车型识别研究综述

基于视频图像解决的车型识别研究文献综述1、车型识别技术研究背景与意义随着中国特色社会主义当代化建设和都市化建设的快速发展，越来越多的家庭以及公司拥有机动车，有些家庭甚至拥有多辆机动车。据中国公安部统计，截至6月底，中国机动车保有量达2.33亿辆，其中汽车1.14亿辆，摩托车1.03亿辆。另据中国社科院公布的《中国汽车社会发展报告-》预计，中国私人汽车拥有量将破亿，中国汽车大国的地位得到进一步确实立。然而，汽车普及率的提高造成了都市交通拥挤堵塞日益加剧，交通事故频繁发生，交通环境逐步恶化。与此同时，随着车辆的增多，车辆失窃，肇事逃逸，以及运用车辆进行违法犯罪活动等事件也日益增多，从而对公安部门的警力资源提出了严峻的规定。为从根本上解决上述的问题，人们开始运用多个新技术，并结合运用现有的交通资源设施，将人、车、路紧密联系起来，不仅有效地缓和了交通阻塞问题，并且对交通事故的应急解决、环境的保护、能源的节省都有了明显的效果。智能交通系统正是在此背景下应运而生。智能交通系统（IntelligentTransportationSystem,ITS）是一种广泛包含多个技术的统称，指的是人们将先进的信息技术、数据通信传输技术、电子控制技术、传感器技术以及计算机解决技术等有效地综合运用于整个交通体系，从而建立起的一种在大范畴内、全方位发挥作用的实时、精确、高效的交通综合管理系统[1]。智能交通系统是现在世界各国交通领域竞相研究和开发的前沿研究课题和热点。现在智能交通系统在世界上应用最为广泛的地区是日本（VICS系统），另一方面是美国、欧洲等国家和地区也得到普遍应用。中国在这方面也开始了快速的发展，在北京、上海、广东等地也开始了广泛的应用。智能交通系统的核心功效是对过往车辆的精确检测和对的的车型识别。现在对车辆检测技术的研究重要有两个技术流派，分别为车辆自动识别（AutoVehicleIdentification）和车辆自动分类（AutoVehicleClassification）。前者是运用车载设备与地面基站设备互识进行，该技术重要用于收费系统中，在发达国家使用范畴较广，如美国的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，在一定车辆分类原则下运用适宜的分类识别算法，主动地对车辆进行分型，这一类技术应用比较广泛，己经有诸多成熟的系统应用在实际生活中，该类技术能够通过射频微波、红光、激光、声表面波等方式来自动识别车辆信息，也能够使用视频图像解决的方式来识别车牌、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[2]，但这几个办法各有优劣，优点是识别精确比较高，但缺点也很明显，重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，重要设备易损坏，耗费较大等。近年来随着计算机多媒体技术和图像解决技术的发展，基于视频的车辆自动分类识别技术在当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。该类技术能够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能够快速做出控制决策，解决交通拥堵等问题。同时，运用该技术能够分析道路的车流量信息，有助于公路网的总体规划及道路建设。但上述功效的实现依赖于交通数据的采集和解决，传统的数据采集器办法，不能大范畴覆盖检测区域，缺少灵活性且功效单一。因此，随着现在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办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都市道路含有很大的可行性，基于视频车型识别系统，将全方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运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解决分析，完毕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，或运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，能够立刻进行分析，提取出需要的交通流信息。因此，与其它技术相比，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）能够检测更大范畴内的交通流信息，从而减少设备数量，节省资金；（3）能够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，例如交通量调查等，能够把视频图像采集存储后，离线进行分析解决；（5）当环境发生变化，或系统移动到他处使用时，只需简朴设立，系统即可重新投入使用。（6）能够综合提供交通数据信息和视频图像，便于对现场的全方面、直观检测。能够提供流量、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;并且借助视频图像的参考，能够极大的提高监控质量。总而言之，开展基于视频图像的车型识别研究意义重大，其研究成果不仅含有广阔的应用前景，并且对于解决拥堵的交通环境、规划都市交通系统和尽快发展我国的智能交通系统等含有重要的战略意义。2、国内外研究现状2.1车型识别技术的研究现状现在已有的车型识别分类办法重要是以电子标签、感应线圈、压力传感、CCD（ChargeCoupledDevice，电荷耦合器件）摄录机以及多个光波为手段的车型识别法[3]等。（1）射频识别法:现在该办法多被应用于国外车辆收费系统ETC中，现在我国的部分省市道路收费站也开始应用该系统。