1、<p><b>　　摘要</b></p><p>　　隨著交通擁擠和堵塞等各種問題的日益突出，以及計算機技術(shù)的不斷發(fā)展，智能交通系統(tǒng)(Intelligent Traffic System，ITS)得到了越來越廣泛的應(yīng)用，其中車型分類技術(shù)是重要的一個分支。本論文對基于圖像識別的車型識別系統(tǒng)進行了研究，通過對已有的車型識別技術(shù)經(jīng)驗的研究和分析，實現(xiàn)了一個基于圖像的車型識別系統(tǒng)。<

2、/p><p>　　本文首先將拍攝到的車輛圖像進行預(yù)處理，把車輛圖像分割出來；然后提取出完整的車輛外輪廓曲線，最后對輪廓曲線進行分析，通過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行比較，利用最近鄰法進行識別，得出識別結(jié)果。實驗結(jié)果表明，該系統(tǒng)具有較好的識別率和魯棒性。</p><p>　　關(guān)鍵詞：智能交通；車型識別；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本文的主要研究內(nèi)容和結(jié)構(gòu)安排4</p><

9、p>　　2 車型識別系統(tǒng)的總體設(shè)計5</p><p>　　2.1 基于OPENCV的車型識別系統(tǒng)設(shè)計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、列的計算(T算法)18</p><p>　　3.5.2 輪廓起始點的尋找(IP算法)19</p><p>　　3.6 車輛的特征提取20</p><p>　　3.7分類識別22</p><p>　　4 實驗結(jié)果與處理24</p><p>　　4.1 小轎車的車型識別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 車型的識別26</p><p>　　4.2 小貨車的車型識別26</p><p><b>　　結(jié) 論29</b></p><p>　　社會經(jīng)濟效益分析30</p

13、><p><b>　　參考文獻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，隨著社會經(jīng)濟的發(fā)展，公路網(wǎng)通過能力己經(jīng)不能滿足交通流量日益增長的需要，經(jīng)過長期和廣泛的研究，世界各發(fā)達國家逐漸開始采用高新技術(shù)來改造現(xiàn)有的公路交通運輸系統(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、自動控制和模式識別等領(lǐng)域的發(fā)展，智能交通系統(tǒng) (Intelligent Traffic system，簡稱ITS)應(yīng)運而生，并獲得了極大的發(fā)展。ITS包括了

15、智能和交通兩個方面。它將先進的人工智能、信息技術(shù)和自動控制技術(shù)等綜合應(yīng)用于整個交通運輸管理體系，通過對交通信息的實時采集、傳輸和處理，對各種交通情況進行協(xié)調(diào)，建立起一種實時、準確、高效的綜合運輸管理體系，從而使交通設(shè)施得以充分利用，實現(xiàn)交通運輸?shù)募s式發(fā)展。ITS系統(tǒng)是21世紀世界公路交通的發(fā)展趨勢，90年代中期我國學者也開始在相關(guān)領(lǐng)域開展大量的研究。</p><p>　　計算機視覺和模式識別技術(shù)的不斷發(fā)展，為以

16、圖像理解為基礎(chǔ)ITS系統(tǒng)進入實際應(yīng)用提供了契機。計算機視覺就是用計算機來模擬人的視覺功能，從客觀事物的圖象中提取信息，進行處理并加以理解，最終用于實際檢測、測量和控制等。計算機視覺不僅能使機器感知環(huán)境中的幾何信息，包括位置、大小、形狀、運動等，還能對它們進行描述、解釋和理解。計算機視覺為交通系統(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、交通標志和路面標識等都來源于視覺。</p><p>　　基于圖像

17、識別的車型分類系統(tǒng)正是在這種背景下提出來的。車輛檢測和車型分類在ITS應(yīng)用領(lǐng)域中重要的分支，也是目前相對薄弱的技術(shù)環(huán)節(jié)?；趫D像識別的車型分類是一門集計算機視覺、圖像處理、模式識別、工業(yè)測控技術(shù)、電子技術(shù)和系統(tǒng)工程技術(shù)與一體的綜合技術(shù)，引入了計算機信息管理的思想，它能夠自動、實時地對車輛進行檢測和分類，作為交通管理、收費、調(diào)度和統(tǒng)計的依據(jù)。</p><p>　　目前，車型自動分類系統(tǒng)的主要應(yīng)用場合為停車場、路橋收

