車型識别綜述

車型識别綜述

一．課題的背景和意義

智能交通系統(ITs，IntelligentTransportationSystem)是集計算機、信息、電子及通信等多種高新科技手段于一體的交通控制和管理系統，是21世紀交通的重要發展方向。

智能交通系統中的核心功能是對過往車輛的準确檢測和正确的車型識别。當前對車輛檢測分類技術的研究主要有兩個技術流派:車輛自動識别(Auto Ve hlcleIdentification)和車輛自動分類(AutoVehicle Classification)。前者是利用車載設備與地面基站設備互識進行，該技術主要用于收費系統中，在發達國家使用範圍較廣，如美國[2]的AE-PASS系統、日本的ETC系統，全球衛星GPS定位等。後者是通過檢測車輛本身固有的參數，在一定車輛分類标準下運用适當的分類識别算法，主動地對車輛進行分型，這一類技術應用比較廣泛，己經有很多成熟的系統應用在實際生活中，該類技術可以通過射頻微波、紅光、激光、聲表面波等方式來自動識别車輛信息，也可以使用視頻圖像處理的方式來識别車牌、車型等車輛信息。比較成熟技術有環形線圈檢測、激為紅外線檢測、超聲波/微波檢測、地磁檢測等[3]，但這幾種方法各有優劣，優點是識别精确比較高，但缺點也很明顯，主要缺點有施工和安裝過程十分複雜，影響正常交通秩序，維護困難，主要設備易損壞，花費較大等。

近年來随着計算機多媒體技術和圖像處理技術的發展，基于視頻的車輛自動分類識别技術在現代交通控制系統中占的分量也越來越大，社會各界投入的研究力量也越來越多。該類技術可以适應動态交通狀況的變化，通過實時采集大量的交通流量數據并将其傳輸到交通管理中心，中心通過系統提供的數據可以迅速做出控制決策，解決交通擁堵等問題。同時，利用該技術可以分析道路的車流量信息，有利于公路網的總體規劃及道路建設。但上述功能的實現依賴于交通數據的采集和處理，傳統的數據采集器方法，不能大範圍覆蓋檢測區域，缺乏靈活性且功能單一。因此，随着當前交通系統中視頻設備的大量引入，越來越多地采用視頻檢測方法作為交通數據采集的手段，為智能交通系統提供所需的路面運動車輛信息。

由于我國對道路監控[4]的日益重視，視頻檢測技術己成為智能交通領域最重要的信息采集手段，綜合評比，将視頻檢測技術應用于高速公路和城市道路具有很大的可行性，基于視頻車型識别系統，将全面提高公路和信息采集和安全管理的水平，在智能交通系統中一定會發揮越來越重要的作用。

基于視頻的車型識别系統是利用計算機分析通過攝像頭和圖像采集卡獲取視頻圖像，通過對特定區域的視頻圖像處理分析，完成車輛檢測和車輛分類識别。該技術綠色、環保，使用簡潔，維護方便，隻需在路面上方架設一部或幾部攝像機，或利用交通部門現有的電視監控設備，将路面實時視頻圖像輸入系統中，可以立刻進行分析，提取出需要的交通流信息。因此，與其他技術相比，視頻檢測技術的優越性體現在:

(1) 采用非接觸檢測方式，安裝維護不必破開路面，不影響路面壽命，不影響交通；

（2）可以檢測更大範圍内的交通流信息，從而減少設備數量，節約資金；

（3）可以在采集交通流信息的同時提供交通的實時視頻圖像，便于監察；

（4）對于某些應用，比如交通量調查等，可以把視頻圖像采集存儲後，離線進行分析處理；

（5）當環境發生變化，或系統移動到他處使用時，隻需簡單設置，系統即可重新投入使用。

（6）可以綜合提供交通數據信息和視頻圖像，便于對現場的全面、直觀檢測。可以提供流量、速度、占有率、車長度分類、車頭時距與車頭間距、排隊長度等豐富的交通數據監控信息;而且借助視頻圖像的參考，可以極大的提高監控質量。

綜上所述，開展基于視頻圖像的車型識别研究意義重大，其研究成果不僅具有廣闊的應用前景，而且對于解決擁堵的交通環境、規劃城市交通系統和盡快發展我國的智能交通系統等具有重要的戰略意義。

