灰度圖像</p><p> 圖3.17 圖像直方圖 圖3.18 圖像填充圖 </p><p> ?。?)背景較簡(jiǎn)單,
39、待識(shí)別車輛為客車,選取的灰度閾值為[30/60],運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確,但填充效果很差)。</p><p> 圖3.19 原彩色圖像 圖3.20 灰度圖像</p><p> 圖3.21 圖像直方圖 圖3.22 填充過程圖</p><p><b&g
40、t; 3.3 結(jié)果分析</b></p><p> 基于灰度閾值分割法的車型識(shí)別系統(tǒng),首先,要將原圖像進(jìn)行灰度線性變換,可求出其相應(yīng)的灰度信息[8]。然后,要根據(jù)灰度圖像的直方圖選取合適的閾值范圍,將灰度圖像轉(zhuǎn)化為二值化圖像,根據(jù)二值化圖像進(jìn)行橫向填充、縱向填充,再利用坐標(biāo)掃描法求得車頂長(zhǎng)度、車身長(zhǎng)度、車輛高度和車頂位置(據(jù)此可求得待識(shí)別車輛的頂長(zhǎng)比、頂高比和前后比)。最后,應(yīng)用特征匹配法對(duì)待識(shí)別車
41、輛進(jìn)行車型的判別。</p><p> 應(yīng)用基于灰度閾值分割法的車型識(shí)別系統(tǒng)對(duì)待識(shí)別車輛進(jìn)行車型的判別,能否準(zhǔn)確的選取合適的閾值范圍直接關(guān)系到圖像分割的好壞,直接影響特征提取和特征匹配工作效果的好壞。當(dāng)待識(shí)別車輛的顏色與背景圖像的顏色對(duì)比鮮明時(shí),表現(xiàn)在圖像直方圖上為灰度級(jí)分布明顯分開,這時(shí)可較容易選取合適的范圍以達(dá)到圖像分割的目的,提取待識(shí)別車輛。而當(dāng)待識(shí)別車輛的顏色與圖像中除待識(shí)別車輛外其余部分顏色相近時(shí),待識(shí)
42、別車輛的灰度級(jí)分布與圖像中除待識(shí)別車輛外其余部分的灰度級(jí)分布有明顯交疊,這時(shí)不易選取閾值范圍進(jìn)行圖像分割,即使勉強(qiáng)分割出了待識(shí)別車輛,往往效果也較差,最后的判別結(jié)果也會(huì)不準(zhǔn)確[9]。</p><p> 4 基于圖像背景差值法的車型識(shí)別</p><p> 固定鏡頭保持不動(dòng),對(duì)得到的視頻進(jìn)行分幀處理,各幀圖像的背景是保持不變的,設(shè)背景圖像的灰度值為,含有待識(shí)別車輛的圖像的灰度值為,讓含有待
43、識(shí)別車輛的圖像的灰度值減去背景的灰度值可得待識(shí)別車輛的灰度值:</p><p><b> ?。?-1)</b></p><p> 即可完成對(duì)待識(shí)別車輛的分割[10]。</p><p> 4.1 介紹各模塊設(shè)計(jì)</p><p> 4.1.1 預(yù)處理模塊</p><p> 基于圖像背景差值法的
44、車型識(shí)別系統(tǒng)對(duì)含有噪聲的圖像進(jìn)行預(yù)處理,濾除干擾、噪聲,獲得較高品質(zhì)的圖像,要進(jìn)行灰度圖像變換、圖像平滑、減背景處理和圖像填充,以達(dá)到提高圖像質(zhì)量的目的,為接下來進(jìn)行車輛輪廓特征的提取提供必要的基礎(chǔ)。預(yù)處理流程如下圖所示:</p><p><b> 二值化</b></p><p> 圖4.1 預(yù)處理流程圖</p><p> 灰度圖像變換:
45、當(dāng)光線情況不太理想時(shí),與彩色圖像相比灰度圖像更易于分辨,為了滿足光線情況多樣性,有必要對(duì)彩色圖像進(jìn)行灰度變換,這樣既易于處理又減少了計(jì)算量。</p><p> 圖像平滑:為了減少噪聲、干擾的影響,需要對(duì)含有待識(shí)別車輛的圖像進(jìn)行平滑處理。主要有基于空域和頻域的方法,中值濾波屬于基于空域的非線性平滑濾波方法,該方法對(duì)椒鹽噪聲的濾波效果較好[11]。</p><p> 減背景、二值化處理:將
46、含有待識(shí)別車輛的圖像與不含待識(shí)別車輛的背景圖像相減,提取出只含有待識(shí)別車輛的圖像,達(dá)到圖像分割的目的。</p><p> 圖像填充:由于噪聲、干擾的影響,基于灰度閾值分割法進(jìn)行圖像分割得到的待識(shí)別車輛的灰度級(jí)并非全部都為255,這時(shí)進(jìn)行圖像填充是很有必要的,經(jīng)過圖像填充,可使圖像上車輛部分的灰度級(jí)一致,有利于車輛的特征提取。</p><p> 4.1.2 特征提取模塊</p>
47、;<p> 對(duì)攝取的圖像進(jìn)行預(yù)處理后,得到的灰度圖像只有兩個(gè)灰度級(jí)(0和255),由于只有兩個(gè)灰度級(jí)便于對(duì)灰度圖像進(jìn)行掃描,再經(jīng)過計(jì)算、比對(duì)可提取待識(shí)別車輛的三個(gè)特征比[12]。</p><p> 4.1.3 特征匹配模塊</p><p> 基于灰度閾值分割法的車型識(shí)別系統(tǒng)進(jìn)行車型的判別時(shí)采用特征匹配算法,該算法輸入一組待識(shí)別車輛的特征值數(shù)據(jù),判別過程如下:</p
48、><p> (1)輸入一組特征值數(shù)據(jù);</p><p> (2)如果前后比<0.6,則該車輛為貨車,否則轉(zhuǎn)至(3);</p><p> (3)如果頂長(zhǎng)比>0.3,則該車為客車,否則該車為轎車。程序流程如下圖所示:</p><p><b> 是</b></p><p><b> 否&
49、lt;/b></p><p> 否 是</p><p> 圖4.2 程序流程圖</p><p><b> 4.2 運(yùn)行結(jié)果</b></p><p> 該課題應(yīng)用基于圖像背景差值法的車型識(shí)別系統(tǒng)對(duì)17輛待識(shí)別車輛進(jìn)行了車型判別,對(duì)不同的情況進(jìn)行了驗(yàn)證,包括同背景不同車型、同車
50、型不同背景、同車型不同位置、同車型不同大小。(1)-(12)基于圖像背景差值法的車型識(shí)別系統(tǒng)的背景圖像比較簡(jiǎn)單,色彩較單調(diào),顏色差異明顯,待識(shí)別車輛易于從背景圖像中分割出來。(13)、(14)背景亮暗分明,(15)-(17)的背景圖像較復(fù)雜,運(yùn)行結(jié)果如下:</p><p> ?。?)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確,但填充效果差)。</p><p> 圖4.3 背
51、景圖像 圖4.4 原彩色圖像</p><p> 圖4.5 灰度圖像 圖4.6 中值濾波圖像</p><p> 圖4.7 圖像分割、填充圖</p><p> ?。?)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確,且填充效果很好)。與(1)相比待識(shí)
52、別車輛大小不變,顏色明亮許多。</p><p> 圖4.8 背景圖像 圖4.9 原彩色圖像</p><p> 圖4.10 灰度圖像 圖4.11 中值濾波圖像</p><p> 圖4.12 圖像分割、填充圖</p><p> ?。?
