基于BP神经网络的车型识别研究.doc

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：0.25M 资料格式：doc 举报版权申诉

hz_wzp-7514125-16359647604573959665.doc.pdf-第1页.png

第1页 / 共7页

hz_wzp-7514125-16359647604573959665.doc.pdf-第2页.png

第2页 / 共7页

hz_wzp-7514125-16359647604573959665.doc.pdf-第3页.png

第3页 / 共7页

hz_wzp-7514125-16359647604573959665.doc.pdf-第4页.png

第4页 / 共7页

hz_wzp-7514125-16359647604573959665.doc.pdf-第5页.png

第5页 / 共7页

hz_wzp-7514125-16359647604573959665.doc.pdf-第6页.png

第6页 / 共7页

hz_wzp-7514125-16359647604573959665.doc.pdf-第7页.png

第7页 / 共7页

基于BP神经网络的车型识别研究

基于 BP 神经网络的车型识别研究（1. 惠州学院计算机科学系，广东惠州 516007）吴志攀1 摘要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。提出了一种基于特征提取的车型识别方法。该方法首先对车辆图像进行预处理；然后通过图像边缘检测、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；最后利用 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。关键词车型识别；特征提取；图像处理；边缘检测；BP 神经网络 Research on Vehicle Type Recognition Based on BP Neural Network WU Zhi-pan1 (1.Computer Science Department, Huizhou University, Huizhou 516007, China) Abstract: The vehicle type recognition is a very important part of Intelligent Transport System and becomes one of the domestic and foreign research hotspots in recent years. This paper presents a way of the vehicle type recognition based on feature extraction. The way firstly includes a pre-processing to the vehicle’s image; and then a edge detecting, a horizontal and vertical filling, a image correcting to get the vehicle’s feature and the feature’s word vector space; and finally a vehicle type recognizing based on BP-ANN. Through the Matlab simulating results, the algorithm based on image difference is good for the background image segmentation, and also can commendably reach the goal based on BP ANN, and have a good effect in low-quality or complex background images. Keywords: detection; BP neural Network; Vehicle type recognition; Feature extraction; Image processing; Edge 0 引言车型识别系统的研究和应用在现代交通的监视和控制环节中占有很重要的地位，是实现交通管理现代化和智能化的重要前提，也是现代交通工程研究领域的重点和热点之一[1]。多年来出现了各种各样的车型识别技术，其中通过检测车辆的某些几何参数来归纳分类方法，由于其简单、可行，得到了广泛的应用。但是由于采集图像的质量问题，往往不能取得较好的识别率。因此，提出一种基于特征提取的车型识别方法，在有效的去除背景噪声的同时，提取车型分类特征字空间，应用三层BP神经网络对车型进行分类。 1 实现方案由于用于车型识别的图像可能包含有一定的噪声（包括脉冲噪声、椒盐噪声、随机噪声）作者简介：吴志攀(1975—)，男，广东五华人，惠州学院计算机科学系讲师，硕士，研究方向为图像处理、模式识别。

和由于轻微倾斜而引起的图像偏差，因此首先应对车型图像进行预处理，以消除大部分的噪声干扰。作者采用以下流程对图形进行预处理。 1.1 图像灰度化灰度图像相对于彩色图像来说在光线较低的情况下清晰度高于彩色图像，因此为了适应不同的光线条件有必要把彩色图像转换为灰度图像。这样既满足了处理需要，又减少了信息运算量。利用公式 1，对一幅彩色图像（含噪声）进行预处理，经灰度线性变换可得到灰度图像（如图 2 所示）。 BGR    3.0 R  59.0 G  11.0 B （1） 1.2 图像平滑去噪对于车型识别来说，最重要的是保持车辆轮廓的清晰，同时应该能够清除高频噪声。中值滤波恰好符合这一条件。中值滤波器是一种非线性平滑滤波器，它能够很好地抑制脉冲干扰，保护图像的边缘不变模糊。该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节，这是因为它不依赖于邻域内那些与典型值差别很大的值。经模板为 3×3 中值滤波后的图像如图 3 所示。 1.3 序列图像差分在整个车型识别系统中，从 CCD 摄像头获取的图像中除了汽车之外还有许多其他的物体和背景，为了进一步提取汽车特征，辨识车型，必须采用图像分割方法进行背景减除。序列图像差分法不存在阈值θ的选取问题，也不必担心光线、天气等原因造成背景图像的变化，从而有助于提高车型识别率。因此作者采用序列图像差分法进行车型与背景的分割。在进行彩色车型图像采集时，可于极短的时间内拍摄一连串的系列图像，抽取其中两张相连的图像。此时，这两张图像背景部分几近相同，不同之处是汽车经过了极短时间 t 之后有个位移偏差。对这两幅图像进行灰度化、去噪之后再进行差分运算，即可得到没有背景的车型轮廓图像。假设之前的时间为 t1，之后的时间为 t2，t2 时间图像为 ft2(x,y)，t1 时间图像为 ft1(x,y)，则通过差分法可得到 D(x,y)： ,( yxD )  f t 2 ,( yx )  f t 1 ,( yx ) （t1 < t2）（2）差分法得到 D(x,y)是已除去背景的车型图像（如图 4 所示）。 1.4 Sobel 边缘检测汽车的轮廓是车型识别的一个重要特征。在对采集的车辆图像进行背景减除后，下一步工作就是进行边缘检测。边缘检测的方法有很多，例如：梯度算子、Sobel 算子、Laplace 算子、 Prewitt 算子和 Canny 算子等。其中 Sobel 算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，因此效果更好。所以采用 Sobel 算子进行汽车轮廓边缘检测，利用 Sobel 的两个算子，水平梯度△xf 和垂直梯度△yf（如公式 3 所示），进行检测，得到一幅车辆边缘图像（如图 5 所示）。 2  0 2 101 202 101 1  0 1    （3）  fx  fy  1    0   1                 