18、費管理和公安交通管理部門。其中停車場和路橋收費管理部門可利用該系統(tǒng)實現(xiàn)車型的自動識別及收費工作。車型自動分類系統(tǒng)識別車輛的車型，按照事先確定的收費標準確定車輛應(yīng)收費額，自動保存收費記錄，自動費用結(jié)算。這種自動收費方式可在不停車的情況下完成收費工作，達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)實現(xiàn)無人值守警察功能，實時抓拍違規(guī)車輛，結(jié)合相關(guān)數(shù)據(jù)庫還可實現(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基于圖像識別的車型分類系統(tǒng)研究現(xiàn)狀</p><p>　　基于圖像識別的車型分類過程主要包括兩個階段：1、從圖像中分割出目標車輛。2、提取車輛特征并進行分類。針對第一個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，而車輛特征的選取會影響到分類的精確程度，分類器的設(shè)計是否合理則直接決定了最終的分類結(jié)果。因此，一些學者針對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，為車輛建立一個參數(shù)模型，然后以改進的BP神經(jīng)網(wǎng)絡(luò)作為車型分類器，采用梯度下

21、降法訓練網(wǎng)絡(luò)，網(wǎng)絡(luò)輸入為30個特征參數(shù)。該文提出的參數(shù)模型能夠細致地描述車輛的形狀結(jié)構(gòu)特征，但只考慮了固定簡單背景下的情況，而且沒有研究如何從圖像中分割出完整的目標車輛區(qū)域。有的研究成果以頂長比(頂篷長度與車輛長度之比)、頂高比(頂篷長度與車輛高度之比)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)計了一種改進的BP算法(尺度共扼梯度法)對神經(jīng)網(wǎng)絡(luò)分類器進行訓練，解決

22、了一般算法收斂慢的問題。該研究工作主要解決的是上述第二階段的問題，沒有對目標車輛區(qū)域的分割作出研究。</p><p>　　有的研究利用背景消減法進行運動車輛區(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行樣點的抽取，最后計算低維的特征矢量，并將得到的Gabor特征集與模板特征集進行匹配，從而實現(xiàn)車型分類。該方法只適用于幾何特征明顯的物體識別，不能進行車型的細分。而且采用模板匹配法進行分類需要較多的計算時間?；趫D像識別的車型自動分類系統(tǒng)</p><p>　　

24、還有學者以車輛前上方的圖像作為處理對象，利用車牌位置信息確定車頭位置，并對車頭部分的保險杠所在位置進行測量，以保險杠的長度作為車輛的寬度，同時找出車頂位置，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算車輛的長度;最后采用SVM (Support Vector Machine)分類器對三個參數(shù)進行分類。該文把車輛的絕對長度、寬度和高度作為分類的依據(jù)，但對像轎車和吉普車這類車，只用三個參數(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度和高度存在很大的困難，對圖像質(zhì)量要求較高。</p><p>　　也有研究是利用一種模糊模式識別方法對車型進行分類。首先從車輛上方、和側(cè)面兩個角度采集車輛圖像，通過分割和輪廓跟蹤得到車輛輪廓圖，然后采用模糊識別技術(shù)對車型進行分階段識別。第一階段以車輛的頂長比和前后比作為特征參數(shù)，利用模糊支持向量機實現(xiàn)客車和貨車的分類;第二階段利用車輛的長度、高度和寬

26、度作為特征參數(shù)，利用模糊神經(jīng)網(wǎng)絡(luò)建立客車的識別模型，用遺傳算法來同時優(yōu)化隸屬函數(shù)和推理規(guī)則，得到了穩(wěn)定精簡的識別模型，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別的車型分類系統(tǒng)的核心問題和關(guān)鍵技術(shù)：</p><p>　　1、

27、目標車輛區(qū)域的分割和提取：如何在復雜的背景下分割出完整的目標車輛區(qū)域是整個系統(tǒng)的前提和基礎(chǔ)，目標車輛區(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，又具有簡潔性，以減少計算復雜度。</p><p>　　3、車型分類：在得到車

