車型識別研究綜述

基于視頻圖像解決的車型識別研究文獻綜述1、車型識別技術(shù)研究背景與意義隨著中國特色社會主義當(dāng)代化建設(shè)和都市化建設(shè)的快速發(fā)展，越來越多的家庭以及公司擁有機動車，有些家庭甚至擁有多輛機動車。據(jù)中國公安部統(tǒng)計，截至6月底，中國機動車保有量達2.33億輛，其中汽車1.14億輛，摩托車1.03億輛。另據(jù)中國社科院公布的《中國汽車社會發(fā)展報告-》預(yù)計，中國私人汽車擁有量將破億，中國汽車大國的地位得到進一步確實立。然而，汽車普及率的提高造成了都市交通擁擠堵塞日益加劇，交通事故頻繁發(fā)生，交通環(huán)境逐步惡化。與此同時，隨著車輛的增多，車輛失竊，肇事逃逸，以及運用車輛進行違法犯罪活動等事件也日益增多，從而對公安部門的警力資源提出了嚴峻的規(guī)定。為從根本上解決上述的問題，人們開始運用多個新技術(shù)，并結(jié)合運用現(xiàn)有的交通資源設(shè)施，將人、車、路緊密聯(lián)系起來，不僅有效地緩和了交通阻塞問題，并且對交通事故的應(yīng)急解決、環(huán)境的保護、能源的節(jié)省都有了明顯的效果。智能交通系統(tǒng)正是在此背景下應(yīng)運而生。智能交通系統(tǒng)（IntelligentTransportationSystem,ITS）是一種廣泛包含多個技術(shù)的統(tǒng)稱，指的是人們將先進的信息技術(shù)、數(shù)據(jù)通信傳輸技術(shù)、電子控制技術(shù)、傳感器技術(shù)以及計算機解決技術(shù)等有效地綜合運用于整個交通體系，從而建立起的一種在大范疇內(nèi)、全方位發(fā)揮作用的實時、精確、高效的交通綜合管理系統(tǒng)[1]。智能交通系統(tǒng)是現(xiàn)在世界各國交通領(lǐng)域競相研究和開發(fā)的前沿研究課題和熱點?，F(xiàn)在智能交通系統(tǒng)在世界上應(yīng)用最為廣泛的地區(qū)是日本（VICS系統(tǒng)），另一方面是美國、歐洲等國家和地區(qū)也得到普遍應(yīng)用。中國在這方面也開始了快速的發(fā)展，在北京、上海、廣東等地也開始了廣泛的應(yīng)用。智能交通系統(tǒng)的核心功效是對過往車輛的精確檢測和對的的車型識別。現(xiàn)在對車輛檢測技術(shù)的研究重要有兩個技術(shù)流派，分別為車輛自動識別（AutoVehicleIdentification）和車輛自動分類（AutoVehicleClassification）。前者是運用車載設(shè)備與地面基站設(shè)備互識進行，該技術(shù)重要用于收費系統(tǒng)中，在發(fā)達國家使用范疇較廣，如美國的AE-PASS系統(tǒng)、日本的ETC系統(tǒng)，全球衛(wèi)星GPS定位等。后者是通過檢測車輛本身固有的參數(shù)，在一定車輛分類原則下運用適宜的分類識別算法，主動地對車輛進行分型，這一類技術(shù)應(yīng)用比較廣泛，己經(jīng)有諸多成熟的系統(tǒng)應(yīng)用在實際生活中，該類技術(shù)能夠通過射頻微波、紅光、激光、聲表面波等方式來自動識別車輛信息，也能夠使用視頻圖像解決的方式來識別車牌、車型等車輛信息。比較成熟技術(shù)有環(huán)形線圈檢測、激為紅外線檢測、超聲波/微波檢測、地磁檢測等[2]，但這幾個辦法各有優(yōu)劣，優(yōu)點是識別精確比較高，但缺點也很明顯，重要缺點有施工和安裝過程十分復(fù)雜，影響正常交通秩序，維護困難，重要設(shè)備易損壞，耗費較大等。近年來隨著計算機多媒體技術(shù)和圖像解決技術(shù)的發(fā)展，基于視頻的車輛自動分類識別技術(shù)在當(dāng)代交通控制系統(tǒng)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(shù)能夠適應(yīng)動態(tài)交通狀況的變化，通過實時采集大量的交通流量數(shù)據(jù)并將其傳輸?shù)浇煌ü芾碇行?