这类办法涉及下列几个单元：在机动车上用于装置的发射器或lC卡、运用天线进行接受的接受器以及用来控制与解决信号的计算机。当该办法工作时，装置于车辆上的发射器用于发送含有代表通过车辆的特性代码，带有天线的接受器解决接受，计算终端运用互联网环境收集解决车辆信息，最后运用该办法整个体系中目的车辆的综合信息与车辆拥有者进行清算[17]。但是由于需要设立另外的监控装置以避免车辆拥有者更换标签，同时这种办法需要装置的发射器，这些都增加了该办法的资本投入，因此这种办法在我国应用不多。（2）环形感应线圈识别法：环形感应线圈识别法属于触碰式被迫检测分类技术，该办法运用埋入装置在道面下的电磁线圈，对通过线圈的机动车所含有的特性频率进行扩大，由于构成不同机动车的金属材质是不同的，其引发的电磁感应变化也都不一眼，因此该办法就是根据感应数据的不同对不同的机动车进行分类。即使该办法的资金投入量不多，鲁棒性好以及受环境干扰较小，但是在具体应用时，多数道面下的线圈由于多个外界因素而被破坏，因此修护需要投入的资源较多。（3）压力传感器识别法:压力传感器识别法属于触碰式被迫检测分类技术，按照运用的测试装置该办法可分为应变测试器、压力测试器和电容器测试器，当机动车通过埋设在道面下的测试器时，测试器接受压力会形成微小变化，该办法运用这变化而产生的返回信号分别得到目的机动车的整体重量、平均速度、轴间距等重要的数据，从而完毕对不同类型机动车的分类[22][23]。压力传感器识别法识别速度高并且识别成果页较好，但其设施安置过程技术性较强，多个外界因素也会在很大程度上干扰该办法的分类精度。（4）激光识别法：激光识别技术属于非触碰式自动检测分类技术，该办法运用安装于机动车上或信息收集站的激光发射器，收集不同类型机动车产生的不同光波感应，从而运用测量光波感应成果得到机动车的非二维外形，从而完毕对不同类型机动车的分类[25]。即使该办法已被应用在某些发达国家的高速公路收费站[26]，但这种办法中的激光设备之间不仅容易产生光波误差，识别率不高，并且设施资金投入量较大，同时光波频射污染也是值得考虑的投入因素。（5）雷达识别法：雷达识别法属于非触碰式自动检测分类技术，该办法运用安装于机动车上或信息收集站的雷达测试器发射雷达信号，同时目的车辆反馈回雷达信号，系统测试器运用多普勒原理，检测出运动中机动车的频率移动，产生感应反馈信息，从而运用不同类型的机动车得到的感应反馈信息不同，该办法完毕对不同类型机动车的分类[28][29]。雷达识别法之因此被应用较少的重要因素是由于多普勒效应的局限性，当机动车群停住运动或运动速度较慢时，该系统都将会停止工作。（6）红外线识别法：红外线识别法可基本分为自动式和被迫式[31]。当有机动车通过检测区域时，被迫式测试器检测到机动车含有的热辐射能量，并运用中枢系统向控制解决中心发送车辆信息，从而完毕车型分类。自动式测试器自动发射红外光波，不同的机动车型将红外光波反馈会测试器，系统从而运用不同的反馈信息来识别不同类型的机动车型[32]。红外线识别法即使识别速度快、识别效率较高且其设施后续修护投入不高，但该办法鲁棒性差，多个外界因素容易使识别对的率大大减少。（7）CCD视频识别法：基于CCD视频图像的车型识别技术属于非触碰式被迫检测分类技术，视频摄录机将通过目的区域的目的车辆摄录入数据库，并运用多个数字图像解决技术[34]对于提取的目的图像进行分析、解决与理解，同时也完毕了对目的图像中不同类型机动车的分析与理解，并使识别系统获得目的机动车型的多个车型内容，从而完毕对不同类型机动车的分类，该办法含有以下特点[4]：1、由于直接对CCD摄录设备得到目的图像进行分析，不需要在目的公路区域安装另外的感应设备，减少了系统的资本投入量，并且CCD摄录机不需要技术性的拆装过程，后续的修护资本投入极少；2、CCD摄录设备实时有效的收集摄录了目的公路区域的机动车图像，图像内容包含的机动车信息完整、丰富，最大程度的运用了安装设施的效用；3、可提供公路现场信息的视频图像录像，重现现场的环境与内容，为有关部门研究现场因素与行为、提高路网系统的管理效率提供了充足的条件；4、不同的CCD视频摄像机之间不会产生干扰，并且设备对自然外界也不会产生影响，含有环保的特点。上述特点使基于CCD视频图像的车型识别办法已然成为车型分类技术的重要发展方向，并已引发了各国专家的进一步研究，该办法的研发困难之处在于车型分类系统对于高速运动的机动车识别的可行性规定高，在内容丰富的视频图像中对车型进行分类的有效性与否能够达成路网信息解决的指标，但随着计算机视觉、图像分析与理解等技术的不停革新，基于视频的车型识别核心技术也在不停的进步，其识别分类的实时性与有效性正被逐步的改善，因此，这一技术必然会在ITS中获得全方面的发展与应用，并会成为车型分类技术的主流趋势。2.2基于视频图像解决的车型识别研究现状车型识别技术是道路交通视频监控系统的一种重要研究领域,是智能交通管理系统的一种重要应用基础。它以计算机视觉、数字信号解决、模式识别等技术为基础,通过视频监控或高速拍照等方式取样,以工控机或嵌入式解决器为解决平台,完毕对小汽车、载货车、载客车等车型的分类和识别。其识别的成果信息能够全方面应用于道路交通视频监控系统,如车流检测与统计、超速检测与处分、移动车辆稽查等,也能够用于不停车收费系统。该技术可有效配合智能交通信息管理中心完毕规划路网、管理通流、高效收费等智能化应用,可最后有效改善道路拥堵,提高路网通流效率,优化交通运输环境。车型识别根据研究人员各自研究的不同应用目的,出现了多个不同的解决方案,普通有下列几个研究方向:（1）判断车的类型,即身份识别。“身份识别”方式需要识别出车辆属于已知模式类中的哪一类,常有的模式类有:（a）规格模式类,以一定原则判断目的车辆规格。如工程用车、大型车、中型车、公共汽车、小汽车等,有关这类模式的研究重要应用在公路收费、车流分析等需求中。（b）系列模式类,按车标辨别车辆厂家系列。如大众、别克、东风、三菱等,重要应用于市场统计、交通管理、公安稽查等。