28、輛的特征參數(shù)后，需要設(shè)計合適的分類器以對各種車型進行分類。</p><p>　　針對第一項，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有考慮復雜背景下的情況，沒有對車輛區(qū)域分割這一問題在實際應(yīng)用中遇到于圖像識別的車型自動分類系統(tǒng)的困難作深入討論。</p><p>　　第二項車輛特征的選取主要集中在車輛幾何尺寸的度量，包括絕對幾何尺寸和相對幾何尺寸。絕對幾何尺寸即根據(jù)攝像頭與

29、車輛之間的距離和圖像拍攝的角度計算出車輛的實際大小，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，而這在實際應(yīng)用中幾乎是無法實現(xiàn)的，而且車輛的大小有時并不能代表其所屬車型;相對幾何尺寸不要求計算車輛的實際尺寸，而是計算車輛各個幾何參數(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)，而且對車輛圖像的大小不作限制，即對攝像頭的安裝要求比較靈活，從而擴大了其適用范圍。</p><p>　　第三項對車型作

30、最終分類，最簡單的方法就是對得到的車輛特征參數(shù)與標準特征參數(shù)進行比較得出分類結(jié)果，這種方法運算量小，但只能適用于參數(shù)個數(shù)較少的情況，而參數(shù)個數(shù)太少就無法對車型進行有效分類;模板匹配法把分割得到的車輛圖像直接與標準模板進行比較，這需要耗費較多的計算時間另外存在一個更實際的問題是，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，而在實際應(yīng)用場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)用于如公路收費等場合。</p><p>　　1.3本文的主要研究內(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，基于視頻技術(shù)的車輛類型自動識別是智能交通系統(tǒng)的一個重要研究方向，在城市道路交通監(jiān)控和高速公路收費等系統(tǒng)中有著廣泛的應(yīng)用前景。本設(shè)計要求對于拍攝的圖像，在VC和OPENCV環(huán)境下，進行車型識別系統(tǒng)的設(shè)計。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>　?。?）具有較高的識別率。</p><p>　　本文的研究內(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，確定了以圖像識別為基礎(chǔ)的車型分類方法，設(shè)計了系統(tǒng)的總體框架。</p><p>　　2、基于圖像處理和結(jié)構(gòu)模式識別理論，探索出針對車

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、基于車輛特征的提取。</p><p>　　3、在分類方面，針對車型分類問題的獨特性，選擇最近鄰分類法。</p><p>　　2 車型識別系統(tǒng)的總體設(shè)計</p><p>　　2.1 基于OPENCV的車型識別系統(tǒng)設(shè)計</p><p>　　基于圖像識別的車型分類系統(tǒng)是集計算機視覺

34、、圖像處理、模式識別、工業(yè)測控技術(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別4個大的步驟。</p><p>　　圖2.1圖像處理一般框圖</p><p>　　圖像獲取主要通過攝像機獲取動態(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)處理和識別做準備。</p><p&

35、gt;　　圖像預(yù)處理是采用圖像處理技術(shù)對采集的單幀圖像進行處理，包括濾波去噪、圖像轉(zhuǎn)換、二值化、邊緣檢測、形態(tài)學運算等步驟，為下一步的車型特征提取做準備。它是車型識別的重要的一個步驟。由于采集圖像環(huán)境的復雜性，圖像預(yù)處理效果的好壞，直接影響后期車型特征的提取，進而影響識別分類效果。</p><p>　　車型特征的提取是車型識別系統(tǒng)的關(guān)鍵步驟。根據(jù)先驗知識，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>　　分類識別是選擇合適的分類器。對車型特征進行分類。一般采用傳統(tǒng)的模式識別方法，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>　　本論文的車型識別系統(tǒng)是對采集的汽車側(cè)面靜態(tài)圖像進行識別。它的步驟如圖2.2所示：</p><p>　　圖2.2本設(shè)計的系統(tǒng)框圖</p><p>　　對靜

