基于BP神经网络的车型识别毕业设计论文

扬州大学本科生毕业设计基于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VehicleRecognitionBasedonBPNeuralNetworkAbstractAsthekeytechnologyofIntelligentTransportationSystem(ITS),vehiclerecognitionhasallimportanttheoreticalandpracticalsignificanceinimprovingtheefficiencyofroadtransportationandtestingofvehiclecharging．Firstly,thepaperbasedonvideodetectiondiscusseshowtogetthevehiclecontourmapthroughtheseoperationssuchasimagepre-processing,vehiclesegmentationandcontourextractiontoderivegeometricalparametersofvehicleswhichareusedtoestablishthevectorbyacorrelationanalysis．Secondly,weusethesefeaturevectorstobuildthesystemofvehicleclassificationbasedonBPNeuralNetworktorecognizethevehicles．Themaintasksareasfollows:(1)Vehicledetection．Thispaperpresentsthevehiclesegmentationmethodbasedonbackgroundsubtraction．Itcansolvetheproblemofvehicledetectionincomplextrafficsituationseffectively.(2)Featureextraction．Accordingtotheneedsofvehicleclassification，weanalyzetheselectiveproblemsoftheparameterstolaidthefoundationofvehicleclassification．Thispaperfinallyadoptsthevectorsoftheratiooftopandlength,topandheight,forwardandback．(3)Vehicleclassification．ThispaperstudiesvehicleclassificationbasedonBPneuralnetworkandobtainshigherclassificationaccuracybyselectingtheappropriateparameters．Theresultofapplicationandsimulationindicatesthatthereal-timequality,accuracyandotherperformancesimprovedandthevehicleclassificationsystemachievesprospectiveobjectives．Atthesametime,ourapproachhasfollowingadvantages:Theextractedfeaturesaresimple,theaccountissmall,andtheBPnetworkposedbytheclassificationfunctionissimpleandeasytoimplementhardware,whichwillhelpclassificationandrecognition．Keywords:ITS;VehicleRecognition;VehicleDetection;FeatureExtraction;BPNeuralNetwork目录TOC\o"1-4"\h\z\u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 234.1BP神经网络简介 234.1.1多层前馈神经网络 244.1.2BP网络学习规则 264.2BP网络在本实验中的设计与应用 274.2.1BP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 35PAGE38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的研究越来越深入。智能交通系统(IntelligentTransportationSystem，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，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。M．DubuissonJolly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91．9％。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型用以表示车型，模型参数包括车辆的至高点、拓扑结构等，然后应用神经网络进行识别，车型识别率达到90％以上。(2)基于神经网络的特征识别方法。该方法主要包括两个阶段：首先对识别目标车型进行特征提取，然后用所得的特征来训练神经网络分类器。这种网络的识别效果与目标车型特征提取有关，而目标特征提取往往比较耗时。比较而言，基于车型图像特征的人工神经网络分类方法在精确性和鲁棒性等性能优于模板匹配法。该方法将车辆样本图像视为矩阵，通过对矩阵进行变换或线性投影，可以抽取车辆的代数特征。陈爱斌等提出了基于K-L变换的特征车型识别方法。魏小鹏等将人脸识别中的奇异值方法应用于车型识别，由于车辆样本图像均采集于室外，图像灰度变化比较大，需要引入了灰度一致因子进行校正。