（c）品牌模式类,按车系固有品牌特性来辨别具体车辆品牌。如桑塔纳、马自达、别克君威等,用于更高级的公安稽查系统、市场统计等场合。（2）判断车辆对象与否属于某己知库,即身份鉴定。“身份鉴定”方式普通运用图片解决技术即可实现大多数该类型应用,如比较两张车辆图片与否属于同一辆车,查找车辆图片库中与已知车辆相似者等,普通应用于公安稽查、图像检索、出入管理等场合。车型识别技术的诸多研究领域和应用场合中,识别对象来源重要有两种:（1）物理测量通过物理手段,如声音捕获装贸、金属传感器、衡器等获得车辆的多个物理参数(声音、重量、宽度、高度等),运用这些车辆的画有特性进行分类以达成车型识别的目的。优点:物理测量信息可靠性强,由于车辆载重、车高等物理参数与车辆规格亲密有关,因此通过物理测量到的信息和简洁的算法即能够辨别车辆类型。缺点:施工复杂,路面辅助设施的添设也同时提高了系统的不稳定性,并且这种方式只能判断车辆大小规格,无法进一步获取更多信息。（2）图像解决静态图片分析是通过对单一拍摄的含有车辆的图片进行解决,并与离线获取的图片库进行比对,实现车型识别。在实时条件下的图片分析即为视频解决,通过摄像头采集车辆动态视频图像,来分析现场环境、获取光照立体信息、自学习背景提取运动车辆,从而进一步识别车辆类型。优点:设备架设简朴环保,嵌入式视频解决方案即能够满足大多数场合,并且采集信息的可挖掘性强,能充足抽取车辆图像中的信息,以完毕更多高级分类识别应用。缺点:可靠性有待提高,图像传感器受光照、天气等自然因素影响较大,适宜的拍摄角度不易选择,且算法难度较大,难以满足实时应用需求。这是这一技术迟迟未大量应用于实际系统中的因素。在基于图像(视频)解决的车型识别研究中,不少研究人员提出了有针对性的思路:（1）根据车牌颜色进行分类和识别根据我国车牌发放原则规定,大型车辆发放黄底黑字车牌,普通小型车辆发放蓝底白字车牌,涉外车辆发放黑底白字车牌,军警及武警车辆发放白底黑字车牌,军车前中文为红色。由此,通过对车牌颜色的判断即能够初步识别出车型,简朴易行,识别成果能够应用于公路收费系统。但这种办法与我国车牌发放规定有关,若有关规定更改,则系统将不再合用,通用性不强。因此这种“关联判断”式的识别办法无法大规模使用。（2）通过车标进行识别定位并分离出车标区域,与已有的模板进行比对,即能够识别出车辆品牌。由于车标模板获取较容易,因此这种办法实现不困难,能够应用于市场调查等应用场合。但该办法依赖于淸晰的照片,或车标拍摄完整的照片,实际应用场合本辆遮挡或移物掩盖造成无法获得完整车标,山此限制了应用环境。（3）根据车辆轮廓信息进行识别以图像预解决技术和图像分割技术为基础完毕车辆与环境的分离,以边沿检测技术和滤波算法为核心抽取出车辆的轮廓,计算其几何特性如顶长比、顶宽比、前后比、面积等作为车辆分类特性元素,最后以此为根据进行含糊鉴别完毕车型分类和识别。这类方案算法简洁、效率较高,但实际应用时拍摄角度、光照阴影、车辆遮挡等因素将影响车辆轮廓提取,对算法性能产生重大影响。（4）以车辆纹理信息为核心进行识别通过背景建模技术学习现场环境,使用图像分割技术分离出车辆区域作为感爱好区,通过特性抽取办法提取该区域纹理特性,并统计大量样本特性训练生成分类器,使用分类器对未知目的纹理特性进行识别。该办法从理论上来说能够对车辆进行精确分类,能够较为细致地鉴别出具体车型。但特性选择困难,对图像质量规定较高,并且模板库数据量大,算法也非常复杂,实时性能较弱。2.2.1国外的研究现状国外专家较早地对基于图像的车型识别技术开展了较为进一步的研究。上世纪70年代初，德国西门子公司开始研究自动车辆识别，但由于受当时的整体技术、工艺水平的限制，未能获得满意的效果。Collins等[5]创立了一种路上移动目的的检测、跟踪、识别系统，用训练过的神经网络来识别运动目的是人、人群、车辆还是干扰，网络的输入特性量有目的的分散性度量、目的大小目的表面大小与摄影机监视区域大小的相对值。车辆又进一步辨别为不同类型和颜色。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)的办法，在一种小窗口内，该办法根据图像梯度进行。运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。Fung等[7]用高精度摄像机观察车辆的运动来预计车辆形状，通过预计特性点(车体拐角处)得到车辆轮廓。基本思想是高特性点的移动速度不小于低特性点的移动速度，由于高特性点离摄像机近，车辆轮廓可用与车辆识别。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办法，并采用图像帧差技术进行运动分割，背景图像用Kallman滤波进行更新。G.LForesti等开发了一种车辆跟踪系统，其中涉及一种多级识别模块实现车辆识别。J.Ferryman等[8]建立了一种参数化的可变形三维模板，该模板通过演变，可合用于多个车辆。G.D.Sulhvan等[]采用三个一维模板检测与否有某类型车辆，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，该办法采用了多模板的思想，有一定的创新作用。Jolly等[9]用变形模板来研究车辆识别，首先，建立目的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，适宜的车型模板边的点集也通过点集间的Hausdorff距离与其它车辆模板进行比较。内华达大学的SunZehang等[10]使用Gabor滤波和支持向量机的办法完毕车辆检测。Gabor滤波提供了获得灰度不变性特性的维数，能够合用于光照变化和尺度变化的条件下，车辆含有较强的边沿和水平线信息，它们含有方向性和尺度。Gabor滤波能够对这些特性有更强的鲁棒性。在车辆检测阶段运用SVM进行验证。同时也使用进化Gabor滤波优化来完毕特性抽取。