，中心通過系統(tǒng)提供的數(shù)據(jù)能夠快速做出控制決策，解決交通擁堵等問題。同時，運用該技術(shù)能夠分析道路的車流量信息，有助于公路網(wǎng)的總體規(guī)劃及道路建設(shè)。但上述功效的實現(xiàn)依賴于交通數(shù)據(jù)的采集和解決，傳統(tǒng)的數(shù)據(jù)采集器辦法，不能大范疇覆蓋檢測區(qū)域，缺少靈活性且功效單一。因此，隨著現(xiàn)在交通系統(tǒng)中視頻設(shè)備的大量引入，越來越多地采用視頻檢測辦法作為交通數(shù)據(jù)采集的手段，為智能交通系統(tǒng)提供所需的路面運動車輛信息。由于我國對道路監(jiān)控的日益重視，視頻檢測技術(shù)己成為智能交通領(lǐng)域最重要的信息采集手段，綜合評比，將視頻檢測技術(shù)應(yīng)用于高速公路和都市道路含有很大的可行性，基于視頻車型識別系統(tǒng)，將全方面提高公路和信息采集和安全管理的水平，在智能交通系統(tǒng)中一定會發(fā)揮越來越重要的作用?；谝曨l的車型識別系統(tǒng)是運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(qū)域的視頻圖像解決分析，完畢車輛檢測和車輛分類識別。該技術(shù)綠色、環(huán)保，使用簡潔，維護方便，只需在路面上方架設(shè)一部或幾部攝像機，或運用交通部門現(xiàn)有的電視監(jiān)控設(shè)備，將路面實時視頻圖像輸入系統(tǒng)中，能夠立刻進行分析，提取出需要的交通流信息。因此，與其它技術(shù)相比，視頻檢測技術(shù)的優(yōu)越性體現(xiàn)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）能夠檢測更大范疇內(nèi)的交通流信息，從而減少設(shè)備數(shù)量，節(jié)省資金；（3）能夠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(jiān)察；（4）對于某些應(yīng)用，例如交通量調(diào)查等，能夠把視頻圖像采集存儲后，離線進行分析解決；（5）當(dāng)環(huán)境發(fā)生變化，或系統(tǒng)移動到他處使用時，只需簡樸設(shè)立，系統(tǒng)即可重新投入使用。（6）能夠綜合提供交通數(shù)據(jù)信息和視頻圖像，便于對現(xiàn)場的全方面、直觀檢測。能夠提供流量、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(shù)據(jù)監(jiān)控信息;并且借助視頻圖像的參考，能夠極大的提高監(jiān)控質(zhì)量?？偠灾?，開展基于視頻圖像的車型識別研究意義重大，其研究成果不僅含有廣闊的應(yīng)用前景，并且對于解決擁堵的交通環(huán)境、規(guī)劃都市交通系統(tǒng)和盡快發(fā)展我國的智能交通系統(tǒng)等含有重要的戰(zhàn)略意義。2、國內(nèi)外研究現(xiàn)狀2.1車型識別技術(shù)的研究現(xiàn)狀現(xiàn)在已有的車型識別分類辦法重要是以電子標簽、感應(yīng)線圈、壓力傳感、CCD（ChargeCoupledDevice，電荷耦合器件）攝錄機以及多個光波為手段的車型識別法[3]等。（1）射頻識別法:現(xiàn)在該辦法多被應(yīng)用于國外車輛收費系統(tǒng)ETC中，現(xiàn)在我國的部分省市道路收費站也開始應(yīng)用該系統(tǒng)。這類辦法涉及下列幾個單元：在機動車上用于裝置的發(fā)射器或lC卡、運用天線進行接受的接受器以及用來控制與解決信號的計算機。