T．Lim等应用Gabor滤波器对车辆样本图像抽取Gabor特征，车型识别效果较好。1.3论文的主要内容车型识别技术作为智能交通系统中关键技术，对其进行研究具有重要的理论与现实意义。本文研究的课题是基于BP神经网络的车型识别，主要研究对于视频交通数据采集后的图像处理技术，包括车辆检测、特征提取和BP神经网络的设计等主要内容。本文在理论分析和实验的基础上，了解现有的一些方法，在此基础上对车型识别方法中的关键技术进行了深入的研究，得出具有一定应用价值的车型识别方法。第1章，绪论。本章介绍课题的研究背景及意义，国内外研究现状，以及论文的主要内容和结构安排。第2章，车辆目标检测。首先对车辆图像进行预处理，然后利用背景差分法实现了运动车辆与背景的分离，再对其阈值分割，形态学处理，连通域标记及填充等操作，最终检测出运动车辆。第3章，车辆目标的特征提取。本章采用实时性较好的Sobel算子进行边缘检测，在此基础上进行了特征提取，本课题选取的特征值是：顶长比、顶高比和前后比。第4章，BP网络的设计与车型识别。采用3-8-3的BP神经网络对输入的特征值样本进行训练和测试，基于Matlab平台，进行了分组训练与测试验证，使得训练好的网络稳定性好、识别时间低、识别率高，收到了良好的效果，最终达到了预期的目的。第5章，总结与展望。本章对本文的工作及成果进行了总结，并在所取得的工作成果基础上，对今后的工作及研究提出了展望。第2章车辆目标检测2.1基于视频图像的车型识别系统简介视频图像的车型识别流程图如图2-1所示。视频图像序列采集视频图像序列采集图像预处理车辆目标检测图像后续处理车辆特征提取分类判决判别结果输出图2-1车型识别流程图1.图像采集系统将摄像机摄取的路段上行驶车辆的视频图像捕捉下来，并数字化，存入内存。2.将这些采集到的图像进行预处理，如：滤波去噪，图像锐化，对比度增强等。3.把汽车从所拍摄的图像中检测出来。4.对图像进行进一步预处理，如：阈值分割，填充等。5.对分割后的图像进行特征提取，用于车型分类器。6.把提取的特征用于训练好的神经网络车型分类器。2.2视频图像序列采集由于本文需利用车辆图像的侧面轮廓特征进行车型识别分类，因此，CCD摄像机可安装在路侧或通道口的侧面，与车辆通行方向大致成90度角。其拍摄的速率可设置为10bps（每秒钟获取10帧运动车辆视频序列图像），获取的图像大小为192×256pixels。由于需要的是车辆的轮廓图像，因此可以仅仅提取并存储车辆在场景中运动的连续四帧图像。如图2-2采集到的视频序列图像，这里显示的是已被‘rgb2gray’函数处理过的灰度图像（即采集到的RGB模式下的彩色图像首先转化为灰度图像）。图2-2视频序列图像2.3车辆目标检测的常用方法本章研究的主要内容为背景静止条件下的车辆检测和分割，车辆的检测和有效分割对于特征的提取及最终的车型分类等后期处理是非常重要的，因为后期处理过程仅仅考虑图像中对应于车辆运动区域的像素。解决车辆检测算法的计算量和实时性这对矛盾，是提高系统检测准确度和稳定度的关键，然而实际中光照的变化、背景混乱运动的干扰、运动目标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象的存在，这些都会影响车辆检测和分割的精度，必须在算法中考虑这些因素的影响及其去除的方法。下面先对目前常用的基于视频的车辆检测过程与方法进行简单梳理。2.3.1图像预处理数字图像预处理的目的在于：1)去除由于在图像采集时引入的噪声与干扰；2)去除所有夹杂在背景上的次要图像信息，以便突出主要的待识别的车辆图像，供计算机进行分析和使用。预处理过程中采用的是“平滑”、“锐化”等图像处理技术。1.图像平滑利用摄像头和图像采集卡所采集的原始汽车图像可能达不到目标识别的要求，因此需要对图像进行预处理，目的是改善原始汽车图像的效果，提高感兴趣区域的清晰度。它主要包括图像平滑和图像锐化。图像平滑也称图像去噪。由于受摄像头等因素影响图像会受到不同程度的噪声污染，而这对图像边缘信息的提取产生影响。因此在提取车辆边缘信息与特征提取前必须去噪。本文采用中值滤波法去除噪声。中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有象素点灰度值的中值。中值滤波在图像处理中，常用于保护边缘信息，是经典的平滑噪声的方法。实现方法：1)通过从图像中的某个采样窗口取出奇数个数据进行排序。2)用排序后的中值取代要处理的数据即可。图像中采用中值滤波的基本原理：由于噪声在图像中是孤立的一些点，这些点占用的像素较少，而图像中像素点较多、面积较大的区域构成了图像的有效信息。因此，如果把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，这样能让周围的像素值接近真实值，从而消除孤立的噪声点。本文采用上述的滤波方法进行了实验，结果如图2-3。具体程序如下：clearall%中值滤波i=imread('E:\mv\che.bmp');j=medfilt2(i);Figure,imshow(j)(a)含噪声图像(b)中值滤波后的图像图2-3原图像与中值滤波图像的对比2.图像锐化图像平滑虽然降低了噪声的影响，但它是以图像的边界、轮廓变模糊为代价的，因此，一般还需要采用图像锐化技术减少这类不利效果的影响，保证图像边缘的清晰。图像的锐化处理也分为时域和频域两种处理方法。从时域角度来考虑，经过平滑的图像变模糊的根本原因是由于图像采用了平均或积分运算，因此，要让图像变清晰，可以对其进行逆运算(如微分运算)。从频域角度来考虑，图像模糊的实质是因为其高频分量被衰减，因此可以用高通滤波器来使图像清晰。2.3.2背景差分目前最为成熟且应用最多的运动目标检测方法主要有以下三种:帧间差分法、光流法、和背景差分法。本文采取基于背景差分的方法进行目标检测。背景差分法是目前运动分割中最常用的一种方法，它适用于摄像机静止的情况，或自然环境的缓慢变化，其最简单的实现是从视频序列中预先抽取不含前景运动物体的帧图像作为背景，然后利用当前帧与背景图像的差分来检测运动区域，这种差分法对于复杂背景下的运动物体检测效果较好，一般能够提供最完整的特征数据，计算量小，实用价值大。