基于視頻圖像的車(chē)型識(shí)別算法研究與實(shí)現(xiàn).pdf

1、車(chē)輛自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)(ITS)的重要組成部分,通過(guò)對(duì)車(chē)輛進(jìn)行自動(dòng)識(shí)別,可以為交通管理、收費(fèi)、調(diào)度、統(tǒng)計(jì)提供數(shù)據(jù)。車(chē)型識(shí)別是智能交通領(lǐng)域的研究熱點(diǎn)和難點(diǎn)之一,目前我國(guó)的車(chē)型識(shí)別率還難以滿足使用要求,對(duì)車(chē)型識(shí)別率提高算法的研究勢(shì)在必行,本文研究的就是基于車(chē)臉圖像特征的車(chē)型識(shí)別率提高算法。
　　本文首先對(duì)車(chē)輛進(jìn)行檢測(cè)與中值濾波,建立車(chē)輛樣本庫(kù)。然后截取了車(chē)臉圖像,并分別采用灰度特征、Canny邊緣特征、Sobel邊緣特征和HO

2、G特征來(lái)表示圖像,通過(guò)支持向量機(jī)訓(xùn)練并檢測(cè)樣本,獲得各自的識(shí)別率,比較并分析其結(jié)果。接著通過(guò)一種投票提升算法,將24種識(shí)別率不高的Gabor特征組合起來(lái)進(jìn)行車(chē)型識(shí)別,以提高識(shí)別率。
　　本文使用華碩A43EI235SD-SL筆記本電腦,在Windows7操作系統(tǒng)中,用OpenCV和VS2008搭建實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)共采集了100類(lèi)車(chē)型,每類(lèi)車(chē)型各1張訓(xùn)練和測(cè)試樣本,車(chē)臉圖像尺寸為192*64。實(shí)驗(yàn)中利用灰度特征的識(shí)別率為53％,平均識(shí)

3、別時(shí)間為39.47ms/張;采用Canny邊緣特征,識(shí)別率為55%,平均識(shí)別時(shí)間為47.85ms/張;采用Sobel邊緣特征,識(shí)別率為69%,平均識(shí)別時(shí)間為46.37ms/張;采用HOG特征,識(shí)別率為78%,平均識(shí)別時(shí)間為59.82ms/張;將24種gabor特征識(shí)別結(jié)果投票提升,識(shí)別率可以達(dá)到81%,識(shí)別平均時(shí)間85.24ms/張。
　　實(shí)驗(yàn)結(jié)果表明,本文使用的投票提升算法,識(shí)別率不僅優(yōu)于單個(gè)gabor特征,也優(yōu)于前面幾種特征表