智能交论文.docVIP

车型识别技术 车型识别的研究主要是针对基于视频的车型识别技术，通过对动态图像处理获得通过车辆的轮廓，并用Freeman链码表示轮廓，通过对Freeman链码的统计和计算获取了车长、车高、周长、面积、车长高比、原型度、外接矩形与面积比等7个特征，同时还提取了车型图像的7个不变距特征。然后应用SVM技术和决策树多分类器相结合的策略进行分类，使得分类器具有良好的分类性能和鲁棒性。如图： 车型识别流程图 车型识别系统硬件有CCD摄像机、图像采集卡、图像处理计算机组成。CCD摄像机、图像采集卡负责采集视频数据，并把数据转换成数字图像送图像处理计算机进行处理。它承担着视频捕获、运动目标检测、分割、图像预处理、图像特征提取、图像分类等重要任务。车型识别系统软件部分用Visual C++开发。 车型识别技术的研究主要有以下三个部分组成： 运动目标检测与分割 车型特征的提取 基于支持向量机的分类器设计 车牌识别技术 车牌识别的研究是以支持向量机为基础，研究特异性车牌（如形状不规范、污损、遮挡车牌）的高可靠性识别问题。车牌识别的系统流程图如图2所示。 车牌识别流程图 在将支持向量机引入车牌自动识别时，由于在车牌自动识别系统中涉及到的分类类别较多，因此这里的车牌识别实际上也是一个支持向量机的分类问题。在进行多值分类是，采用了基于先验知识的二叉树结构组合多个二值分类支持向量机进行分类，而首先要做的工作是对车牌的准确定位以及车牌字符的提取。 准确定位出车牌区域是提高系统识别率的关键。在现实中，经过有相对运动的摄像机或者照相机录入到计算机中的汽车图像，车牌往往模糊不清甚至倾斜，从而导致车牌识别结果较多地依赖车牌的定位及倾斜矫正的正确性。在我们的研究中，通过计算方向场的方法对倾斜车牌进行矫正。 由于车牌区域有特有的纹理及形状特点，采用了先进边缘粗提取，然后利用形态学中的腐蚀和膨胀方法对车牌区域进行定位，提取结果表明该方法效果良好。 在对车牌区域进行准确定位之后，接下来就要对车牌中的字符进行提取（或分割）。在进行车牌字符提取时，首先对图像进行高帽（Top-Hat）变换来增强图像的对比度，之后进行二值化。由于提取出的车牌图像可能是白底黑字或黑底白字，因此通过检测图像的特定区域来判断图像的底色，从而将图像统一转换为白底黑字的格式。最后，先利用字符间的空白将其分割开来，如果分割的间隔大于平均字宽，则说明其中含有多个字符，这是就以平均字宽为间隔将多个字符分开。 车牌字符在进行了成功分割以后，下一步的工作就是用支持向量机做字符识别。由于传统的支持向量机分类算法只考虑二值分类这一简单的问题，对于分类问题需要通过对个二类支持向量机的组合来判断。 由于在车牌字符识别的实验中涉及的待分类别较多，如果利用二类别组合分类中的一对一策略，在识别的过程中会浪费很多有用信息，识别效果较差，而利用一对多策略的话就要构造很多支持向量分类器，这无疑增加了测试阶段的工作量。因此这里采用基于先验知识的二叉树结构组合多个二值分类支持向量机（称为SVM决策树）来解决车牌的多类识别问题。以一个四类分类问题为例，用于车牌识别的SVM决策树的模型如图3所示。 SVM决策树模型图 为了提高识别的速度，采用具有先验知识的SVM决策树构形，可以充分利用关于车牌字符的先验知识来指导树叶结点的划分，从而构造出一课测试速度最优的SVM决策树，按照最优二叉树的顺序决定SVM分类器的使用。例如对“豫”字车牌较多地情形，可以定义类别4为车牌中的“豫”字，利用SVM决策树中级别最高的分类器SVM0首先分类出“豫”字车牌以加快SVM的分类速度。 ORC视频识别技术研发成功 目前ORC视频识别技术可以从视频画面里提取出文字，并将其转化成可编辑的电子文文件。视频识别技术与身份证、车牌识别技术同属于字符分割技术。目前ORC视频识别技术已经广泛应用于身份证识别、银行票据识别、增值税发票识别、车牌识别、教育系统的无纸化阅卷、大型网络化数据生产流水线等。 车辆图像识别技术方法及装置采用机器视觉技术，图像压缩、接触或非接触通行卡读写技术，并配合车辆牌照自动识别技术，实现车辆身份认证和提高通行车辆管理效率。该装置能100%地进行出入口车辆图像对比，能够准确认证车辆身份，可杜绝各种舞弊、逃费行为；具有满足实际应用、系统实时作业、系统开放、使用方便、易于维护、优异的性价比等优点。 由于车牌图像的采集在户外进行，图像质量会受到自然光照条件、车牌整洁度及车辆行驶速度等因素的影响，可能会出现模糊、污损、歪斜等现象。为了便于车牌定位等后续图像处理工作，首先应对车牌图像进行预处