二 國内外研究現狀

2.1 國外的研究現狀

(1) 上世紀70 年代初，德國西門子公司開始研究自動車輛識别，由于受當時的整技術、工藝水平的限制，未能獲得滿意的效果。

(2) Collins 等[5]創建了一個路上移動目标的檢測、跟蹤、識别系統，用訓練過的神經網絡來識别運動目标是人、人群、車輛還是幹擾，網絡的輸入特性量有目标的分散性度量、目标大小目标表面大小與攝影機監視區域大小的相對值。車輛又進一步區分為不同類型和顔色。

(3) Tan 和 Baker [6]描述了一種車輛定位和識别(小型公共汽車、轎車、卡車等) 的方法，在一個小窗口内，該方法依據圖像梯度進行。利用地面約束以及大部分車輛外形受兩條直線約束的事實，可得到車輛的姿态。

(4) Fung 等[7]用高精度攝像機觀察車輛的運動來估計車輛形狀，通過估計特征點(車體拐角處)得到車輛輪廓。基本思想是高特征點的移動速度大于低特征點的移動速度，因為高特征點離攝像機近，車輛輪廓可用與車輛識别。

(5) 加州大學伯克萊分校D.Koller和他的研究小組提出了在同一時刻檢測和跟蹤多輛車，得到車輛形狀信息的方法，并采用圖像幀差技術進行運動分割，背景圖像用Kallnan濾波進行更新。

(6) G.LForesti等開發了一個車輛跟蹤系統，其中包括一個多級識别模塊實現車輛識别。J.Ferryman等[8]建立了一個參數化的可變形三維模闆，該模闆通過演變，可适用于各種車輛。G.D.Sulhvan等[]采用三個一維模闆檢測是否有某類型車輛，當檢測存在時，再用該類型車輛對應的二維模闆進行跟蹤，即車輛識别的驗證過程，該方法采用了多模闆的思想，有一定的創新作用。

(7) Jolly等[9]用變形模闆來研究車輛識别，首先，建立目标車輛車頭部分的側視圖以及正視圖的變形模闆。通過直方圖交集，車輛的RGB直方圖也必須比較，合适的車型模闆邊的點集也通過點集間的Hausdorff距離與其他車輛模闆進行比較。

(8) 内華達大學的Sun Zehang使用Gabor濾波和支持向量機的方法完成車輛檢測。Gabor濾波提供了獲得灰度不變性特征的維數，可以适用于光照變化和尺度變化的條件下，車輛具有較強的邊緣和水平線信息，它們具有方向性和尺度。Gabor濾波能夠對這些特征有更強的魯棒性。在車輛檢測階段利用SVM進行驗證。同時也使用進化Gabor濾波優化來完成特征抽取。

此外，Sun Zehang還使用量化Haar小波特征和支持向量機的特征選擇和分類的車輛檢測方法。文中指出，小波特征由于其壓縮性表示而非常适合車輛檢測。它編碼邊緣信息，産生多比例信息并能夠被有效計算。此外，通過對于小波系數的量化來實現重要信息的編碼。車輛檢測系統的訓練和測試的數據集是采自于Michigan的Dearbom的32×32圖像數據集。

(9) Wisconsin大學的Ran Bin等人提出的基于視覺的檢測算法通過計算車輛運動參數，跟蹤多個車輛目标。該系統主要由四個模塊組成:對象檢測模塊，對象識别模塊，對象信息模塊，對象跟蹤模塊。為了檢測路上潛在的對象，包括對稱性形狀，車輛縱橫比等特征在這一過程中被使用。兩層的神經元網絡用以訓練識别不同車型。

(10)上世紀80年代後期，随着現代技術的發展，一系列關鍵技術如低功耗處理器、高性電池和微波集成電路等的突破，使自動車輛識别技術獲得了突破性的進展，為交通管理自動化開辟了一個新紀元。

2.2 國内研究現狀

2.2.1 概述

20世紀80年代以來，人們就意識到智能化交通管理将是社會發展的必然，國内外許多學者開始了交通車輛檢測系統的相關研究，其中包括運動車輛檢測、車輛流量的大小、車速的快慢以及車輛牌照的識别等，這些技術參數的分析涉及到運動目标跟蹤、模式識别、網絡技術等專業領域，同時，需要解決這一類問題還存在很多難點，做到完全自動化而不需要人工幹預也很難，而且視頻圖像處理和識别是屬于尖端的科技。盡管世界各國的學者為此做了大量的工作，也取得了較為顯著的成果，但仍然需要進一步研究。