37、態(tài)圖像先進行圖像預(yù)處理，然后提取出車型特征，在采用傳統(tǒng)的模式識別方法最近鄰分類器，通過與事先提取的車型特征進行對比，輸出識別結(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)是通過計算

38、機對圖像進行去除噪聲、增強、復原、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)展主要受三個因素的影響:一是計算機的發(fā)展;二是數(shù)學的發(fā)展(特別是離散數(shù)學理論的創(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)學等方面的應(yīng)用需求的增長。</p><p>　　一般來講,對圖像進行處理(或加工、分析)的主要目的有三個方面: </p><p>　　(1) 提高圖像的視感質(zhì)量,

39、如進行圖像的亮度、彩色變換、增強、抑制某些成分,對圖像進行幾何變換等,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算機分析圖像提供便利。提取特征或信息的過程是模式識別或計算機視覺的預(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、拓撲特征和關(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,以便于圖像的存儲和傳輸。</p><p>　　不管是何種目的的圖像處理,都需要由計算機和圖像專用設(shè)備組成的圖像處理系統(tǒng)對圖像數(shù)據(jù)進行輸入、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，直接在空間域中進行處理，涉及計算量很大。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行數(shù)字濾波處理）。目前新興研究的小波變換在時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（即比特數(shù)），以便節(jié)省圖像傳輸、處理時

42、間和減少所占用的存儲器容量。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) 圖像增強和復原圖像增強和復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。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節(jié)明顯；如強化低頻分量可減少圖

43、像中噪聲影響。圖像復原要求對圖像降質(zhì)的原因有一定的了解，一般講應(yīng)根據(jù)降質(zhì)過程建立"降質(zhì)模型"，再采用某種濾波方法，恢復或重建原來的圖像。 </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，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進一步進行圖像識別、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，但還沒有一

44、種普遍適用于各種圖像的有效方法。因此，對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之一。 </p><p>　　(5) 圖像描述圖像描述是圖像識別和理解的必要前提。作為最簡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（識別）圖像分類（識別）屬于模式識別的范疇，其主要內(nèi)容是圖像經(jīng)過某些預(yù)處理（增強、復原、壓縮）后，進行圖像分割和特征提取，從而進行判決分類。圖像分類常采用經(jīng)典的模式識別方法，有統(tǒng)計模式分類和句法（結(jié)構(gòu)）模式分類，近年來新發(fā)展起來的模糊模式識別和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖像識別中也越來越受到重視。</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,其共同點是將圖像變換到其它域(如頻域)中進行處理(如濾波)后,再變換到原來的空間(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)計方法、微分方法及其它數(shù)學方法:第三類是數(shù)學形態(tài)學運算,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集合論的基礎(chǔ)上的運算。</p><p>　　2.3 本系統(tǒng)用到的圖像處理技術(shù)</p>

47、<p>　　該過程主要是把模擬圖像信號轉(zhuǎn)化為計算機所能接受的數(shù)字形式，以及把數(shù)字圖像的顯示和表現(xiàn)出來。這一過程包括攝取圖像，光電轉(zhuǎn)換及數(shù)字化等幾個步驟。在車型識別中圖像的獲取分為靜態(tài)的和動態(tài)的，動態(tài)的是通過利用攝像頭獲取圖像，并對其進行車型識別。</p><p>　　圖像的預(yù)處理包含：圖像的灰度化，圖像的二值話，圖像復原，圖像增強，圖像分割，邊緣檢測。</p><p><b

48、>　　1．圖像的灰度化</b></p><p>　　一幅完整的圖像，是由紅色綠色藍色三個通道組成的。紅色、綠色、藍色三個通道的縮覽圖都是以灰度顯示的。用不同的灰度色階來表示“ 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，亮度級別是255。</p><p>　　在計算機領(lǐng)域中，灰度數(shù)字圖像是每個像素只有一個采樣顏色的圖像。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，在計算機圖像領(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的灰度值設(shè)置為0或255，也就是講整個圖像呈現(xiàn)出明顯的黑白效果。 </p><p>　　將256個亮度等級的灰度圖像通過適當?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一步處理，使圖像變得簡單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標的輪廓。其次，要進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象物，從而把圖像看做僅由對象區(qū)域與背景區(qū)域所構(gòu)成。</p><p><b>　　3． 圖像復原</b></p><p>　　當造成圖像退化的原因己知時，復原技術(shù)可以對圖像進行修復。圖像復原的關(guān)鍵的是對每種退化的偶需要有一個合理的模型。例如，掌握了

