汽车车型图像的自动识别.pdfVIP

!!竺兰!里 墅垄堕全里璺叁望垩兰堂查叁坚婆壅叁 ±望里墨墨翌兰垒 汽车车型图像的自动识别 王年任彬黄勇汪炳权 t 安徽7：学电子工程与信息辩学系旨肥23 0391 毫 摘要 本文提出了一种刹用前岛三层神经鸸络及计算机视觉技术对汽车车型进行自动识别的方法，包括汽车 车型图像的丹割、特征提取以及基于前向三层神经网络的自动识别和分类。文中的所有算法均在586／133微机 上实现，识别和分类效果良好， 关键词 圈像分割．特征提取．神经网络，自动识别 相减图像，再经过滤波、二值化、填充、边缘提 1 引言 取等一系列处理，最终得到一幅完整韵车辆轮廓 近年来．随着我国国民经济的不断发展，交 图像，以便于特征抬取。 通运输越来越繁忙，对交通管理提出了新的要求。 2．1边缘增强 目前我国交通管理主要是人工管理，需要投入大 针对背景图像与车辆图像的特点，我们采用 量的人力．物力和财力．而且越来越不适应现代 e 了rObrtt算子进行边缘增强。robfrt箨子 化的要求。西此，如何对公路、城市交通、各类 是用交叉差分表示梯度．其二维离散梯度的计算 车辆收费站、大型停车场等实现现代化管理，具 公式 2．1 如下： 有重要的意义。 G 。，y 15 ， x，y 一， 。+1，Y+1 r 在现代化交通管理中，自动识别汽车类型、 2．¨ 毫 十[， x4-l、Y 一f x、Y+】 】_ 1： 自动监控、报告汽车流量、自动记录及积算费用 等乃是大量减轻劳动强度，实现现代化管理的主 本文采用绝对值表示： 要内容．本文主要介绍作者提出并实现的一种利 用前向三层神经网络及计算机视觉技术对汽车车 lf X+lJ， 一f x，Y+1 l 型进行自动识别和分类的方法。 对应与式 2一1 或 2—2 的像素位置如图l所示。 2车型图像分割及特征提取 对一幅N*N的数字图像，逐点作梯度运算， 本文所讨论的汽车车型图像是一幅背景图像 井用梯度的模取代颤x．y ，则呈现出原始图像中的 如图2 a 和一幅在原有的背景上叠加一辆汽车的车轮廓边缘及细节。如图2 。 ， d 所示。 辆图像如凰2 b 。我们的处理过程为：首先对背景 图像和车辆图像分别进行边缘增强，然后对两幅 ●0●y 边缘图像进行一种特殊的“相减”运算，剔除车 辆图像与背景图像中共同的边缘．得到～幅边缘 X 图1 2．2车辆边缘凰像与背景边缘图像的。相减”运算 设f x．j 和g x． ， 分别为车辆边缘图像与 ERO 背景边缘图像，h x,y 为相减后的图像，Z 代表睹点灰度值．则 m y 烈r，J’ 、 ff x，y 一g x．1…f x “‘。’12 1 ZERO ，《r、j．1≤g x，y ● 2．3二值化 图3汽车边缘轮廓 车辆边缘图像与背景边缘图像“相减”届．， 曹 所得的图像我们称之为边缘相减图像如图2 e 所示．边缘相减图像还要进行二值化．才能将车 辆边缘提取出来。在边缘相减图像中．边缘是目 标物，边缘只占整个边缘相减图像的～部分．芒‘ 直方图中体现为两个峰值．在大小上区别很大。 这就很难确定那里是谷底．因此用直方图最频值 法很难找到阈值。 为此本文采用如下算法：先对边缘图像进行 一次滤波去噪，再用基于二维熵的图像闻值选择 快速算法，生成一幅二值化图像如图2 f 所示． 效果良好。 24二值图像处理 由于 值图像存在孤立点，盛车辆边缘断线 较$，轮廓不连续，运就需要对二值图像作进一 步处理，我们首先作消除孤立点处理，在此基础 上进行填充，并对填充后的图像进行边缘提取． 最终得到我们所希望的连续车辆边缘轮廓图像． 如图3所示， 2．5特征抽取 。 目前汽车种类繁多．不甚枚举。需要抽取!。 特征，这是汽车车型图像识别的难点也是重点。 ■一■一■ 特征抽取的好坏+关系到识别和分类的速度和准 确度。 通常各类汽车．其车身侧视图可提供整个车 ej边缘相减图象 ∞二值化图象 长、顶蓬位置、顶蓬长度及车辆高度等信窟．，澍 圈2 于我们在拍摄图像时，镜头与车辆同的距离，角 度都是随机的，这就造成同一辆车辆，在两次拍 摄图像时，上述各参数的绝对大小不相等．这就 295 蹦制了我们不能用绝对长度或绝对高度等绝对参 汽车车型图像识别可把客车分为一类，轿车和货 数来作为识别特征。 车分为另一类。 本文所选取的特征是：顶蓬长度与车辆长度 之比，称之为顶长比；顶蓬长度与车辆高度之比- 栋之为顶高比；以顶蓬中垂为界，前后两部分之 比．称之为前后比。可见我们提取的特征简单、 壁少，这样构成具有分类功能的BP网络也就简单 _更于硬件实现。 ● 3 前向多层神经网络处理器 我们建立的人工神经网络是基于BP算法的 喜 前向三层神经网络．结构如图4所示， 砖应的程