過去的二三十年中，人們對運動目标檢測和運動目标識别作了大量深入的研究，提出了很多行之有效的方法。國際上不少公司也都推出了自己的視頻檢測産品，如美國的Autoscope、vTDS、西門子的ARTEMIs、比利時的Traficon等，而且已經在國外推廣使用。國内上海德威等多家公司也分别推出了自己的産品，但目前這些産品主要是基于車牌識别或是基于異常檢測的，基于視頻的車型自動檢測識别産品還沒有實踐應用價值。在國内，中國科學研究院計算所、哈爾濱工業大學、浙江大學、四川大學等高校、研究所均在這一領域進行探索。

2.2.2 目前國内關于車型識别研究的主要方向為：

(1) 基于神經網絡的方法：

神經網絡是一種模範動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的複雜程度，通過調整内部大量節點之間相互連接的關系，從而達到處理信息的目的。在車型識别方面，主要是利用神經網絡進行車型識别，也可采用神經網絡與其它技術結合，如神經網絡與模糊技術結合、神經網絡與分形技術結合等等。

以下是神經網絡結合其它知識的車型識别方法：

a. 利用Canny算子檢測車輛區域的邊緣，提取車輛輪廓，直接計算車輛輪廓的矩不變量，将其作為車型分類的特征量，然後建立具有3層結構的BP神經網絡，将不變矩特征量作為神經網絡的輸入，根據神經網絡的輸出實現車型的分類[w1]，準确率達到98.7%。

b. 利用脈沖神經網絡模型對運動車輛進行邊緣提取的基礎上提取運動目标的不變線矩特征，再用這些特征訓練神經網絡對車型進行識别的方法[w2]。試驗結果表明該模型能準确的提取運動目标的特征，達到了較高的識别率。

c. 分析處理一定量的數據，提取車輛的特征值(由上頂長、下頂長、高等參數組成)，利用神經網絡的自組織、自主學習等特性，構造一種适當的神經網絡，通過訓練BP神經網絡，達到能識别一般的車型如轎車、貨車、客車的目的，并達到能區分小、中、大、特大型四種型号車輛、構造完整的車型識别系統的目标。該方法綜合了神經網絡、模式識别等相關算法，對車輛的目标輪廓進行整體識别，達到了較高的識别率[w3]。

d. 對信号樣本進行三層小波包分解提取各車型不同頻帶的能量來構造特征向量。接着建立遺傳神經網絡模型，并分别采用傳統的BP神經網絡和遺傳BP神經網絡對樣本進行訓練和識别[w4]，實驗結果表明，與傳統BP神經網絡分類方法相比較，遺傳BP神經網絡分類方法收斂速度快，分類效果好，具有較高的識别率

(2) 基于小波變換的車型識别：

小波變換是以某些特殊函數為基将數據過程或數據系列變換為級數系列以發現它的類似頻譜的特征，從而實現數據處理。小波變換是空間(時間)和頻率的局部變換，因而能有效地從信号中提取信息。通過伸縮和平移等運算功能可對函數或信号進行多尺度的細化分析，解決了Fourier變換不能解決的許多困難問題。

a. 利用[w7]小波多尺度分析邊緣檢測算法實現特征值的提取，BP神經網絡實現車型的分類，該方法達到了滿意的效果。

b. 在對車型識别去噪和邊緣檢測進行分析的基礎上,提出了一種基于反對稱小波的檢測方法[w8]。首先采用尺度間相關性和尺度内相位法進行有效去噪,然後檢測變換模極大值,并進行有效區分保留真正邊緣模極大值,最後進行相關恢複處理得到比較清晰的車型邊緣。結果表明,該方法提高了車型邊緣檢測的準确性和車型識别率,具有很好的應用前景。

c. 利用小波變換具有良好的多尺度特征表達能力 ,以及能在空域、頻域和方向上分别進行分解 ,而且能夠去除冗餘信息和噪聲等優點對汽車圖像進行分解。然後把分解後的圖像作為多層前饋神經網絡的輸入節點 ,對自動噴漆線上的汽車車型進行識别。結果表明 :基于小波變換的神經網絡汽車車型識别方法 ,能夠識别返修車 ,提高了車型識别率。