53、聚焦不良成像系統(tǒng)的物理特性，便可恢復原模型，而且對獲取圖像的特定光學系統(tǒng)的直接測量也是可能的。退化模型和特點數(shù)據(jù)一起描述了圖像的退化的影響，從而產(chǎn)生一個等價與理想成像系統(tǒng)所獲得的圖像。因為本文采用的圖像為靜態(tài)圖像，從而選取的圖像都為識別度很高的圖像，則而不需要圖像復原。</p><p><b>　　4． 圖像增強</b></p><p>　　圖像增強是對圖像質(zhì)量在一般

54、意義上的改善。當無法知道圖像有關(guān)的定量信息時，可以使用圖像技術(shù)較為主觀地改善圖像的質(zhì)量。所以，圖像增強技術(shù)是用于改善圖像質(zhì)量所采取的一種方法，因為增強技術(shù)并非是針對某種退化所采取的方法。所以很難預(yù)測哪一種特定技術(shù)是最好的，只能通過實驗和分析誤差來選擇一種的合適的方法。有時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，使人或計算機更以觀察或檢測。在這種情況下，可以把增強理解為增強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)增強動感和力度。</p><p><b>　　5． 圖像分割</b></p><p>　　把圖像分成區(qū)域的過程就是圖像分割。圖像自動分割是圖像處理中最困難的問題之一。人類視覺系統(tǒng)的優(yōu)越性，使得人類能夠?qū)⑺^察的復雜環(huán)境觀察出來，可計算機卻是個難題，由于解決和分割有關(guān)的基本問題是特定領(lǐng)域中圖像分析實用化的關(guān)鍵

56、一步，因此，將各種方法融合在一起并使用技術(shù)來提高處理的可靠性和有效性是圖像分割的研究熱點。</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，這些邊緣對應(yīng)圖像中特性“有意變化的地方。例如，對于車輛圖像來說，邊緣特征常常對應(yīng)車輛的輪廓線或線。圖像的邊緣檢測能夠使圖像的輪廓更加突出，是一種重要的區(qū)域處理技在對圖像進行

57、特征提取之前，一般都需要進行邊緣檢測，然后進行二值化處邊緣檢測將突出圖像的邊緣，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，可以對圖像進行差分運算得到。的邊緣檢測算子包括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來進行邊緣檢測。</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算機視覺函數(shù)庫。它由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。 OpenCV是一個跨平臺的中、高層 API 構(gòu)成，目前包括 300 多個 C 函數(shù)。它不依賴與其它的外部庫，盡管也可以使用某些外部庫。OpenCV 對非商業(yè)用途和商業(yè)用途都是免費的。</p><p>　　這是目

59、前的現(xiàn)狀。而標準的API將簡化計算機視覺程序和解決方案的開發(fā)。OpenCV致力于成為這樣的標準API。</p><p><b>　　它有以下特點： </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) 強大的圖像和矩陣運算能力 </p><p>　　(5) 方便靈活的用戶接口 </p><p>　　(6）同時支持MS-WINDOWS、LINUX平臺 </p><p>　　3 基于OPENCV的車型系統(tǒng)的實現(xiàn)</p><p>　　本章詳細介紹基于OPENCV的車型系統(tǒng)的實現(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，安裝完成后要對其進配置。OPENCV環(huán)境配置包括兩個方面，一個是系統(tǒng)環(huán)境配置；一個是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，如果沒有，請加入。先打開“我的電腦”屬性，選擇“高級”選項，點擊“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．項目配置</b></p><p>　　每創(chuàng)建一個將要使用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CImage類及其成員函數(shù)實現(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)實現(xiàn)的。如何實現(xiàn)IplImage*的對象與CImage類對象的數(shù)據(jù)傳輸，從而實現(xiàn)圖像數(shù)據(jù)的讀取、顯示和處理是關(guān)鍵。具體的實現(xiàn)過程是通過CImage

