《基于BP神经网络的车型识别毕业设计论文》由会员分享，可在线阅读，更多相关《基于BP神经网络的车型识别毕业设计论文（43页珍藏版）》请在金锄头文库上搜索。
1、基于BP神经网络的车型识别-毕业设计论文 作者： 日期：基于BP神经网络的车型识别摘要车型分类识别技术作为智能交通系统中的关键技术，对提高道路运输效率，改善车辆收费检测等方面有着重要的理论与现实意义。本文基于视频检测技术，首先通过图像预处理、车辆分割、轮廓提取得到车辆的轮廓图，从中获得车辆的外形几何参数，并做相关性分析，提取特征向量。然后利用提取的特征向量，构建BP神经网络的车型分类系统进行车型识别。主要研究内容包括：(1)车辆检测研究。本文采用一种基于背景差分的车辆分割方法，较好地解决了复杂交通情况下车辆的检测问题。(2)车型特征提取。根据车型分类的需要，分析了车型特征参数的选择问题，为车辆
2、分类奠定了基础。本文最终选取了顶长比、顶高比、前后比作为特征向量。(3)车型分类研究。研究了基于BP神经网络的车型分类，通过选择合适的特征参数，获得了较高的分类正确率。应用效果与仿真结果表明，基于BP网络的车型分类技术的实时性、精确性和分类识别性能等关键指标得到明显的改善，达到系统设计的预期要求。同时,我们采取的方法具有提取的特征简单、量少，并且所构成的具有分类功能的BP网络简单、便于硬件实现、有利于BP网络的分类识别等优点。关键词：智能交通系统；车型识别；车辆检测；特征提取；BP神经网络Vehicle Recognition Based on BP Neural NetworkAbstrac
3、tAs the key technology of Intelligent Transportation System(ITS),vehicle recognition has all important theoretical and practical significance in improving the efficiency of road transportation and testing of vehicle chargingFirstly, the paper based on video detection discusses how to get the vehicle
4、 contour map through these operations such as image pre-processing, vehicle segmentation and contour extraction to derive geometrical parameters of vehicles which are used to establish the vector by a correlation analysisSecondly, we use these feature vectors to build the system of vehicle classific
5、ation based on BP Neural Network to recognize the vehiclesThe main tasks are as follows: (1) Vehicle detectionThis paper presents the vehicle segmentation method based on background subtractionIt can solve the problem of vehicle detection in complex traffic situations effectively. (2) Feature extrac
6、tionAccording to the needs of vehicle classification，we analyze the selective problems of the parameters to laid the foundation of vehicle classificationThis paper finally adopts the vectors of the ratio of top and length, top and height, forward and back(3) Vehicle classificationThis paper studies
7、vehicle classification based on BP neural network and obtains higher classification accuracy by selecting the appropriate parametersThe result of application and simulation indicates that the real-time quality, accuracy and other performances improved and the vehicle classification system achieves p
