【《基于图像处理的车型识别系统设计》7700字（论文）】

基于图像处理的车型识别系统设计摘要随着科技的日益发展，交通车辆的日益增多，交通的堵塞，拥挤等情况日益严重，机动车识别技术在交通流控制、道路自动收费、停车场管理等领域做出了很大贡献，车型识别技术是智能交通系统中的重要组成部分。车型识别技术有助于对车辆进行分流，对车型进行合理的交通管理，对车辆违章进行辨别等。它已逐步成为中国车辆辨识市场的一项重点研发方向。基于图像处理的车型识别技术是其中一个重要的分支。本文是基于图像处理的车型识别进行研究。在基于图像的车辆识别方法的研究过程中，首先介绍了车型识别技术的国内外研究现状，接着设计了整个系统的实现方案。以摄像头和PC机为硬件系统，模拟道路摄像头系统和背景图的采集系统。利用图像软件对采集的图像进行去噪处理，中值滤波处理和灰度值处理，减少了图像的干扰，实现了车辆检测。然后提取车辆特征，通过差影法去除背景图像，提取车辆轮廓特征，得到车辆的多维特征提取。再利用中值滤波减少干扰，利用形态学修复后的图像得到车辆模型的长度和高度。根据统计标准，对车辆模型进行分类，完成车辆模型识别，并用MATLAB在数据集上进行仿真测试，得到结果。最后，对车辆进行跟踪，提高车辆识别的准确性。关键词：车辆识别；图像识别；特征提取；车辆检测；差影法目录1绪论 11.1课题研究背景与意义 11.2国内外的研究现状 11.2.1车型识别技术的发展现状 21.2.2差影法的发展现状 22车型识别的流程及硬件组成 32.1车型识别的流程 32.2车型识别的硬件组成 43相关理论介绍 53.1视频图像预处理介绍 53.1.1图像灰度化 53.1.2图像滤波 63.2车辆检测介绍 73.2.1静态目标检测 73.2.2动态目标检测 73.3车辆的跟踪介绍 84车辆特征提取与车辆跟 104.1车辆特征提取概述 104.2差影法介绍 114.3实测特征提取过程 114.3.1图像预处理 114.3.2图像差分处理 124.3.3形态学处理 134.3.4填充目标图像 144.3.5扫描得具体参数 165图像特征参数选择及车型识别 175.1特征参数的选择 175.2分类标准的设定 175.3车型识别 175.4测试结果分析 186结论 196.1总结 196.2展望 20参考文献 211绪论课题研究背景和意义现如今，科技的快速发展促使着交通系统的快速发展，出现了越来越多的汽车。随着汽车数量的增多，人们在享受便利的机动车辆的同时也引发了更多的交通道路问题，例如，交通堵塞，车辆偷窃，交通事故，肇事逃逸等诸多问题。面对这种现象，许多国家开始研究智能交通系统。它对解决这些问题从根本上出发，是了一个全心的技术领域，人们开始努力探索各种新技术，将先进的人工智能，计算机处理技术，信息技术，数据传输技术和车型识别技术等技术结合，做到人，车，路和环境紧密联系起来，从而建立一种实时的，高效的，准确的交通系统。不仅有效的缓解了交通拥挤和堵塞等问题，而且对环境保护，交通事故应急处理等都有飞车实用的应用前景。在实际应用中，车型识别技术应用于交通系统，信息通信处理、电子控制和GPS技术等，实现交通信息相关数据的实时检测、处理和传输，具有明显的实用价值。车型识别技术是实现智能交通系统的一个重要分支。与其他技术相比，基于图像处理车型识别技术可以在收集道路车辆图像的同时进行实时的视频监测，以便更好的注意道路实况。与此同时，这种车型识别技术不会破坏道路，还可以更大范围的采集交通流信息。在进行某些应用处理时，可以提供离线的数据进行分析与处理，应用范围更加宽泛。基于图像处理的车型识别只需要道路上现有的摄像头就可以检测到机动车。本实用新型具有安装维修方便、使用寿命长、破坏道路原有结构、节省大量人力物力、保证准确识别等优点。综上所述，基于图像处理的车型识别技术，对解决交通拥堵，交通收费，管理，调到度和统计，尽快发展我国智能交通系统有广阔的应用前景。1.2国内外的研究现状1.2.1车型识别技术发展现状通过对国内外车辆识别技术的分析，当前国内外已有的车型识别技术主要有，射频识别法，红外线探测法，电磁感应线圈识别法，车牌识别法，基于图像处理的车型识别等。