智能交通系统中车型识别的研究与应用

摘要

本文设计和实现了一种实时车型识别系统，它是智能交通领域的研究热点和难点之一。该系统的处理过程主要包括学习训练和识别分类两个步骤。学习训练步骤首先用时间平均图像法得到背景模型，接着用背景差分法在复杂场景中检测提取运动车辆的轮廓，轮廓的左右及下边界作为车脸的左右及下边界，然后在场景中选定统一的车脸高度阈值定位出每辆车的车脸高度，再对车脸图进行大小归一化处理建立车脸图像库，最后应用特征脸的方法提取车脸的特征向量，得到车脸特征库。识别分类步骤是根据上述方法从场景中提取车脸图，并计算其特征向量，再用最小距离法与特征库的特征向量比对。本文用OpenCV和Visual C++6.0搭建实验平台，共采集100张车辆的车脸生成车脸特征库。实验中，采用80*30大小的车脸，系统识别每辆车时间约为1.88ms左右；当采用120*50和322*131大小时，时间约为3.28ms和30.69ms左右：实验结果表明本系统的可行性、实时性，其中将训练库中作为测试库时，识别率为100％。

目录

文摘

英文文摘

第一章 绪论

1.1 课题研究的目的和意义

1.2 国内外研究现状

1.3 本文的主要研究内容

第二章 视频图像预处理

2.1 颜色模型

2.1.1 RGB颜色模型

2.1.2 HSV颜色模型

2.2 彩色图像的灰度化

2.3 图像噪声的减除

2.3.1 均值滤波器

2.3.2 高斯平滑滤波器

2.3.3 中值滤波器

2.4 灰度图像的二值化

2.5 基于数学形态学的图像处理技术

2.5.1 腐蚀与膨胀

2.5.2 开启与闭合

2.6 本章小结

第三章 运动目标检测与提取

3.1 引言

3.2 光流法

3.3 帧间差法

3.4 背景差分算法

3.5 背景模型方法

3.5.1 高斯混合模型

3.5.2 基于卡尔曼滤波器的背景模型

3.5.3 时间平均图像的背景模型及其更新

3.6 本章小结

第四章 特征提取方法概述和基于特征脸的车型识别系统研究

4.1 引言

4.2 颜色特征

4.2.1 颜色特征

4.2.2 常用的颜色特征提取方法

4.3 空间关系特征

4.3.1 空间关系

4.3.2 常用的特征提取与匹配方法

4.4 纹理特征

4.4.1 纹理特征

4.4.2 纹理特征描述方法

4.5 代数特征

4.6 基于特征脸的车型识别研究

4.6.1 基于K-L变换的特征脸法

4.6.2 特征脸法具体步骤

4.6.3 计算特征脸

4.6.4 特征脸法进行车型识别

4.6.5 分析特征脸法的优缺点

4.7 本章小结

第五章 基于OpenCV的系统实现及实验结果和分析

5.1 开发平台的搭建

5.2 总体思路

5.3 系统各个功能模块设计

5.3.1 车脸库标本

5.3.2 车辆检测定位与车脸提取模块

5.3.3 学习训练及测试识别车脸时间的程序设计

5.3.4 实时车型识别系统设计模块

5.4 实验结果分析

5.5 本章小结

第六章 总结与展望

6.1 论文总结

6.2 论文进一步的工作展望

致谢

参考文献

研究成果