當(dāng)該辦法工作時，裝置于車輛上的發(fā)射器用于發(fā)送含有代表通過車輛的特性代碼，帶有天線的接受器解決接受，計算終端運用互聯(lián)網(wǎng)環(huán)境收集解決車輛信息，最后運用該辦法整個體系中目的車輛的綜合信息與車輛擁有者進行清算[17]。但是由于需要設(shè)立另外的監(jiān)控裝置以避免車輛擁有者更換標簽，同時這種辦法需要裝置的發(fā)射器，這些都增加了該辦法的資本投入，因此這種辦法在我國應(yīng)用不多。（2）環(huán)形感應(yīng)線圈識別法：環(huán)形感應(yīng)線圈識別法屬于觸碰式被迫檢測分類技術(shù)，該辦法運用埋入裝置在道面下的電磁線圈，對通過線圈的機動車所含有的特性頻率進行擴大，由于構(gòu)成不同機動車的金屬材質(zhì)是不同的，其引發(fā)的電磁感應(yīng)變化也都不一眼，因此該辦法就是根據(jù)感應(yīng)數(shù)據(jù)的不同對不同的機動車進行分類。即使該辦法的資金投入量不多，魯棒性好以及受環(huán)境干擾較小，但是在具體應(yīng)用時，多數(shù)道面下的線圈由于多個外界因素而被破壞，因此修護需要投入的資源較多。（3）壓力傳感器識別法:壓力傳感器識別法屬于觸碰式被迫檢測分類技術(shù)，按照運用的測試裝置該辦法可分為應(yīng)變測試器、壓力測試器和電容器測試器，當(dāng)機動車通過埋設(shè)在道面下的測試器時，測試器接受壓力會形成微小變化，該辦法運用這變化而產(chǎn)生的返回信號分別得到目的機動車的整體重量、平均速度、軸間距等重要的數(shù)據(jù)，從而完畢對不同類型機動車的分類[22][23]。壓力傳感器識別法識別速度高并且識別成果頁較好，但其設(shè)施安置過程技術(shù)性較強，多個外界因素也會在很大程度上干擾該辦法的分類精度。（4）激光識別法：激光識別技術(shù)屬于非觸碰式自動檢測分類技術(shù)，該辦法運用安裝于機動車上或信息收集站的激光發(fā)射器，收集不同類型機動車產(chǎn)生的不同光波感應(yīng)，從而運用測量光波感應(yīng)成果得到機動車的非二維外形，從而完畢對不同類型機動車的分類[25]。即使該辦法已被應(yīng)用在某些發(fā)達國家的高速公路收費站[26]，但這種辦法中的激光設(shè)備之間不僅容易產(chǎn)生光波誤差，識別率不高，并且設(shè)施資金投入量較大，同時光波頻射污染也是值得考慮的投入因素。（5）雷達識別法：雷達識別法屬于非觸碰式自動檢測分類技術(shù)，該辦法運用安裝于機動車上或信息收集站的雷達測試器發(fā)射雷達信號，同時目的車輛反饋回雷達信號，系統(tǒng)測試器運用多普勒原理，檢測出運動中機動車的頻率移動，產(chǎn)生感應(yīng)反饋信息，從而運用不同類型的機動車得到的感應(yīng)反饋信息不同，該辦法完畢對不同類型機動車的分類[28][29]。雷達識別法之因此被應(yīng)用較少的重要因素是由于多普勒效應(yīng)的局限性，當(dāng)機動車群停住運動或運動速度較慢時，該系統(tǒng)都將會停止工作。（6）紅外線識別法：紅外線識別法可基本分為自動式和被迫式[31]。當(dāng)有機動車通過檢測區(qū)域時，被迫式測試器檢測到機動車含有的熱輻射能量，并運用中樞系統(tǒng)向控制解決中心發(fā)送車輛信息，從而完畢車型分類。自動式測試器自動發(fā)射紅外光波，不同的機動車型將紅外光波反饋會測試器，系統(tǒng)從而運用不同的反饋信息來識別不同類型的機動車型[32]。紅外線識別法即使識別速度快、識別效率較高且其設(shè)施后續(xù)修護投入不高，但該辦法魯棒性差，多個外界因素容易使識別對的率大大減少。