车型识别综述
⼀．课题的背景和意义
智能交通系统(ITs，IntelligentTransportationSystem)是集计算机、信息、电⼦及通信等多种⾼新科技⼿段于⼀体的交通控制和管理系统，是21世纪交通的重要发展⽅向。
智能交通系统中的核⼼功能是对过往车辆的准确检测和正确的车型识别。当前对车辆检测分类技术的研究主要有两个技术流派：车辆⾃动识别(Auto Ve hlcle Identification)和车辆⾃动分类(AutoVehicle Classification)。前者是利⽤车载设备与地⾯设备互识进⾏，该技术主要⽤于收费系统中，在发达国家使⽤范围较⼴，如美国[2]的AE-PASS系统、⽇本的ETC系统，全球卫星GPS定位等。后者是通过检测车辆本⾝固有的参数，在⼀定车辆分类标准下运⽤适当的分类识别算法，主动地对车辆进⾏分型，这⼀类技术应⽤⽐较⼴泛，⼰经有很多成熟的系统应⽤在实际⽣活中，该类技术可以通过射频微波、红光、激光、声表⾯波等⽅式来⾃动识别车辆信息，也可以使⽤视频图像处理的⽅式来识别车牌、车型等车辆信息。⽐较成熟技术有环形线圈检测、激为红外线检测、超声波/微波检测、地磁检测等[3]，但这⼏种⽅法各有优劣，优点是识别精确⽐较⾼，但缺点也很明显，主要缺点有施⼯和安装过程⼗分复杂，影响正常交通秩序，维护困难，主要设备易损坏，花费较⼤等。 近年来随着计算机多媒体技术和图像处理技术的发展，基于视频的车辆⾃动分类识别技术在现代交通控制系统中占的分量也越来越⼤，社会各界投⼊的研究⼒量也越来越多。该类技术可以适应动态交通状况的变化，通过实时采集⼤量的交通流量数据并将其传输到交通管理中⼼，中⼼通过系统提供的数据可以迅速做出控制决策，解决交通拥堵等问题。同时，利⽤该技术可以分析道路的车流量信息，有利于公路⽹的总体规划及道路建设。但上述功能的实现依赖于交通数据的采集和处理，传统的数据采集器⽅法，不能⼤范围覆盖检测区域，缺乏灵活性且功能单⼀。因此，随着当前交通系统中视频设备的⼤量引⼊，越来越多地采⽤视频检测⽅法作为交通数据采集的⼿段，为智能交通系统提供所需的路⾯运动车辆信息。 由于我国对道路监控[4]的⽇益重视，视频检测技术⼰成为智能交通领域最重要的信息采集⼿段，综合评⽐，将视频检测技术应⽤于⾼速公路和城市道路具有很⼤的可⾏性，基于视频车型识别系统，将全⾯提⾼公路和信息采集和安全管理的⽔平，在智能交通系统中⼀定会发挥越来越重要的作⽤。
基于视频的车型识别系统是利⽤计算机分析通过摄像头和图像采集卡获取视频图像，通过对特定区域的视频图像处理分析，完成车辆检测和车辆分类识别。该技术绿⾊、环保，使⽤简洁，维护⽅便，只需在路⾯上⽅架设⼀部或⼏部摄像机，或利⽤交通部门现有的电视监控设备，将路⾯实时视频图像输⼊系统中，可
以⽴刻进⾏分析，提取出需要的交通流信息。因此，与其他技术相⽐，视频检测技术的优越性体现在:
(1) 采⽤⾮接触检测⽅式，安装维护不必破开路⾯，不影响路⾯寿命，不影响交通；
（2）可以检测更⼤范围内的交通流信息，从⽽减少设备数量，节约资⾦；（3）可以在采集交通流信息的同时提供交通的实时视频图像，便于监察；（4）对于某些应⽤，⽐如交通量调查等，可以把视频图像采集存储后，离线进⾏分析处理；
（5）当环境发⽣变化，或系统移动到他处使⽤时，只需简单设置，系统即可重新投⼊使⽤。
