1、本文重點(diǎn)研究了智能交通系統(tǒng)中視頻圖像車(chē)型判別技術(shù)的基本原理和關(guān)鍵技術(shù)。其中，車(chē)型的自動(dòng)識(shí)別是ITS系統(tǒng)的重要分支及關(guān)鍵技術(shù)。通過(guò)學(xué)習(xí)相關(guān)文獻(xiàn)，分析歸納已有的車(chē)型識(shí)別技術(shù)，結(jié)合數(shù)字圖像處理及模式識(shí)別的基礎(chǔ)理論，闡述了一種新的理論方法，并通過(guò)相關(guān)實(shí)驗(yàn)驗(yàn)證了此方法的有效性，同時(shí)設(shè)計(jì)并基本實(shí)現(xiàn)了一種車(chē)型識(shí)別分類(lèi)系統(tǒng)。
　　利用圖像處理和模式識(shí)別方式進(jìn)行車(chē)型的識(shí)別，通常包括運(yùn)動(dòng)目標(biāo)檢測(cè)、特征提取、分類(lèi)識(shí)別等三個(gè)階段。本文選用圖像平均法來(lái)滑動(dòng)

2、更新背景圖像來(lái)進(jìn)行車(chē)輛的檢測(cè)，先利用投影技術(shù)定位出車(chē)輛區(qū)域，隨后根據(jù)車(chē)輛的紋理特征和幾何特征，使用BP神經(jīng)網(wǎng)絡(luò)建模的方法對(duì)車(chē)輛圖像進(jìn)行識(shí)別分類(lèi)，并用MFC及利用OpecvCV顯示結(jié)果。
　　本文先闡述了檢測(cè)運(yùn)動(dòng)車(chē)輛的幾種通用方法，最后比較采用圖像平均法來(lái)滑動(dòng)更新背景圖像減背景圖像法，之后圖像進(jìn)行灰度化、采用自適應(yīng)閾值方法二值化圖像，進(jìn)而采用數(shù)字形態(tài)學(xué)的方法對(duì)車(chē)輛圖像的區(qū)域里的噪點(diǎn)進(jìn)行消除等操作，同時(shí)采用漫水填充算法去除車(chē)體外較大的

3、噪點(diǎn)，用填充法填充車(chē)體內(nèi)部不連通的區(qū)域，最后，提取輪廓，得到了較為完整的車(chē)型輪廓圖像。
　　在車(chē)輛的特征提取方面，本文選用了不變矩特征量和紋理特征灰度共生矩特征量作為特征參量。并提取了四個(gè)紋理灰度共生矩特征量和七個(gè)不變矩特征量作為車(chē)型特征提取的特征參數(shù)。通過(guò)相關(guān)的試驗(yàn)驗(yàn)證了這兩種特征量的有效性，并詳細(xì)的作了一定的分析。
　　在車(chē)型的模式識(shí)別方面，詳細(xì)介紹了人工神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)，并結(jié)合本文使用車(chē)型樣本庫(kù)的特點(diǎn)，

4、分析BP神經(jīng)網(wǎng)絡(luò)分類(lèi)的基礎(chǔ)理論，通過(guò)具體實(shí)驗(yàn)確定了分類(lèi)器的相關(guān)參數(shù)，實(shí)驗(yàn)結(jié)果中，首先，利用不變矩量和紋理特征灰度共生矩量特征并選用BP神經(jīng)網(wǎng)絡(luò)分別對(duì)車(chē)型進(jìn)行識(shí)別，然后再通過(guò)測(cè)試紋理特征矩特征量與七個(gè)不變矩特征量的不同組合，從而得到了兩類(lèi)特征中一對(duì)識(shí)別率較高的組合;在論文最后階段，介紹了車(chē)型識(shí)別系統(tǒng)軟硬件環(huán)境，本文用OpenCV和VisualStudio2008搭建實(shí)驗(yàn)平臺(tái)，并設(shè)計(jì)了一種車(chē)型識(shí)別系統(tǒng)，并進(jìn)行了相關(guān)的系統(tǒng)測(cè)試，并達(dá)到了較好的