(3) 利用地震動信号進行分析處理判斷車型：

a. 通過外場實驗[w5]獲得關于輪式車、履帶式車的大量地震動信号，在時-頻域應用多種方法對信号進行處理，得到相應的特征矢量。利用改進的BP網絡對遠距離的地震動信号進行目标識别，基于小波及小波包分解能量分布特征的識别率可達85％以上，這種特征矢量具有較好的可分性。

b. 本文研究了[w6]機動目标地震動特性，總結出目标的地震動信号的特征提取規律，并将神經網絡方法用于目标的地震動信号的分類識别中，得到令人滿意的結果。

c. 地面目标地震動信号的特征提取是進行地面目标識别技術的關鍵,針對人員、車輛等地面目标運動時産生的地震動信号,利用SLJ-100FBA-T型三分向力平衡加速度計進行了多次測試,通過典型時域分析方法得出信号的時域特征,利用Welch法進行了頻域分析,最終得到的信号時域、頻域特征向量可作為目标識别的依據。

三 車型識别的過程

圖像預處理

圖像 分割

特征 提取

分類 識别

圖像輸入

圖像處理

像元圖像

圖像處理

特征

X1 X2 …… Xn

四 運動車輛的檢測方法

運動車輛檢測是車輛識别的一個重要環節，目前最流行的幾種檢測方法：（1）地感線圈車輛檢測方法，它是根據電磁感應的原理，通過感應曲線的不同而區分不同類型的車輛。優點是準确率較高，成本較低，不受氣候影響。缺點是由于線圈埋入地下，安裝過程對可靠性和壽命影響很大，修理或安裝需要中斷交通，影響路面壽命，維修費用高，同時受車輛行駛的速度和其它幹擾因素等影響。（2）超聲波檢測法，它利用反射回波原理來檢測運動的車輛，具有體積小﹑壽命長﹑易于安裝等特點。不足之處是易受環境影響，性能随環境溫度和氣流影響而降低。（3）動态稱重技術，它是當車輛通過埋入路面下的檢測器時，檢測器受力産生形變，根據回傳信息對車輛進行檢測。優點是節省時間﹑提高效率﹑延長路面的使用壽命等，缺點是設備安裝複雜﹑壽命短﹑容易受到溫度﹑車輛振動﹑道路質量等的影響。（4）基于視頻圖像的檢測方法，提取交通圖像序列，通過對其進行處理來實現車輛目标的檢測。它具有不破壞路面，檢測範圍大，獲取信息量大，安裝使用靈活，維護費用低的特點，具有廣闊的應用前景。下面将簡單地介紹一下目前最流行的幾種基于視頻圖像的檢測方法。

1. 基于背景差分的方法

背景差分法适用于背景靜止保持不變、運動目标與背景的灰度差異較大的情況下，從視頻序列中預先抽取不含前景運動物體的一幀圖像作為背景，然後利用當前幀與背景圖像直接差分檢測運動區域的方法。這種差分法對于複雜背景下的運動物體檢測效果較好，實現簡單、計算量小，并且能夠完整的分割出運動目标。但是在實際應用中，背景往往會由于拍攝時間的不同，容易受到光照變化、噪聲和外物入侵等各種因素的影響，需要實時的更新背景。更先進的做法是在處理過程中不斷更新背景圖像，它的關鍵問題就是如何建立有效的背景模型并進行背景模型刷新，基于背景建模的方法是通過對圖像中背景與運動目标區域像素點特性差異的分析，利用一定數量的訓練圖像獲得背景區域的特征，将新獲得的序列圖像中相應像素點特征與背景特征進行比較，不符合背景特征的像素點即被認定為處在運動目标區域中。

2．基于幀間差分的方法

幀間差分法是最為常用的運動目标檢測和分割的方法之一。其思想是通過相鄰幀間差分，利用視頻序列相鄰幀間的強相關性進行變換檢測，從而确定運動目标。由于相鄰兩幀圖像之間的時間間隔短，受自然環境變化影響小，圖像差的結果是灰度不發生變化的部分被減掉，如大部分背景，而灰度發生變化的部分則被保留。此方法的特點是速度快，适用于實時性高的環境，不足是對于噪聲、光照條件的變化比較敏感，對運動目标的分割無保障。此外還存在如下的問題：如果在圖像中除了包含我們感興趣的運動目标之外，還存在其它運動目标時，則這些運動目标作為背景不能消除。由于運動目标的陰影随運動目标的運動而一起運動，圖像差中運動目标産生的陰影不能消除。