（6）可以综合提供交通数据信息和视频图像，便于对现场的全⾯、直观检测。
可以提供流量、速度、占有率、车长度分类、车头时距与车头间距、排队长度等丰富的交通数据监控信息;⽽且借助视频图像的参考，可以极⼤的提⾼监控质量。
综上所述，开展基于视频图像的车型识别研究意义重⼤，其研究成果不仅具有⼴阔的应⽤前景，⽽且对于解决拥堵的交通环境、规划城市交通系统和尽快发展我国的智能交通系统等具有重要的战略意义。
⼆国内外研究现状
2.1 国外的研究现状
(1) 上世纪70 年代初，德国西门⼦公司开始研究⾃动车辆识别，由于受当时的整技术、⼯艺⽔平的限制，未能获得满意的效果。
(2) Collins 等[5]创建了⼀个路上移动⽬标的检测、跟踪、识别系统，⽤训练过的神经⽹络来识别运动⽬标是⼈、⼈、车辆还是⼲扰，⽹络的输⼊特性量有⽬标的分散性度量、⽬标⼤⼩⽬标表⾯⼤⼩与摄影机监视区域⼤⼩的相对值。车辆⼜进⼀步区分为不同类型和颜⾊。
(3) Tan 和 Baker [6]描述了⼀种车辆定位和识别(⼩型公共汽车、轿车、卡车等) 的⽅法，在⼀个⼩窗⼝内，该⽅法依据图像梯度进⾏。利⽤地⾯约束以及⼤部分车辆外形受两条直线约束的事实，可得到车辆的姿态。
(4) Fung 等[7]⽤⾼精度摄像机观察车辆的运动来估计车辆形状，通过估计特征点(车体拐⾓处)得到车辆轮廓。基本思想是⾼特
征点的移动速度⼤于低特征点的移动速度，因为⾼特征点离摄像机近，车辆轮廓可⽤与车辆识别。
(5) 加州⼤学伯克莱分校D.Koller和他的研究⼩组提出了在同⼀时刻检测和跟踪多辆车，得到车辆形状信息的⽅法，并采⽤图像帧差技术进⾏运动分割，背景图像⽤Kallnan滤波进⾏更新。
(6) G.LForesti等开发了⼀个车辆跟踪系统，其中包括⼀个多级识别模块实现车辆识别。J.Ferryman等[
8]建⽴了⼀个参数化的可变形三维模板，该模板通过演变，可适⽤于各种车辆。G.D.Sulhvan等[]采⽤三个⼀维模板检测是否有某类型车辆，
当检测存在时，再⽤该类型车辆对应的⼆维模板进⾏跟踪，即车辆识别的验证过程，该⽅法采⽤了多模板的思想，有⼀定的创新作⽤。
(7) Jolly等[9]⽤变形模板来研究车辆识别，⾸先，建⽴⽬标车辆车头部分的侧视图以及正视图的变形模板。通过直⽅图交集，车辆的RGB直⽅图也必须⽐较，合适的车型模板边的点集也通过点集间的Hausdorff距离与其他车辆模板进⾏⽐较。
(8) 内华达⼤学的Sun Zehang使⽤Gabor滤波和⽀持向量机的⽅法完成车辆检测。Gabor滤波提供了获得灰度不变性特征的维数，可以适⽤于光照变化和尺度变化的条件下，车辆具有较强的边缘和⽔平线信息，它们具有⽅向性和尺度。Gabor滤波能够对这些特征有更强的鲁棒性。在车辆检测阶段利⽤SVM进⾏验证。同时也使⽤进化Gabor滤波优化来完成特征抽取。
此外，Sun Zehang还使⽤量化Haar⼩波特征和⽀持向量机的特征选择和分类的车辆检测⽅法。⽂中指出，⼩波特征由于其压缩性表⽰⽽⾮常适合车辆检测。它编码边缘信息，产⽣多⽐例信息并能够被有效计算。此外，通过对于⼩波系数的量化来实现重要信息的编码。车辆检测系统的训练和测试的数据集是采⾃于Michigan的Dearbom的32×32图像数据集。