68、的CopyOf（）函數(shù)和GetImage()函數(shù)實現(xiàn)。</p><p>　　IplImage* Image; //生成OPENCV處理的對象</p><p>　　CImage m_image; //生成CImage對象1</p><p>　　CImage MyImage; //生成CImage對象2</p><

69、p>　　在打開文件的OnOpenDocument(LPCTSTR lpszPathName)函數(shù)中，添加下列語句</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); //復制圖片，接受以后的處理</p><p>

70、;　　Image=MyImage.GetImage(); //得到IplImage*指針，方便運用opencv進行處理</p><p>　　這樣就將圖像讀進了m_image中，并復制給了opencv的對象Image。</p><p>　　圖像的顯示在OnDraw(CDC* pDC)函數(shù)中實現(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CSize對象, 用于保存滾動條的尺寸, 設(shè)為圖像的真實尺寸</p><p>　　CSize sizeTotal(rect.right, rect.bottom);</p><p>　　SetScrollSizes(MM_TEXT, sizeTotal);//設(shè)置滾動條的位置 </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CopyOf（）函數(shù)傳回MyImage，顯示。</p><p>　　3.3圖像的邊

74、緣檢測</p><p>　　圖像中的邊緣是視覺感知的重要線索，這些邊緣對應(yīng)圖像中特性“有意變化的地方。例如，對于車輛圖像來說，邊緣特征常常對應(yīng)車輛的輪廓線或線。圖像的邊緣檢測能夠使圖像的輪廓更加突出，是一種重要的區(qū)域處理技在對圖像進行特征提取之前，一般都需要進行邊緣檢測，然后進行二值化處邊緣檢測將突出圖像的邊緣，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，可以對圖像進行差分運算得到。</p><p>　　Sobel是邊緣檢測的算法之一，使用擴展Sobel算子計算一階,二階，三階或混合圖像差分。</p><p>　　在OpenCV中運用cvsobel函數(shù)如下為運用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通過對圖像用相應(yīng)的內(nèi)核進行卷積操作來計算圖像的差分（3.1）</p><p><b>　　（3.1）</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）來計算一階圖像差分。</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>　　上面圖表為對圖像像素處理的模板矩陣，每個圖像像素點都與這個兩個模板作卷積，第一個模板用于檢測水平邊緣，第二個模板用于檢測豎直邊緣。兩個卷積結(jié)果的最大值即為該點的輸出值。 Sobel邊緣檢測算子對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</b></p><p>　　（1

79、）LOG邊緣檢測的一般算法：</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。但其算法簡單處理速度快，在流量較大路口的車輛檢測系統(tǒng)中有較高實用價值</p><p>　　LOG算法是一種2階邊緣檢測方法。它通過尋找圖像灰度值

80、的中二階微分中的過零點(Zero Crossing)來檢測邊緣點。因為，灰度緩變形成的邊緣經(jīng)過微分算分算子峰值兩側(cè)符號相反，而原先的極值點對應(yīng)二階微分中的零點為了消除噪聲影響。必須用高斯函數(shù)對圖像進行濾波在對濾波后的的圖像求二階導數(shù)，即按照下式計算</p><p><b>　?。?.2）</b></p><p>　　其中以為圖像，G(X，Y)為高斯函數(shù)，上述兩個處理步

81、驟可以合成一個算子，經(jīng)運算可得</p><p><b>　?。?.3）</b></p><p>　　公式中稱為拉普拉斯高斯算子，經(jīng)運算可得：</p><p><b>　?。?.4）</b></p><p>　　是關(guān)于原點對稱的函數(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>　　（2）LoG算法過零檢測</p><p>　　對G(x,y)簡化得到下公式</p><p><b>　?。?.5）</b></p><p>　　一般，礦取值較大時，趨于平滑圖像；fir較小時，則趨于脫化圖像。</p><

83、p>　　事實上，檢測邊界就是尋找的過零點，可用以下幾種參數(shù)表示過零點處灰度變化的速率：</p><p>　　(1)過零點處的斜率。</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值之和。</p><p>　　邊界點方向信息可由梯度算子給出。為減小計算量，在實用中可用高斯差分算

