MATLAB的车型识别算法研究.doc

1绪论1.1 课题背景随着中国经济迅速发展，私家车等多种车辆数量越来越多，给我国目前的城市交通带来巨大压力，人们希望有一个智能的交通系统，实时监控交通情况，实现自动交通管理，这就促进了智能交通系统的产生，目前一些大城市已经逐步引入智能交通系统，例如高速公路的联网收费，停车场信息化管理等，随着智能化交通管理需求的不断增加，智能交通系统将有很大发展空间。车型的识别虽有很多年的发展史，但仍是一个较大的难题，首先，车辆在不同时间及环境影响下，其颜色、光泽度等都会有不同变化，而且车辆在行驶中，其位置、速度都有随机性，使得车辆在录入镜头时形状、大小也会有改变；第二，车辆的拍摄角度变化、邻近物体的影响、车辆之间遮挡等条件也会对车辆外观造成一定影响；第三，背景图像的持续变化以及光照条件、天气季节变化等因素影响。因此车辆识别与智能交通系统的需求还有一定差距，需要我们继续努力，在识别的准确率和使用性上做进一步提高。目前智能交通系统在许多重要技术上已经解决，但是一些细节方面，比如车辆的准确识别问题还没有很好的解决。而且车型识别是智能交通中重要的一部分,所以本课题意在研究一种车型识别方法,实现交通管理智能化，应用于十字路口的信号灯变换，交通流量统计，停车场自动收费，收费站不停车自动收费，公安交通管理等方面。迄今为止一些发达国家在这方面已经有所成就，并且有成功的应用，我国在车型自动分类方面仍处于落后状态，所以车型识别技术对于智能交通系统的完善具有现实意义。1.2 国内外研究现状车型识别的方法较多，目前比较常用的有红外探测法、线圈感应法和基于图像的车型识别。用图像做车型识别的研究较多，因为图像一般包含信息量较大，只要能提取出准确有效的车型参数就可以得到较高的车型识别率，硬件设备要求低，只需一台摄像机安装于路边，与主机相连，同时也便于维护。由于各大城市交通状况日益严峻，国家开始重视交通资源的合理利用，并在这一课题研究上给予各方面支持，已经有多家高校及研发机构参与此项研究，服务于交通系统，在国内有几家相关研究单位已经开始车型识别方面的研究，提出了一些计划方案，如西安公路交通大学提出了激光车型识别系统，将两组激光收发器装于路面，测量车辆的轴数、轴距、轮胎数和轮距，并通过这些参数对车型做识别。中国科学院提出了基于模糊模式的车辆识别系统，原理是车辆经过环形线圈传感器产生感应曲线，根据感应曲线的特征，用模糊识别方法识别车型。在国外，车型识别方面的研究开始的比较早，在一些关键技术上已经有所突破，如日本立时公司用环形线圈和超声波技术，检测车辆长度、高度和地盘高，从而识别车型。英国采用环形线圈和红外线测量轴数和轴距来获得车型参数。虽然国外相关科研机构不少，但是真正拥有成熟技术并生产出被广泛认可的产品却为数不多。所以这一领域的发展和提升空间非常大。我相信，经过多方面努力我们在车型识别领域一定会有很大突破。1.3 本设计研究内容本设计研究了车型的识别方法，研究图像的基本操作方法，对图像做预处理，包括图像的灰度化、二值化、图像分割填充、及形态学的一些操作方法。图像特征值选取思路和BP神经网络设计的车型分类器对车辆做识别。2 车型图像的预处理图像的预处理是车型识别的基础，对读入的.jpg格式的图像做一些基本操作，简言之就是要去除冗余的信息，得到车型识别所需要的特征信息。2.1 Matlab软件介绍MATLAB将数值分析、矩阵运算、编程技术、图形处理结合在一起，为用户提供了一个强有力的科学及工程问题的分析计算和程序设计工具，它还提供了专业水平的文字处理、符号计算、实时控制和可视化建模仿真等功能，是具有多种语言功能和特征的新一代软件开发平台。 MATLAB 已发展成为适合多种工作平台，众多学科、功能强大的大型软件。在欧美等国家的高校，MATLAB已成为线性代数、数字信号处理、数理统计、时间序列分析、动态系统仿真等高级课程的基本教学工具。成为相关专业学生必须掌握的基本技能。在设计研究单位和工业开发部门，MATLAB被广泛的应用于研究和解决各种具体问题。