基于背景差分的方法对图像进行分割，以分割为目的，首先获得背景图像，我们称之为背景重建，这部分是图像分割的基础。在车辆不是很多的时候，可以拍到无车时的图像作为背景，这是获取背景的一个方法。但是需要按照时间段将不同时间的背景图片存到数据库中，然后根据当前的时间将背景的图片读取出来作为背景。这种方法前期工作量大，受周围环境影响很大，鲁棒性不好，而且需要在数据库中建立按季节、日照时间的背景信号模型。在交通系统繁忙时，安装调试不可能要求交通暂停，得到没有运动车辆的背景图像比较困难，所以系统必须依靠有车辆运行的图像来得到道路的背景图像。背景重建工作简单原理介绍如下：考虑到摄像机固定，背景图像变化比较缓慢，而运动对象相对于背景变化较快，也就是说背景像素点的灰度值变化比较缓慢，而运动目标对应的像素点灰度值变化相对较快。我们将每一幅图像划分为两类区域：一、背景区，该区域由灰度值变化较小的像素点构成；二、前景区，该区域由灰度值变化较大的像素点构成；前景区包括运动目标在当前帧所在的区域和它在上一帧中所在的区域，这些区域内的像素点的灰度值的具体处理过程如下：设和为采集到的两帧视频图像，运用帧间差分法对这两帧图像灰度进行差分处理，检测规则如下：If（2.1）If（2.2）其中T为阈值。然后将处理后的每个像素点灰度值相加，再除以被检测为属于背景的次数，这个值就是该点的背景像素的灰度值。程序如下：>>video=imread('E:\mv\CHE0124.mpg',201:500);>>bg=video.frames(20).cdata;bg_bw=rgb2gray(bg);thresh=15;fr_size=size(bg);width=fr_size(2);height=fr_size(1);fg=zeros(height,width);fori=21:51;fr=video.frames(i).cdata;fr_bw=rgb2gray(fr);fr_diff=abs(double(fr_bw)-double(bg_bw));forj=1:widthfork=1:heightif((fr_diff(k,j)<thresh))fg(k,j)=fr_bw(k,j);elsefg(k,j)=bg_bw(k,j);endendendbg_bw=fg;figure(1);imshow(bg_bw);end利用以上原理可以重建背景，图2-4为通过序列图像重建的背景。图2-4序列图像重建的背景上文已经进行了背景重建的工作，获得交通场景的背景后，利用当前帧减去背景帧可获得含运动车辆的差分图像，在相减之后，要逐个像素点的扫描，若差值小于一定的阈值，认为该点无变化，可认为是背景像素，然后将该点的灰度值改为0，如图2-5。(a)更新的背景(b)含目标序列(c)背景差分结果图2-5运动帧与背景帧差分2.3.3阈值分割利用差分法进行运动目标检测，都需要对获取到的差分图像进行二值化处理，即使用图像分割的算法将图像中的前景目标像素从差分图像中分离出来，图像分割是数字图像处理中的一个非常重要的技术，在理论研究和实际应用中都得到了人们的广泛重视。到目前为止，已经有多种图像分割的方法。值得提出的是，图像分割方法并没有唯一的标准。随着计算机处理能力的不断提高，很多方法不断涌现，如基于阈值分割、基于彩色分量分割、纹理图像分割等。基于阈值的分割方法是图像分割中比较常用的一种方法，它是根据目标与背景在灰度上的差异，把图像区分为目标区域和背景区域。阈值法对物体和背景对比度强的物体的分割有着很强的优势，计算也较为简单，并且可以用封闭和连通的边界定义不交叠的区域，是图像分割中最有效且实用的技术之一。阈值选取是图像基于阈值分割的重要环节。只要选择正确的阈值，一般会有好的效果，常用的阈值选择方法有三种：迭代法、最优阈值法和大津法（Otsu）法，本文采用的是大津法(Otsu)阈值选取方法。1.大津法选择阈值大津法(Otsu)阈值选取方法是由日本的大津于1979年提出的，主要依据是概率统计与最小二乘法原理。就是把图像直方图用某一灰度值分割成两组，当被分割成的两组间方差最大时，此灰度值就作为图像二值化处理的阈值。与其它方法相比，该方法基于整幅图像的统计特性且可实现阈值的自动选取，对图像二值化处理的效果较好，因此受到诸多学者的承认，而且在实际中的应用范围较大。其算法为：设是灰度级为的像素数，则图像的总像素数为（2.3）各灰度级出现的概率为（2.4）设灰度为门限，将图像分为两个区域，灰度为的像素和灰度为的像素分别属于区域和，则区域和的概率分别为（2.5）（2.6）区域和的平均灰度为（2.7）（2.8）全图的平均灰度为（2.9）两个区域的总体方差为（2.10）按照最大类间方差的准则，从0至改变，并计算类间方差，使方差最大的值即为区域分割的门限。2.具体程序：>>i=imread('cmj1.bmp');%Otsu法>>th=graythresh(i);>>j=im2bw(i,th);>>th=255*th;>>imshow(j);3.实验结果如图2-6。图2-6Otsu法阈值分割对上述自适应阈值选取分割算法进行仿真，结果如图2-6所示，Otsu法可以实现对前景的分割。仿真软件采用Matlab7．0，图像大小为192×256，Otsu法耗时为0.08秒。实验结果表明，Otsu法的分割结果较为理想。2.3.4形态学处理通过Otsu法进行阈值分割以后的二值图像存在较突出的问题就是使原来属于同一个目标的区域变得分散，同时图像分割行为受到噪声的干扰而产生很多的细小的噪声斑点，这些分散的区域和噪声斑点对于下一步的图像斑块处理造成较大的干扰．因此需要对二值图像进行数学形态学处理。1．数学形态学滤波数学形态学(MathematicalMorphology，也称图像代数)是一种应用于图像处理和模式识别领域的新理论和新方法，1964年由法国G．Matheron和J．Serra在积分几何的基础上首次创立。形态学的基本思想是使用具有一定形态的结构元素来度量和提取图像中的对应形状，从而达到对图像进行分析和识别的目的。