3．基于光流法的方法

光流法是基于對光流場的估算進行檢測分割的方法。所謂光流是指亮度模式引起的表觀運動，是運動目标的三維速度矢量在成像平面上的投影，它表示了運動目标在圖像中位置的瞬時變化[10]。光流法檢測運動目标的基本原理是給圖像中的每一個象素點賦予一個速度矢量，這就形成了一個圖像運動場在運動的某一個特定時刻，圖像上的點與三維物體上的點一一對應，這種對應關系可以由投影關系得到，根據各個象素點的速度矢量特征，可以對圖像進行動态分析。如果圖像中沒有運動目标，則光流矢量在整個圖像區域是連續變化的：當物體和圖像背景存在相對運動時，運動物體所形成的速度矢量必然和鄰域背景速度矢量必然和領域背景速度矢量不同，從而檢測出運動物體的位置。一般情況下，光流由相機運動、場景中目标運動，或兩者的共同運動産生。

光流法首先定義了由一個線性化的光流約束項和平滑項構成的指标函數，然後求解其最優數值解。它的叠代收斂速度比較快，但得到的光流場隻是速度場的一種近似。在圖象的亮度突變處和運動不連續處，該算法所依賴的假設條件并不滿足，因而得到的結果誤差較大。另外，噪聲、多光源、陰影、透明性和遮擋性等原因會使得計算出的光流場分布不是十分可靠和精确。光流法對每一個象素計算位移矢量（連續方式），比較精确、魯棒，給出的信息非常豐富，并可處理有全局運動的場景，缺點是耗費時間，對過于複雜、快速或速度過小的運動效果不好，對要求實時性的系統而言不實用。

五 車型特征提取

要實現車型自動識别﹑分類，需要做的第一步是探測﹑提取車型的某些特征信息。特征提取是車型識别的難點和重點，特征提取的質量，關系到識别和分類的速度和準确度。在車型識别系統中，如何使車型目标特征化是實現實時、準确車型識别的關鍵。圖像目标識别特征的提取可采用多種方法，主要方法有傅立葉描述子、矩特征、變換域特征、邊緣輪廓特征、角點特征等。

(1) 傅立葉描述子

該方法是将經傅立葉變換後的邊界選作形狀描述子[11,12]，用較少的參數描述很複雜的邊界。該方法的特點是：用較少的傅立葉描述子就能反映邊界的大略本質，并且描述子對平移、旋轉和比例縮放變化不敏感。但這種方法利用的目标信息比較少，隻是提取了基于目标圖像邊界的特征，而且它對噪聲和邊界形變比較敏感。

（2）矩特征

主要表征了圖像區域的幾何特征，又稱為幾何矩，圖像的矩是一種常用的識别特征，包括p+q階幾何矩、中心距、歸一化中心距、hu的不變矩、chen的不變矩、Zernike矩和小波矩等，每個矩包含了豐富的圖像信息。實驗證明[13]，幾何矩和中心矩對于圖像的平移和縮放都具有良好的不變性;Hu的七個不變矩對于圖像的平移、旋轉和比例縮放都具有不變性，很好地描述了目标圖像的信息。但Hu的七個不變矩，運算層次比較多，運算量比較大，而且對形變沒有良好的一緻性。Zernike矩是在整個圖像空間中計算,得到的是圖像全局特征,容易受到噪聲幹擾。基于小波變換的小波矩能同時得到圖像的全局特征和局部特征,更适合識别相似形狀或者有噪聲幹擾的目标圖像。Chen矩僅利用區域的邊界計算不變矩的改進算法，并将該算法應用在沒有重疊交叉的封閉區域的邊界上。

（3）變換域特征

基于變換域特征[14]提取方法都能提取有效的識别特征信息，也能夠有針對性地運用到不同的領域。但變換域特征的缺點就是物理意義不直觀，而且由于需要變換的原因其運算量一般比較大。其中，基于K-L變換已成功地應用到了人臉識别等領域。