在中国，MATLAB也已开始日益受到重视，因为无论哪个学科或工程领域都可以从MATLAB中找到合适的功能。Matlab有以下优点：（1）编程效率高，比C语言等更加接近我们思维习惯和书写习惯；（2）方便使用，在编程和调试过程中它是一种比VB还要简单的语言；（3）较强的扩充力，有丰富的库函数，一些复杂的数学运算可以直接调用；（4）语言简单，内涵丰富，（5）高效方便的矩阵和数组运算。Matlab软件有非常友好的编译环境，并且进行编译的语言也很简单，容易应用，在数据和图片这方面也有相当大的处理能力。由于Matlab软件的简单方便化，它在各个方面也有很多的应用，尤其是在模块集合工具箱方面的应用更为广泛。2.2 图像处理2.2.1设计思路将摄像机装于要检测的路段，提取图像背景和车辆图像信息，做灰度处理、滤波去噪将车辆图像与背景图像做差，得到车辆大致轮廓图，做图像二值化、边缘检测、膨胀，填补边缘缝隙，开运算、闭运算平滑图像轮廓，对图像做一系列预处理后可以得到比较准确的车型轮廓图。提取该轮廓的特征值，如长宽比做为车型的判断依据，训练BP神经网络对车辆特征值做判断识别。具体车型识别流程如图2.1所示：开始是否有图像需要识别读入图像、灰度处理、中值滤波车辆图像与背景图像做差图像二值化处理边缘检测膨胀操作图像填充开闭运算提取车型轮廓特征值训练好的神经网络识别结束 否 是图2.1 车型识别流程2.2.2图像灰度处理、中值滤波图形的处理就是将各种在人们心中已经产生的图像，或多或少的进行操作与加工处理，让其以更为清晰、真切的表象它在人们心中留下的真实感觉与感受。这也是我们对图片一直不断改进的目的与要求。将输入的背景图像和车辆图像变换为灰度图像，因为灰度图像比起彩色图像包含的信息量少很多，可以减少运算量，增加图像运算速度，而且灰度图像比起彩色图像可以适应不同的光照条件，可以减少因光线变化产生的误差。经灰度变换得到的图像如图2.2、图2.3： 图2.2 背景灰度图图2.3 车型灰度图为了能够很好的实现车型的识别，必需使车型图像有清晰的轮廓不能含有高频噪声，为了达到这个目的，就必须要对图像滤波去噪，改善图像的质量。图像中存在的噪声一般都是一些随机信号，通过试验和对比，得出中值滤波后效果较好。中值滤波的原理是确定一个邻域,然后排序像素灰度值,并将中间的值作为像素灰度新值。此邻域即为窗口。中值滤波的一维算法的定义为:当n 为奇数时,中值就是n 个数1 ,2 , .,n按数值大小顺序处于中间位置的数;当n 为偶数时,中值是两个中间数的平均值。中值用符号med (1 ,2 , .,n ) 来表示。例如:Med (0 ,1 ,3 ,4 ,6) = 3中值滤波算法在二维下的定义为: 数字图像各点的灰度值用表示,其中(i ,j) 取遍或的某子集。A为波器窗口,其尺寸为N = (2 K + 1)(2 K+ 1) ,是窗口A 在的中值,则: = medxi + r , xj + s , ( r ,s) A （2-1）图像在交通场景中获得的会含有大量的点状或尖峰状噪声，大部分是由于天气等原因引起的，而且运动速度较快会引起运动模糊现象。滤波处理就是要有效地去除这两种噪声。经过分析比较本设计采用时域去噪中的中值滤波法，它不仅可保持较好的图像边缘，还具有抑制干扰脉冲和点状噪声的作用。将邻域中的像素按照灰度级进行排序,然后选择本组中的中间值作为输出像素值的一种领域运算，我们称之为中值滤波器。这种邻域运算的具体步骤如下：首先让模板在图像中移动，在移动的过程中要使图像中某个像素与模板的中心位置重叠，然后读取模板下一个与像素相对应的灰度值，把所读取的灰度值按照从小到大的顺序排成一列，并且从这一列灰度值中找出处在中间的哪一个，最后将找出的这个中间值赋予与模板中心相对应的那个像素。在数子图像的处理中，常用的滤波窗口有圆形、方形等。本设计中运用常用的方形窗口进行滤波，窗口大小根据所滤波范围选取，一般选用3*3或5*5的。滤波的常用方法有平均滤波、均值滤波和中值滤波等，平均滤波使得图像的边缘变模糊，不利于车型图像的特征提取。