84、子(DOG) </p><p><b>　　（3.6）</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”屬性一致的準則，決定每個像素的歸屬區(qū)域區(qū)域分割是圖像處理中的一項基本內(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)計特征，通過某一約束函數(shù)，選取合理的閩值進行區(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，即先找出目標的邊界，通過某一判別標準，識別出目標邊界，用邊界來表示目標

86、，然后進行聚類，將目標從圖像中識別出來。這類方法包括:自適應(yīng)閡值法，模糊C均值法。本文根據(jù)車輛圖像的特點和實際需要，采用上述第一類基于圖像的灰度統(tǒng)計特征的閩值分割法對圖像進行區(qū)域分割。下面簡單介紹本文運用的直方圖分析法。</p><p>　　3.5 圖像的輪廓提取</p><p>　　識別車型，需要提取汽車外部輪廓特征，對二值圖像進行輪廓跟蹤，得到輪廓曲線。所以，首先要對上述二值化圖像進行

87、輪廓跟蹤。輪廓跟蹤的基本方法是：先根據(jù)某些嚴格的“探測準則”找出目標物體輪廓上的像素，再根據(jù)這些像素的某些特征用一定的“跟蹤準則”找出目標物體上的其它像素點．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)為鄰點的255(白像素)，按定義，這些值為255的點一定是邊界點。這種算法要對每個邊界像素周圍的八個鄰點進行判斷，計算量較大．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，當穿過黑像素時左轉(zhuǎn)

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

89、完后再尋找第二個輪廓起始點，接著計算第二個輪廓方向序列；如此依次交叉的進行，計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算法。</p><p>　　3.5.1 輪廓方向序列的計算(T算法)</p><p>　　輪廓方向序列是由輪廓起始點開始到輪廓上的第二點。第三點，直到最后一點再返回起始點為止，由方向所組成的方向序列。確定輪

90、廓上一點走向下一點的方向是用“最先左看規(guī)則”，即從進入輪廓點(如A點)的方向看去(如圖3.3)，最先向左方向?qū)ふ遥粲龅交叶燃壓虯點相同的鄰點，則輪廓由A點走向這一點，若左看沒有灰度級和A點相同的鄰點，再按向上看、向右看、向下看的順序?qū)ふ?，直到找到有灰度級相同的點為止．將輪廓由A點移向該點，若四個方向都沒有表示這個輪廓只是由一個像素(孤立點)構(gòu)成的。</p><p><b>　　圖3.3向右看圖<

91、/b></p><p>　　3.5.2 輪廓起始點的尋找(IP算法)</p><p>　　為了尋找輪廓起始點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，按列從上到下逐點順序掃描，知道右小角最后一個像素為止，對掃描遇到的每一個像素，進行判別是否為輪廓起點IP。如果判別每一像素是否為IP呢?先來介紹一下“掃描搜索比較表”和“起始點判

92、別準則”.</p><p>　?、賿呙杷阉鞅容^表構(gòu)成(CPL)</p><p>　　(1)僅每掃一行，制一個表，當然開始掃描前表是空的．</p><p>　　(2)對每一行掃描從左到右逐點進行判別。若遇到點標志為A，將該點的灰度級值從表的右端依次填入表中。若遇到點標志是D，將表中最靠近標志為A的灰度級劃去。若遇到點標志是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，因為輪廓總是封閉的，輪廓通過某一行有向下的點(D)，有向上的點(A)，即A點數(shù)一定等于D點數(shù)。</p><p>　?、谳喞鹗键c判斷準則</p><p>　　在掃描搜索過程中，凡符合下列兩個條件的就判為輪廓起始點IP。</p><p>　　(1)標志是I(即不是已確認過的輪廓上的點)．<

94、;/p><p>　　(2)它的灰度級值不等于掃描搜索表中最靠近的標記為A的點的灰度級值。按照這兩種準則就可以判斷輪廓起始點．這里注意的就是一副數(shù)字圖像的左上角的點(第一行，第一列)總認為是第一輪廓起始點，這是不難理解的。二值化圖像輪廓提取還可以采用數(shù)學形態(tài)學的方法：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)中采用如下跟蹤準則：對