1.5 图像横向填充与纵向填充经过处理后的车辆轮廓图像存着离散的点和线。为了便于提取车辆的信息特征，对车辆边缘化图像需做进一步的处理，采用图像横向填充、纵向填充、图像修正等技术。图像经过横向填充和纵向填充后的效果图如图 8 所示。图像横向填充：对第 i 行进行扫描，如果在某行从左向右遇到一个亮点，记下其坐标 C (i1,j)；然后在同一行从右向左寻找第一个亮点，记下其坐标 C (i2,j)；那么，在同一行把两个亮点之间的所有像素点 C’(i,j)改为亮点，如下公式（4）所示。 ),( iC j 2 ,3,2,1  ),( iC j 1 ,3,2,1 , i  1),('  iC , ),( j j （4） iC   i  max , i max  j    图像纵向填充：方法与图像横向填充类似。对第 j 列进行扫描，如果在某列从左向右遇到一个亮点，记下其坐标 V（i,j1）；然后在同一列从右向左寻找第一个亮点，记下其坐标 V （i,j2）；那么，在同一列把两个亮点之间的所有像素点 V’(i,j)改为亮点，如下公式（5）所示。 iV 1),('  j    ) ,( j iV 1 , ,3,2,1 i  i   iV , ),( j j   ,( iV j ,3,2,1 ) 2  , i max （5） max 1.6 图像修正经过两次填充，图像周围出现一些小的毛刺，需要进行取舍修正。采用的方法是：分别计算逐行或逐列计算亮点的个数，根据经验设定一个阈值，如果亮点个数低于这个阈值，把亮点改为暗点；否则不变。如公式 6 所示，其中 N 为逐行或逐列亮点的个数，θ为阈值，T 为原图像素值，T’为处理后的像素值。 T '  0   T  N N     （6） 1.7 轮廓提取与特征提取接着，提取车形的边缘轮廓，如图 9 所示。经过最后处理的二值化图像轮廓虽然与真实的车辆轮廓有点失真变形，但是在一定的失真前提下是可以容忍的。这样就可以根据图像的信息进行车辆信息的提取了。目前汽车种类繁多，需要抽取哪些特征来进行车型识别和分类是难点，也是重点。特征提取的好坏，关系到识别和分类的速度和准确度。通常各类汽车的车身视图可提供整个车长、顶蓬位置、顶蓬长度及车辆高度等信息，由于在拍摄图像时，镜头与车辆间的距离、角度的微小变化都会造成同一车辆在两次拍摄图像时，上述各参数的绝对大小不等，这就限制了不能用绝对长度或绝对高度等绝对参数来作为识别特征。按汽车的应用功能进行大致分类，可分为客车、轿车、货车三类。通过对这三类车型的统计分析，可以选取的特征是：顶蓬长度与车辆长度之比，称之为顶长比；顶蓬长度与车辆高度之比，称之为顶高长；以顶蓬中垂线为界，前后两部分之比，称之为前后比[5]。对车型轮廓数据进行提取，可得顶长比是 0.3158；顶高比是 0.9474；前后比是 1.2800。图 2 是灰度图（含噪声），图 3～9 是利用各种算法对车型图像进行处理的结果。

图 2 灰度图像（含噪声）图 3 中值滤波图像图 4 差分图像图 5 Sobel 边缘检测图像图 6 横向填充图像图 7 纵向填充图像图 8 横向+纵向填充图 9 轮廓提取 2 BP 神经网络分类识别 BP 是广为使用的多层前馈人工神经网络。然而，隐层节点数的选择是一个较为复杂的问题，根据前人的经验，可以参照以下公式进行设计： n n i  n o  a （其中，n 为隐含层神经元数，ni 为输入神经元数，n0 为输出神经元数，a 是 1～10 之间的常数）。隐含神经元数对网络性能影响有直接的关系。隐层节点数太少，网络可能训练不出来，因为隐层节点数少时，局部极小就多，不能识别以前没有看到过的样本，容错性差，增加隐层节点数可能改善网络与训练组匹配的精确度，但是隐层节点数太多又使学习时间过长，误差也不一定最佳 [6]。因此，隐含层网络的选择原则是在能够解决问题的前提下，再加上一个到两个神经元以加快误差的下降速度即可。为了找到合适的隐层节点数，常使用的办法是在网络的学习过程中，根据自己的结构，

