基于视频图像的车型识别算法研究与实现-交通信息工程及控制专业论文.docxVIP

万方数据 万方数据 摘要 车辆自动识别技术是智能交通系统（ITS）的重要组成部分，通过对车辆进行 自动识别，可以为交通管理、收费、调度、统计提供数据。车型识别是智能交通 领域的研究热点和难点之一，目前我国的车型识别率还难以满足使用要求，对车 型识别率提高算法的研究势在必行,本文研究的就是基于车脸图像特征的车型识别 率提高算法。 本文首先对车辆进行检测与中值滤波，建立车辆样本库。然后截取了车脸图 像，并分别采用灰度特征、Canny 边缘特征、Sobel 边缘特征和 HOG 特征来表示 图像，通过支持向量机训练并检测样本，获得各自的识别率，比较并分析其结果。 接着通过一种投票提升算法，将 24 种识别率不高的 Gabor 特征组合起来进行车型 识别，以提高识别率。 本文使用华硕 A43EI235SD-SL 笔记本电脑，在 Windows 7 操作系统中，用 OpenCV 和 VS2008 搭建实验平台。实验共采集了 100 类车型，每类车型各 1 张训 练和测试样本，车脸图像尺寸为 192*64。实验中利用灰度特征的识别率为 53%， 平均识别时间为 39.47ms/张；采用 Canny 边缘特征，识别率为 55%，平均识别时 间为 47.85ms/张；采用 Sobel 边缘特征，识别率为 69%，平均识别时间为 46.37ms/ 张；采用 HOG 特征，识别率为 78%，平均识别时间为 59.82ms/张；将 24 种 gabor 特征识别结果投票提升，识别率可以达到 81%，识别平均时间 85.24ms/张。 实验结果表明，本文使用的投票提升算法，识别率不仅优于单个 gabor 特征， 也优于前面几种特征表示法，代价是增加了一定的时间消耗。 关键词：车型识别 支持向量机 gabor 滤波 Abstract Automatic vehicle recognition is an important part of Intelligent transportation system(ITS). Datas for traffic management, charging, scheduling and calculation can be obtained through it. It is one of the key and the difficult subjects in ITS. At the present vehicle recognition rate can’t meet the application requirement. So the research on improving it is imperative. This paper studies the method to improve vehicle recognition rate based on the car face image characteristics. Firstly Vehicle sample library is constructed through car detection and median filtering。Secondly we cut out car face images and respectively use Grayscale，Canny edge，Sobel edge and HOG feature to represent car face images。We use SVM to train and recognize samples , get each recognition rate, compare and analyse the results. Then 24 gabor features whose recognition rate are not high enough are combined together through a voting method to improve the rate. This paper uses OpenCV and VS2008 to build the experimental platform on Windows 7 operating system by a Asus A43EI235SD - SL laptop . There are 100 vehicle type samples. Each type has two images, one for training and the other for testing. And the car face image size is 192*64.The use of gr