均值滤波为非常典型的线性滤波算法。中值值滤波可以达到去除噪声的效果，因为受到干扰的像素灰度值与它临近的某些像素的灰度值有很大的差异，因此中值滤波后的结果是将此干扰点灰度值变成其临近某些像素的灰度值。从而很好的去除噪声。中值滤波背景和车型如图2.4、图2.5：图2.4 背景图中值滤波图图2.5 车型图中值滤波2.2.3图像差分随着计算机技术飞速的发展，图像分析的各种相关应用也在向各个领域各个行业不断的深入。彩色图像虽然比灰色图像包含更为丰富的信息，但是也有很多的问题和困难随之存在着，其中很重要的一个方面就是在周围环境的影响下，各种照明的光线条件会对图像产生相对应的影响。所以，以色彩作为特征的各种图片分析，在光线照明的影响下会变得极其敏感，可能就在其一点点的光照影响下而发生非常明显的变化。背景差分法的原理是：现拍摄要识别的某一路段背景图，背景图最好没有车辆或其他移动物体的存在，这样可以排除其他因素的干扰，对实验的运行有较好的成果。将获得的车型图像和背景图像做差得到差值图像。通过对差值图像进行二值化等处理可以得到当前输入图像中车辆的基本轮廓图形。这种算法能够检测运动车辆和静止车辆，因为拍摄图像与背景图的相差部分都能被检测到；该算法有以下优点：（1）运算速度较快；（2）算法对光线变化不敏感，鲁棒性强；（3）不涉及求取均值等较耗费时间的运算。此方法的缺点是随着环境的时刻变化，背景也在不断变化，因此必须定期更新背景图像。图像差分也称为图像的减法，常用于检测图像变化，在利用图像减法处理图像时，往往需要考虑背景的更新机制，尽量补偿因天气、光照等因素对图像显示效果造成的影响。图像差分函数调用方法如式（2-2）：A=imsubtract(B,C); （2-2）公式中B、C分别代表要相减的两幅图像。差分所得图像如图2.6。图2.6 差分图由图2.6看出，将车辆图像与背景图像做差后，两图中相同的部分已经全部被去除，只留下较为模糊的车型轮廓，这只是车型轮廓的雏形，之后会有对此轮廓做更细致的操作。2.2.4图像二值化图像二值化处理就是将全部亮度等级图像通过合适的阈值选择而获得能够反映图像全局和部分特征的二值化图像。图像处理中，一般要先把灰度像素二值化，以便于对图像进一步的处理时，不涉及像素的多级值，而且占用的存储空间较小，运算较快，更重要是的能够得到图像的一些几何特征或其他特征信息。二值化后图像如图2.7： 图2.7 图像二值化在选择合适的阈值的条件下，做二值化可以得到较为清晰的车型轮廓，只是边界或内部都较为凌乱。接下来会将这些令人不满意的地方着重修改。2.2.5边缘检测边缘检测目的就是要加强图像轮廓信息，是图像中各个物体的轮廓比原图像更加分明，便于图像特征提取，得到清晰的目标特征轮廓信息。边缘检测是图像处理中很重要的技术，因为图像的边缘包含有大量信息，对图像做边缘检测可以使边界信息更加明显，所以边缘的确定与提取对于目标图像的是别来说是非常重要的步骤，也是图像分割不可缺少的一部分。基于以上的一系列处理我们已经得到了图像较模糊粗犷的轮廓形状，边缘检测将像素亮度变化较大的边界像素检测处理，将检测出边缘的图像再做一些处理就可以进行车型特征提取和形状分析了。边缘检测不同的算子有不同的特点，有Sobel算子、 Prewitt算子、Roberts算子、Log算子和Canny算子边缘检测。本设计对各种算子的边缘检测效果做了以下对比。 Canny算子在处理受加性噪声影响的图像边缘检测效果最好，边缘定位精度高，单边响应效果好，幅值和方向角可用直角坐标到极坐标的坐标转化来计算，如式2-3: - （2-3）M i , j 反映了图像在的边缘强度， H ( i , j )反映了图像边缘的方向。使得 M i , j 取得局部最大值的方向角 H ( i , j ) ,就反映了边缘的方向。Canny算子的边缘检测效果如图2.8。 图2.8 Canny边缘检测Roberts算子由于只对邻近的灰度像素操作，对噪声较敏感，不能很好抑制噪声。是较简单的梯度算子，其22模板如图2.9。