射频识别法多用于国外的收费系统中，我国现在也应用该系统。该方法是汽车上按照一个发射器，当车辆经过收费站时，会从发射器发出一个信号，代表着该车的车辆类型，同时会有一个接收器接收该信号，在计算机上进行处理识别，显示出车辆的类型。不过需要监督车辆之间是否交换发射器，同时发射器的投入使用会增加资金投入红外探测方法包括在道路两侧安装红外传感器。当车辆通过道路时，红外传感器会扫描整个身体的各种特征，例如车辆的大小和形状。然而，这项技术受气候的影响很大，如果下雨、下雪或有雾，气候会受到很大影响。电磁感应线圈识别法即在道路下设置一个高电流的感应线圈，当不同的车辆经过其上面时，由于车辆是金属的，会影响感应线圈的电量，同时电量的大小会会影响感应线圈的磁场变化。不同的车型会导致感应线圈不同的磁场变化，以此来进行对车辆类型的识别。该法方法不受天气影响，准确率高，但由于埋在路面下，维修时会破坏道路，且要保证不受车辆的挤压，同时测量时车速不能过快，避免影响准确性。车牌识别法即通过对车牌的识别与扫描，将取得的信息与数据库中进行对比，判断出其车型。该方法简单，但是不能防止车牌的准确性，是否是该车真正的车牌。基于图像处理的车型识别通过对车辆图像的扫描得出车辆的共同特征，利用这些共同特征来判断车辆的类型。该方法简便，安装设备简单，只需要有装在路边的摄像头和一台得到的车辆图像计算机。1.2.2差影法的发展现状在生活中，差影法被广泛应用于各种科技产品中，如监控系统、短时间拍摄相机、图像加减等的应用。在动态遥感图像检测中，如果图像差异超过定义的极限，表示存在异常情况。图像差影法可用于监测灾害变化和环境污染。差分图像识别可以应用于耕地和农作物覆盖的不同区域。在实际运营过程中，采用减法消除背景图像干扰可以取得良好的效果，有利于高速公路收费站的建设。因为通过特定结构的车辆轮廓可以从底部减去。在获得参数后，使用该算法进行识别和分类，以获取车辆信息型。2车型识别的流程及硬件组成2.1车型识别的流程首先获取道路上行驶的视频图像，对图像进行输入。通过对视频图像的预处理，即去噪，灰度处理，中值滤波等处理，检测视频中运动的车辆，接下来对车辆进行特征提取，提取它们的特征参数，最后，采用差影法对其特征进行识别，以获得车辆的车型。车型识别系统的整体流程如图2.1所示：采集的视频采集的视频视频图像预处理视频图像预处理车辆特征提取车辆特征提取车型识别车型识别识别结果识别结果图2.1车型识别系统整体流程图2.2车型识别的硬件组成车型识别的硬件有感应线圈，通常感应线圈埋在地下，当行驶过感应线圈时会有一个减速区，此时摄像头会采集车辆图像。这些采集的信息会传输到计算机系统中，通过计算机的程序算法，会在终端显示车辆的类型。车型识别的摄像头是一款高清的摄像头，里面设置有指示灯，为了能够再昏暗的环境下进行图像的采集，会自动进行灯光的调控。它收集的视频数据可以通过网络传输。视频演示模式不需要任何专业软件。只能使用普通浏览器获取。在实时监控过程中，它还可以控制摄像头的方向。同时，再暴晒和暴雨下，摄像头也是能够正常工作的。3相关理论介绍3.1视频图像预处理介绍在进行目标图像的获取时，由于获取的图像会存在由多种因素导致的误差，例如：拍摄时的抖动，天气的干扰，灰尘，行人等因素，会导致图像处理的难度性。因此，我们要对图像进行预处理，去噪处理，包括灰度值处理，中值滤波处理等，来减少干扰因素，去除不必要的图像信息。从而使提取图像的特征参数更加准确。3.1.1图像灰度化在图像处理中，视频图像由RGB三种颜色即红色，黄色和蓝色的光谱响应，由这三种图像颜色的分量组成。灰度图像是一种特殊的彩色图像。在三种原色中，红色、黄色和蓝色三种成分是相同的。每个像素的变化是255，即255种颜色，而彩色图像是红色、黄色和蓝色。三种颜色中的每一种都有255种变化。图像灰度化就是将像素点中每一个像素点都满足R=G=B，即红色变量的值，绿色变量的值和蓝色变量的值三个值都相等。那么此时这个值就是灰度值。经过灰度值处理后，图像可以避免失真，易于编程。3.1.2图像滤波图像滤波，就是在尽可能的保留图像细节的情况下对图像进行抑制噪声的处理，这是图像预处理中重要的一部分，有效的图像滤波处理，可以提高图像处理的准确性和可靠性。