数学形态学可以用来简化图像数据，保持图像的基本形状特性，同时去掉图像中与研究目的无关的部分。使用形态学操作可以增强对比度、消除噪声、细化、填充和分割等常用图像处理任务。它主要以积分几何、几何代数及拓扑论为理论基础，将对象模型化，对集合进行研究，它与图像处理的模板有相似作用，但性能比模板更强，它对图像进行移位、交、并等集合运算构成形态学的各种处理算法，其基本思想如图2-7所示。输入图像输入图像移移位位、交、并等集合运算输出图像结构元素处理运算移位、交、并等集合运算结构元素图2-7数学形态学的基本思想2.数学形态学的基本运算数学形态学最基本的形态学运算有：膨胀(Dilation)，腐蚀(Erosion)，开启(Open)和闭合(Close)。基于数学形态学的汽车图像处理算法就是利用膨胀、腐蚀、开启和闭合等运算在图像中进行图像的前期处理。其主要目的就是选取合适的结构元素，滤除图像中的孤立点噪声。数学形态学中的膨胀、腐蚀、开启和闭合运算具有以下特点：(1)膨胀运算可以使图像中的像素粘连。此特点可用于填平小孔，弥合小裂缝，而保持总的位置和形状不变。(2)腐蚀运算可以擦除图像中的像素。能够去除孤立的小点、毛刺，而保持总的位置和形状不变。(3)图像的开运算和闭运算是互逆的。开操作一般使对象的轮廓变得光滑，连接窄的间断和消除细的突出物。闭操作同样使轮廓线更为光滑，但与开操作相反的是，它通常消弥狭窄的削断和长细的鸿沟，消除小的空洞，并填补轮廓线中的裂痕。本文以二值图像为主要处理对象，其基本运算表示如下：设A为图像集合，B为结构元素，S为结构元素分布区域，φ为空集。(1)膨胀：膨胀算子为，A被B膨胀记为，其定义为：（2.11）即B首先做关于原点的映射，然后平移x。膨胀运算具有扩大图像的作用，对填补图像分割后物体中形成的空洞很有效。其中D为膨胀结果，表示像素点的取值（0或1）(2)腐蚀：腐蚀在数学形态学中的作用与膨胀正好相反，它是一种消除边界点，使边界向内部收缩的过程，腐蚀可以用来消除小且无意义的物体。若A、B为S中的集合，则A被B腐蚀记为，定义为：（2.12）腐蚀运算的过程为：结构元素B移动后，结构元素仍在集合A中的参考点的集合。(3)开运算和闭运算膨胀和腐蚀并不是互为逆运算，所以它们可以级连结合使用。如果使用同一个结构元素先对图像进行腐蚀，然后膨胀其结果，这种运算称为开运算；如果先膨胀后腐蚀其结果，则称为闭运算。开启运算符为“”，其定义为：(2.13)闭合运算符为“”，其定义为：(2.14)以上各种运算都具有位移不变性、单调增长性、等幂性等，而这些特性是它们在图像处理中得以应用的基础。另外各个不同元素还具有各种不完全一致的特性，如组合性、互换性等。四种运算程序如下：j=imread(‘cmj2.bmp’);%二值图像的膨胀se=strel('diamond',1);>>im2=imdilate(j,se);>>figure(1);>>imshow(j);>>figure(2);>>imshow(im2);>>i=imread('cmj2.bmp');%二值图像的腐蚀>>se=strel('disk',1);>>im2=imerode(i,se);>>figure(1);>>imshow(i);>>figure(2);>>imshow(im2);I=imread('cmj2.bmp');%开运算se=strel(‘diamond’,1);im2=imopen(I,se);imshow(im2);I=imread('cmj2.bmp');%闭运算se=strel(‘diamond’,1);im2=imclose(I,se);imshow(im2);形态学处理前后效果对比如图2-8。(a)初步检测结果(b)膨胀结果(c)腐蚀结果(d)开运算结果(e)闭运算结果图2-8数学形态学处理结果2.3.5连通区域标记及区域填充1．区域连通标记通过形态学滤波器滤波后，噪声已经基本消除，然后对区域进行连通性检查，用来标记区域中的运动车辆。连通区域有四连通和八连通之分，四连通区域指的是各像素与其相邻的上下左右四个方向上的像素(四邻域像素)的连通路径相连接形成的区域，八连通区域指各像素与其上下左右加上对角线上的四个点的八个邻域像素的连通路径相连接形成的区域。一个八连通区域的算法也可以用在四连通区域上，在这里，我们选择八连通区域进行连通性检查。如图2-9所示，中间像素(x,y)为当前被扫描像素，0，1，2，…，7为与它相邻的8个像素。2341（x,y）5076图2-9八连通示意图对二值图像从左到右从上到下进行扫描，主要就是标记当前正被扫描的像素，检查它与之前扫描到的若干近邻像素(主要是左邻域和上邻域)的连通性。这里有几种不同的情况需要分别考虑，如果当前正被扫描像素灰度是“1”，则将它标记为与之相连通的目标像素；如果其左邻域和上邻域的标记不同，则选择其中一个标记，并把另一个标记和这个标记记为等价标记；如果发现是从“0”到“l”的过渡，则赋一个新的目标标记。一次扫描结束后，需要进行二次扫描，主要有两个目的：一是将等价标记修改为同一标记；二是计算各个连通区域的面积，对于面积小于设定阈值的区域，可以认为该区域为噪声，将其滤除。通过连通性检查，我们可以分出图像中车辆的个数、位置、和大小，这对后期车辆特征的提取和分类非常有用。经过上述步骤后，就完成了连通区域的标记，也识别出了车辆目标的“黑白”图像。2.区域填充通过以上区域标记后运动目标内部可能存在“空洞”，可通过以下区域填充操作获得目标对象。首先，指定一个背景点作为起始点，先进行横向填充，从左向右找到一个灰度值为1的亮点，记下此位置信息，再在同一行从右向左找到一个度值为1的亮点，记下此位置信息，把这两点间的所有度值改为1。再进行纵向填充，从上向下找到一个度值为1的亮点，记下此位置信息，再在同一列从下向上找到一个度值为1的亮点，记下此位置信息．把这两点间的所有度值改为1。通过填充操作可以去掉没有连接到边界的一些零碎的值，这个操作对于删除图像中的人工痕迹非常有用，能提高检测的质量。实验结果如图2-10。（a）差分图像(b)Otsu阈值分割结果(c)后续处理结果图2-10图像检测结果第3章车辆目标的特征提取3.1目标特征的提取及描述目标图像的表观特征主要表现为形状和灰度分布两大类，其中，形状特征对于光照变化不敏感，而灰度特征更为丰富的反映了目标的相关信息。