基于BP神经网络的车型识别研究

车型识别是智能交通系统中的一个重要组成部分,近年来已成为国内外研究热点之一.提出一种基于特征提取的车型识别方法,该方法对车辆图像进行预处理,通过图像边缘检测、图像纵横填充、图像修正方法进行车型特征值提取,得到车型分类特征字空间,利用BP神经网络进行车型分类识别.实验结果表明,该方法高效可行,并对低质量和背景复杂图像有着良好的处理效果.     

基于视频序列的双背景建模算法

在研究传统码本和滑动平均背景建模算法的基础上提出了一种基于视频序列的双背景建模算法, 并利用统计的方法提出了一种基于HSV特征的背景更新方法, 有效滤除了噪声点, 解决了光线突变下背景更新的问题。实验表明该算法对光照突变鲁棒性强, 响应速度快, 适合实时图像处理。     

基于边缘轮廓特征的实时车型分类

提出了一种车辆侧面轮廓特征的实时车型分类方法.该文动态地提取背景,通过软传感器的触发,根据当前帧与背景帧的差分图获取车辆侧面轮廓特征曲线,设计了一个基于侧面轮廓特征的车型分类器.该方法速度快、准确度高,能很好地应用在实时系统中.     

利用高斯混合模型的SAR图像目标CFAR检测新方法

SAR（合成孔径雷达）图像杂波分布模型种类繁多且对实际地物的建模能力有限。在使用基于杂波统计模型的CFAR(恒虚警率)算法对SAR图像进行目标检测时,杂波统计模型的失配会导致检测结果产生较大的CFAR损失,算法精度不高。提出了一种基于高斯混合模型的CFAR检测新方法。该方法以理论上可以拟合任意形状概率密度分布的高斯混合模型对实际SAR图像的背景杂波进行拟合,利用拟合后得到的分布模型,根据CFAR检测的原理推导出目标检测阈值的计算公式完成目标的检测。新方法对服从不同分布模型的背景杂波,使用形式上统一的模型进行描述,克服了CFAR检测高度依赖背景杂波分布的缺点,提高了CFAR的通用性。实验结果表明,即使在背景杂波类型未知的情况下,新方法依然得到了良好的目标检测效果。     

一种新的背景模型建立及更新方法*

提出一种新的建立背景模型和更新背景的方法。首先使用一种新颖的方法建立初始背景,然后对每一输入帧使用背景差分法获得前景,并利用分类器将前景分类为运动目标、静止目标、虚假目标、噪声,最后在背景更新阶段采用基于前景目标的背景更新方法。实验结果表明,该方法能建立可靠初始背景,并能有效地解决背景更新“死锁”问题,增强背景模型的鲁棒性。     

基于改进的2维EMD的红外小目标检测

针对红外图像中的小目标检测,提出了一种利用经验模态分解(EMD)提取海空背景下红外弱小目标的新方法。该方法基于Delaunay三角剖分和分段三次样条插值,将1维EMD方法推广到2维,并将其应用于红外图像中的小目标的检测。仿真实验结果表明,该新方法能快速和准确地检测出海空背景下的红外弱小目标,具有一定的理论和应用价值。     

基于形状参数的车型快速分类方法研究

车型分类识别是智能交通系统的重要组成部分,针对视频图像中道路行驶车辆进行研究,设计了一种基于机器视觉的车型分类系统.首先利用迭代均值背景差分和三侦间时间差分相融合的运动目标检测法得到目标区域,通过链码计算出汽车的拐点、矩形度、离地间隙等形状参数,通过二叉树结构支持向量机对六种车型进行分类,并用交叉验证法自动选择最佳分类参数提高分类器的性能.仿真结果表明,该方法检测准确率高,要求训练样本少,能显著提高数据挖掘的效率.     

基于等高线的车型轮廓提取方法研究

用于车型轮廓识别的汽车图片通常带有极复杂的背景噪音.在此,采用等高线方法提取车型轮廓并与传统图像处理方法(如:Canny算子.形态学算子)进行了比较,实验结果表明:等高线原理应用于复杂背景情况下车型轮廓的提取效果更为理想.解决了在单一背景下提取轮廓线的局限性问题.并用直线拟合车型轮廓曲线,根据不同的车型会有不同直线斜率和成角信息,提出了斜率之差算法,用于等高线轮廓的直线拟合.该算法为后续车型分类识别提供了非常有用和可靠的特征样本信息.     