(9) Wisconsin⼤学的Ran Bin等⼈提出的基于视觉的检测算法通过计算车辆运动参数，跟踪多个车辆⽬标。该系统主要由四个模块组成：对象检测模块，对象识别模块，对象信息模块，对象跟踪模块。为了检测路上潜在的对象，包括对称性形状，车辆纵横⽐等特征在这⼀过程中被使⽤。两层的神经元⽹络⽤以训练识别不同车型。
(10)上世纪80年代后期，随着现代技术的发展，⼀系列关键技术如低功耗处理器、⾼性电池和微波集成电路等的突破，使⾃动车辆识别技术获得了突破性的进展，为交通管理⾃动化开辟了⼀个新纪元。
2.2 国内研究现状
2.2.1 概述
20世纪80年代以来，⼈们就意识到智能化交通管理将是社会发展的必然，国内外许多学者开始了交通车辆检测系统的相关研究，其中包括运动车辆检测、车辆流量的⼤⼩、车速的快慢以及的识别等，这些技术参数的分析涉及到运动⽬标跟踪、模式识别、⽹络技术等专业领域，同时，需要解决这⼀类问题还存在很多难点，做到完全⾃动化⽽不需要⼈⼯⼲预也很难，⽽且视频图像处理和识别是属于尖端的科技。尽管世界各国的学者为此做了⼤量的⼯作，也取得了较为显著的成果，但仍然需要进⼀步研究。
过去的⼆三⼗年中，⼈们对运动⽬标检测和运动⽬标识别作了⼤量深⼊的研究，提出了很多⾏之有效的⽅法。国际上不少公司也都推出了⾃⼰的视频检测产品，如美国的Autoscope、vTDS、西门⼦的ARTEMIs、⽐利时的Traficon等，⽽且已经在国外推⼴使⽤。国内上海德威等多家公司也分别推出了⾃⼰的产品，但⽬前这些产品主要是基于车牌识别或是基于异常检测的，基于视频的车型⾃动
检测识别产品还没有实践应⽤价值。在国内，中国科学研究院计算所、哈尔滨⼯业⼤学、浙江⼤学、四川⼤学等⾼校、研究所均在这⼀领域进⾏探索。
2.2.2 ⽬前国内关于车型识别研究的主要⽅向为：
(1) 基于神经⽹络的⽅法：
神经⽹络是⼀种模范动物神经⽹络⾏为特征，进⾏分布式并⾏信息处理的算法数学模型。这种⽹络依靠系统的复杂程度，通过调整内部⼤量节点之间相互连接的关系，从⽽达到处理信息的⽬的。在车型识别⽅⾯，主要是利⽤神经⽹络进⾏车型识别，也可采⽤神经⽹络与其它技术结合，如神经⽹络与模糊技术结合、神经⽹络与分形技术结合等等。
以下是神经⽹络结合其它知识的车型识别⽅法：
a. 利⽤Canny算⼦检测车辆区域的边缘，提取车辆轮廓，直接计算车辆轮廓的矩不变量，将其作为车
型分类的特征量，然后建⽴具有3层结构的BP神经⽹络，将不变矩特征量作为神经⽹络的输⼊，根据神经⽹络的输出实现车型的分类
[w1]，准确率达到98.7%。
b. 利⽤脉冲神经⽹络模型对运动车辆进⾏边缘提取的基础上提取运动⽬标的不变线矩特征，再⽤这些特征训练神经⽹络对车型进⾏识别的⽅法[w2]。试验结果表明该模型能准确的提取运动⽬标的特征，达到了较⾼的识别率。
c. 分析处理⼀定量的数据，提取车辆的特征值(由上顶长、下顶长、⾼等参数组成)，利⽤神经⽹络的⾃组织、⾃主学习等特性，构造⼀种适当的神经⽹络，通过训练BP神经⽹络，达到能识别⼀般的车型如轿车、货车、客车的⽬的，并达到能区分
⼩、中、⼤、特⼤型四种型号车辆、构造完整的车型识别系统的⽬标。该⽅法综合了神经⽹络、模式识别等相关算法，对车辆的⽬标轮廓进⾏整体识别，达到了较⾼的识别率[w3]。