(4) 輪廓特征

基于輪廓特征[15]的目标識别是指用目标的輪廓作為識别特征。目标輪廓的提取通過邊緣檢測來實現。邊緣是指圖像局部亮度變化最顯著的部分，邊緣主要存在于目标與目标、目标與背景、區域與區域之間，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的重要基礎。

(5) 角點特征

角點是圖像的一個重要的局部特征，它集中了圖像上的很多重要的形狀信息。由于角點具有旋轉不變性，幾乎不受光照條件的影響，角點隻包含圖像中大約 0.05%的像素點，在沒有丢失圖像數據信息的條件下，角點是最小化了要處理數據量，因此角點檢測具有實用價值。

目前角點檢測技術可以分為兩類：一類是基于圖像邊緣信息，如基于小波變換模極大的角點檢測， 基于邊界鍊碼的角點檢測和基于邊界曲率的角點檢測；一類是基于圖像灰度信息，如 Moravec 算法，Han-is and Stephens 算法，SUSAN 算法。在第一類中，圖像的邊緣輪廓容易使用多尺度技術來分析，所以第一類算法已實現多尺度角點提取，然而，角點對邊緣線依賴較大，如果邊緣線由于某種原因發生中斷，則會對角點的提取結果造成影響。而第二類算法的主要缺點定位精度較差，同時還可能漏掉一些實際的角點，對噪聲比較敏感，而且現在還沒實現多尺度角點檢測的特性。所以在基于圖像灰度信息的角點檢測中引入多分辨分析思想，對提高角點的定位精度和檢測性能将具有重要的意義。

六 車型識别技術

汽車識别技術是ITS應用的基礎，也是智能交通系統中的一個關鍵組成部分。汽車識别包括汽車牌照識别、汽車顔色識别、車型識别、車标識别等，目前開發最為成熟的是汽車牌照的識别，并已經廣泛應用于電子警察、電子收費等應用系統中。

車型識别利用車輛的外型特征對車型進行分類，目前國内外基于視頻車型識别采用的的主要方法有：

① 基于模闆匹配的識别方法[16,17]。

模闆匹配是模式識别中非常經典的方法，在模式識别經曆的幾十年發展曆史中，當人們對識别的目标能夠歸納出一定的模闆時，就可選擇模闆識别。模闆匹配方法用于汽車識别基于視頻的車型識别技術研究時，主要的不足是:首先模闆的建立很困難；而且模闆隻能在圖像中平行移動，在旋轉或大小變化的情況下，該方法無效；圖像中的待識别的汽車目标不能全部可視，即汽車邊緣不連續或部分邊緣不存在，則該方法無效；

② 基于統計模式[l8]的識别方法。

當模式特征表示為幾何空間中的點時，如果特征源自于同一模式的物體，對應點的幾何距離總是很接近的。統計模式識别則是找尋幾何空間中的一些區域問題，這些區域的點來自于某個單一模式。在統計模式中解決問題的方法大都基于Bayes決策統計理論。在汽車識别方法中很多都利用了統計模式識别。其中最典型的有基最近鄰域法、聚類分析法、統計判決法等。但統計模式識别時要求:各個類别總體的概率分布是已知的;要決策分類的類别數是一定的；

③ 基于神經網絡的識别方法[19,20]。

神經網絡識别是利用“神經元(neuron)”相互連接構成的非線性動态系統所具有的人腦在自學習、自組織、聯想及容錯方面的較強功能，用于類别識别和決策。神經網絡方法雖然由大量簡單的“神經元”相互連接而成，每個神經元結構和功能都比較簡單，但是其組成系統卻可以非常複雜，在自學習、自組織、聯想及容錯方面具有人腦的某些特性，更确切地說是人腦的初級特性；

④ 基于仿生模式(拓撲模式)的識别方法[21]。

仿生模式識别在于把模式識别問題看成是模式的“認識”，而不是分類劃分，不是模式分類，是一類一類樣本的“認識”。其特點在于:一類樣本在特征空間的構造僅僅依賴于該樣本類型本身，通過分析該類型各訓練樣本之間的關系進行識别；對于未經過訓練的任意對象，不會被正确識别；一類一類分别訓練“認識”，對新增加的樣本的訓練不會影響原有的識别知識；