100-101-10图2.9 Roberts算子Roberts 算子是一种利用局部差分算子寻找边缘的算子,该算法计算公式如式（2-4）。(2-4)其中f( x , y )、 f ( x + 1, y )、 f ( x , y + 1) 和f ( x+ 1, y+ 1)分别为4 领域的坐标，Roberts算子的边缘检测效果如图2.10。图2.10 Roberts边缘检测Prewitt采用被检测点俩侧像素的差分来近似微分，引入平均因素，对图像中的随机噪声有一定的抑制作用，Prewitt 算子由式（2-5）给出:（2-5） Prewitt 算子是33 算子模板，如图2.11所示,分别是两个卷积和dx,dy构成了Prewitt算子111000-1-1-1-101-101-101图2.11 Prewitt算子Prewitt边缘检测如图2.12。图2.12Prewitt边缘检测Log算子先通过高斯滤波对图像进行平滑滤波，再对图像进行拉普拉斯运算，最后通过检测过零点检测图像边缘，Log算子算法如式2-6(2-6)式中: G( x , y )是对图象进行处理时选用的平滑函数(Gaussian 函数) ; x, y 为整数坐标; R为高斯分布的均方差。Log边缘检测如图2.13。 图2.13 Log边缘检测Sobel算子对边缘具有很强的方向性，主要是对车型的水平和垂直两个方向的边缘提取，并且，Sobel算子对噪声具有平滑作用，提供较为精确的边缘方向信息可以得到更加真实准确的车型轮廓具有较高的检测精度。Sobel算子计算公式如式2-7（2-7）上式中dx对垂直边缘响应最大, 而dy对水平边缘响应大。卷积核dx，dy共同形成了Sobel算子如图2.14121 000-1-2-1-101-202-101 图2.14 Sobel算子Sobel边缘检测图如图2.15: 图2.15 Sobel边缘检测各种算子的特点不同，相应的边缘检测也各有优劣，不能简单的说哪个好哪个坏，单就本课题而言，从以上各算子的检测图比较可得Sobel算子边缘检测效果最好。2.3 形态学操作2.3.1形态学概念形态学一般是指在生物学中研究植物和动物组织结构的一个分支，后来人们将数字形态学作为一种数学工具，以形态的结构元素为基础对图像进行分析。形态学的基本思想和方法是用具有一定形态的结构元素去提取和度量图像中与其相对应的形状，从而达到对图像识别和分析的作用，与此同时也可以实现细化、消除噪声、填充等功能。数学形态学诞生于20世纪60年代，当时在Matheron指导下做岩相学分析时候时首次涉及应用此学科工具。70年代作为商业应用用于纹理分析，当时的理论基础是Matheron的随机集和积分几何，当时虽然取得一些应用但是在图像处理方面根本就没有获得相应的重视，只是为图像分析翻开了一个新的篇章。数学形态学真正的走向美国和世界是在80年代初，那时Serra于1982年完成的图像分析于数学形态学让世人真正看到了数学形态学在图像处理中的应用，也在格论框架上建立了数学形态学的基础，为后来的算术开发也产生了新的影响。随后的90年代，不仅更好的应用了此方面已有的资源，而且在模式识别、编码、运动分析、运动景物描述等方面又有了新的应用与发展。数学形态学是一门严格建立在数学理论基础上的新兴学科，它在传统的数值建模与分析上展现了自己独有的优势和特点：（1）集合论是形态学图像处理的数学基础和语言；（2）集合运算例如并、交、补是数学形态学的定义运算；（3）图像的处理都必须是将其合理的转换成集合的形式才能正常的运算的：（4）输入图像当前点的值和输出图像此时刻的值以及它的邻点的值是有关系的。数学形态学主要应用于图像处理方面，例如，为了达到改善图像质量的目的，可以运用图像学的基本运算来对该图像做细致的观察并对其作出相对应的处理，最后达到预期的目的；像图像的各种几何参数和特征，面积、周长、连通度、颗粒度、骨架等，就可以应用数学形态学对其进行较为确切的定义和合理的描述。除了图像处理方面，它在检测指纹、断层的X光的照像与合成音乐等领域也有非常良好的应用前景。