中值滤波处理是一种典型的非线性滤波，它的原理就是把该图像点的值用这一块区域的中间值代替，它的优点是速度快，效果好，运算简单，同时能够保护图像尖锐的边缘。高斯滤波是一种典型的线性平滑滤波，它的原理一个对图像加权平均的过程，把该像素点的值用这一块区域的其他像素点的值经过加权平均代替，可以得到较好的图像边缘，适用在图像去噪处理中，在正太分布的噪声中很有效果。3.2车辆检测介绍通过对车辆进行检测，提取车型的轮廓特征。车辆检测的目的是通过有效的手段在另一幅视频图像中去除不必要的图像特征，提取车辆的有效特征，进行车型识别分类。3.2.1静态目标检测对静态的车辆进行检测，车辆很容易识别出来，将我们已经能够描述的特征解释给计算机知道，利用车型明显的特征来判断车辆的类型。这种方法直观，简便，但不适合普便使用。在天气，阳光，道路污染等情况下，会到影响，选取特定的外观阈值比较困难。但随着技术地发展，出现了方向梯度直方图（HOG）特征和Haar-like特征等，这些边缘特征，是经过数字化处理后通过直方图来表示出来的。利用HOG来计算车辆的边缘特征，会取得比较好的效果。HOG受光线，亮度的影响较弱，在很多计算机视觉任务中都会采取该特征作为特征向量。Haar-like特征是只是用黑白两种像素的特征模板，这种特征有利于计算效率，比较受大家的欢迎。3.2.2动态目标检测对运动的车辆进行检测，即从一段视频中检测目标图像。可以利用高斯混合模型将目标从中提取出来，去除不必要的图像信息，减少干扰因素。在背景简单的图像中，这种效果较好，在背景复杂的图像中，由于干扰因素过多，则着这种方法获取的图像效果并不好。还有一种方法是光流法，采用Harris算子计算图像的特征点。将这些特征点的光流计算出来，采用聚合的方式提取车辆的目标图像。不过，在运动的背景中，这种方法是比较有难度的。卡尔曼了滤波的理论基础是两个高斯分布的函数进行相乘3.3车辆的跟踪介绍车辆跟踪是为了检测车辆的运动状态和运动轨迹，为目标图像提供更多的检测信息。在车辆进入视频监测区域后，对车辆运动的每一帧都进行检测，确定每一帧之间的关系，对特定的目标图像进行识别。利用卡尔曼滤波算法进行车辆跟踪技术。首先确实车辆的初始位置，利用滤波器对其进行初始化，在确定检测目标的搜索区域，将模板与该区域进行匹配，计算相似度是否大于确定的阈值，如果是则加入跟踪序列，若不是则再继续计算新检测目标。4车辆特征的提取4.1特征提取概述实现车型的分类识别，就是提取车辆的某些特征信息，根据这些特征信息，提取有效的共同特征参数，例如长，高，宽，长与高的比，长与宽的比等等。在这些特征参数中，选取适合的特征参数进行车型的分类识别。在提取特征的过程中，应该注意：从不同的车辆中提取特征时，应该有不同的特征，从同一对象中提取的特征应该相互独立，提取的特征应该尽可能简单，否则系统差异的计算时间会增加，不利于操作的及时性。本文利用基本的MATLAB软件，利用MATLAB灰度处理和中值滤波等处理，提取车辆特征信息。车型识别理论系统的运行简图如图4.1。开始开始图像显示图像输入图像显示图像输入彩色图像灰度化彩色图像灰度化图像预处理图像预处理二维小波变换图像滤波二维小波变换图像滤波图像分割图像增强图像分割图像增强车辆检测图像去噪车辆检测图像去噪轮廓提取边缘跟踪轮廓提取边缘跟踪车辆参数提取曲线拟合车辆参数提取曲线拟合车辆样本建立车型输出车辆样本建立车型输出车辆数值分析车辆数值分析结束车型判断结束车型判断图4.1车型识别整体过程4.2差影法介绍差影法实际上是图像代数运算的另一个名称。代数运算是指通过图像之间的点对点加法、减法、乘法和除法来处理两个或多个图像的运算。这里，图像减法算法主要用于减去同一场景的图像s（x，y）和f（x，y）。由于它们是同一场景，所以目标图像的背景基本相同。当两幅图像相减时，由于相同的灰度值，相同位置的背景点是黑点。当同一位置不同时，减法值不为零，处理后的图像与两个目标图像在同一位置只有像素，背景变黑。差影法是对图像进行减法运算，将图像中对应的点的灰度值进行减法运算，去除图像中不需要的图案。