另外，SunZehang还使用量化Haar小波特性和支持向量机的特性选择和分类的车辆检测办法。文中指出，小波特性由于其压缩性表达而非常适合车辆检测。它编码边沿信息，产生多比例信息并能够被有效计算。另外，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。Wisconsin大学的RanBin等人[11]提出的基于视觉的检测算法通过计算车辆运动参数，跟踪多个车辆目的。该系统重要由四个模块构成: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，涉及对称性形状，车辆纵横比等特性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。上世纪80年代后期，随着当代技术的发展，一系列核心技术如低功耗解决器、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种新纪元。近些年来，也有许多国外专家和学者相继提出了某些新的研究成果。G.Fung等人[12]用品有较大分辨率的摄录机来获得机动车的移动形态，并运用移动中出现的多个角点，预计出机动车的具体形态，得到形象的车型信息，最后运用得到的车型信息来进行车型识别，其缺点是对摄录机的精度规定过高，并且容易遗漏车型轮廓信息，不利于实际应用。G.S.sullivan等人[13]首先运用3个一维模型来拟定机动车的出现位置，然后运用1个二维模型对机动车进行跟踪，并运用模型跟踪中与目的车型对应的二维信息对机动车型进行分类,即使该办法开创性的运用了不同量与不同维的模型思想，但局限性之处就是模板的数据存储量大，不利于达成实时性的指标。D.R.Lim等[14]运用Gabor滤波器对机动车视频图像进行了均匀滤波，运用Gabor轮廓特性进行匹配识别车型，即使减少了Gabor数据量，提高了实时性，但同时也减少了车型识别的精确率。W.Sinatra等[15]运用了PCA办法和加权LDA办法对机动车视频图像进行特性解决，PCA和LDA办法把图像高维空间变换到低维空间中，然后该文献运用复PCA办法将这些数据解决为统一的车型特性，并在最后运用支持向量机对车型进行识别，达成了较高的车型识别精度，但实时性较差，不适宜在实际中应用。Kazemi等人[16]运用快速傅里叶变换、离散Curvelet变换以及离散小波变换提取车型特性。Rahti等人[17]在上述基础上运用Contourlet变换替代离散Curvelet变换来提取特性，而，Zafar等人[18]通过提取不同子带的特性来提高识别率，在，Iqbal等人[19]结合Sobel与Sift算法对车型提取特性，但提取的用于识别的车型特性维数较高，车型分类的对的率低，并且识别的车型种类少。2.2.2国内研究现状国内专家对基于视频图像的车型识别技术的研究处在初级阶段，研究重点重要在如何提取有效的车型特性。年，周爱军，杜宇人[20]首先运用边沿检测算法尽量提取车辆的完整边沿信息，然后运用Harris角点检测办法得到车型的角点信息，其局限性之处是由于噪声和阴影的缘故，造成得到的车型边沿信息不全方面、边沿位置错位或产生变化，从而出现车型特性失效，减少车型识别精确率。图1基于视频图像Harris角点检测的车辆识别流程年，秦克胜等人[21]首先运用图像局部匹配办法定位出目的车辆在图像中的位置，该办法重要应用于图像只涉及车辆侧面的状况，在这种状况下，车身可近似为梯形，车轮近似为圆形，通过Hough变换算法将梯形和两个圆形检测出来，并将这三个特性和车辆位置关系与整幅图像匹配识别，其局限性之处是受多个外界环境的干扰较大，存在提取特性不唯一或不完整状况，车型识别率低。图2基于图像解决的车型识别技术研究流程图年，马蓓，张乐等人[22]提取目的车辆的纹理特性，同时计算灰度纹理特性在空间位置上的互有关系，以及相似位置上成对像素的灰度有关性，将这些数据作为车型的特性量，其明显缺点是当图像分辨率发生变化时，计算得到的纹理特性会产生较大误差，从而减少识别率，并且实时性较差。图3基于纹理特性的汽车车型识别流程图年，黄灿[23]运用品有130维的Sift局部特性算子检测目的车辆图像在尺度空间的特性点，并精拟定位每个特性点的主方向，最后生成Sift描述特性子，并通过对影响Sift特性识别的多个因素进行了分析，提出了基于位置约束关系的改善匹配算法，但其缺点是车型识别的算法复杂，识别速度低，实时性不好。图4基于局部特性的车辆识别流程图，康维新等[24]提出一种复合的图像匹配模型与识别办法，首先应用Harris角点对车型初分类,再应用SIFT特性进行细分类,该办法与只运用SIFT特性进行识别的办法相比,在确保识别精确性基本不变的状况下，减少约2/3的解决时间，使得实时性得到较大改善。其重要办法流程为：图5Harris特性与SIFT特性相结合进行车型识别流程总体来看，现在国内有关车型识别研究的重要办法为：（1）基于神经网络的办法：神经网络是一种模仿动物神经网络行为特性，进行分布式并行信息解决的算法数学模型。这种网络依靠系统的复杂程度，通过调节内部大量节点之间互相连接的关系，从而达成解决信息的目的。在车型识别方面，重要是运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，如神经网络与含糊技术结合、神经网络与分形技术结合等等。下列是神经网络结合其它知识的车型识别办法示例：（a）运用Canny算子检测车辆区域的边沿，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性量，然后建立含有3层构造的BP神经网络，将不变矩特性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[25]，精确率达成98.7%。（b）运用脉冲神经网络模型对运动车辆进行边沿提取的基础上提取运动目的的不变线矩特性，再用这些特性训练神经网络对车型进行识别的办法[26]。