一种面向“互联网+”智能交通管理的车辆类型识别方法.docVIP

一种面向“互联网+”智能交通管理的车辆类型识别方法 针对现存智能交通管理中车辆类型识别方法存在分类器效 率较低等诸多问题，通过构造一种新的分类器，建立了一种智能交通 车辆类型识别新方法。首先采用边缘梯度直方图进行图像特征提取， 然后通过融合纠错编码技术和K?近邻分类器构造新分类器实现车辆 类型的分类。通过大量实验仿真分析比对表明，该方法不仅能将多类 分类问题转化成多个两分类问题，而且使车辆类型识别效率提高了 2%,鲁棒性好。因此，该方法在“互联网+”智能交通管理中具有广阔 的应用前景和推广价值。 和著作权归原 所有， 关键词：边缘方向直方图；纠错编码；K?近邻分类器；智能交 通；车辆类型识别 TN911?34； TP391.4 A : (2017) 13?0184?03 Abstract： Since the available vehicle type identification methods of the intelligent traffic management have various problems, such as low classifier efficiency, a new classifier was constructed to establish a vehicle type identification method for intelligent traffic. The edge gradient histogram is used to extract the image characteristics. The error correction coding technology and K?nearest neighbor classifier are fused to construct the new classifier to classify the vehicle types. The analysis and comparison results of a large number of experimental simulation show that the method can transform the multi?class classification problem into the multiple binary classification problem, make the vehicle type identification efficiency increased by 2%， and has the characteristic of good robustness. The method used in ” Intcrnct+ n intelligent traffic management has broad application prospect and high promotion value. Keywords： edge orientation histogram； error correction coding； K?nearest neighbor classifier； intelligent traffic； vehicle type identification 0引言 当前，“互联网+”智能交通车辆管理中车辆类型识别方法是人们 研究与关注的热点。车型识别问题在交通监控和调度、路桥收费管理 等领域一直有着重要的应用，是计算机视觉、图像处理技术与模式识 别的融合，是智能交通领域中一项非常重要的技术。 目前广泛采用的车辆识别算法大多数仍是通过各种装置获得车辆 重量参数或侧面几何形状的特征参数（如车长、车宽、长宽比、轮轴 数等），然后采用模板匹配或神经网络［1?2］等方法对其参数特征进行 车型分类，但算法的车辆类型识别率不高，不能适应“互联网+”智能 交通管理的要求。因此，研究一种交通车辆类型识别率高、鲁棒性好 的算法具有重要的现实意义和广阔的应用前景。 1基于ECC?KNN分类器的智能交通车辆类型 识别方法 本文提出的ECC7KNN分类器的车辆识别方法主要包括车辆边缘直 方图特征提取算法和ECC7KNN算法。 1.1基于边缘直方图的车辆特征提取算法 边缘直方图［3?4］ （Edge Orientation HistoGRAMS, EOH）是基于 图像边缘的统计特征，它具有能够准确地反映图像的边缘和纹理信息 并且提取特征速度较快等特点，因此本文采用EOH进行车辆图像特征 提取。其实现思想是：首先构造的灰度图像I，sobel算子和其次通过 和算子分别对图像I进行边缘特征提取。基于此思想