如下：T（x，y）=S（x，y）-F（x，y）；x，y为像素点，x=1,2,3，…,m;y=1,2,3，…,n;4.3实测特征提取过程4.3.1图像预处理通过MATLAB编码程序完成对图像的输入，灰度值和中值滤波的处理。具体的MATLAB代码如下：%%读取图像i=imread('1.0.bmp');%读取图片，图片要在当前的目录下figure,imshow(i,[]),title('原图');%显示图片j=imread('1.1.bmp');figure,imshow(j,[]),title('背景');%%图像预处理%灰度化i1=rgb2gray(i);j1=rgb2gray(j);figure,imshow(i,[]),title('原图灰度化');figure,imshow(j,[]),title('背景图灰度化');%中值滤波i2=medfilt2(i1,[5,5]);j2=medfilt2(j1,[5,5]);figure,imshow(i2,[]),title('原图中值滤波处理');figure,imshow(j2,[]),title('背景图中值滤波处理');原图和背景图分别为图4.1和图4.2；图4.1原图图4.2背景图原图和背景图灰度化经过处理后分别得到图4.3和图4.4；图4.3原图灰度化处理图4.4背景图灰度化处理将灰度化处理后的原图和背景图再进行中值滤波处理分别得到图4.5和图4.6；图4.5中值滤波处理原图图4.6中值滤波处理背景图4.3.2图像差分处理在上述过程中，去除了图像中的噪声干扰，两幅图像进行中值滤波处理后得到的结果图如4.7所示。图4.7做差得出的结果图可知，差影的结果图效果好。在获取图片时，由于拍照的不稳定性和其他因素的干扰会造成对结果图的干扰。具体的MATLAB代码如下：thresh=graythresh(i2);i3=im2bw(i2,thresh);thresh=graythresh(i2);j3=im2bw(j2,thresh);%相减后取边界s=imsubtract(j2,j2);s=double(s);figure,imshow(s,[]),title('做差得出结果图')4.3.3形态学处理形态学的基本思想即根据一种特别的结构元素测量或提取图像中的相应的状态来行图像分析和目标识别。许多形态学基础基于两种操作：腐蚀和膨胀。具体的MATLAB代码如下：%腐蚀se=strel('disk',2);s1=imerode(s,se);figure,imshow(s1,[]),title('腐蚀结果')经过腐蚀后得到的结果图如4.8所示：图4.8腐蚀得到的图将车辆进行图像提取的具体MATLAB代码如下：%车辆图像提取s2=bwareaopen(s1,5000);figure,imshow(s2,[]),title('预处理结果')；车辆经过提取后得到的结果图如4.9所示图4.9预处理得图4.3.4填充目标图像填填充操作设计是基于像素边缘的像素面积测量。同时，它也是一种形态学运算，通过MATLAB设置的数学公式和内部函数可以完成垂直和水平图像填充。通过以上过程，我们可以得到图案形状边缘的轮廓。在填充边界等高线图后，我们可以得到形状作为详细参之后详细参数获取的形态。填充操作完成后，图像中不完整的区域进行补充为完整地区域。填充图像后，得到的目标图像不利于汽车特征参数的提取。需要对其进行开运算和闭运算的处理，经模型进行优化，再提取其特征值。廓利于进行取其特征值。具体的MATLAB代码如下：%%填充目标图像，横向填充Ssize=size(s2);fori=1:Ssize(1)n=0;x=zeros(1,400);x=zeros(1,400);y=1;forj=1:Ssize(2)if(s2(i,j)==1)x(1,y)=j;y=y+1;n=n+1;lie_biao=j;endendif((n>=10)&&(lie_biao-x(1,1)>150))form=x(1,1):lie_biaos2(i,m)=1;endendend填充目标图像后得到结果图如4.10所示：图4.10被轮廓修剪后的图形4.3.5扫描得具体参数图4.11扫描点示意图如图4.11，进行扫描得出各个点的左边。