53、)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(結(jié)果正確,但填充效果很差)。</p><p> 與(1)、(2)相比待識(shí)別車輛的顏色由亮色變?yōu)榱税瞪?lt;/p><p> 圖4.13 背景圖像 圖4.14 原彩色圖像</p><p> 圖4.15 灰度圖像
54、 圖4.16 中值濾波圖像</p><p> 圖4.17 圖像分割、填充圖</p><p> ?。?)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確,填充效果一般)。</p><p> 待識(shí)別車輛的顏色與背景中天空的顏色相近。</p><p> 圖4.18 背景圖像 圖
55、4.19 原彩色圖像</p><p> 圖4.20 灰度圖像 圖4.21 中值濾波圖像</p><p> 圖4.22 圖像分割、填充圖</p><p> 待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確,填充效果很差)。待識(shí)別車輛的顏色與背景中宣傳牌的顏色相近。</p><p&g
56、t; 圖4.23 背景圖像 圖4.24 原彩色圖像</p><p> 圖4.25 灰度圖像 圖4.26 中值濾波圖像</p><p> 圖4.27 圖像分割、填充圖</p><p> ?。?)待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確,填充
57、效果一般)。</p><p> 與(5)相比待識(shí)別車輛的顏色變?yōu)榱税咨?,圖像分割效果有所改善。</p><p> 圖4.28 背景圖像 圖4.29 原彩色圖像</p><p> 圖4.30 灰度圖像 圖4.31 中值濾波圖像</p><
58、;p> 圖4.32 圖像分割、填充圖</p><p> ?。?)待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確,填充效果很差)。</p><p> 待識(shí)別車輛顏色與背景中宣傳牌的顏色相近,與(5)相比車輛大小有變化。</p><p> 圖4.33 背景圖像 圖4.34 原彩色圖像
59、 </p><p> 圖4.35 灰度圖像 圖4.36 中值濾波圖像</p><p> 圖4.37 圖像分割、填充圖</p><p> (8)待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確,填充效果很差)。</p><p> 待識(shí)別車輛顏色與背景中宣傳牌的顏色
60、相近,車輛的大小與(5)、(7)不同。</p><p> 圖4.38 背景圖像 圖4.39 原彩色圖像</p><p> 圖4.40 灰度圖像 圖4.41 中值濾波圖像</p><p> 圖4.42 圖像分割、填充圖</p><p&g
61、t; ?。?)待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確,填充效果很差)。</p><p> 待識(shí)別車輛的顏色與背景中宣傳牌顏色相近,且車輛較大。</p><p> 圖4.43 背景圖像 圖4.44 原彩色圖像</p><p> 圖4.45 灰度圖像
62、 圖4.46 中值濾波圖像</p><p> 圖4.47 圖像分割、填充圖</p><p> ?。?0)待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確,填充效果很好)。待識(shí)別車輛顏色鮮明,明顯有別于背景。</p><p> 圖4.48 背景圖像 圖4.49 原彩色圖像</p>
63、<p> 圖4.50 灰度圖像 圖4.51 中值濾波圖像</p><p> 圖4.52 圖像分割、填充圖</p><p> ?。?1)待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確,填充效果很好)。待識(shí)別車輛顏色鮮明,明顯有別于背景。</p><p> 圖4.53 背景圖像