实验成果表明该模型能精确的提取运动目的的特性，达成了较高的识别率。（c）分析解决一定量的数据，提取车辆的特性值(由上顶长、下顶长、高等参数构成)，运用神经网络的自组织、自主学习等特性，构造一种适宜的神经网络，通过训练BP神经网络，达成能识别普通的车型如轿车、货车、客车的目的，并达成能辨别小、中、大、特大型四种型号车辆、构造完整的车型识别系统的目的。该办法综合了神经网络、模式识别等有关算法，对车辆的目的轮廓进行整体识别，达成了较高的识别率[27]。（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性向量。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[28]，实验成果表明，与传统BP神经网络分类办法相比较，遗传BP神经网络分类办法收敛速度快，分类效果好，含有较高的识别率（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性，从而实现数据解决。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效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）文献[29]运用小波多尺度分析边沿检测算法实现特性值的提取，BP神经网络实现车型的分类，该办法达成了满意的效果。（b）文献[30]在对车型识别去噪和边沿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办法。首先采用尺度间有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,并进行有效辨别保存真正边沿模极大值,最后进行有关恢复解决得到比较清晰的车型边沿。成果表明,该办法提高了车型边沿检测的精确性和车型识别率,含有较好的应用前景。（c）文献[31]运用小波变换含有良好的多尺度特性体现能力,以及能在空域、频域和方向上分别进行分解,并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。成果表明:基于小波变换的神经网络汽车车型识别办法,能够识别返修车,提高了车型识别。（3）运用地震动信号进行分析解决判断车型：（a）文献[32]通过外场实验获得有关轮式车、履带式车的大量地震动信号，在时-频域应用多个办法对信号进行解决，得到对应的特性矢量。运用改善的BP网络对远距离的地震动信号进行目的记别，基于小涉及小波包分解能量分布特性的识别率可达85％以上，这种特性矢量含有较好的可分性。（b）文献[33]研究了机动目的地震动特性，总结出目的的地震动信号的特性提取规律，并将神经网络办法用于目的的地震动信号的分类识别中，得到令人满意的成果。（c）地面目的地震动信号的特性提取是进行地面目的记别技术的核心,针对人员、车辆等地面目的运动时产生的地震动信号,运用SLJ-100FBA-T型三分向力平衡加速度计进行了多次测试,通过典型时域分析办法得出信号的时域特性,运用Welch法进行了频域分析,最后得到的信号时域、频域特性向量可作为目的记别的根据。总而言之，随着计算机视觉、图像分析与理解等技术的不停革新，不管应用何种模式识别办法，如何获取完整的目的车辆、提取有效的车辆特性、设计效果明显的分类器，同时考虑系统的实时性、可靠性与应用价值，都是基于图像的车型识别的研究重点与难点，也是有待进一步研究的核心技术。3车型识别流程从现有文献来看，现在基于视频图像的车型识别系统流程如图6所示，重要包含下列几个环节：车辆视频图像的获取与输入；视频图像的预解决，重要为视频图像中运动车辆的检测；车辆特性提取；车型识别技术，重要为分类决策过程。图6基于视频的车型识别流程下面将对该几个环节的所采用的重要有关技术方案进行简朴介绍3.1运动车辆的检测办法运动车辆检测是车辆识别的一种重要环节，现在最流行的几个检测办法为：（1）地感线圈车辆检测办法，它是根据电磁感应的原理，通过感应曲线的不同而辨别不同类型的车辆。优点是精确率较高，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，它运用反射回波原理来检测运动的车辆，含有体积小﹑寿命长﹑易于安装等特点。局限性之处是易受环境影响，性能随环境温度和气流影响而减少。（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办法，提取交通图像序列，通过对其进行解决来实现车辆目的的检测。它含有不破坏路面，检测范畴大，获取信息量大，安装使用灵活，维护费用低的特点，含有广阔的应用前景。现在最流行的几个基于视频图像的检测办法重要有下列几个：（a）基于背景差分的办法[34,45]背景差分法合用于背景静止保持不变、运动目的与背景的灰度差别较大的状况下，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，然后运用现在帧与背景图像直接差分检测运动区域的办法。重要过程如图7所示：图7背景差分法流程示意图这种差分法对于复杂背景下的运动物体检测效果较好，实现简朴、计算量小，并且能够完整的分割出运动目的。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、噪声和外物入侵等多个因素的影响，需要实时的更新背景。更先进的做法是在解决过程中不停更新背景图像，它的核心问题就是如何建立有效的背景模型并进行背景模型刷新，基于背景建模的办法是通过对图像中背景与运动目的区域像素点特性差别的分析，运用一定数量的训练图像获得背景区域的特性，将新获得的序列图像中对应像素点特性与背景特性进行比较，不符合背景特性的像素点即被认定为处在运动目的区域中[34]。（b）基于帧间差分的办法[35]帧间差分法是最为惯用的运动目的检测和分割的办法之一。