（7）CCD視頻識別法：基于CCD視頻圖像的車型識別技術(shù)屬于非觸碰式被迫檢測分類技術(shù)，視頻攝錄機將通過目的區(qū)域的目的車輛攝錄入數(shù)據(jù)庫，并運用多個數(shù)字圖像解決技術(shù)[34]對于提取的目的圖像進行分析、解決與理解，同時也完畢了對目的圖像中不同類型機動車的分析與理解，并使識別系統(tǒng)獲得目的機動車型的多個車型內(nèi)容，從而完畢對不同類型機動車的分類，該辦法含有以下特點[4]：1、由于直接對CCD攝錄設(shè)備得到目的圖像進行分析，不需要在目的公路區(qū)域安裝另外的感應(yīng)設(shè)備，減少了系統(tǒng)的資本投入量，并且CCD攝錄機不需要技術(shù)性的拆裝過程，后續(xù)的修護資本投入極少；2、CCD攝錄設(shè)備實時有效的收集攝錄了目的公路區(qū)域的機動車圖像，圖像內(nèi)容包含的機動車信息完整、豐富，最大程度的運用了安裝設(shè)施的效用；3、可提供公路現(xiàn)場信息的視頻圖像錄像，重現(xiàn)現(xiàn)場的環(huán)境與內(nèi)容，為有關(guān)部門研究現(xiàn)場因素與行為、提高路網(wǎng)系統(tǒng)的管理效率提供了充足的條件；4、不同的CCD視頻攝像機之間不會產(chǎn)生干擾，并且設(shè)備對自然外界也不會產(chǎn)生影響，含有環(huán)保的特點。上述特點使基于CCD視頻圖像的車型識別辦法已然成為車型分類技術(shù)的重要發(fā)展方向，并已引發(fā)了各國專家的進一步研究，該辦法的研發(fā)困難之處在于車型分類系統(tǒng)對于高速運動的機動車識別的可行性規(guī)定高，在內(nèi)容豐富的視頻圖像中對車型進行分類的有效性與否能夠達成路網(wǎng)信息解決的指標，但隨著計算機視覺、圖像分析與理解等技術(shù)的不停革新，基于視頻的車型識別核心技術(shù)也在不停的進步，其識別分類的實時性與有效性正被逐步的改善，因此，這一技術(shù)必然會在ITS中獲得全方面的發(fā)展與應(yīng)用，并會成為車型分類技術(shù)的主流趨勢。2.2基于視頻圖像解決的車型識別研究現(xiàn)狀車型識別技術(shù)是道路交通視頻監(jiān)控系統(tǒng)的一種重要研究領(lǐng)域,是智能交通管理系統(tǒng)的一種重要應(yīng)用基礎(chǔ)。它以計算機視覺、數(shù)字信號解決、模式識別等技術(shù)為基礎(chǔ),通過視頻監(jiān)控或高速拍照等方式取樣,以工控機或嵌入式解決器為解決平臺,完畢對小汽車、載貨車、載客車等車型的分類和識別。其識別的成果信息能夠全方面應(yīng)用于道路交通視頻監(jiān)控系統(tǒng),如車流檢測與統(tǒng)計、超速檢測與處分、移動車輛稽查等,也能夠用于不停車收費系統(tǒng)。該技術(shù)可有效配合智能交通信息管理中心完畢規(guī)劃路網(wǎng)、管理通流、高效收費等智能化應(yīng)用,可最后有效改善道路擁堵,提高路網(wǎng)通流效率,優(yōu)化交通運輸環(huán)境。車型識別根據(jù)研究人員各自研究的不同應(yīng)用目的,出現(xiàn)了多個不同的解決方案,普通有下列幾個研究方向:（1）判斷車的類型,即身份識別?！吧矸葑R別”方式需要識別出車輛屬于已知模式類中的哪一類,常有的模式類有:（a）規(guī)格模式類,以一定原則判斷目的車輛規(guī)格。如工程用車、大型車、中型車、公共汽車、小汽車等,有關(guān)這類模式的研究重要應(yīng)用在公路收費、車流分析等需求中。（b）系列模式類,按車標辨別車輛廠家系列。如大眾、別克、東風(fēng)、三菱等,重要應(yīng)用于市場統(tǒng)計、交通管理、公安稽查等。（c）品牌模式類,按車系固有品牌特性來辨別具體車輛品牌。如桑塔納、馬自達、別克君威等,用于更高級的公安稽查系統(tǒng)、市場統(tǒng)計等場合。（2）判斷車輛對象與否屬于某己知庫,即身份鑒定?！吧矸蓁b定”方式普通運用圖片解決技術(shù)即可實現(xiàn)大多數(shù)該類型應(yīng)用,如比較兩張車輛圖片與否屬于同一輛車,查找車輛圖片庫中與已知車輛相似者等,普通應(yīng)用于公安稽查、圖像檢索、出入管理等場合。