但是视频图像序列中，光照的变化较大，而光照的变化又将对目标的灰度特征产生较难消除的影响，因此，形状特征较灰度分布将更适合于视频运动目标的识别。3.2基于轮廓特征的边缘检测车辆目标轮廓的提取通过边缘检测来实现。边缘检测在图像处理和计算机视觉中占有特殊的位置，它的任务是标识出数字图像中亮度变化明显的点。因为图像边缘是灰度变化剧烈的地方，两个具有不同灰度值的相邻区域之间总存在边缘，边缘是灰度值不连续的结果。通过检测边缘，还可以大大压缩图像的冗余信息，而且图像属性中发生的显著变化通常反映了属性中的重要事件和变化。边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个重要研究领域。1.常用的轮廓提取方法现在常用的边缘算法有Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子、Canny算子等。我们知道一般Roberts算子的检测效果较差，边界平滑度不够，Prewitt算子与Sobel算子的区域仅在于选用的模板不同，所以本文仅对Sobel、LoG和Canny算子作简要介绍并对其性能进行了比较。（1）Sobel算子Sobel算子可以通过以下两个模板实现：图3-1Sobel算子模板以上两个矩阵分别代表图像的水平梯度和垂直梯度。如果用Sobel算子检测图像M的边缘，一般先用水平算子和垂直算子对图像进行卷积，得到两个矩阵M1、M2，在不考虑边界因素的时候，它们对原图像有相同的大小，分别表示图像M中相同位置对于x和y的偏导数。然后求M1和M2对应位置的两个数的平方和，得到一个新的矩阵G。G是M中像素灰度梯度的近似值，然后经过阈值操作得到边缘。即(3.1)（2）拉普拉斯高斯算子（LoG）拉普拉斯高斯算子如下式所示：(3.2)以模板形式表示就可以得到常用的算子：图3-2LoG算子模板算子能突出反映图像中的角点和孤立点，在边缘和孤立点的幅值都比较大，但是一阶导数对噪声敏感，因而不稳定，由此，二阶导数对噪声就会更加敏感，因而更不稳定。所以在作Laplacian变换之前需要平滑，同时，又因为卷积是可交换，可结合的，所以先作高斯卷积，再用Laplacian算子作卷积，等价于对原图用高斯函数的Laplacian变换后的滤波器作卷积，这样就的到一个新的滤波器LoG(LaplacianofGaussian)滤波器。(3.3)式中，是图像。(3.4)(3.5)（3）Canny算子Canny算子是最优的阶梯型(stepedge)边缘检测算子，Canny边缘检测算子对受白噪声影响的阶跃性边缘是最优的，它具有不丢失重要边缘、定位准确等优点，其实现步骤如下：1）首先用2D高斯滤波模板与原始图像进行卷积，以消除噪声。2）利用导数算子（如Prewitt算子、Sobel算子）找到图像灰度沿着两个方向的导数、，并求出梯度的大小：。3）利用上述结果计算出梯度的方向：。4）求出了边缘的方向，就可以把边缘的梯度方向大致分为4种（水平、垂直、45o方向和135o方向），并可以找到这个像素梯度方向的邻接像素。5）遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的，那么将这个像素值置为0，即不是边缘。6）使用累计直方图计算两个阈值。凡是大于高阈值的一个一定是边缘；凡是小于低阈值的一定不是边缘。如果检测结果在两个阈值之间，则根据像素的邻接像素种有没有超过高阈值的边缘像素，如果有，则它就是边缘，否则不是。2．实验结果及分析现列出运用Sobel算子进行边缘检测的程序：>>f=imread('im2');>>f=im2double(f);>>bw=edge(f,'sobel',‘vertical’);%边缘检测,‘vertical’为阈值>>figure，imshow(f);%显示原始图像>>figure，imshow(bw);%显示边缘检测图像如图3-3所示，为分别运用介绍的几种边缘检测算子对二值图像进行处理的结果，获取车辆目标的轮廓。表3.1为检测方法的耗时情况。(a)车辆二值图(b)Canny算子检测(c)Sobel算子检测(d)LoG算子检测图3-3边缘检测效果对比表3.1各种检测方法的耗时情况各种检测方法的耗时情况检测方法Canny算子Sobel算子LoG算子仿真耗时(s)0.2750.0750.303由上述实验结果可见，本文情况下，Canny算子的边缘检测效果较好，边界连续且平滑，但仿真耗时相对较长；LoG算子虽检测效果与Sobel算子相当，但其耗时要大大超过后者；因此Sobel算子的性能较好，Sobel算子应能更好的突出边缘。3.3基于轮廓特征的选择与提取本文已经对图像的背景重建更新、目标区域提取等过程进行了详细的介绍分析，然后我们只需对提取到的车辆目标区域的二值图像作Sobel算子边缘检测即可得到目标的清晰轮廓。本文基于Matlab仿真平台，对运动车辆的轮廓提取过程进行了仿真，其整个过程与提取结果如图3-4所示。（a）背景图像（b）当前帧图像（c）差分图像（d）Otsu阈值分割结果（e）后续处理结果（f）Sobel算子边缘检测图3-4基于背景减法的车辆边缘提取3.3.1车型特征值的选择 目前汽车种类繁多，不胜枚举。需要提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侧视图可提供整个车长、顶棚位置、顶棚长度及车辆高度等信息，由于拍摄图像时，镜头与车辆间的距离、角度都是随机的，任何微小的变化都可能造成上述各参数的绝对大小不相等，这就限制了我们不能用绝对长度或绝对高度等绝对参数作为识别特征，因此我们必须考虑用某种相对值来作为特征参数。按汽车的应用功能进行大致分类，可分为客车、轿车和货车三类，通过详细观察我们发现，三类车型——客车、货车和轿车一个很大的不同之处在于车顶部分。客车的车顶通常接近于整车长度，货车的车顶长通常要远远小于整车长度且货车顶部通常位于车辆的一端，而轿车车顶长度一般为整车长的一半左右，且轿车顶部通常位于车辆的中间部分(普通轿车)或后部(如吉普车)。