目前，有关数学形态学的应用技术正在不断地发展进步并且取得一定的成果现已成为图像应用领域工程技术人员的不可缺少的工具。2.3.2膨胀操作膨胀操作就是向目标边界添加像素，使其线条变粗变大，这样便可以将图像中细小的间隔连起来，如图2.12，边缘检测后车型的边界线条存在一些断点间隔，通过膨胀处理使这些间隔连通起来，使其成为一体。膨胀的对偶运算是腐蚀，腐蚀运算的准则即为输出点的值是输入点的领域内所有点的最小值，而膨胀运算的准则较之相反为输出点的值是输入点的领域内所有点的最大值；对于灰度图像来说，腐蚀运算的准则是输出点的值是输入点领域内所有点减去结构函数对应点值后的最小值，在此种情况下的腐蚀运算有两种效果：（1）如果结构元素的值都是正值，则输出的图像会比输入的图像暗；（2）如果输入图像中亮细节的尺寸比结构元素小，则其影响会被减弱。而在灰度图像下的膨胀运算的准则是输出点的值是输入点领域内所有点加上结构函数对应点值后的最大值，在此种情况下的膨胀运算有两种效果：（1）如果结构元素的值都是正值，则输出的图像会比输入的图像亮；（2）根据输入图像中偏暗的细节的灰度值以及他们的形状相对于结构元素的关系，他们在膨胀的过程之中不是被消减就是被除掉。膨胀跟腐蚀运算有一般代数的运算性质，例如交换律、结合律、标量分配律膨胀操作用到的函数为imdilate，膨胀后效果图如图2.16：图2.16 图像膨胀操作图像膨胀后，与前面边缘检测后图像比较可发现，边缘检测后边界的一些细小的断点和缝隙被膨胀后的线条充满，整个轮廓线条连接顺畅，达到了预期的效果。2.3.3图像填充上述研究我们已经得到较好的车型边缘轮廓，接下来将此边缘轮廓图填充起来，作为形状图形进行研究。填充操作是一种根据像素边界求取像素区域的操作，也是形态学的一种常用操作，图像的填充可以由函数imfill函数来实现。Imfill函数将二值图像中的亮区域所包围的暗区域全部变成亮区域。用这个函数就能很好的完成将边缘轮廓图所围的区域填充，可以得到一个完整的车型形状图。所得图形如图2.17：2.17 图像填充填充后的图像，轮廓内部的一些暗点已经全部变成亮点，成为一个较完整的车型图像，图像边缘还存在参差不齐的现象，如果就这样提取特征参数会很影响车型特征值的有效性，所以下面的操作就是要去除边缘的毛刺，使车型轮廓平滑整齐。2.3.4图像开运算、闭运算开闭运算就是将膨胀腐蚀操作按照不同顺序合并，产生两种不同的结果。先腐蚀后膨胀是开运算，先膨胀后腐蚀是闭运算这俩种图像在细节变换处很有效。作用各不相同，开运算一般能平滑图像的轮廓，消弱狭窄的部分，去掉细的突出，而闭运算在融合窄的缺口和细长的弯口、去除小洞、填补轮廓的缝隙方面效果比较明显。开闭运算的函数分别为imopen、imclose。闭运算、开运算图分别如图2.18、图2.19：图2.18 图像闭运算图2.19 图像开运算做完图像的开运算后，由图2.15、图2.16可以看出，汽车的形状已经很明显，接下来只需对该汽车形状做特征提取便可得到所需识别车型的特征参数。2.4 本章小结本章主要是对图像做预处理，图像的预处理是车型识别的基本步骤，车型图像预处理的好坏直接关系到之后特征值的选取结果，从而影响识别结果。本章对车型图像做了一系列基本处理，包括图像灰度化、滤波去噪、差分、二值化及形态学的一些操作，并对边缘检测的多种算子做对比。3 车辆特征提取特征选取对于车型识别尤为重要，特征值提取的不合理不仅会使识别的运算量增加，识别速度降低，也会使车辆识别出现误差，降低车型识别率。3.1 特征选取方法特征的提取方法要考虑到车辆特征的具体情况，不能只从理论角度思考，通过对车型图像的参数提取或变换，得到一组能真正反映车辆信息的特征值。特征值有两种提取方法，一种是根据某些原理进行特征提取，比如把同一识别对象在不同波段的摄像得到的灰度作为它的特征，这种应用在农田估产、森林资源调查中广泛应用。另一种就是要求对待识别的图像的各种特征都充分理解，然后把这种特征转化为文字或数值来识别。