基于尺度显著性算法的车型识别方法

针对复杂背景的视频图像车型识别,提出了一种利用尺度显著性的车型识别方法。由于尺度显著性对图像均一亮度变化、缩放、旋转以及噪声都具有不变性,因此引入尺度显著性算法提取车辆图像的分类特征。最后采用RBF网络分类验证该方法对多种车型的识别。实验结果表明,提取尺度显著性特征能够有效地识别汽车车型。     

复杂背景下实时运动手指提取及指尖检测方法

基于视频的人机交互是实现机器智能化的一个重要研究领域。本文提出了一种简单有效的复杂背景下的实时的指尖检测方法。基于运动手指图像全局灰度变化特征,本文提出了一种的快速有效的前景分割方法,提出了一种基于连通区域检测的背景更新方法,提出了一种基于模板匹配的手指尖检测方法。实验表明在本系统在各种室内复杂背景条件下能有效的适应背景变化,并能较准确的检测到运动指尖。     

基于散热器栅格背景精确分类的车标定位方法

由于车标的背景散热器栅格形状大小不一、颜色不定、背景多样,因此导致了车标定位的困难,故精确分类散热器栅格是准确定位车标的基础。提出了一种基于散热器栅格背景精确分类的车标定位方法,首先依照车牌与车标空间位置关系确定车标粗定位,然后依据栅格纹理特征,利用霍夫变换和灰度值的梯度变化确定散热器栅格背景的类别,进而通过不同算子分别对不同种类栅格背景进行背景消融;为了保证多种光照条件下的准确定位,引入离散度,并将其与大津法进行融合,形成一种适用于车标定位的自适应二值化方法,同时结合形态学对栅格背景进一步处理,得到准确的车标定位。这种方法适用于在不同光照强度和不同类型的车标背景条件下,对车标进行定位。对10类车标、30类散热器栅格共1 200张图像进行车标定位,实验结果显示,图像总体的车标定位准确率可以达到97.67%。     

一种基于数学形态学的实时车牌图象分割方法

根据车牌纹理及其几何形状的特点，设计了一种基于数学形态学的车牌图象分割方法，该方法在二维形态滤波过程中，能自适应地调整阈值大小，以适应光照强度及干扰强度的变化，同时把基于全像素点数学形态学处理的点运算转化成仅有几十条直线的线运算，以使运算速度和抗干扰能力较其他传统分析方法有显著提高．用该方法对不同照明条件下的一系列汽车图象进行的大量实验结果表明，该方法不仅定位效果好、速度高，而且适于对有噪声及复杂背景的车牌图象进行分割．     

基于改进混合高斯模型和图形句柄的异常车辆检测

由于交通安全隐患在当下的生活中造成的不良影响越发严重,所以在步行街、校园等禁止车辆行驶的场景中,对异常车辆的检测具有一定的现实意义。针对利用混合高斯建立背景模型时易出现重影和空洞问题,提出了一种基于SSIM结构相似性的混合高斯建模的异常车辆检测,采用SSIM计算2幅图像像素点间的相似度,在高斯建模后进行二次背景建模,同时引入了指数函数来优化高斯建模过程中的权值更新过程,提高了更新速度。采用图形句柄函数优化连通域方法对前景区域进行异常车辆检测,能够检测出异常车辆且标注框更加贴近车辆形状。对580幅由视频分割得到的图像的实验结果表明,检测率可以达到90.3%。     

基于视频序列的车型识别算法设计

针对复杂背景下的目标车型识别问题,提出一种基于视频序列的检测识别算法。运用帧差序列图像进行背景建模与更新,采用背景差分和LBP纹理分析法进行运动车辆的分割及阴影消除,提出车辆形状投影量的概念,将视频车辆二维形状信息降至一维,并设计二维输入模糊分类器,根据形状投影量和车高/车长比,完成车型的多种类精细识别。实验结果验证了该算法的有效性。     