64、 圖4.54 原彩色圖像</p><p> 圖4.55 灰度圖像 圖4.56 中值濾波圖像</p><p> 圖4.57 圖像分割、填充圖</p><p> (12)待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果錯(cuò)誤,填充效果很好)。</p>&
65、lt;p> 彩色圖像中車輛較長(zhǎng),車身色彩鮮明。</p><p> 圖4.58 背景圖像 圖4.59 原彩色圖像</p><p> 圖4.60 灰度圖像 圖4.61 中值濾波圖像</p><p> 圖4.62 圖像分割、填充圖</p>
66、<p> (13)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確,填充效果很差)。</p><p> 待識(shí)別車輛為灰色與車前公路和車后墻面色調(diào)基本一致。</p><p> 圖4.63 背景圖像 圖4.64 原彩色圖像</p><p> 圖4.65 灰度圖像
67、 圖4.66 中值濾波圖像</p><p> 圖4.67 圖像分割、填充圖</p><p> (14)待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正確,填充效果很差)。</p><p> 待識(shí)別車輛顏色較亮,與背景對(duì)比明顯。</p><p> 圖4.68 背景圖像
68、 圖4.69 原彩色圖像 </p><p> 圖4.70 灰度圖像 圖4.71 中值濾波圖像</p><p> 圖4.72 圖像分割、填充圖</p><p> 待識(shí)別車輛為轎車,運(yùn)行程序后識(shí)別結(jié)果為轎車(識(shí)別結(jié)果正
69、確,而且填充效果很好)。待識(shí)別車輛顏色較亮,明顯有別于背景。</p><p> 圖4.73 背景圖像 圖4.74 原彩色圖像</p><p> 圖4.75 灰度圖像 圖4.76 中值濾波圖像</p><p> 圖4.77 圖像分割、填充圖</p&g
70、t;<p> (16)待識(shí)別車輛為貨車,運(yùn)行程序后識(shí)別結(jié)果為貨車(識(shí)別結(jié)果正確,但填充效果很差)。與(15)相比,待識(shí)別車輛的車型改變,顏色明顯有別于背景。</p><p> 圖4.78 背景圖像 圖4.79 原彩色圖像 </p>
71、<p> 圖4.80 灰度圖像 圖4.81 中值濾波圖像</p><p> 圖4.82 圖像分割、填充圖</p><p> (17)待識(shí)別車輛為客車,運(yùn)行程序后識(shí)別結(jié)果為客車(識(shí)別結(jié)果正確,而且填充效果較好)。與(15)、(16)相比待識(shí)別車輛車型改變,車輛顏色明亮,與背景顏色對(duì)比鮮明。</p><p
72、> 圖4.83 背景圖像 圖4.84 原彩色圖像</p><p> 圖4.85 灰度圖像 圖4.86 中值濾波圖像</p><p> 圖4.87 圖像分割、填充圖</p><p><b> 4.3結(jié)果分析</b></p
73、><p> 基于圖像背景差值法的車型識(shí)別系統(tǒng)的基本原理是利用含有待識(shí)別車輛圖像的灰度值與背景圖像的灰度值相減得到待識(shí)別車輛的灰度值,再對(duì)待識(shí)別車輛的灰度值進(jìn)行二值化處理和圖像填充以達(dá)到圖像分割的目的。同樣,基于背景圖像差值法的車型識(shí)別系統(tǒng)能否準(zhǔn)確判別車型也與待識(shí)別車輛顏色和背景顏色是否具有明顯差異性緊密相關(guān),當(dāng)待識(shí)別車輛顏色與背景的顏色具有明顯差異性時(shí),待識(shí)別車輛的灰度級(jí)分布與背景灰度級(jí)的分布會(huì)明顯分散開,這時(shí)相減
74、得到的待識(shí)別車輛的灰度值較好,而當(dāng)待識(shí)別車輛的灰度級(jí)分布與背景圖像的灰度級(jí)分布比較集中時(shí),這時(shí)相減得到的待識(shí)別車輛的灰度值可能會(huì)出現(xiàn)明顯殘缺,相應(yīng)的圖像分割效果會(huì)很差。同樣,當(dāng)背景較簡(jiǎn)單、色彩較單一時(shí),背景的灰度級(jí)分布比較集中,圖像分割的效果也會(huì)較理想。</p><p> 另一方面,應(yīng)用背景差值法,若要想達(dá)到較好的圖像分割效果,在攝取視頻時(shí)盡量保持?jǐn)z像機(jī)的位置不動(dòng),這樣對(duì)視頻圖像進(jìn)行分幀得到的各幀圖像的背景是不
