復(fù)雜背景下車型識別技術(shù)研究.pdf

1、本文研究基于實際交通視頻的車型識別技術(shù)。本文提出了一個新的車型識別思路,即利用不同車型的區(qū)別取決于車輪以上輪廓的特點,通過背景建模、車輪檢測等,實現(xiàn)了對車輛的輪廓進行提取;并提出了一種車輛輪廓修復(fù)方法,實現(xiàn)了對殘缺車輛輪廓的修復(fù),使之更接近真實的車輛輪廓;最后通過模板匹配的方法進行了車型的識別。
　　首先,用高斯混合模型對視頻進行背景建模,并對運動車輛區(qū)域進行定位。利用道路視頻背景基本固定不變的特點,運用高斯混合模型建立了視頻的背

2、景模型。然后用當(dāng)前幀圖像與背景模型相比較,將符合背景分布的判為背景像素,不符合背景分布的判為前景像素,得到的二值圖像就是運動目標的前景掩碼圖像。用連通區(qū)域分析得到運動車輛的位置和外接矩形,并從原始圖像和前景掩碼圖中分別截取包含車輛的小矩形彩色圖像和二值圖像。實驗結(jié)果表明,該方法能夠建立背景的模型,同時能夠檢測出運動車輛的區(qū)域,得到了彩色圖和二值圖兩種車輛圖像截取區(qū)域結(jié)果。
　　其次,訓(xùn)練車輪分類器并檢測截取彩色車輛圖像中的車輪。首

3、先采集了大量車輪的正負樣本圖像,利用Haar特征適合表示車輪這種“塊”特征的特點,計算每個樣本的Haar特征,并通過Adaboost算法訓(xùn)練了一個車輪分類器,然后在截取的彩色圖像中檢測車輛車輪,得到車輪的位置、大小等信息,并通過篩選策略將誤檢的車輪去除,得到可信度最高的車輪位置信息。實驗結(jié)果表明,車輪被準確的檢測出來,有效避免了在整個視景中檢測車輪的速度慢和誤檢多的問題。
　　再次,用邊緣檢測算法提取前景二值圖的輪廓并對其進行修復(fù)

4、。用邊緣檢測算法檢測二值車輛截圖的邊緣,并將它們組織成輪廓,去除長度小于所有輪廓中值的小輪廓,然后利用車輛車輪以上輪廓是不同車型最顯著區(qū)別的特點,同時結(jié)合車輪位置信息,對車輛車輪以上部分輪廓進行提取,并對提取的輪廓進行修復(fù),得到較為完好的車輛輪廓。實驗表明,提取的車輛輪廓毛刺少,外形接近實際車輛,非常有利于后續(xù)車輛輪廓的識別。
　　最后,用Hu不變矩進行車型識別。利用Hu不變矩具有旋轉(zhuǎn)、縮放不變的特點,計算得到待分類車輛的Hu不變