⑤ 基于支持向量機的識别方法[22~24]。

支持向量機方法建立在統計學習理論的VC維理論和結構風險最小化原理基礎上，根據有限樣本信息在模型中的複雜性和學習能力之間尋求最佳折衷，以獲得最好的泛化能力。支持向量機在有限樣本情況下建立了一種較好的通用學習算法，并對模型的選擇與過學習問題、非線性和維數災難問題以及局部極小點問題進行了很好地解決。

七 課題研究的難點問題

1. 運動汽車的檢測與分類識别的研究是集計算機技術、模式識别、人工智能、應用數學以及生物視覺等學科的綜合應用于一體的一項艱巨的任務，是ITS中的一個熱點，盡管從事該項技術研究人的很多，但研究成果真正投入實際應用的并不多，這主要是:

(1) 受人自身對對象識别過程的知識限制，對自然界的認識不足，缺乏先進的科學知識；

（2）車輛種類繁多但差别不大，沒有明顯的區别特征；

（3）受具體應用環境的影響太大，各類檢測算法要求的條件太苛刻，攝像機的位置和角度要求高；

（4）受視覺變化的影響大，從不同角度所攝的汽車特征差别大；

（5）受自然環境影響太大，特别是光照影響，嚴重的光照反射使得車輛輪廓線不分明，顔色偏離、變化太大，難以辨認；

(6) 汽車的外形更新太快，特征變化太快，使得算法适應性較差；

(7) 汽車的管理規則變化太快，使得智能交通中的應用系統算法修改頻繁。

正是由于上面的一系列原因，緻使車型識别未能在ITS中得到成功應用，車型識别在國内多數停留在研究狀态(如中國科學院、西安公路所、上海交通大學、西安交通大學、四川大學等)，部分産品已經投入正式運營。在各種車輛自動識别、分類技術中，目前真正能夠使用的還不多。因此值得我們進一步研究、探索更适應我國國情的車型自動識别方法。

2. 有些問題有待于進一步的研究和探索：

(1)複雜背景多車輛的特征的同時提取。複雜背景多車輛的檢測，較容易實現，但是多車輛的特征同時提取比較困難，實現多車輛特征的同時提取，對以後的分類識别、跟蹤等都有很大的幫助；

(2)汽車遮擋情況的研究。在交通道口，因車速行駛速度相對較慢，汽車遮擋情況雖然出現的比較少，但為了完善系統，增加系統的魯棒性，這種情況下的汽車識别有待于進一步的研究；

(3)運動車輛的三維建模。運動車輛是一個三維物體，因而獲取運動車輛的三維信息并利用它進行識别必将是車型識别技術發展的最終目标和解決途徑。随着信息獲取技術手段的不斷改進，這一途徑必将得到應有的發展；

(4)非正常天氣條件下車型的識别。車型識别的相關資料顯示，天氣、光線等對車型識别準确性的影響很大，如何降低天氣條件的影響，增加系統的自适應性，也是汽車分類識别有待解決的關鍵問題；

(5)支持向量機還處在繼續發展階段，很多方面還不完善，現有的算法都是采用多個支持向量機分類器進行組合，從而實現多值分類目的。但目前多分類算法不是特别理想，本文中分類的數目有限，隻實現了車輛的三分類（大、中、小），而對多分類問題還需要更深入的研究。

參考文獻

[1] 張穎新，範東啟等.車型自動識别系統研究[J].信息技術, 2006, 4: 45-47.

[2] 陳旭梅，于雷，郭繼孚等.美、歐、日智能交通系統(ITS)發展分析及啟示[J]. 2004, 28（7）:75-79.

[3] 左奇.交通圖像檢測與處理方法研究[學位論文].西安:西北工業大學，2003.

[4] 範伊紅.基于視頻的車型自動識别系統的實現〔學位論文〕.鄭州:鄭州大學, 2006, 5.

[5] Robert T. Collins, Alan J. Lipton, Hironobu Fujiyoshi, and Takeo Kanade. Algorith rns For cooperative multisensor surveillanee. In Proceedings of the IEEE.

[6] TieniuN. Tan and Keith D. Baker Efficient image gradient based vehicle localization.

IEEE Transaction on Iimage Proeessing,2000, 9(8): 1343-1356.

[7] George Fung, NelsonYung, and Granthajm Pang. Vehicle shape approximation from motion for visual traffic surveillance. In Proc. IEEE Conf. Intelligent Transport System，2001, 608- 613.