这样一来我们就可以采用车顶长度作为参数，从而进一步引入其他相关参数。通过大致观察可以看出，客车的车顶长度相比整车而言最大，而轿车的车顶长度相对整车长度较小，货车的车顶长度相对整车长度来看最小，这样就为我们提供了一个重要的相对特征参数——车顶长度与整车长度之比。另外，通过观察我们得出若以车顶中垂线为界把车分为前后两部分，那么客车的前后长度之比应接近于1，轿车中普通轿车的前后长度之比亦应接近1，轿车中的吉普车、厢式车若以车头方向为前端的话，其前后长度之比应较大，通常大于1，而对货车而言若以车头方向为前端的话，其前后长度之比应较小，要小于0.5。为了增加特征参数值，以使识别更加准确，我们还引入了车顶长度与车高度之比，很明显，客车的比值较大，而轿车和货车则较小，两者相差比较明显。通过对这三类车型的统计分析，我们选取的特征是：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，称之为顶高比；以顶蓬中垂线为界，前后两部分之比，称之为前后比。这样选取的依据是可以较好地克服镜头的焦距和角度的误差，同时提取的特征简单、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。3.3.2车型特征值的提取图像边缘检测，得到车型轮廓边缘图像。从边缘图像中就可以提取出我们感兴趣的特征值了。我们选择的特征值有三个，分别是：顶长比、顶高比和前后比，所以要先取得车顶长，车高，车长在图像中所占的像素长度，再求其比值。算法如下：(1)对图像进行边界跟踪，消除孤立点和孤立线的干扰。(2)对图像由上向下按行扫描，记录每行中边缘点(即像素灰度值=255的点)的个数，当大于阈值h时，即认为该行为车顶。记录该行行号为start。为增加程序稳定性，继续扫描20行，记录每行中最右边的边缘点的列号减去最左边的边缘点的列号的长度，在20个值中选取最大值认为是车顶长。记录车顶中点所在的列号记为middle。(3)对图像由下向上按行扫描，记录每行中边缘点(即像素灰度值=255的点)的个数，当大于阈值h时，即认为该行为车底。记录该行行号为end。停止扫描。(4)车高即为end—start。(5)对图像由左向右按列扫描，记录每列中边缘点(即像素灰度值=255的点)的个数，当大于阈值1时，即认为该行为车头。记录该列列号为start。停止扫描。(6)对图像由右向左按列扫描，记录每列中边缘点(即像素灰度值=255的点)的个数，当大于阈值1时，即认为该列为车尾。记录该列列号为end。停止扫描。(7)车长即为end—start。(8)车前半部分为middle—start；后半部分为end—middle。根据上面的算法，计算出各长度，比值，即得到三个特征值，见表3.2。由试验数据我们可以看出，试验的结果与我们选取特征值时的设想是一致的。客车的顶长比明显大于轿车和货车，全部大于0.5，而轿车与货车的顶长比在0.2-0.4的范围内。客车的前后比接近于1，而轿车的前后比略微大于1，货车的前后比远远小于1，甚至小于0.5。客车的顶高比最大，轿车和货车则较小，两者相差比较明显。表3.2三类车型的特征值特特征值车型顶长比顶高比前后比货车0.14730.43720.39260.15260.45920.45880.34211.00060.51660.31640.92500.18750.23110.94590.13260.15340.52800.51720.30050.83570.18740.39621.02770.18740.18740.85760.26280.43341.06770.51660.14730.63120.56660.32270.72380.1875客车0.86452.30530.92880.83291.99630.96250.94882.40150.94660.87352.43420.56890.77971.51030.93150.88051.59030.94660.74531.37710.95430.84561.73660.97210.88102.35880.91560.91122.43930.95470.93402.87120.99120.97402.54510.9702轿车0.39620.75001.52380.36870.81382.88230.44441.00122.18180.29210.98452.30000.33191.07541.48780.34551.38271.36000.27470.95661.48780.33311.18111.55310.30951.03311.32250.26750.81091.41480.32821.12481.45280.45781.43481.8732第4章BP网络的设计与车型识别4.1BP神经网络简介本章研究了基于BP神经网络的车型分类技术，并结合BP神经网络分类器，研究了特征参数的选取对车型分类结果的影响，通过选择合适的特征参数，获得了较高的分类识别率。BP神经网络通常是指基于误差反向传播算法(BackPropagation，简称BP算法)的多层前向神经网络(Multi．1ayerFeed．forwardNeuralNetworks，MFNN)，它最初是由PaulWerboss在1974年提出，但未进行有效传播，直到20世纪80年代中期Rumelhart、Hinton等人重新提出了BP算法，《并行分布处理》收纳了BP算法后，才广为人知。它是一种能向着满足给定的输入输出关系方向进行自组织的神经网络，是有导师的学习，它是梯度下降法在多层前馈网络中的应用。BP神经网络属于三层前馈网络，它的学习算法更复杂，但适用范围也更广，是用于前馈多层网络的学习算法，前馈多层网络的结构一般包括：输入层、输出层以及处于输入输出层之间的隐含层。隐含层有单层或多层，隐含层虽然和外界不连接，但它们的状态影响输入输出之间的关系。改变隐含层的权系数，可以改变整个多层神经网络的性能其主要思想是从后向前(反向)逐层传播输出层的误差，以间接算出隐层误差。算法分为两个阶段：第一阶段(正向传播过程)：输入的样本从输入层经过隐含层单元一层一层进行处理，通过所有隐含层传向输出层。