其思想是通过相邻帧间差分，运用视频序列相邻帧间的强有关性进行变换检测，从而拟定运动目的。其重要过程如图8所示图8帧间差分法流程示意图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，图像差的成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存。此办法的特点是速度快，合用于实时性高的环境，局限性是对于噪声、光照条件的变化比较敏感，对运动目的的分割无保障。另外还存在以下的问题：如果在图像中除了包含我们感爱好的运动目的之外，还存在其它运动目的时，则这些运动目的作为背景不能消除。由于运动目的的阴影随运动目的的运动而一起运动，图像差中运动目的产生的阴影不能消除。（c）基于光流法的办法光流法是基于对光流场的估算进行检测分割的办法。所谓光流是指亮度模式引发的表观运动，是运动目的的三维速度矢量在成像平面上的投影，它表达了运动目的在图像中位置的瞬时变化。光流法检测运动目的的基本原理是给图像中的每一种象素点赋予一种速度矢量，这就形成了一种图像运动场在运动的某一种特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系能够由投影关系得到，根据各个象素点的速度矢量特性，能够对图像进行动态分析。如果图像中没有运动目的，则光流矢量在整个图像区域是持续变化的：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。普通状况下，光流由相机运动、场景中目的运动，或两者的共同运动产生。光流法首先定义了由一种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。在图像的亮度突变处和运动不持续处，该算法所依赖的假设条件并不满足，因而得到的成果误差较大。另外，噪声、多光源、阴影、透明性和遮挡性等因素会使得计算出的光流场分布不是十分可靠和精确。光流法对每一种象素计算位移矢量（持续方式），比较精确、鲁棒，给出的信息非常丰富，并可解决有全局运动的场景，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，对规定实时性的系统而言不实用。图9光流场检测示意图（d）背景差分与帧间差分结合的办法[36]鉴于背景差分法和帧间差分法的优缺点，将这两种办法结合起来，使它们优势互补，即在视频图像序列中，运用已有的背景差分法和帧间差分法作为启示，将动态图像中持续两帧差图像和背景差图像直接进行与操作，再将成果进行二值化解决得到运动成果。这样就达成了加大目的信息的权重，同时克制了静态背景的效果，得到的运动检测图像包含了更多目的的信息，不仅包含目的轮廓并且尚有目的轮廓内的目的有关点，从而将运动目的从背景图像中分离出来，最后得到视频序列图像中运动存在与否的二值化图像。结合背景差分和帧间差分办法的流程如图10所示：图10背景差分与帧间差分结合流程图3.2车型特性提取要实现车型自动识别﹑分类，需要做的第一步是探测﹑提取车型的某些特性信息。特性提取是车型识别的难点和重点，特性提取的质量，关系到识别和分类的速度和精确度。在车型识别系统中，如何使车型目的特性化是实现实时、精确车型识别的核心。图像目的记别特性的提取可采用多个办法，重要办法有傅立叶描述子、矩特性、变换域特性、边沿轮廓特性、角点特性等。（1）傅立叶描述子该办法是将经傅立叶变换后的边界选作形状描述子[37]，用较少的参数描述很复杂的边界。该办法的特点是：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。但这种办法运用的目的信息比较少，只是提取了基于目的图像边界的特性，并且它对噪声和边界形变比较敏感。（2）矩特性[40,41]重要表征了图像区域的几何特性，又称为几何矩，图像的矩是一种惯用的识别特性，涉及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。在文献[38]中通过实验证明，几何矩和中心矩对于图像的平移和缩放都含有良好的不变性;Hu的七个不变矩对于图像的平移、旋转和比例缩放都含有不变性，较好地描述了目的图像的信息。但Hu的七个不变矩，运算层次比较多，运算量比较大，并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性,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性和局部特性,更适合识别相似形状或者有噪声干扰的目的图像。Chen的不变矩仅运用区域的边界计算不变矩的改善算法，并将该算法应用在没有重叠交叉的封闭区域的边界上。（3）变换域特性基于变换域特性提取办法都能提取有效的识别特性信息，也能够有针对性地运用到不同的领域。但变换域特性的缺点就是物理意义不直观，并且由于需要变换的因素其运算量普通比较大。其中，基于K-L变换已成功地应用到了人脸识别等领域[39]。(4)轮廓特性[43,44,46]基于轮廓特性的目的记别是指用目的的轮廓作为识别特性。目的轮廓的提取通过边沿检测来实现。边沿是指图像局部亮度变化最明显的部分，边沿重要存在于目的与目的、目的与背景、区域与区域之间，是图像分割、纹理特性提取和形状特性提取等图像分析的重要基础。图11车型轮廓特性提取示意图(5)角点特性[20,24]角点是图像的一种重要的局部特性，它集中了图像上的诸多重要的形状信息。现在为止角点还没有明确的数学定义，普通的角点检测都是对有具体定义的、或者是能够具体检测出来的爱好点的检测。由于角点含有旋转不变性，几乎不受光照条件的影响，角点只包含图像中大概0.05%的像素点，在没有丢失图像数据信息的条件下，角点是最小化了要解决数据量，因此角点检测含有实用价值。