对于车型的特征提取，从技术角度来说，所能提取的特征信息越多，就越能详细准确的分类车型，但是从使用角度来说，为了能够快速识别车型，特征参数就不能太多，而且一些冗余特征信息也会影响车型识别的准确度。为了能准确快速的识别车型，所提取的特征值必须具有代表性和较小的冗余度，同时还有满足不同条件下，特征值的稳定性。基于以上要求，特征值选取要满足以下三个特点：第一， 区别性，不同的车型其特征值有较明显的差异。第二， 相似性，对于相同的车型其特征值都会比较接近。第三，简单性，特征值个数越多，车型识别系统就会越复杂，因此特征值的选取要尽可能少。以上提出的三个特点，区别性是基本的特点，是特征值选取的关键，相似性则是为了保证识别的准确率，简单性是为了保证车型识别的速度。3.2 车型特征参数车辆的特征值可以有很多，如车辆的长度、高度、顶长度、轴距及底盘高度等，从实际角度考虑，轴距或底盘高度的特征值提取难度较高，会增加运算量，并且不同类车型特征不明显，所以本设计采用车型的长高比作为车型的特征值，由于取素材在实地拍摄时都是在马路旁边，指向马路对面，所照的图片都是车辆的侧面，图片大小为600*450,24为真彩色图像。根据光学成像原理可以准确的得出车辆的长高比，按每种车的参数将其归为相应的车型类别。在车型图像分割完成后，可得到清晰完整的汽车形状图，提取车型参数。程序如下：L,num = bwlabel(e,8); %标注二进制图像中已连接的部分Feastats = imfeature(L,basic); %计算图像区域的特征尺寸BoundingBox=Feastats.BoundingBox; %x y long height车型的框架大小long=BoundingBox(3);%车辆长度的计算height=BoundingBox(4);%车辆高度的计算a=long;b=height;d=a/b先将已连接的车型部分标注，用imfeature函数计算图像标注区域的特征值，BoundingBox中分别包含车型的长宽信息，但是由于拍摄的角度，车辆的远近不同，这些参数都不是绝对长度或绝对高度，但他们的长宽比例是固定的，所以求出车型的长宽比例便可车型识别的参数。3.3 本章小结本章介绍了特征选取的两种方法，和特征选取要注意的几个特点，包括相似性、区别性和简单性。以及在此次课题研究中所选取的特征值，并附上部分特征值提取程序。4 车型识别分类经过以上车辆图像的一系列操作后，便可以对车辆图像做最后的操作，即将所得的车辆特征值送入神经网络分类器进行识别。4.1 车型的分类本课题将车型分为小车、大货车、大客车，通过对着三类车的特征分析，把车辆的长高比作为识别车型的特征值。相机所拍摄的都是车辆的侧面图，虽然汽车的种类繁多，但就以上三种车型其长高比都存在一定差异，小汽车的长高比一般保持在2.55左右，大客的长高比在2.70左右，而大货车长高比是2.85左右，所以根据长高比不同的范围可以较好的划分车型的类别来识别车型。4.2 神经网络介绍人类的思维方式具有独特性的特点，它是通过人脑中的大脑神经网络完成的各种大脑功能的。人工神经网络，就是一种可以模拟人类进行思维的方式。作为一个力学而且是非线性的力学系统，它对信息进行分布式存储，共同处理。由大量结构简单，特定功能的许多单个神经元构成的网络系统，可以成功的模拟形形色色的行为活动。人工神经网络的运行一般有两个阶段：学习阶段和记忆阶段，学习阶段是其最具有魅力的阶段。人工神经网络的训练阶段也就是它的学习阶段，而神经网络的训练阶段的实质是通过在网络中对样本集的输入或者输出的模式的反复作用，网络按照一定的学习算法自动调节神经元之间的连接强度或者拓扑结构，当网络的实际输出满足期望要求，或者趋于稳定时，则认为学习阶段就结束了。人工神经网络有自己相应的学习准则，具体过程为：判定错位，网络学习，进行工作。这样可以减少同样错误再次出现的可能性。现在以一个例子说明：以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。 