d. 对信号样本进⾏三层⼩波包分解提取各车型不同频带的能量来构造特征向量。接着建⽴遗传神经⽹络模型，并分别采⽤传统的BP神经⽹络和遗传BP神经⽹络对样本进⾏训练和识别[w4]，实验结果表明，与传统BP神经⽹络分类⽅法相⽐较，遗传BP神经⽹络分类⽅法收敛速度快，分类效果好，具有较⾼的识别率(2) 基于⼩波变换的车型识别：
⼩波变换是以某些特殊函数为基将数据过程或数据系列变换为级数系列以发现它的类似频谱的特征，从⽽实现数据处理。⼩波变换是空间(时间)和频率的局部变换，因⽽能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信号进⾏多尺度的细化分析，解决了Fourier变换不能解决的许多困难问题。
a. 利⽤[w7]⼩波多尺度分析边缘检测算法实现特征值的提取，BP神经⽹络实现车型的分类，该⽅法达到了满意的效果。
b. 在对车型识别去噪和边缘检测进⾏分析的基础上，提出了⼀种基于反对称⼩波的检测⽅法[w8]。⾸先采⽤尺度间相关性和尺度内相位法进⾏有效去噪，然后检测变换模极⼤值，并进⾏有效区分保留真正边缘模极⼤值，最后进⾏相关恢复处理
得到⽐较清晰的车型边缘。结果表明，该⽅法提⾼了车型边缘检测的准确性和车型识别率，具有很好的应⽤前景。
c. 利⽤⼩波变换具有良好的多尺度特征表达能⼒ ，以及能在空域、频域和⽅向上分别进⾏分解 ,⽽且能够去除冗余信息和噪声等优点对汽车图像进⾏分解。然后把分解后的图像作为多层前馈神经⽹络的输⼊节点 ，对⾃动喷漆线上的汽车车型进⾏识别。结果表明 ：基于⼩波变换的神经⽹络汽车车型识别⽅法 ，能够识别返修车 ，提⾼了车型识别率。
(3) 利⽤地震动信号进⾏分析处理判断车型：
a. 通过外场实验[w5]获得关于轮式车、履带式车的⼤量地震动信号，在时-频域应⽤多种⽅法对信号进⾏处理，得到相应的特征⽮量。利⽤改进的BP⽹络对远距离的地震动信号进⾏⽬标识别，基于⼩波及⼩波包分解能量分布特征的识别率可达85％以上，这种特征⽮量具有较好的可分性。
b. 本⽂研究了[w6]机动⽬标地震动特性，总结出⽬标的地震动信号的特征提取规律，并将神经⽹络⽅法⽤于⽬标的地震动信号的分类识别中，得到令⼈满意的结果。
c.地⾯⽬标地震动信号的特征提取是进⾏地⾯⽬标识别技术的关键，针对⼈员、车辆等地⾯⽬标运动时产⽣的地震动信号，利⽤SLJ-100FBA-T型三分向⼒平衡加速度计进⾏了多次测试，通过典型时域分析⽅法得出信号的时域特征，利⽤Welch法进⾏了频域分析，最终得到的信号时域、频域特征向量可作为⽬标识别的依据。
三车型识别的过程
图像预处理
图像分割
特征提取
分类识别
图像输⼊
图像处理
像元图像
图像处理
特征
X1
X2
……
Xn
四运动车辆的检测⽅法
运动车辆检测是车辆识别的⼀个重要环节，⽬前最流⾏的⼏种检测⽅法：（1）地感线圈车辆检测⽅法，它是根据电磁感应的原理，通过感应曲线的不同⽽区分