在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。实际输出和期望输出在输出层进行比较。如果实际输出不等于期望输出，且误差大于网络误差精度，则进入反向传播过程；第二阶段(反向传播过程):输出误差逐层向前算出隐层各单元的误差，并用此误差修正前层权值，即当输出层上的实际输出与给定的训练输入不一致时，用快速下降法修正各层之间原来的连接权值，直到最终满足给定的输出输入关系为止。BP网络学习原理结构图如图4-1所示。BP神经网络的理论认为：只有不断地给出输入和输出之间的关系，则在神经网络的学习过程中，其内部就一定会形成表示这种关系的内部构造，并且只要使关系形成的速度达到实用值，那么BP的应用就是可行的。目前BP算法已成为应用最广泛的神经网络学习算法，BP网络的激励函数通常是Sigmoid型可微函数，如图4-2所示，可以实现输入和输出间的任意非线性映射。这使得它在诸如信号处理、计算机网络、过程控制、语音识别、函数逼近、模式识别及图像分类等领域获得成功的应用。(net)(net)net1.00.524-2-4K-1K-1层输入层K层修改W修改W隐含层教师信号输出层-图4-1BP网络学习原理结构图图4-2Sigmoid函数4.1.1多层前馈神经网络我们采用的人工神经元模型及学习算法的输出函数为可微的Log-Sigmoid函数：，。神经元的动作为：，，如图4-3所示。选择Log-Sigmoid函数作为输出函数，是由于它具有以下有益特性：①非线性，单调性。②无限次可微。③当权值很大时可接近阈值函数。④当权值很小时可近似线性函数。netnetnetnet（a）人工神经元模型（b）Sigmoid图4-3本系统采用的人工神经元模型与输出函数构成前馈网络的各神经元接受前一级输入，并输出到下一级，无反馈，可用一有向无环图表示。输入和输出节点由于可与外界相连，直接受环境影响，称为可见层，而其他中间层和计算单元则称为隐层。感知器则是一种双层神经网络，由输入层和计算单元组成，可以通过监督学习建立模式判别能力，学习过程与求取线性判别函数过程等价。而三层或三层以上的前馈网络可以逼进任意的多元非线性函数，突破了二层前馈网络线性可分的限制，这种多层前馈网络称为多层感知器(MLP)，是单层感知器的推广。图4-4是一典型多层前馈网络结构图。输入层输入层隐藏层输出层目标向量网络输出向量Z输入模式图4-4具有单隐层的、d--c完全连接的多层感知器网络多层感知器的适用范围大大超过二层前馈网络，能很好的完成模式识别任务。因其能够实现一种特殊的非线性变换(可以看作是一种特殊的特征提取器)，把输入空间变换到由隐层输出所张成的空间，使在这个空间中分类问题变得比较容易。其突出特点为：①网络中每个神经元包括一个非线性可微Sigmoid函数。②网络可以包括多层隐藏神经元，这些隐藏神经元逐步从输入模式向量中提取更多有用特征，从而使网络可以学习复杂的任务。③网络还具有高度的连接性，由网络突触决定。④网络连接的改变通过改变其突触连接数量或其权值即可实现。但是其缺点是：学习算法复杂，中间隐层不直接与外界接触，无法直接计算其误差。然而通过BP算法即可解决此问题，其主要思想是从后向前(反向)逐层传播输出层的误差，以间接计算出隐层误差。多层感知器的函数信号流传播示意图如图4-5所示。函数信号函数信号误差信号图4-5多层感知器的函数信号流传播示意图4.1.2BP网络学习规则BP网络有两种训练方法：一种是每输入一个就修改一次权值；另一种就是批处理方式，即全部样本训练完之后再进行修改权值。本节采用前一种方法，将训练样本的图片进行特征提取后送入BP网络进行训练。以一个三层BP网路为例，假定网络输入向量，网络目标向量，中间层单元输入向量，输出向量，输出层单元输入向量，输出向量，输入层至中间层的连接权值，中间层至输出层的连接权值，中间层各单元的输出阈值，输出层各单元的输出阈值，其中，，，。网络训练流程如下：(1)选定初始值。给、、、赋予区间内的随机值。(2)选取一组输入和目标样本，提供给网络。(3)用、、计算中间层各单元的输入，然后用通过激活函数计算中间层各单元的输出。,（4.1）,（4.2）(4)利用、和计算输出层各单元的输出，然后利用通过激活函数计算输出层各单元的响应。，（4.3），（4.4）(5)利用目标向量，实际输出，计算输出层的各单元一般化误差。，（4.5）(6)利用、和计算中间层各单元的一般化误差。（4.6）(7)利用和来修正连接权值和阈值。，，，（4.7），，，（4.8）(8)利用，来修正连接权和阈值。，，，（4.9），，，（4.10）(9)随机选取下一个学习样本向量提供给网络，返回到步骤(3)，直到m个训练样本训练完毕。(10)重新从m个学习样本中随机选取一组输入和目标样本，返回步骤(3)，直到网络全局误差E小于预先设定的一个极小值，即网络收敛。如果学习次数大于预先设定的值，网络则无法收敛。4.2BP网络在本实验中的设计与应用4.2.1BP网络的设计本课题利用Matlab中的神经网络工具箱函数使得整个网络的训练过程较为简单。下面介绍具体实现过程：（1）学习样本的收集：神经网络分类器的训练样本和测试样本为了确保分类器的准确性，训练样本的选择，应该考虑下面几个要求：1）确保有足够的训练样本。2）考虑相同类型车辆之间的细微差别。3）当种类增多的时候，要增加新的训练样本，应该根据分类器的要求来增加训练样本。下面是采集的三类车型的一部分样本，共36对，每种类型的车包含12对样本(包括多种型号)，其中每类车中8对样本用于训练，另外4对用于测试，训练样本集合及期望输出见表4.1。