首先，将区间（0,1）内的随机的一个值赋给神经网络的各连接权值，将字母“A”这个图像所对应的图像模式输入到网络，网络将所输入进去的图像模式加权求和后再与门限比较，再进行一次非线性运算，这样得到了网络的输出。在这种情况下，网络输出0、1的概率就是各半，分别为50%，也就是说属于完全的随机。这时若输出结果为1（此结果正确），则使连接权值增大，以便使当神经网络再次遇到“A”这样的图像模式作为输入时，依然能够做出正确的判断。若输出结果为“0”，即此结果错误，则将连接权值调整为能使综合输入加权值减小的值，它的目的就在于使网络再遇到“A”这样的图像模式输入时，减小判断错误的可能性。做这样的调整，当给网络反复输入若干个手写字母“A”“B”后，经过网络按以上的训练方法进行多次的训练后，网络判断的正确率将有所提高。这就说明，网络对这两种图像模式的学习已经成功，它已经将这样的两种模式分别记在网络的各个连接权值上。当网络再一次有其中的任意一个模式输入时，能够很迅速且正确的做出判断和识别。一般的，网络中所含的神经元越多，它能够记忆和识别的图像模式也就越多。Back Propagation（BP）神经网络由正向传播的信息与反向传播的误差组成。对输入的多个神经元，负责把外界的接受信息输入进来，并将其神经元中间各层。如果期望输出与实际输出不符时，便进入误差的反向传播阶段。当误差 通过输出层时，按误差梯度下降的方式修正各层的权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播，将各层权值不断调整的过程，也是神经网络学习训练的主要过程，此过程将一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止才结束。4.3 BP神经网络的车型分类要想用神经网络对车型做识别，先要训练一个神经网络，然后用训练好的神经网络对车型做识别，对于神经网络的训练，所选的训练样本有一定代表性，而且要注意多样性和均衡性。用newff函数建立一个可训练的前馈网络，函数程序如(4-1)：net=newff(minmax(P),1,1,logsig,purelin,traingdx);(4-1)Newff命令建立了网络对象并且初始化了网络权重和偏置，minmax(P)是输入的信号，1,1是网络中的节点数，logsig是对数S形转移函数，purelin是线性函数，traingdx是梯度下降自适应学习率训练函数。训练样本和期望输出如表4.1：表4.1 训练样本和期望输出训练样本期望输出车型类别2.55850小汽车2.541902.564402.536102.574202.598402.71401大客车2.705512.703812.727112.724112.701912.87152大货车2.854922.832122.842622.848122.82052训练好的神经网络均方误差是0.00917，最大误差为0.01，学习率为0.85572.在第44次迭代达到收敛目标，如图4.1：图4.1 BP网络训练过程由图看出，在训练25次后，训练误差开始迅速收敛，在训练44次后完成收敛，效果达到最好，训练效果图如图4.2：图4.2 训练效果图BP神经网络需要学习的规律就隐含在训练样本中，隐含层不和外界接触，它存储着训练后获得的汽车车型知识，并以网络内部的连接权值隐性表达的，在一定的训练次数后，学习开始收敛，将隐含层的权值、阈值冻结，使该训练好的神经网络处于回想状态，然后将车型的特征值输入就可以产生相应的分类输出。本次研究用输出数值代表车型的类别，将所得的车型特征值送入训练好的神经网络，神经网络将输出数值0、1、2来分别代表小车、大客车、大货车。根据多次试验，该方法的识别率基本保持在90%以上，详细识别情况如表4.2。