辆与背景的分离,再对其阈值分割,形态学处理,连通域标记及填充等操作,最终检测出运动车辆。第3章,车辆目标的特征提取。本章采用实时性较好的Sobel算子进行边缘检测,在此基础上进行了特征提取,本课题选取的特征值是:顶长比、顶高比和前后比。第4章,BP网络的设计与车型识别。采用3-8-3的BP神经网络对输入的特征值样本进行训练和测试,基于Matlab平台,进行了分组训练与测试验证,使得训练好的网络稳定性好、识别时间低、识别率高,收到了良好的效果,最终达到了预期的目的。第5章,总结与展望。本章对本文的工作及成果进行了总结,并在所取得的工作成果基础上,对今后的工作及研究提出了展望。第2章车辆目标检测2.1基于视频图像的车型识别系统简介视频图像的车型识别流程图如图2-1所示。视频图像序列采集图像预处理车辆目标检测图像后续处理车辆特征提取分类判决判别结果输出图2-1车型识别流程图1.图像采集系统将摄像机摄取的路段上行驶车辆的视频图像捕捉下来,并数字化,存入内存。2.将这些采集到的图像进行预处理,如:滤波去噪,图像锐化,对比度增强等。3.把汽车从所拍摄的图像中检测出来。4.对图像进行进一步预处理,如:阈值分割,填充等。5.对分割后的图像进行特征提取,用于车型分类器。6.把提取的特征用于训练好的神经网络车型分类器。2.2视频图像序列采集由于本文需利用车辆图像的侧面轮廓特征进行车型识别分类,D摄像机可安装在路侧或通道口的侧面,与车辆通行方向大致成90度角。其拍摄的速率可设置为10bps(每秒钟获取10帧运动车辆视频序列图像),获取的图像大小为192×256pixels。由于需要的是车辆的轮廓图像,因此可以仅仅提取并存储车辆在场景中运动的连续四帧图像。如图2-2采集到的视频序列图像,这里显示的是已被‘rgb2gray’函数处理过的灰度图像(即采集到的RGB模式下的彩色图像首先转化为灰度图像)。
全文预览