75、變的,這樣進(jìn)行差值也會(huì)方便許多[13]。</p><p><b> 4.4 結(jié)果對(duì)比 </b></p><p> 基于灰度閾值分割法的車型識(shí)別系統(tǒng):該課題對(duì)該方法進(jìn)行驗(yàn)證時(shí),選取了5輛待識(shí)別車輛,其中有2輛轎車、1輛貨車和2輛客車。驗(yàn)證如下表所示:</p><p> 表4-1 基于灰度閾值分割法的車型識(shí)別系統(tǒng)驗(yàn)證結(jié)果</p>
76、<p> 表4-1 基于灰度閾值分割法的車型識(shí)別系統(tǒng)驗(yàn)證結(jié)果</p><p> 基于圖像背景差值法的車型識(shí)別系統(tǒng):該課題對(duì)該方法進(jìn)行驗(yàn)證時(shí),選取了17輛待識(shí)別車輛,其中有7輛轎車、6輛貨車和4輛客車。驗(yàn)證如下表所示:</p><p> 表4-2 基于圖像背景差值法的車型識(shí)別系統(tǒng)驗(yàn)證結(jié)果</p><p> 通過以上的表4-1與表4-2的對(duì)比可
77、知,基于圖像背景差值法的車型識(shí)別系統(tǒng)的識(shí)別率要高于基于灰度閾值分割法的車型識(shí)別系統(tǒng)的識(shí)別率。</p><p><b> 結(jié) 論</b></p><p> 該課題研究視頻圖像中車輛的車型識(shí)別,總體思路為對(duì)含有待識(shí)別車輛的視頻進(jìn)行分幀處理,通過對(duì)分幀的圖像進(jìn)行一系列處理、計(jì)算、比對(duì)達(dá)到對(duì)其所屬車型判別的目的[14]。該課題以主成分分析法為基礎(chǔ),根據(jù)預(yù)處理階段進(jìn)行圖
78、像分割采用方法的不同可分為基于灰度閾值分割法的車型識(shí)別系統(tǒng)和基于圖像背景差值法的車型識(shí)別系統(tǒng)。該課題重點(diǎn)研究了圖像分割和特征提取工作,能否很好地將待識(shí)別車輛從背景中分割出來直接影響到后續(xù)工作的進(jìn)行。</p><p> 基于灰度閾值分割法的車型識(shí)別系統(tǒng)需要求得含有待識(shí)別車輛的直方圖,根據(jù)圖像直方圖的灰度級(jí)分布,確定待識(shí)別車輛的灰度閾值范圍,對(duì)灰度級(jí)進(jìn)行分類、二值化(將閾值范圍內(nèi)的灰度值統(tǒng)一設(shè)定為255級(jí),閾值范圍
79、外的灰度值統(tǒng)一設(shè)定為0級(jí))。該系統(tǒng)需要人為確定閾值范圍,人為因素在該系統(tǒng)中起著重要作用,直接影響著車型判別結(jié)果的準(zhǔn)確性。該系統(tǒng)要求人為參與作用較大,系統(tǒng)工作較為復(fù)雜,而且對(duì)于待識(shí)別車輛顏色與背景顏色相近的圖像,也不易人為確定閾值范圍來進(jìn)行圖像分割。</p><p> 基于圖像背景差值法的車型識(shí)別系統(tǒng)需要將含有待識(shí)別車輛的圖像的灰度值與背景圖像的灰度值相減,若固定攝像機(jī)的位置,就能保證對(duì)視頻進(jìn)行分幀后提取的圖像的
80、背景是基本不變的。經(jīng)過驗(yàn)證應(yīng)用該方法進(jìn)行圖像差值,除了待識(shí)別車輛和待識(shí)別車輛邊緣的背景外大多都能較好地去除。該方法并不需要人為因素的作用,智能化程度較高。</p><p> 對(duì)進(jìn)行圖像分割的圖像進(jìn)行填充,使待識(shí)別車輛的灰度級(jí)為255,背景的灰度級(jí)為0,利用坐標(biāo)掃描法提取待識(shí)別車輛的相關(guān)信息,依此可求出所需的三個(gè)特征比[15]。可以依據(jù)此特征值進(jìn)行特征匹配識(shí)別車型。</p><p> 基