现在角点检测技术能够分为两类：一类是基于图像边沿信息，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-isandStephens算法，SUSAN算法。在第一类中，图像的边沿轮廓容易使用多尺度技术来分析，因此第一类算法已实现多尺度角点提取，然而，角点对边沿线依赖较大，如果边沿线由于某种因素发生中断，则会对角点的提取成果造成影响。而第二类算法的重要缺点定位精度较差，同时还可能遗漏某些实际的角点，对噪声比较敏感，并且现在还没实现多尺度角点检测的特性。因此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含有重要的意义。图12基于灰度信息提取的不同车辆的角点示意图3.3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种核心构成部分。汽车识别涉及汽车牌照识别、汽车颜色识别、车型识别、车标记别等，现在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。车型识别运用车辆的外型特性对车型进行分类，现在国内外基于视频车型识别采用的的重要办法有：基于模板匹配的识别办法。模板匹配是模式识别中非常典型的办法，在模式识别经历的几十年发展历史中，当人们对识别的目的能够归纳出一定的模板时，就可选择模板识别。模板匹配办法用于汽车识别基于视频的车型识别技术研究时，重要的局限性是:首先模板的建立很困难；并且模板只能在图像中平行移动，在旋转或大小变化的状况下，该办法无效；图像中的待识别的汽车目的不能全部可视，即汽车边沿不持续或部分边沿不存在，则该办法无效；2、基于统计模式的识别办法。当模式特性表达为几何空间中的点时，如果特性源自于同一模式的物体，对应点的几何距离总是很靠近的。统计模式识别则是找寻几何空间中的某些区域问题，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办法大都基贝叶斯决策统计理论。在汽车识别办法中诸多都运用了统计模式识别。其中最典型的有基近来邻域法、聚类分析法、统计判决法等。但统计模式识别时规定: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办法。神经网络识别是运用“神经元(neuron)”互相连接构成的非线性动态系统所含有的人脑在自学习、自组织、联想及容错方面的较强功效，用于类别识别和决策。神经网络办法即使由大量简朴的“神经元”互相连接而成，每个神经元构造和功效都比较简朴，但是其构成系统却能够非常复杂，在自学习、自组织、联想及容错方面含有人脑的某些特性，更确切地说是人脑的初级特性；4、基于仿生模式(拓扑模式)的识别办法。仿生模式识别在于把模式识别问题当作是模式的“认识”，而不是分类划分，不是模式分类，是一类样本的“认识”。其特点在于:一类样本在特性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；对于未通过训练的任意对象，不会被对的识别；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办法[41]。支持向量机办法建立在统计学习理论的VC维理论（Vapnik-ChervonenkisDimension,是为了研究学习过程一致收敛的速度和推广型，由统计学理论定义的有关函数集学习性能的一种指标，其反映了函数集的学习能力，VC维越大则学习机器越复杂）和构造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谋求最佳折衷，以获得最佳的泛化能力。支持向量机在有限样本状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较好地解决。图13SVM进行车型分类流程示意图4课题研究的难点问题运动汽车的检测与分类识别的研究是集计算机技术、模式识别、人工智能、应用数学以及生物视觉等学科的综合应用于一体的一项艰巨的任务，是ITS中的一种热点，尽管从事该项技术研究人的诸多，但研究成果真正投入实际应用的并不多，这其中重要的因素有:（1）受人本身对对象识别过程的知识限制，对自然界的认识局限性，缺少先进的科学知识；（2）车辆种类繁多但差别不大，没有明显的区别特性；（3）受具体应用环境的影响太大，各类检测算法规定的条件太苛刻，摄像机的位置和角度规定高；（4）受视觉变化的影响大，从不同角度所摄的汽车特性差别大；（5）受自然环境影响太大，特别是光照影响，严重的光照反射使得车辆轮廓线不分明，颜色偏离、变化太大，难以识别；（6）汽车的外形更新太快，特性变化太快，使得算法适应性较差[45]；（7）汽车的管理规则变化太快，使得智能交通中的应用系统算法修改频繁。正是由于上面的一系列因素，致使车型识别未能在ITS中得到成功应用，车型识别在国内多数停留在研究状态(如中国科学院、西安公路所、上海交通大学、西安交通大学、四川大学等)，部分产品已经投入正式运行。在多个车辆自动识别、分类技术中，现在真正能够使用的还不多。因此值得我们进一步研究、探索更适应我国国情的车型自动识别办法。另外，现在尚有许多问题有待于进一步的研究和探索，重要涉及下列几个方面：(1)复杂背景多车辆的特性的同时提取。复杂背景多车辆的检测，较容易实现，但是多车辆的特性同时提取比较困难，实现多车辆特性的同时提取，对后来的分类识别、跟踪等都有很大的协助；(2)汽车遮挡状况的研究。在交通道口，因车速行驶速度相对较慢，汽车遮挡状况即使出现的比较少，但为了完善系统，增加系统的鲁棒性，这种状况下的汽车识别有待于进一步的研究；(3)运动车辆的三维建模。运动车辆是一种三维物体，因而获取运动车辆的三维信息并运用它进行识别必将是车型识别技术发展的最后目的和解决途径。随着信息获取技术手段的不停改善，这一途径必将得到应有的发展；(4)非正常天气条件下车型的识别。