智能交通论文.doc

车型识别技术车型识别的研究主要是针对基于视频的车型识别技术, 通过对动态图像处理获得通过车辆的轮廓, 并用 Freeman 链码表示轮廓, 通过对 Freeman 链码的统计和计算获取了车长、车高、周长、面积、车长高比、原型度、外接矩形与面积比等 7 个特征, 同时还提取了车型图像的 7 个不变距特征。然后应用 SVM 技术和决策树多分类器相结合的策略进行分类,使得分类器具有良好的分类性能和鲁棒性。如图: 车型识别流程图 D 摄像机、图像采集卡、图像处理计算机组成。 CCD 摄像机、图像采集卡负责采集视频数据, 并把数据转换成数字图像送图像处理计算机进行处理。它承担着视频捕获、运动目标检测、分割、图像预处理、图像特征提取、图像分类等重要任务。车型识别系统软件部分用 Visual C++ 开发。车型识别技术的研究主要有以下三个部分组成: (1) 运动目标检测与分割(2) 车型特征的提取(3) 基于支持向量机的分类器设计车牌识别技术车牌识别的研究是以支持向量机为基础, 研究特异性车牌( 如形状不规范、污损、遮挡车牌) 的高可靠性识别问题。车牌识别的系统流程图如图 2 所示。车牌识别流程图在将支持向量机引入车牌自动识别时,由于在车牌自动识别系统中涉及到的分类类别较多, 因此这里的车牌识别实际上也是一个支持向量机的分类问题。在进行多值分类是, 采用了基于先验知识的二叉树结构组合多个二值分类支持向量机进行分类,而首先要做的工作是对车牌的准确定位以及车牌字符的提取。准确定位出车牌区域是提高系统识别率的关键。在现实中, 经过有相对运动的摄像机或者照相机录入到计算机中的汽车图像, 车牌往往模糊不清甚至倾斜, 从而导致车牌识别结果较多地依赖车牌的定位及倾斜矫正的正确性。在我们的研究中, 通过计算方向场的方法对倾斜车牌进行矫正。由于车牌区域有特有的纹理及形状特点, 采用了先进边缘粗提取, 然后利用形态学中的腐蚀和膨胀方法对车牌区域进行定位,提取结果表明该方法效果良好。在对车牌区域进行准确定位之后, 接下来就要对车牌中的字符进行提取(或分割) 。在进行车牌字符提取时, 首先对图像进行高帽( Top-Hat )变换来增强图像的对比度,之后进行二值化。由于提取出的车牌图像可能是白底黑字或黑底白字, 因此通过检测图像的特定区域来判断图像的底色, 从而将图像统一转换为白底黑字的格式。最后,先利用字符间的空白将其分割开来, 如果分割的间隔大于平均字宽, 则说明其中含有多个字符, 这是就以平均字宽为间隔将多个字符分开。车牌字符在进行了成功分割以后, 下一步的工作就是用支持向量机做字符识别。由于传统的支持向量机分类算法只考虑二值分类这一简单的问题, 对于分类问题需要通过对个二类支持向量机的组合来判断。由于在车牌字符识别的实验中涉及的待分类别较多, 如果利用二类别组合分类中的一对一策略, 在识别的过程中会浪费很多有用信息, 识别效果较差, 而利用一对多策略的话就要构造很多支持向量分类器, 这无疑增加了测试阶段的工作量。因此这里采用基于先验知识的二叉树结构组合多个二值分类支持向量机(称为 SVM 决策树)来解决车牌的多类识别问题。以一个四类分类问题为例,用于车牌识别的 SVM 决策树的模型如图 3 所示。 SVM 决策树模型图为了提高识别的速度,采用具有先验知识的 SVM 决策树构形,可以