81、于圖像背景差值法的車型識(shí)別系統(tǒng)的性能要明顯優(yōu)于基于灰度閾值分割法的車型識(shí)別系統(tǒng)的性能,進(jìn)行待識(shí)別車輛分割的效果也要明顯好一些。經(jīng)過對(duì)比驗(yàn)證可以得出基于圖像背景差值法的車型識(shí)別系統(tǒng)的識(shí)別準(zhǔn)確率要明顯高于基于灰度閾值分割法的車型識(shí)別系統(tǒng),而且計(jì)算量也較少,識(shí)別速度較快。</p><p> 本課題以主成分分析法為主體思路,應(yīng)用該方法對(duì)攝取的圖像質(zhì)量要求較高,主特征的提取效果直接影響判別的準(zhǔn)確性[16]。但是,現(xiàn)在車型
82、的外觀多樣化,主成分分析法已很難達(dá)到理想的識(shí)別效果。現(xiàn)在國(guó)內(nèi)外的學(xué)者正在研究新的方法進(jìn)行更高效的車型識(shí)別,而且已經(jīng)取得了顯著成果。應(yīng)用主成分分析法的車型識(shí)別系統(tǒng)對(duì)條件要求較為嚴(yán)格,而且需要人為因素的作用,所以有待進(jìn)一步研究。</p><p><b> 參 考 文 獻(xiàn)</b></p><p> 杜華英. 基于車型識(shí)別的BP算法Matlab實(shí)現(xiàn). 計(jì)算機(jī)與現(xiàn)代化, 2
83、012, 5.</p><p> 鄧天民,于勇. 基于Gabor變換和隱馬爾可夫模型的車型識(shí)別研究. 交通標(biāo)準(zhǔn)化, 2008, 4.</p><p> 周愛軍, 杜宇人. 基于視頻圖像Harris角點(diǎn)檢測(cè)的車型識(shí)別. 揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 11(1).</p><p> 季晨光, 張曉宇, 白相宇. 基于視頻圖像中的車型識(shí)別
84、. 遼寧工業(yè)大學(xué)學(xué)報(bào)(自 然科學(xué)版),2010, (1).</p><p> 車德欣, 李小平. 基于小波分析和矩不變量的車型識(shí)別. 學(xué)術(shù)論文, 2006.</p><p> 胡方明, 簡(jiǎn)琴, 張秀君. 基于BP神經(jīng)網(wǎng)絡(luò)的車型分類器. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2005, 32(3).</p><p>
85、馬蓓, 張樂. 基于紋理特征的汽車車型識(shí)別. 電子科技, 2010, 23(2).</p><p> 馬軍, 賀俊吉, 史立. 轎車局部區(qū)域特征提取與車型識(shí)別. 上海海事大學(xué)學(xué)報(bào), 2011, 32(3).</p><p> 婁莉, 黨瑞榮. 基于智能圖像處理技術(shù)的車型識(shí)別. 微電子學(xué)與計(jì)算機(jī), 2006, 23(6).</p><p> 劉直芳, 游志勝,
86、徐欣, 曹剛. 車型識(shí)別系統(tǒng)中利用陰影特點(diǎn)快速定位車體. 紅外技術(shù), 2002, 24(6).</p><p> 吳志攀, 趙躍龍. 車型圖像分割方法的研究. 惠州學(xué)院院報(bào)(自然科學(xué)版), 2005, 25(6).</p><p> 朱志勇, 劉偉銘, 伍友龍. 基于Bayes法則和BP神經(jīng)網(wǎng)絡(luò)的高速動(dòng)態(tài)情形下車型識(shí)別. 計(jì)算機(jī)測(cè)量與控制, 2005, 13(7).</p>
87、<p> 楊帆,丁士心,唐紅梅,張志偉.?dāng)?shù)字圖像處理與分析,北京:北京航空航天大學(xué)出版社,2007.</p><p> 林通,張宏江,封舉富,石青云.鏡頭內(nèi)容分析及其在視頻檢索中的應(yīng)用.軟件學(xué)報(bào),2002,31(08):1577-1585.</p><p> 侯冠華,史萍.視頻分割與場(chǎng)景聚類算法研究.中國(guó)傳媒大學(xué)學(xué)報(bào)自然科學(xué)版,2006.06,13(02):32-37.