基于边缘颜色对的车牌定位新方法

车牌定位是车牌自动识别系统中的一个关键问题．该文提出了一种新的基于边缘颜色对的车牌定位方法．首先进行彩色边缘检测，然后以每一边缘点为中心，垂直于边缘方向取一线形窗口，在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色，若是，则保留为候选车牌边缘点；然后进行形态滤波，剥离不符合车牌结构特征的区域，最后对候选车牌区域进行纹理特征的分析以确定真实车牌区域．该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点，综合利用了车牌的结构特征和纹理特征，提高了车牌定位的可靠性．对各种条件下拍摄的163幅含有车牌的图像应用该算法，定位准确率达到98．2％。     

前背景骨架区域随机点对策略驱动下的车标识别方法

目的 现有的车标识别算法均为各种经典的图像特征算子结合不同的分类器组合而成,均未分析车标图像的结构特点。综合考虑车标图像的灰度特征和结构特征,提出了一种前背景骨架区域随机点对策略驱动下的车标识别方法。方法 本文算法将标准车标图像分为前景区域和背景区域,分别提取前、背景的骨架区域,在其中进行随机取点,形成点对,通过进行点对的有效性判断,提取能表示车标的点对特征。点对特征表示两点周围局部区域的相似关系,反映了实际车标成像过程中车标图案部分与背景部分的灰度明暗关系。结果 在卡口系统截取的19 044张车标图像上进行实验,结果表明,与其他仅基于灰度特征的识别方法相比,本文提出的点对特征识别方法具有更好的识别效果,识别率达到了95.7%。在弱光照条件下,本文算法的识别算法效果同样优于其他仅基于灰度特征的识别方法,识别率达到了87.2%。结论 本文提出的前背景骨架区域随机点对策略驱动下的车标识别方法,结合了车标图像的灰度特征和结构特征,在进行车标的描述上具有独特性和排他性,有效地提高了车标的识别率,尤其是在弱光照条件下,本文方法具有更强的鲁棒性。     

基于模板匹配和边缘检测的车标定位方法

车标定位在车标识别系统中具有关键作用,为解决倾斜的车辆图像及多种车标背景纹理的车标定位问题,提出了一种新的车标定位方法。先进行车辆图像的倾斜校正,再通过三绝对值最大梯度方法定位出车灯带区域,利用车标与车牌、车灯的位置先验知识进行车标粗定位,并根据车标背景纹理特征利用模板匹配和边缘检测方法进行车标精定位。该方法充分利用了车标的先验知识和背景纹理特征,并将模板匹配与边缘检测技术相结合,提高了车标定位的准确率。实验结果表明,该方法既适用于倾斜的车辆图像又适用于多种车标背景纹理,具有很好的车标定位效果。     

基于背景纹理的轿车车标定位方法

车标定位是车标识别系统的关键技术之一,但是由于车标背景的散热片纹理不一、种类繁多,给车标定位造成了困难,故提出了一种基于背景纹理的轿车车标定位方法.该方法首先根据先验知识对车标进行粗定位,依据其在水平投影与垂直投影上的特征将车标背景分为三大类,然后运用Sobel算子分别对不同类别的散热片背景进行消融;为了更好的去除散热片背景对定位车标的影响,引入了一种邻间二值化方法,同时结合基于投影的去噪方法对噪点进行进一步处理,从而实现车标的精确定位.这种方法适用于不同类型的车标背景条件下的车标定位.实验通过对1000张图片进行车标定位,比较已有算法有更高的准确率和适用性,总体定位准确率可以达到97.10%.     

Estimation of moving vehicle locations using wheel shape information in single 2-D lateral vehicle images by 3-D computer vision techniques

An approach to the estimation of moving lateral vehicle locations for driving assistance using wheel shape information in single 2-D vehicle images by 3-D computer vision techniques is proposed. The location scheme is supposed to be performed on a vehicle with a camera mounted on the front bumper. An analytical solution is applied to estimate locations of the lateral vehicle. Firstly, the rear wheel shape of a lateral vehicle moving in a nearby lane is imaged. By using the Hough transform, the projected wheel shape, which is an ellipse, is detected. Secondly, the equation of the detected ellipse is used to infer the orientation angle of the lateral vehicle with respect to the camera view direction. Finally, the center of the ellipse shape is used to determine the relative position of the lateral vehicle with respect to the camera lens center. Moreover, an edge-point verification algorithm is utilized to extract the ellipse shape more precisely in the image processing stage. Both computer simulated and real images are tested and good experimental results show the effectiveness of the proposed approach for estimating lateral vehicle locations. The results are useful for driving assistance and vehicle collision avoidance and are discussed in detail.