本文關(guān)鍵詞：基于車輛正面圖像的車型特征提取方法研究

  更多相關(guān)文章： 特征提取 HU不變矩 RBF神經(jīng)網(wǎng)絡(luò) 車型識別

【摘要】：智能交通系統(tǒng)是現(xiàn)在化交通的重要組成部分,而車型的自動識別是智能交通領(lǐng)域中的一個重要研究方向。高速公路作為現(xiàn)代化交通中必不可少的一項基礎(chǔ)設(shè)施,收費過程中的作弊行為已經(jīng)十分嚴重。基于這一問題,本文提出了一種利用車臉圖像自動識別車型的算法。本文共包括三個主要部分:圖像的預處理、車輛正面特征提取和車型識別。研究了基于車牌定位的車臉分割方法,采用顏色特征與邊緣檢測相結(jié)合的方式,對車輛圖像進行車牌分割,再根據(jù)車牌計算車臉的垂直中軸線和車臉帶的水平分割線、輪廓跟蹤法分割出大燈、車標區(qū)域。針對于車臉圖像特征提取的問題,本文提取圖像的HU不變矩和LBP算子作為車臉感興區(qū)域的特征。為了增加算法的實用性并減小算法的復雜度,本文提出了一種HU標準化不變矩算法。通過對原有HU不變矩算法進行標準化處理,進而縮小特征數(shù)值區(qū)間。并與典型的HU不變矩算法、LBP算子提取結(jié)果進行了對比分析。將三種算法對車臉特征提取的特征值與其對應(yīng)車型保存入數(shù)據(jù)庫中,為高速公路收費口自動檢測車型建立樣本數(shù)據(jù)庫。在車型識別階段,本文采用本文選用的采用基于RBF神經(jīng)網(wǎng)絡(luò)的車型識別算法,針對車型識別領(lǐng)域的特殊性,本文在理論分析和大量實驗的基礎(chǔ)上提出了一個較為有效的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),采用本文選用的三種車型特征提取算法對收費站過往車輛進行訓練、識別。實驗表明,本文提出的基于標準化HU不變矩特征結(jié)合RBF神經(jīng)網(wǎng)絡(luò)的車型識別方法能對高速公路中車輛進行較好識別,并獲得了較高的識別率。
【關(guān)鍵詞】：特征提取 HU不變矩 RBF神經(jīng)網(wǎng)絡(luò) 車型識別
【學位授予單位】：沈陽理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U495;TP391.41
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-17
• 1.1 課題的研究背景和意義11-12
• 1.1.1 課題的研究背景11
• 1.1.2 課題的研究意義11-12
• 1.2 車輛正面圖像的特征提取的國內(nèi)外研究概況12-15
• 1.2.1 國內(nèi)研究概況12-14
• 1.2.2 國外研究概況14-15
• 1.3 本文主要研究內(nèi)容15
• 1.4 章節(jié)安排15-17
• 第2章 圖像預處理與與定位車臉重要信息技術(shù)17-33
• 2.1 圖像預處理技術(shù)研究17-22
• 2.1.1 圖像灰度化18-19
• 2.1.2 圖像平滑19-20
• 2.1.3 圖像增強20-21
• 2.1.4 圖像二值化21
• 2.1.5 形態(tài)學處理21-22
• 2.2 車臉的結(jié)構(gòu)特征分析22-24
• 2.2.1 車牌區(qū)域圖像特征22
• 2.2.2 車燈區(qū)域圖像特征22
• 2.2.3 車燈區(qū)域圖像特征22
• 2.2.4 車臉圖像特征提取框架22-24
• 2.3 車臉重要信息提取技術(shù)24-32
• 2.3.1 車牌定位技術(shù)24-26
• 2.3.2 車臉提取技術(shù)26-27
• 2.3.3 車標提取技術(shù)27-28
• 2.3.4 車燈提取技術(shù)28-29
• 2.3.5 車輛自動識別系統(tǒng)的開發(fā)29-32
• 2.4 本章小結(jié)32-33
• 第3章 圖像的特征提取算法研究33-48
• 3.1 圖像特征概述33-37
• 3.1.1 圖像顏色特征33
• 3.1.2 圖像紋理特征33-37
• 3.1.3 圖像形狀特征37
• 3.1.4 形狀輪廓矩特征37
• 3.2 圖像矩特征37-42
• 3.2.1 HU不變矩的定義37-38
• 3.2.2 各階HU不變矩的含義38-40
• 3.2.3 HU不變矩和圖像的變換40-41
• 3.2.4 矩不變量41-42
• 3.3 HU不變矩標準化42-43
• 3.3.1 HU矩的修正算法42
• 3.3.2 HU矩的標準化42-43
• 3.4 實驗結(jié)果與分析43-47
• 3.5 本章小結(jié)47-48
• 第4章 人工神經(jīng)網(wǎng)絡(luò)理論48-70
• 4.1 人工神經(jīng)網(wǎng)絡(luò)概論48-55
• 4.1.1 人工神經(jīng)網(wǎng)絡(luò)特征48-49
• 4.1.2 人工神經(jīng)網(wǎng)絡(luò)模型49-51
• 4.1.3 人工神經(jīng)網(wǎng)絡(luò)的分類51-53
• 4.1.4 人工神經(jīng)網(wǎng)絡(luò)的學習規(guī)則53-55
• 4.2 BP神經(jīng)網(wǎng)絡(luò)55-58
• 4.2.1 BP神經(jīng)網(wǎng)絡(luò)55-56
• 4.2.2 BP算法56-58
• 4.2.3 BP算法的不足58
• 4.3 RBF神經(jīng)網(wǎng)絡(luò)58-64
• 4.3.1 RBF神經(jīng)網(wǎng)絡(luò)58-60
• 4.3.2 RBF神經(jīng)網(wǎng)絡(luò)的學習算法60-62
• 4.3.3 遺傳算法62-64
• 4.4 RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)比較64-65
• 4.5 實驗結(jié)果與分析65-69
• 4.6 本章小結(jié)69-70
• 第5章 工作總結(jié)與展望70-72
• 5.1 論文以及研究工作總結(jié)70
• 5.2 展望70-72
• 參考文獻72-76
• 攻讀碩士學位期間發(fā)表的論文和取得的科研成果76-77
• 致謝77-78
• 附錄一78-79

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 董立菊,于戈;一種有效的圖像二值化方法[J];東北大學學報;2004年12期

2 張慶英,岳衛(wèi)宏,肖維紅,江霞;基于邊界特征的圖像二值化方法應(yīng)用研究[J];武漢理工大學學報;2005年02期

3 辛德勝;張劍家;王少君;王兆欣;王洪U，

本文編號：843571