88、</p><p> 房岳樓,徐慶.視頻關(guān)鍵幀選取方法和可視化表現(xiàn)研究.中國(guó)優(yōu)秀碩士學(xué)位論文全文數(shù)據(jù)庫(kù).2008.06:11-23.</p><p><b> 致 謝</b></p><p> 三個(gè)月的畢業(yè)設(shè)計(jì)即將結(jié)束,這次畢業(yè)設(shè)計(jì)使我對(duì)本科所學(xué)習(xí)的知識(shí)有了一次系統(tǒng)的應(yīng)用。在系統(tǒng)設(shè)計(jì)期間,有時(shí)會(huì)感到?jīng)]有頭緒,找不到突破口,老師和同學(xué)給了
89、我中肯的建議,通過查閱相關(guān)的書籍、網(wǎng)上資料,我找到了解決問題的方法,經(jīng)歷了這一過程,我不僅學(xué)到了知識(shí),更學(xué)到了遇到問題時(shí)解決問題的方法。在這里尤其要感謝我的畢設(shè)指導(dǎo)老師,在這三個(gè)月中劉老師給了我無(wú)私的幫助,使我明白了整個(gè)課題設(shè)計(jì)的思路及撰寫論文的過程。劉老師不厭其煩地教導(dǎo)我,幫助我解決問題,更教會(huì)了我分析問題的思路。</p><p> 也很感謝在這篇論文中所涉及到的所有學(xué)者,你們的理論研究對(duì)我的畢設(shè)起到了很大的
溫馨提示
- 1. 本站所有資源如無(wú)特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 電子信息工程技術(shù)專業(yè)畢業(yè)設(shè)計(jì)
- 電子信息工程技術(shù)畢業(yè)設(shè)計(jì)說明書(論文)步進(jìn)電機(jī)控制系統(tǒng)
- 電子信息工程專業(yè)畢業(yè)設(shè)計(jì)(論文)說明書基于fpga的彩色點(diǎn)陣控制器設(shè)計(jì)
- 電子信息工程畢業(yè)設(shè)計(jì)運(yùn)動(dòng)電子貓?jiān)O(shè)計(jì)
- 電子信息工程專業(yè)畢業(yè)論文(設(shè)計(jì))
- 電子信息工程畢業(yè)設(shè)計(jì)外文翻譯
- 土建專業(yè)畢業(yè)設(shè)計(jì)說明書
- 電子信息工程畢業(yè)設(shè)計(jì)wifi天線設(shè)計(jì)
- 電子商務(wù)畢業(yè)設(shè)計(jì)說明書
- 邵陽(yáng)學(xué)院2009屆電子信息工程專業(yè)畢業(yè)設(shè)計(jì)(論文)
- 模具專業(yè)畢業(yè)設(shè)計(jì)說明書
- 數(shù)控專業(yè)畢業(yè)設(shè)計(jì)說明書
- 采礦專業(yè)畢業(yè)設(shè)計(jì)說明書
- 空調(diào)工程畢業(yè)設(shè)計(jì)說明書
- 藥劑專業(yè)畢業(yè)設(shè)計(jì)設(shè)計(jì)說明書
- 煤礦開采專業(yè)畢業(yè)設(shè)計(jì)說明書
- 電子信息工程畢業(yè)設(shè)計(jì)運(yùn)動(dòng)電子狗設(shè)計(jì)
- 電子計(jì)分器畢業(yè)設(shè)計(jì)說明書
- 電子信息工程專業(yè)畢業(yè)論文
- 電子琴畢業(yè)設(shè)計(jì)說明書
評(píng)論
0/150
提交評(píng)論