不同类型的车辆。优点是准确率较⾼，成本较低，不受⽓候影响。缺点是由于线圈埋⼊地下，安装过程对可靠性和寿命影响很⼤，修理或安装需要中断交通，影响路⾯寿命，维修费⽤⾼，同时受车辆⾏驶的速度和其它⼲扰因素等影响。（2）超声波检测法，它利⽤反射回波原理来检测运动的车辆，具有体积⼩﹑寿命长﹑易于安装等特点。不⾜之处是易受环境影响，性能随环境温度和⽓流影响⽽降低。（3）动态称重技术，它是当车辆通过埋⼊路⾯下的检测器时，检测器受⼒产⽣形变，根据回传信息对车辆进⾏检测。优点是节省时间﹑提⾼效率﹑延长路⾯的使⽤寿命等，缺点是设备安装复杂﹑寿命短﹑容易受到温度﹑车辆振动﹑道路质量等的影响。（4）基于视频图像的检测⽅法，提取交通图像序列，通过对其进⾏处理来实现车辆⽬标的检测。它具有不破坏路⾯，检测范围⼤，获取信息量⼤，安装使⽤灵活，维护费⽤低的特点，具有⼴阔的应⽤前景。下⾯将简单地介绍⼀下⽬前最流⾏的⼏种基于视频图像的检测⽅法。
1. 基于背景差分的⽅法
背景差分法适⽤于背景静⽌保持不变、运动⽬标与背景的灰度差异较⼤的情况下，从视频序列中预先抽取不含前景运动物体的⼀帧图像作为背景，然后利⽤当前帧与背景图像直接差分检测运动区域的⽅
法。这种差分法对于复杂背景下的运动物体检测效果较好，实现简单、计算量⼩，并且能够完整的分割出运动⽬标。但是在实际应⽤中，背景往往会由于拍摄时间的不同，容易受到光照变化、噪声和外物⼊侵等各种因素的影响，需要实时的更新背景。更先进的做法是在处理过程中不断更新背景图像，它的关键问题就是如何建⽴有效的背景模型并进⾏背景模型刷新，基于背景建模的⽅法是通过对图像中背景与运动⽬标区域像素点特性差异的分析，利⽤⼀定数量的训练图像获得背景区域的特征，将新获得的序列图像中相应像素点特征与背景特征进⾏⽐较，不符合背景特征的像素点即被认定为处在运动⽬标区域中。
2．基于帧间差分的⽅法
帧间差分法是最为常⽤的运动⽬标检测和分割的⽅法之⼀。其思想是通过相邻帧间差分，利⽤视频序列相邻帧间的强相关性进⾏变换检测，从⽽确定运动⽬标。由于相邻两帧图像之间的时间间隔短，受⾃然环境变化影响⼩，图像差的结果是灰度不发⽣变化的部分被减掉，如⼤部分背景，⽽灰度发⽣变化的部分则被保留。此⽅法的特点是速度快，适⽤于实时性⾼的环境，不⾜是对于噪声、光照条件的变化⽐较敏感，对运动⽬标的分割⽆保障。此外还存在如下的问题：如果在图像中除了包含我们感兴趣的运动⽬标之外，还存在其它运动⽬标时，则这些运动⽬标作为背景不能消除。由于运动⽬标的阴影随运动⽬标的运动⽽⼀起运动，图像差中运动⽬标产⽣的阴影不能消除。
3．基于光流法的⽅法
光流法是基于对光流场的估算进⾏检测分割的⽅法。所谓光流是指亮度模式引起的表观运动，是运动⽬标的三维速度⽮量在成像平⾯上的投影，它表⽰了运动⽬标在图像中位置的瞬时变化[10]。光流法检测运动⽬标的基本原理是给图像中
的每⼀个象素点赋予⼀个速度⽮量，这就形成了⼀个图像运动场在运动的某⼀个特定时刻，图像上的点与三维物体上的点⼀⼀对应，这种对应关系可以由投影关系得到，根据各个象素点的速度⽮量特征，可以对图像进⾏动态分析。如果图像中没有运动⽬标，则光流⽮量在整个图像区域是连续变化的：当物体和图像背景存在相对运动时，运动物体所形成的速度⽮量必然和邻域背景速度⽮量必然和领域背景速度⽮量不同，从⽽检测出运动物体的位置。⼀般情况下，光流由相机运动、场景中⽬标运动，或两者的共同运动产⽣。