A（b1,a1），B(b2,a1)C(b4,a4),D(b3,a3)E(b3,a2)。具体参数如下：车顶长度d=b2-b1；车头高度hmin=a2-a4；车尾高度hmax=a2-a3；整体车长度f=b4-b3；整体车高度h=a2-a1；5图像特征参数选择及车型识别5.1特征参数的选择汽车的相关特征参数可以进行多种选择，汽车的形状可以由不同的功能参数决定，比如宽度和高度。在实际情况中，即使能对车辆进行识别其类型，但不能有效的识别非法改装的车辆及扩大车型等情况。选择几个特征参数，比如宽度、高度、车顶长等，进行车辆的顶部长度和车辆的长度对比，车辆的长度和高度比，对车顶的中垂线进行测量，进行车身的两部分对比等等，对车辆的类型进行识别。通过这些比值和数学公式，根据不同参数的比值分为常见的四种车型。5.2分类标准的设定对四种不同的车辆类型进行了长，高，长高比，轴距比的范围的分类，具体分类如下表5.1所示：表5.1汽车参数大致范围表车辆类型长（m）高(m)长高比轴距比轿车（丰田）4.1-4.41.3-1.50.31-0.320.56-0.59SUV（奥迪Q7）4.5-5.21.7-2.00.37-0.380.53-0.58面包车（长安之星2）3.7-4.21.7-1.90.44-0.450.66-0.67大型客车（汇通）10-13.52.5-3.20.23-0.250.68-0.755.3车型识别经过上述过程得到了目标结果的差影图，根据得到的车辆的几何特征参数，将其分为不同的范围来确定其车型，根据差影法的算法原理，设定相应的数学公式并利用MATLAB进行表达。具体的MATLAB代码下所示：%%识别判断车型d=b2-b1;f=b4-b3;t=b1+d/2;t1=t-b3;t2=b4-t;c1=min(t1,t2);c2=max(t1,t2);h1=a2-a3;h2=a2-a4;hmin=min(h1,h2);hmax=max(h1,h2);disp(‘该车的车型是；’)if((h/f)<0.33)if((hmin/hmax)>0.81)disp([char(6),’大客车’])elsedisp([char(6),’轿车’])endelseif((d/f)>0.8)disp([char(6),’面包车’])elsedisp([char(6),’SUV’])endend5.4测试结果分析经过MATLAB仿真实验可以看出，得出的结果误差较大，轿车得出的结果为SUV。确定算法后，实地测试算法是否能完成车型的特定识别。但由于人工显示误差大，图像识别系统简单，受差分法的限制、环境干扰等外部因素的影响，车辆模型的具体轮廓很难明显提取，以致于算法较于理论，难以结合实际进行误差判别。具体测试结果如下表5.2所示：表6.2测量结果数量错误数量正确率有具体轮廓20860%轮廓清晰12375%通过实地取材对100组进行了测试，经过上表可以发现，其中只有20组有具体的车型轮廓，20组中只有12组的轮廓是清晰的。有具体轮廓的车型判断错误有8组，其中只有3组的轮廓是清晰的。从实验可以看出，只有进行处理后的车型轮廓是清晰的，实验准确率才较高。6结论6.1总结通过MATLAB仿真实验可以看出，该算法较为简便，差影法提取速度较快，电脑的硬件是能够实现这些这些功能的，识别效果也较好，易于理解和操作。但参数及相应的数学公式有人为设定的，提取效果不佳。通过实地取材测试结果可以看出，对处理的目标图和背景图的画质有比较高的要求，按正常的摄影水准很难达到要求，就会造成较多的误差和不确定性，影响车型识别的结果。与此同时，要求有较高的差影法的算法流程。当图像的背景是一定的时候，干扰因素越少，识别的效率越高。当图像的背景较复杂时，识别效果越低，也使的后面识别的误差较大。6.2展望由于研究时间和研究水平的限制，基于图形处理的车型识别仍有存在的一些问题需要解完善，例如以下几点：（1）提取车辆特征的方法有很多种，不同的特征能够从不同的角度去描述车型，研究使用多种方法来研究车型识别，如几何特征、HOG特征和SURF特征三者结合的综合特征，在这方面做更深入的研究。（1）在目标图片