表4.2 车型识别率天气情况车型识别车数正确数识别率晴天小车5050100%大客5050100%大货504080%阴天小车5010100%大客5010100%大货504590%识别误差的原因：通过车型识别率看出，在阴天的识别率高于晴天的，由于晴天是汽车周围会有阴影，此阴影会被误判为汽车的一部分，由于车辆阴影范围较大，车辆轮廓严重失真，给神经网络送去的特征值是错误值，这时就会产生错误识别，由表4.2得知大货车识别率较低，是由于货车所载货物往往高于车身，或长于车身，这样就会对车辆的特征参数造成影响，而且车辆在拍摄时所处的位置不同，光照不同，使得车辆的轮廓图有细微的失真，影响到车型的特征参数，该课题在对车型做识别时允许一定程度的车型轮廓失真和特征值偏差，所以识别率还是较高的。4.4 本章小结本章介绍了车型分类方法，神经网络的基本工作原理，BP神经网络的建立和训练，用训练好的网络对车型做识别，对识别的误差做了分析。并用Matlab编程实现车型识别。结论车型自动识别在交通控制和管理中有着广泛的应用前景，并在现代交通系统中占用非常重要的地位，是汽车收费，车流量统计等领域的关键技术。本设计着重对车辆图像的预处理及车型分类器做了比较细致的研究，得到一定的效果，并用Matlab仿真证明了这种识别方法的有效性，对于车型图像的预处理方法，本设计选取较简单的图像处理操作，如滤波去噪、边缘检测等，这一部分较难的地方在图像二值化这一块，因为图像在进行滤波处理后在非车辆区域存在一些噪声，如果二值化阈值选择不合理则会使噪声更加严重，或是车辆的部分区域被消除。在车型特征值提取方面，根据车型分类需要，准确的提取出车型的长高比作为车型特征参数，为车辆正确识别奠定了基础。最后用BP神经网络对车型进行分类，基于BP神经网络的建立和训练方法，用训练好的神经网络识别车型，获得较高的识别正确率，证明了此种方法的可行性。本课题研究只是对车辆图片识别方面做了些研究，还有部分问题没有完善，基于以上的研究，可以研究识别其他的车型，比如消防车，救护车、挖掘机，铲土机等，还可以对图片中出现多辆车同时分析识别，并且能够计数，车辆较多时会有重叠现象，会将俩个目标车辆误认为同一个车辆，产生错误识别，若能利用不同车辆的不同颜色将其区分便会提高车型识别率；在目前研究基础上下一步可以进行视频流中的车辆进行识别，识别某一路口经过的所以车辆并分类计数。总之，作为智能交通系统中的重要技术，车型的分类识别技术会随着图像处理技术的发展不断的深入和完善。致谢 在此论文完成之际，我的心中洋溢着无限的喜悦。在人生最美好的时间里我在母校河北科技大学度过了我丰富的四年大学生活，在这里有我最敬佩的各位老师们，有我推心置腹的老朋友、老同学，有我人生最美好的最纯真的回忆，我喜欢咱们学校遍地的鲜花，泛着灵气的假山，干净整洁的校园，还有那学习氛围浓烈的自习室、充满无限空间与遐想的图书馆很高兴我就要走出校园为社会奉献自己的力量了，我的人生又翻开了崭新的一页。我会随时以科大学子身份约束自己的一言一行，实现自己人生的价值。首先，我要感谢我的导师孟志永讲师。由于我在公司实习，做的是校外的毕设，题目本来是已经定了的，可是孟老师考虑到我的校外问题主动让我在公司做毕设，并定期联系询问，耐心解答指导。我回校后又主动抽时间指导我整理各类资料，及时让我把一些资料补交上去，在此，我向孟老师致以衷心的感谢和深厚的敬意！在孟老师的身上，我不仅学到了扎实宽广的专业知识，更学到了更多的做人得道理！同时我还要感谢在中期答辩时给我提出各种问题和建议的马洪涛老师、于国庆老师和李春明老师，让我对自己的论文有了更深的理解。还有，我也要感谢我实习的公司刘爱珍同事，在公司期间她对我的毕设也进行了一些指导与帮助，我对此很是感谢。其次，我要感谢我的各位舍友、同学以及在学校认识的各位朋友们在生活和学习中给我的帮助和支持，因为他们的存在，我的大学生活才会这样丰富快乐、多姿多彩。最后，我要特别感谢在成长路上给我无私关爱和奉献的父母跟家人，他们一直在我的身后默默支持和关心着我，感谢他们的关心使我逐渐成长起来，给予我完成论文的无限信心和动力。由衷感谢百忙中抽出时间评审论文和参加答辩的各位老师！参考文献1 周开利, 康耀红. 神经网络模型及其 MATLAB仿真程序设计. 清华大学出版社,2 章毓晋. 图像工程（上册）图像处