最后得到一个大小合适的神经网络模型。根据实际情况，本文采用三层的 BP 网络，输入节点数为 3，输出节点 3，采用了 3-8-3 的网络结构。输入层至隐层以及隐层至输出层，均采用 Sigmoid 函数。共有客车、货车、轿车三类车型，每类车取 8 对样本进行学习，具体数据见表 1[6]。将提取的特征采用动量及自适应 lrBP 的梯度递减训练函数 traingdx；初始学习速率取 0.6；动量系数取 0.9。

表 1 训练集样本数据及期望输出表车型特征向量（样本输入值）车型编码 x1（顶长比） x2（顶高比） x3（前后比） t1 （期望输出值） t3 t2 0.8645 0.8329 0.9498 0.8735 0.7797 0.8805 0.7453 0.8456 0.1473 0.1526 0.3421 0.3164 0.2311 0.1534 0.3005 0.3962 0.3962 0.3687 0.4444 0.2921 0.3319 0.3455 0.2747 0.3331 2.3053 1.9963 2.4015 2.4342 1.5103 1.5903 1.3771 1.7366 0.4372 0.4592 1.0006 0.9250 0.9459 0.5280 0.8357 1.0277 0.7500 0.8138 1.0012 0.9845 1.0754 1.3827 0.9566 1.1811 0.9288 0.9625 0.9466 0.8956 0.9315 0.9466 0.9543 0.9721 0.3926 0.4588 0.5166 0.1875 0.1326 0.5172 0.1874 0.1874 1.5238 2.8823 2.1818 2.3000 1.4878 1.3600 1.4878 1.5531 1 0 0 0 1 0 0 0 1 车型模式编号客车货车轿轿车 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 为了验证车型分类的准确性，用训练后的 BP 网络对随机采集的 9 个测试集样本进行测试，识别率为 100%，具体数据见表 2。表 2 车型分类试验结果车型特征参数目标向量 BP 实际输出向量车型顶长比顶高比前后比福田 BJ6126U8MKB 金龙 XMQ6137P 宇通 ZK6127H 解放 CA1081K28L3 东风 1208 货车一汽四环 QY5820P 中华骏捷 1.8MT 奇瑞东方之子 2.0MT 吉利自由舰 1.5MT x1 0.9512 0.9375 0.9362 0.2294 0.7387 0.3302 0.3906 0.4412 0.3704 x2 3.0469 1.9737 3.0698 0.4032 1.1884 0.5833 1.1905 1.3889 0.9804 x3 0.9903 1.0779 1.0735 0.1474 1.9211 0.2471 1.3415 1.2667 1.5294 t1 t2 t3 y1 y2 y3 分类结果 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 1.0004 0.9977 0.9620 -0.0045 0.0096 0.0155 0.0128 0.0877 0.0194 0.0012 -0.0058 -0.0049 0.9459 0.9790 0.9886 -0.0043 -0.0022 -0.0374 -0.0101 客车 0.0092 客车 0.0329 客车 -0.0370 货车 0.0118 货车 -0.0399 货车 0.9852 轿车 0.9108 轿车 1.0121 轿车

3 结束语在极短的时间内拍摄一连串的系列图像，抽取其中两张相连的彩色图像。对其进行灰度化、去噪之后，再进行差分运算，即可得到没有背景的车型图像。这种方法能很好地分离车型和背景信息。然后再进行 Sobel 算子图像边缘检测、图像横向和纵向填充、图像毛刺修正、车型轮廓提取、车型特征值提取。最后把顶长比 x1、顶高比 x2、前后比 x3 这三个特征值通过离线训练好的 BP 神经网络进行分类识别，可得出具体车型。测试了 9 个样本，识别率为 100%。本文通过 Matlab 对实验进行了论证研究。实验结果表明，此种基于 BP 神经网络的车型识别实现方案是可行的，且对低质量和复杂背景的车型图像均具有良好的处理效果。参考文献 [1] 陶青萍、张正武等. 基于模糊神经网络的汽车外形识别系统及其应用[J]. 微电子学与计算机, 1999，（1）：24－29. [2] 王年、任彬等. 基于神经网络的汽车车型图象自动识别[J]. 中国图象图形学报, 1999， 4（8）：669－671. [3] 付忠良. 图像阈值选取方法的构造[J]. 中国图象图形学报, 2000，5（6）：466－469. [4] 王坤明. 自动选取阈值方法比较研究[J]. 抚顺石油学院学报, 2002，6（22）：70－72. [5] 周红晓. 基于 BP 神经网络的汽车车型识别方法[J]. 微电子学与计算机, 2003，（4）： 39－41. [6] 霍炜、刘大维、王江涛. 复杂背景下的车型自动分类研究[J]. 青岛理工大学学报, 2008，29（1）：107－110.

分享到：

赞收藏

资料库

基于BP神经网络的车型识别研究.doc

相关推荐

开发技术

热门标签

最新资料