95、差值按照從左到右，從下到上的順序搜索，找到的第一個白色點一定是最左下方的邊界點，以這個邊界點起始，假設(shè)已經(jīng)沿順時針方向環(huán)繞整個圖像一圈找到了所有的邊界點。由于邊界是連續(xù)的，所以，每個邊界點都可以用這個邊界點對前個邊界點所張的角度來表示．所以，從第一個邊界點開始，定義初始的搜索方向為沿左上方；如果左上方的點是白色的，則為邊界點，否則搜索方向順時針旋轉(zhuǎn)45度。這樣一直到找到另一個白色點為止。然后把這個白色點作為新的邊界點，在當前搜索方向的基

96、礎(chǔ)上逆時針旋轉(zhuǎn)90度，繼續(xù)用同樣的方法搜索下一個自點，直到返回最初的邊界點為止。</p><p>　　3.6 車輛的特征提取</p><p>　　提取特征時我們必須考慮兩個基本問題：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，也即對分類有較大的貢獻。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)但在公路收費等場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)對應(yīng)起來。</p><p>　　表3.1為車輛形狀與類型的對應(yīng)關(guān)系：我們首先對汽車的形狀進行分類，即我們將這些汽車圖像的形狀作為汽車判斷的標準，由這個汽車形狀特征與讀入的汽車圖像形狀特征進行比對，只要符合其中某一個汽車圖像標準，就會將其識別為該類汽車。</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>　　上表格為識別汽車圖像特征標準，前幾章節(jié)主要介紹了圖片顯示與特征提取，通過對汽車進行圖像預(yù)處理，從而進一步提取汽車圖像的特征點，按要求轉(zhuǎn)換為識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設(shè)定的標準特征信號相比較，取與汽車標準特征信號特征距離最小的那個標準特征信號，可以的出汽車型車型。總之，汽車車型的識別過程就是一個特征提取與特征比較的過程。</p&g

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

100、是識別置信度最低的樣本,系統(tǒng)的誤識率就會在拒識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)?，F(xiàn)在,多方案集成是模式識別的一個重要趨勢。人們已不再滿足于簡單的表決,而希望能充分利用單個分類器的各種信息。 其中,每個分類器的置信度是一種重要信息。其意義是明顯的：當多個分類器的結(jié)果不同時,應(yīng)當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。對于基于前

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

102、識模式進行分類，這種分類技術(shù)思想直觀，方法簡單，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概率的方法，最近鄰法的某些技術(shù)在理論上可以達到先驗知識完備的貝葉斯決策的分類效果，能適應(yīng)類域分布較復雜的情況，這類技術(shù)是最重要的模式識別技術(shù)之一。實際上，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>　　對于c類問題，設(shè)類

103、有N個訓練樣本。分類的思想是對于一個待識模式x，分別計算它與各已知類別的訓練樣本的距離，將它判為距離最近的那個樣本所需的類。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)離待識模式最近的一個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)，…分別為待識模識x的k個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 實驗結(jié)果與處理</b&g

106、t;</p><p>　　本論文的的車型識別主要識別主要為4類：小轎車，貨車，吉普車，和大型客車。對于這4類的識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 小轎車的車型識別</p><p>　　首先對小轎車進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>　　對轎車圖像進行圖像的預(yù)處理得到的為下圖所示；</p><p>　　圖4.2邊緣檢測后的圖像</p><p>　　原圖與邊緣檢測后的圖像可以看出邊緣檢測后的圖像影子與車身是混在一起，造成這種現(xiàn)象的原因是因為原圖是彩色圖像，沒有對原圖進行灰度化，而程序識別的像位是255位，所以造成以上的原因。</p>

108、<p>　　一般對圖像進行預(yù)處理時 一般會遇到的以下的幾個問題：</p><p>　?。?）圖像無法打開。</p><p>　　本設(shè)計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，軟件也無法打開。</p>

109、;<p>　　在程序設(shè)計中設(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，程序是無法運行的，應(yīng)將圖像進行轉(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><