车型识别的有关资料显示，天气、光线等对车型识别精确性的影响很大，如何减少天气条件的影响，增加系统的自适应性，也是汽车分类识别有待解决的核心问题；(5)支持向量机还处在继续发展阶段，诸多方面还不完善，现有的算法都是采用多个支持向量机分类器进行组合，从而实现多值分类目的。但现在多分类算法不是特别抱负，文献[41]中分类的数目有限，只实现了车辆的三分类（大、中、小），而对多分类问题还需要更进一步的研究。参考文献[1]白艳红.基于视频的车型识别技术研究[硕士学位论文].兰州：兰州大学，[2]左奇.交通图像检测与解决办法研究[硕士学位论文].西安:西北工业大学，.[3]张颖新,范东启,杨迪.车型自动识别系统研究.[J].交通与运输(学术版),,12(7):46-49.[4]李娜;徐志刚.基于线阵CCD的交通信息采集和检测系统设计与实现[J].当代电子技术,,7(13):6-8.[5]RobertT.Collins,AlanJ.Lipton,HironobuFujiyoshi,andTakeoKanade.AlgorithrnsForcooperativemultisensorsurveillanee[C].InProceedingsoftheIEEE.[6]TieniuN.TanandKeithD.BakerEfficientimagegradientbasedvehiclelocalization[C].IEEETransactiononIimageProeessing,,9(8):1343-1356.[7]GeorgeFung,NelsonYung,andGranthajmPang.Vehicleshapeapproximationfrommotionforvisualtrafficsurveillance[C].InProc.IEEEConf.IntelligentTransportSystem,,608-613.[8]Ferryman,A.Worral,G.Sullivan,K.Baker,AgenericdeformablemodelforVehiclerecognition[J],ProeeedingofBritishMachineVisionConference,1995,127-136.[9]LarryDavis,V.PhilominandR.Duralswami.Trackinghumansfromamovingplatform[J].InProc.IntematlonConferenceonPattemRecognition,.[10]ZehangSun,GeorgeBehisandRonaldMiller.QuantizedWaveletFeaturesandSupportVectorMachinesforOn-RoadVehicleDetection[C].SeventhInternationalConferenceonControl,Automation,RoboticsandVision(ICARCVOI),Dec,Singapore[11]ZehangSun,GeorgeBehisandRonaldMiller.On-roadvehicledetectionusinggaborfiltersandsupportvectormachines[C].DigitalSignalProcessing,.14thInternationalConferenceonVolume2,1-3JulyPage(s):1019-1022.[12]G.Fung,N.Yung,G.Pang.Vehicleshapeapproximationfrommotionforvisualtrafficsurveillance[J].InProc.IEEEConf.IntelligentTransportSystem,,18(2):611-613.[13]G.S.Sullivan,K.D.Baker,A.D.Worrall,etal.Model-basedvehicledetectionandclassificationusingapproximations[J].InProcof7thBritishMachineVisionConference,,17(2):701-704.[14]D.R.Lim,A.T.Guntoro.CarrecognitionusingGaborfilterfeatureextraction[J].CircuitsandSystems.,6(2):453-455.[15]W.Sinatra,J.A.K.Suykens.VehicleRecognitionBasedonSupportVectorMachine[C].InternationalSymposiumonDistributedComputingandApplicationstoBusiness,EngineeringandScience,Stockholm,:179-182.[16]F.Kazemi,S.Samadi,H.Pourreza,M.Akbarzadeh.VehicleRecognitionBasedonFourier,WaveletandCurveletTransforms-aComparativeStudy[J].IJCSNSInt.Jou.OfComp.Sci.andNet.Secu,,18(2):58-60.[17]S.Rahati,R.Moravejian,E.M.Kazemi,F.M.Kazemi.VehiclerecognitionusingcontourlettransformandSVM[C].Proc.ofthe5thIEEEInt.ConferenceonInformationTechnology,Chicago,:896-898.[18]I.Zafar,Edirisinghe,E.A.,Acar,B.S.Localizedcontourletfeaturesinveh