光流法⾸先定义了由⼀个线性化的光流约束项和平滑项构成的指标函数，然后求解其最优数值解。它的迭代收敛速度⽐较快，但得到的光流场只是速度场的⼀种近似。在图象的亮度突变处和运动不连续处，该算法所依赖的假设条件并不满⾜，因⽽得到的结果误差较⼤。另外，噪声、多光源、阴影、透明性和遮挡性等原因会使得计算出的光流场分布不是⼗分可靠和精确。光流法对每⼀个象素计算位移⽮量（连续⽅式），⽐较精确、鲁棒，给出的信息⾮常丰富，并可处理有全局运动的场景，缺点是耗费时间，对过于复杂、快速或速度过⼩的运动效果不好，对要求实时性的系统⽽⾔不实⽤。
五车型特征提取
要实现车型⾃动识别﹑分类，需要做的第⼀步是探测﹑提取车型的某些特征信息。特征提取是车型识别的难点和重点，特征提取的质量，关系到识别和分类的速度和准确度。在车型识别系统中，如何使车型⽬标特征化是实现实时、准确车型识别的关键。图像⽬标识别特征的提取可采⽤多种⽅法，主要⽅法有傅⽴叶描述⼦、矩特征、变换域特征、边缘轮廓特征、⾓点特征等。
(1) 傅⽴叶描述⼦
该⽅法是将经傅⽴叶变换后的边界选作形状描述⼦[11,12]，⽤较少的参数描述很复杂的边界。该⽅法的特点是：⽤较少的傅⽴叶描述⼦就能反映边界的⼤略本质，并且描述⼦对平移、旋转和⽐例缩放变化不敏感。但这种⽅法利⽤的⽬标信息⽐较少，只是提取了基于⽬标图像边界的特征，⽽且它对噪声和边界形变⽐较敏感。
（2）矩特征
主要表征了图像区域的⼏何特征，⼜称为⼏何矩，图像的矩是⼀种常⽤的识别特征，包括p+q阶⼏何矩、中⼼距、归⼀化中⼼距、hu的不变矩、chen的不变矩、Zernike矩和⼩波矩等，每个矩包含了丰富的图像信息。实验证明[13]，⼏何矩和中⼼矩对于图像的平移和缩放都具有良好的不变性;Hu的七个不变矩对
于图像的平移、旋转和⽐例缩放都具有不变性，很好地描述了⽬标图像的信息。但Hu的七个不变矩，运算层次⽐较多，运算
量⽐较⼤，⽽且对形变没有良好的⼀致性。Zernike矩是在整个图像空间中计算，得到的是图像全局特征，容易受到噪声⼲扰。基于⼩波变换的⼩波矩能同时得到图像的全局特征和局部特征，更适合识别相似形状或者有噪声⼲扰的⽬标图像。Chen矩仅利⽤区域的边界计算不变矩的改进算法，并将该算法应⽤在没有重叠交叉的封闭区域的边界上。
（3）变换域特征
基于变换域特征[14]提取⽅法都能提取有效的识别特征信息，也能够有针对性地运⽤到不同的领域。但变换域特征的缺点就是物理意义不直观，⽽且由于需要变换的原因其运算量⼀般⽐较⼤。其中，基于K-L变换已成功地应⽤到了⼈脸识别等领域。
(4) 轮廓特征
基于轮廓特征[15]的⽬标识别是指⽤⽬标的轮廓作为识别特征。⽬标轮廓的提取通过边缘检测来实现。边缘是指图像局部亮度变化最显著的部分，边缘主要存在于⽬标与⽬标、⽬标与背景、区域与区域之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。
(5) ⾓点特征
⾓点是图像的⼀个重要的局部特征，它集中了图像上的很多重要的形状信息。由于⾓点具有旋转不变性，⼏乎不受光照条件的影响，⾓点只包含图像中⼤约 0.05%的像素点，在没有丢失图像数据信息的条件下，⾓点是最⼩化了要处理数据量，因此⾓点检测具有实⽤价值。