8、rospective objectivesAt the same time, our approach has following advantages : The extracted features are simple, the account is small , and the BP network posed by the classification function is simple and easy to implement hardware, which will help classification and recognitionKeywords : ITS ; Ve
9、hicle Recognition ; Vehicle Detection ; Feature Extraction; BP Neural Network目录第1章 绪论11.1 课题研究的背景和意义11.2 国内外车型识别技术的研究现状21.3 论文的主要内容3第2章 车辆目标检测42.1 基于视频图像的车型识别系统简介42.2 视频图像序列采集42.3 车辆目标检测的常用方法52.3.1 图像预处理52.3.2 背景差分62.3.3 阈值分割82.3.4 形态学处理102.3.5 连通区域标记及区域填充14第3章 车辆目标的特征提取163.1 目标特征的提取及描述163.2 基于轮廓特征的
10、边缘检测163.3 基于轮廓特征的选择与提取193.3.1车型特征值的选择193.3.2车型特征值的提取20第4章 BP网络的设计与车型识别234.1 BP神经网络简介234.1.1 多层前馈神经网络244.1.2 BP网络学习规则264.2 BP网络在本实验中的设计与应用274.2.1 BP网络的设计274.2.2 车型识别结果29第5章 总结与展望335.1 本文工作及成果总结335.2 未来工作展望33致 谢34参考文献35第1章 绪论1.1 课题研究的背景和意义近年来，随着社会经济和综合国力的不断增强，人们对交通运输的各种需求明显增长，交通运输与社会经济生活的联系也越来越紧密，大大地缩
11、短了人们通行和货物运输的时间，加快了工作进程。然而，无论是在发达国家还是发展中国家，由于车辆数量的不断增加，道路负荷日益加重，交通拥挤、道路阻塞、交通事故现象越来越严重，由此而引起的社会经济损失、环境污染等问题已成为不利于社会发展的消极因素。由于我国的城市化与汽车化发展十分迅猛，城市化的迅速推进特别是大城市规模的扩张，带来了城市交通需求特别是机动车数量的迅速增长,这些问题和矛盾在我国表现得尤为突出，正越来越严重困扰着城市居民的日常生活。为了解决上述问题，经过长期和广泛的研究，以改善交通秩序、缓解交通拥挤和减少由交通产生的环境污染为目标，综合信息技术、通信技术和自动控制技术等智能交通系统相关技术
12、的研究越来越深入。智能交通系统(Intelligent Transportation System，简称ITS)应运而生，并获得了巨大的发展。ITS包括智能和交通两个方面，将先进的人工智能、信息技术和自动控制等综合用于整个交通运输管理体系，通过对交通信息的实时采集、传输和处理，对各种复杂的交通情况进行协调，建立一种实时、准确、高效的综合运输管理体系，从而使得交通设施得以充分利用，充分实现交通运输的集约式发展。车型识别技术是ITS的重要组成部分，在交通违章监控管理、公交优先系统、高速公路不停车收费、停车场监控管理等系统中的需求在不断加大。车型识别国内外主要采用的方法：感应线圈法、超声波检测法、红
13、外探测法、视频图像处理识别法等。基于视频图像处理的车型识别系统，通过引入数字摄像技术以及计算机信息管理技术，采用先进的图像处理、模式识别、人工智能技术，通过对图像的采集、处理，获得丰富的信息，从而达到高智能的管理程度。车型识别系统已经广泛应用于包括高速公路不停车收费、停车场监控与管理等系统以及车辆检测中。车型识别技术作为智能交通系统中的关键技术，对规范交通秩序、大型停车场管理、高速公路自动计费等诸多方面有重要的理论与现实意义。1.2 国内外车型识别技术的研究现状 目前国内外基于图像分析的车型识别研究的主要方向为：特征匹配算法的车型识别、神经网络的车型识别、支持向量机的车型识别。基于特征匹配的车
14、型识别，相对于传统车型识别算法有较大的改进，在大部分天气情况下，它不但识别准确，而且计算量小，鲁棒性好，识别速度快，因此能从根本上满足识别实时性要求，但是算法在复杂环境中识别不是很准确；神经网络是由人工神经元所组成的模拟人脑智能的网络结构，它具有很好的自学习、自适应性和抗干扰能力，但对它的研究离实际工程的使用还有一定差距；支持向量机是实现统计学习理论的通用学习方法，它可以描述成类似神经网络的形式，该方法较好地解决了模型选择、过学习问题、非线性和局部极小点等问题，但从理论到应用还存在一些尚未解决的问题。论文研究范围属于基于神经网络的视频车型分类技术，随着神经网络理论和图像处理技术应用的日益成熟，
15、基于视频图像处理的技术应用，在智能交通系统中发挥越来越重要的作用。目前，基于神经网络的视频图像车型分类方法大致可以分为以下两类：（1）基于神经网络的模板匹配的方法。基于模板匹配的基本过程是：首先对目标车辆进行二值化，并将其尺寸大小缩放为车型数据库模板的大小，然后与所有的模板进行匹配，随后选取最佳匹配作为结果。其优点是能够从车辆的实际外型在当前拍摄角度下的投影出发来识别车型，缺点是工作量巨大、学习过程冗长，并且环境稍有变动就又要重新进行整个学习过程，该方法对光照、气侯等因素的变化也很敏感。MDubuisson Jolly等通过模板匹配法对车型进行分类，将融入先验知识的变形多边形作为模板，运用Bayes决策判定车型，车型识别准确率可达919。但是，该算法复杂、计算量大。Wei等构造了相对简化的参数化模
