基于BP神经网络的车型识别研究.doc

《基于BP神经网络的车型识别研究.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于BP神经网络的车型识别研究吴志攀作者简介：吴志攀(1975—)，男，广东五华人，惠州学院计算机科学系讲师，硕士，研究方向为图像处理、模式识别。（1.惠州学院计算机科学系，广东惠州516007）摘要车型识别是智能交通系统中的一个重要组成部分，近年来已成为国内外研究热点之一。提出了一种基于特征提取的车型识别方法。该方法首先对车辆图像进行预处理；然后通过图像边缘检测、图像纵横填充、图像修正方法进行车型特征值提取，得到车型分类特征字空间；最后利用BP神经网络进行车型分类识别。实验结果表明，该方法高效可行，并对低质量和背景复杂图像有着良好的处理效果。关键词车型识别；特征提取；图像处理；边缘检测；B

2、P神经网络ResearchonVehicleTypeRecognitionBasedonBPNeuralNetworkWUZhi-pan1(1.ComputerScienceDepartment,HuizhouUniversity,Huizhou516007,China)Abstract:ThevehicletyperecognitionisaveryimportantpartofIntelligentTransportSystemandbecomesoneofthedomesticandforeignresearchhotspotsinrecentyears.Thispaperpresen

3、tsawayofthevehicletyperecognitionbasedonfeatureextraction.Thewayfirstlyincludesapre-processingtothevehicle’simage;andthenaedgedetecting,ahorizontalandverticalfilling,aimagecorrectingtogetthevehicle’sfeatureandthefeature’swordvectorspace;andfinallyavehicletyperecognizingbasedonBP-ANN.ThroughtheMatla

4、bsimulatingresults,thealgorithmbasedonimagedifferenceisgoodforthebackgroundimagesegmentation,andalsocancommendablyreachthegoalbasedonBPANN,andhaveagoodeffectinlow-qualityorcomplexbackgroundimages.Keywords:Vehicletyperecognition;Featureextraction;Imageprocessing;Edgedetection;BPneuralNetwork;0引言车型识别

5、系统的研究和应用在现代交通的监视和控制环节中占有很重要的地位，是实现交通管理现代化和智能化的重要前提，也是现代交通工程研究领域的重点和热点之一[1]。多年来出现了各种各样的车型识别技术，其中通过检测车辆的某些几何参数来归纳分类方法，由于其简单、可行，得到了广泛的应用。但是由于采集图像的质量问题，往往不能取得较好的识别率。因此，提出一种基于特征提取的车型识别方法，在有效的去除背景噪声的同时，提取车型分类特征字空间，应用三层BP神经网络对车型进行分类。1实现方案由于用于车型识别的图像可能包含有一定的噪声（包括脉冲噪声、椒盐噪声、随机噪声）和由于轻微倾斜而引起的图像偏差，因此首先应对车型图像进行预

6、处理，以消除大部分的噪声干扰。作者采用以下流程对图形进行预处理。1.1图像灰度化灰度图像相对于彩色图像来说在光线较低的情况下清晰度高于彩色图像，因此为了适应不同的光线条件有必要把彩色图像转换为灰度图像。这样既满足了处理需要，又减少了信息运算量。利用公式1，对一幅彩色图像（含噪声）进行预处理，经灰度线性变换可得到灰度图像（如图2所示）。（1）1.2图像平滑去噪对于车型识别来说，最重要的是保持车辆轮廓的清晰，同时应该能够清除高频噪声。中值滤波恰好符合这一条件。中值滤波器是一种非线性平滑滤波器，它能够很好地抑制脉冲干扰，保护图像的边缘不变模糊。该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细

7、节，这是因为它不依赖于邻域内那些与典型值差别很大的值。经模板为3×3中值滤波后的图像如图3所示。1.3序列图像差分在整个车型识别系统中，从CCD摄像头获取的图像中除了汽车之外还有许多其他的物体和背景，为了进一步提取汽车特征，辨识车型，必须采用图像分割方法进行背景减除。序列图像差分法不存在阈值θ的选取问题，也不必担心光线、天气等原因造成背景图像的变化，从而有助于提高车型识别率。因此作者采用序列图像差分法进行车型