[8] Ferryman, A. Worral, G. Sullivan, K. Baker, A generic deformable model for Vehicle recognition, Proeeeding of British Machine Vision Conference, 1995, 127-136.

[9] Larry Davis, V. Philomin and R. Duralswami. Tracking humans from a moving platform. In Proc. Intematl on Conference on Pattem Recognition,2000.

[w1] 秦鐘. 基于圖像不變矩特征和BP神經網絡的車型分類. 華南理工大學學報（自然科學版）, 2009, 37(2): 86-91.

[w2] 陳浩, 吳慶祥, 王穎. 基于脈沖神經網絡模型的車輛車型識别. 計算機系統應用, 2011, 20(4): 182-185.

[w3] 杜華英. 基于伸進個網絡的汽車車型識别方法的技術研究. 長沙：中南大學, 2006.

[w4] 陳麗. 基于遺傳神經網絡的車型識别算法研究. 西安：長安大學, 2008.

[w5] 聶偉榮, 朱繼南. 地震動信号的分析與目标識别. 電子科技大學學報, 2003(1).

[w6] 藍金輝, 李虹. 目标地震動信号的特征提取及識别研究. 振動與沖擊, 2001, 20(4): 43-46.

[w7] 張悅. 基于小波變換的車型自動識别系統. 北京: 北京工業大學, 2007.

[w8] 袁志勇, 查桂峰. 基于反對稱小波的車型識别研究. 武漢大學學報(信息科學版). 2006.

[w9] 張友兵, 史旅華. 基于小波變換的汽車車型識别. 汽車工程. 2004, 26(4): 439-442.

[10] 邵文坤，黃愛民，韋慶．目标跟蹤方法綜述[J], 電子數字成像, 2006, (1)：17-20．

[11] Rafael C Gonzalez, Richard E woods. 數字圖像處理 (阮秋琦, 阮宇智). 北京: 電子工業出版社,2003.

[12] Charles Zahn and Ralph Roskie. Fourier descriptors for plane closed curves [J]. IEEE Transactionon Computer, 1 vol, C- 21(3), Mareh, 1972: 269-281.

[13] Kadiran S, Patnaik L M. distortion-invariant object recognition using adaptive Resonance theory [J]. Artifieial Neural Networks and Expert Systems, 1993, Proceedings, First New Zealand International Two-Stream Conferenee, 1993:341-344

[14] 包力. 基于特征與模闆的人臉檢測算法的研究和應用[學位論文]. 大連: 大連海事學院, 2006,2.

[15] A. Berg, T. Berg, and J. Malik, “Shape Matehing and object Recognition Using Low Distortion Correspondence [J].” IEEE Transaetionson Pattern Analysis and Maehine Intelligence,2006,28:594-611.

[16] Zhang QiSen, and WangMingjun. A Method of vehicle Classification Using Models and Neural Networks [J]. Wei Wu Member, IEEE 2001: 3022-3026

[17] Liyuan Li, Weimin Huang, Irene Y. H. Gu, et al. Foreground object Detection from Videos Containing Complex Background [J]. Proceeding/Proceeding, 2003:2-10

[18] 張旭東, 錢玮, 高隽等. 基于稀疏貝葉斯分類器的汽車車型識别[J]. 小型微型計算機系統. 2005, 26 (10): 1839-2841

[19」Limin Xia. Vehicle Recognition Using Boosting Neural Network Classifiers [J]. Proceedings of the 6th World Congress on Intelligent Control and Automation, Dalian, China , 2006: 9641-9644

[20] Siddique M N H, Tokhi M O. Training Neural Networks: Back-Propagation VS. Genetic Algorithms [J]. In: Proceedings of the IEEE International Joints Conference on Neural Networks, Washington, DC , 2001,4: 2673-2678

[21] 王守覺.仿生模式識别(拓撲模式識别)一一一種模式識别新模型的理論與應用「J」. 電子學報. 2002, 30 (10): 1417-1420

[22] 陳愛斌. 基于支持向量機的車型識别「D」.中南大學, 2004

[23] Kuihe Yang, Ganlin shan, Lingling Zhao. Application of Least Squares Support Vector Maehine on Vehicle Recognition [J]. Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications, 2006

[24] 武宏偉, 馬錢. 一種基于支持向量機的車型自動分類器設計方案「J」. 計算機應用. 2005(4): 10-12