表4.1训练样本集合及期望输出车型模式编号车型特征向量（样本输入值）车型编码（期望输出值）顶长比顶高比前后比训练集货车10.14730.43720.392610020.15260.45920.458830.34211.00060.516640.31640.92500.187550.23110.94590.132660.15340.52800.517270.30050.83570.187480.39621.02770.1874客车90.86452.30530.9288010100.83291.99630.9625110.94882.40150.9466120.87352.43420.5689130.77971.51030.9315140.88051.59030.9466150.74531.37710.9543160.84561.73660.9721轿车170.39620.75001.5238001180.36870.81382.8823190.44441.00122.1818200.29210.98452.3000210.33191.07541.4878220.34551.38271.3600230.27470.95661.4878240.33311.18111.5531将提取的特征作为网络输入向量P={，，}，其中为顶长比，为顶高比，为前后比；将车型编码作为网络的期望输出向量＝[100]；=[010]；=[010]；、、分别代表货车、客车和轿车；网络的实际输出向量Y，用，，表示，因此输入层的节点数是3，输出层的节点数也为3。(2)网路层数的确定：一般而言，具有偏差和至少有一个S型隐含层加一个线性输入层的网络，能逼近任何有理函数。增加层数可降低误差、提高精度，但是也增加网络的复杂性，同时延长了网络权值的训练时间，而且误差精度的提高可通过增加隐含层的神经元个数来确定，训练也比增加层数更加容易实现。基于以上的考虑，本系统的BP网络只使用一个S型的隐含层，所以我们选取一个三层的BP网络。(3)隐含层节点数的确定：隐含层节点数的选择对网络的性能影响很大，一般是根据网络的具体用途来确定，不同网络有不同的要求，所以确定隐含层的点数是比较复杂的，本实验建立的人工神经网络是基于BP算法的前向三层神经网络。在此选用了结构简单的BP网络，网络输入层的神经元数即为所抽取的特征数；输出层的神经元数就取为车型类别数；关于隐含层神经元数的选取，根据前人经验，可以参照以下公式设计：(其中为隐含层神经元数，为输入层神经元数，为输出层神经元数，a是110之间的常数)。隐层节点太少，则可能训练不出来，节点太多，学习时间太长，经过实验与观察，选取节点为8较为合适，因此建立一个3-8-3的BP神经网络。(4)初始权值的选择：初始权值与学习是否收敛、训练时间的长短有非常大的关系。如果初始权值选得太大，则可能使加权后输入落入S型函数的饱和区，也使得权值修正值接近于零，因而导致调节的过程几乎停顿了下来。所以，一般我们取初始权值是在(-1，1)之间的随机数，在本课题中，通过试验，认为选取(-0.2，0.2)之闻的随机数效果较好，使初始加权后每个神经元的输出接近零，这样可保证每个神经元的权重都能在它们S型函数中变化最大的地方进行合理调节。（5）传递函数及学习算法和学习速率的选取：输入层至隐层至输出层的传递函数，均选用非线形S型函数，已完成输入模式到输出模式的非线性映射。学习速率决定了每一次训练所产生的权值变化量。比较大的学习速率可能会导致系统的不稳定，而小的学习速率会导致较长的训练时间，可能会让收敛很慢，不过可以保证网络的误差值不会跳出误差表面的低估而最后趋于最小值。因此一般情况下倾向选取较小的学习速率从而保证系统的稳定性，学习速率的选取一般范围在0．01-0．8之间。针对于学习算法的选取，应尽量满足收敛速度较快，不易陷入局部极小的缺点，因此本文采用了尺度化共扼梯度算法(采用Matlab工具箱的训练函数trainscg)对网络进行训练，收到了良好的效果。（6）误差的选择：设计神经网络网络训练的过程中，期望误差应通过对比训练后选择一个合适的值，本文设定网络训练目标误差为0.001。4.2.2车型识别结果1.具体实验Matlab代码为：%构建训练样本中的输入向量pp1=[0.14730.43720.3926];%其余用于训练的输入向量p1值分别为：%[0.15260.45920.4588]、[0.34211.00060.5166]、[0.31640.92500.1875]%[0.23110.94590.1326]、[0.15340.52800.5172]、[0.30050.83570.1874]%[0.39621.02770.1874]，可依次输入用于训练，下同p2=[0.86452.30530.9288];%其余用于训练的输入向量p2值分别为：%[0.83291.99630.9625]、[0.94882.40150.9466]、[0.87352.43420.5689]%[0.77971.51030.9315]、[0.88051.59030.9466]、[0.74531.37710.9543]%[0.84561.73660.9721]p3=[0.39620.75001.5238];%其余用于训练的输入向量p3值分别为：%[0.36870.81382.8823]、[0.44441.00122.1818]、[0.29210.98452.3000]%[0.33191.07541.4878]、[0.34551.38271.3600]、[0.27470.95661.4878]%[0.33311.18111.5531]p=[p1p2p3];%构建训练样本中的目标向量tt1=[100];t2=[010];t3=[001];t=[t1t2t3];%创建一个BP网络，隐含层由8个神经元，传递函数为tansig%输入输出层各有3个神经元，传递函数为logsig，训练函数为trainscgnet=newff（minmax（p）,[8,3],{‘tansig’‘logsig’},‘trainscg’）;net.trainParam.epochs=100;%训练步数为100net.trainParam.epochs=0.001;%目标误差为0.001net=train(net,p,t);%训练样本的输出y1=sim(net,p1);y2=sim(net,p2);y3=sim(net,p3);%预测测试样本的输出p.test1=[0.18740.85760.2628];%其余用于测试的输入向量p.test1值分别为：%[0.43341.06770.5166]、[0.14730.63120.5666]、[0.32270.72380.1875]%可依次输入用于测试，下同p.tes