论文部分内容阅读
2013年新交通法规的执行,加大了对车辆违法牌照的惩罚力度。目前,公安对车辆的监控执法,主要是通过车辆车牌自动识别系统来识别违法车辆的车牌,以此作为违法证据对其进行责任的追究。为了逃避处罚,驾驶者通常会采用遮挡、污损、伪造、变造机动车号牌、未悬挂车牌等手段,使现行的车辆车牌自动识别系统失效。因此针对车牌无法识别的车辆对象识别是一个难点问题,在智能交通领域中有着广泛的应用前景,同时也是计算机视觉、图像处理和模式识别等学科交叉研究的热门领域。本课题正是在这一背景下,依据经典统计模式识别及图像处理相关理论,对车辆对象识别中的特征提取和识别方法等方面做了较深入的研究,较好地解决了交通路段高清图像中车辆对象颜色识别与具体车型识别的问题,在打击车辆违章、无牌照车辆等公安稽查领域有着非常重要的意义。本课题提出了针对普遍存在的光照、噪声、尺度、形状相似、部分遮挡等情况下对车辆对象识别的技术解决方案,在目标识别研究中有一定的理论意义和实践意义。论文的主要内容与创新点总结如下:1、车型标准特征模型库的建立。车型标准特征模型库是本课题研究的基础工作,本课题分别从车型的物理特征类、结构特征类、车辆照片类三个方面建立此库,其涵盖国内85%小型车辆的详细信息,为车辆分类与识别提供准确依据。2、车辆对象检测与车辆颜色识别。通过平均背景建模,背景差分算法提出了基于直方图动态阈值阴影去除的对象定位,可以有效的防止阴影等外界环境对车辆对象定位带来的影响;针对传统基于颜色空间的车辆颜色识别,研究光照不均下的亮度调整,改进后的算法能有效消除光照环境对识别颜色的干扰,提高了在光照变化时车辆颜色识别的准确率。3、融合多特征的车型分类识别技术研究。首先运用改进的Adaboost方法进行车脸定位,提取SIFT、SURF不变性特征,提出改进的特征匹配策略,并结合车脸区域分割的车标与车灯不变矩特征、散热器隔栏纹理等多特征,根据车型标准特征模型库的数据,提出了多特征融合的自适应分步车型分类识别算法。统计结果表明多特征的融合能够提高车型的识别率。