⽬前⾓点检测技术可以分为两类：⼀类是基于图像边缘信息，如基于⼩波变换模极⼤的⾓点检测，基于边界链码的⾓点检测和基于边界曲率的⾓点检测；⼀类是基于图像灰度信息，如 Moravec算法，Han-is and Stephens 算法，SUSAN 算法。在第⼀类中，图像的边缘轮廓容易使⽤多尺度技术来分析，所以第⼀类算法已实现多尺度⾓点提取，然⽽，⾓点对边缘线依赖较⼤，如果边缘线由于某种原因发⽣中断，则会对⾓点的提取结果造成影响。⽽第⼆类算法的主要缺点定位精度较差，同时还可能漏掉⼀些实际的⾓点，对噪声⽐较敏感，⽽且现在还没实现多尺度⾓点检测的特性。所以在基于图像灰度信息的⾓点检测中引⼊多分辨分析思想，对提⾼⾓点的定位精度和检测性能将具有重要的意义。
六车型识别技术
汽车识别技术是ITS应⽤的基础，也是智能交通系统中的⼀个关键组成部分。汽车识别包括汽车牌照识别、汽车颜⾊识别、车型识别、车标识别等，⽬前开发最为成熟的是汽车牌照的识别，并已经⼴泛应⽤于电⼦警察、电⼦收费等应⽤系统中。
车型识别利⽤车辆的外型特征对车型进⾏分类，⽬前国内外基于视频车型识别采⽤的的主要⽅法有：
①基于模板匹配的识别⽅法[16,17]。
模板匹配是模式识别中⾮常经典的⽅法，在模式识别经历的⼏⼗年发展历史中，当⼈们对识别的⽬标能够归纳出⼀定的模板时，就可选择模板识别。模板匹配⽅法⽤于汽车识别基于视频的车型识别技术研究时，主要的不⾜是:⾸先模板的建⽴很困难；⽽且模板只能在图像中平⾏移动，在旋转或⼤⼩变化的情况下，该⽅法⽆效；图像中的待识别的汽车⽬标不能全部可视，即汽车边缘不连续或部分边缘不存在，则该⽅法⽆效；
②基于统计模式[l8]的识别⽅法。
当模式特征表⽰为⼏何空间中的点时，如果特征源⾃于同⼀模式的物体，对应点的⼏何距离总是很接近的。统计模式识别则是寻⼏何空间中的⼀些区域问题，这些区域的点来⾃于某个单⼀模式。在统计模式中解决问题的⽅法⼤都基于Bayes决策统计理论。在汽车识别⽅法中很多都利⽤了统计模式识别。其中最典型的有基最近邻域法、聚类分析法、统计判决法等。但统计模式识别时要求：各个类别总体的概率分布是已知的；要决策分类的类别数是⼀定的；
③基于神经⽹络的识别⽅法[19,20]。
神经⽹络识别是利⽤“神经元(neuron)”相互连接构成的⾮线性动态系统所具有的⼈脑在⾃学习、⾃组织、联想及容错⽅⾯的较强功能，⽤于类别识别和决策。神经⽹络⽅法虽然由⼤量简单的“神经元”相互连接⽽成，每个神经元结构和功能都⽐较简单，但是其组成系统却可以⾮常复杂，在⾃学习、⾃组织、联想及容错⽅⾯具有⼈脑的某些特性，更确切地说是⼈脑的初级特性；
④基于仿⽣模式(拓扑模式)的识别⽅法[21]。
仿⽣模式识别在于把模式识别问题看成是模式的“认识”，⽽不是分类划分，不是模式分类，是⼀类⼀类样本的“认识”。其特点在于:⼀类样本在特征空间的构造仅仅依赖于该样本类型本⾝，通过分析该类型各训练样本之间的关系进⾏识别；对于未经过训练的任意对象，不会被正确识别；⼀类⼀类分别训练“认识”，对新增加的样本的训练不会影响原有的识别知识；
⑤基于⽀持向量机的识别⽅法[22~24]。
⽀持向量机⽅法建⽴在统计学习理论的VC维理论和结构风险最⼩化原理基础上，根据有限样本信息在模型中的复杂性和学习能⼒之间寻求最佳折衷，以获得最好的泛化能⼒。⽀持向量机在有限样本情况下建⽴了⼀种较好的通⽤学习算法，并对模型的选择与过学习问题、⾮线性和维数灾难问题以及局部极⼩点问题进⾏了很好地解决。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议