車型識別技術(shù)的諸多研究領(lǐng)域和應(yīng)用場合中,識別對象來源重要有兩種:（1）物理測量通過物理手段,如聲音捕獲裝貿(mào)、金屬傳感器、衡器等獲得車輛的多個物理參數(shù)(聲音、重量、寬度、高度等),運用這些車輛的畫有特性進行分類以達成車型識別的目的。優(yōu)點:物理測量信息可靠性強,由于車輛載重、車高等物理參數(shù)與車輛規(guī)格親密有關(guān),因此通過物理測量到的信息和簡潔的算法即能夠辨別車輛類型。缺點:施工復(fù)雜,路面輔助設(shè)施的添設(shè)也同時提高了系統(tǒng)的不穩(wěn)定性,并且這種方式只能判斷車輛大小規(guī)格,無法進一步獲取更多信息。（2）圖像解決靜態(tài)圖片分析是通過對單一拍攝的含有車輛的圖片進行解決,并與離線獲取的圖片庫進行比對,實現(xiàn)車型識別。在實時條件下的圖片分析即為視頻解決,通過攝像頭采集車輛動態(tài)視頻圖像,來分析現(xiàn)場環(huán)境、獲取光照立體信息、自學(xué)習(xí)背景提取運動車輛,從而進一步識別車輛類型。優(yōu)點:設(shè)備架設(shè)簡樸環(huán)保,嵌入式視頻解決方案即能夠滿足大多數(shù)場合,并且采集信息的可挖掘性強,能充足抽取車輛圖像中的信息,以完畢更多高級分類識別應(yīng)用。缺點:可靠性有待提高,圖像傳感器受光照、天氣等自然因素影響較大,適宜的拍攝角度不易選擇,且算法難度較大,難以滿足實時應(yīng)用需求。這是這一技術(shù)遲遲未大量應(yīng)用于實際系統(tǒng)中的因素。在基于圖像(視頻)解決的車型識別研究中,不少研究人員提出了有針對性的思路:（1）根據(jù)車牌顏色進行分類和識別根據(jù)我國車牌發(fā)放原則規(guī)定,大型車輛發(fā)放黃底黑字車牌,普通小型車輛發(fā)放藍底白字車牌,涉外車輛發(fā)放黑底白字車牌,軍警及武警車輛發(fā)放白底黑字車牌,軍車前中文為紅色。由此,通過對車牌顏色的判斷即能夠初步識別出車型,簡樸易行,識別成果能夠應(yīng)用于公路收費系統(tǒng)。但這種辦法與我國車牌發(fā)放規(guī)定有關(guān),若有關(guān)規(guī)定更改,則系統(tǒng)將不再合用,通用性不強。因此這種“關(guān)聯(lián)判斷”式的識別辦法無法大規(guī)模使用。（2）通過車標進行識別定位并分離出車標區(qū)域,與已有的模板進行比對,即能夠識別出車輛品牌。由于車標模板獲取較容易,因此這種辦法實現(xiàn)不困難,能夠應(yīng)用于市場調(diào)查等應(yīng)用場合。但該辦法依賴于淸晰的照片,或車標拍攝完整的照片,實際應(yīng)用場合本輛遮擋或移物掩蓋造成無法獲得完整車標,山此限制了應(yīng)用環(huán)境。（3）根據(jù)車輛輪廓信息進行識別以圖像預(yù)解決技術(shù)和圖像分割技術(shù)為基礎(chǔ)完畢車輛與環(huán)境的分離,以邊沿檢測技術(shù)和濾波算法為核心抽取出車輛的輪廓,計算其幾何特性如頂長比、頂寬比、前后比、面積等作為車輛分類特性元素,最后以此為根據(jù)進行含糊鑒別完畢車型分類和識別。這類方案算法簡潔、效率較高,但實際應(yīng)用時拍攝角度、光照陰影、車輛遮擋等因素將影響車輛輪廓提取,對算法性能產(chǎn)生重大影響。（4）以車輛紋理信息為核心進行識別通過背景建模技術(shù)學(xué)習(xí)現(xiàn)場環(huán)境,使用圖像分割技術(shù)分離出車輛區(qū)域作為感愛好區(qū),通過特性抽取辦法提取該區(qū)域紋理特性,并統(tǒng)計大量樣本特性訓(xùn)練生成分類器,使用分類器對未知目的紋理特性進行識別。該辦法從理論上來說能夠?qū)囕v進行精確分類,能夠較為細致地鑒別出具體車型。但特性選擇困難,對圖像質(zhì)量規(guī)定較高,并且模板庫數(shù)據(jù)量大,算法也非常復(fù)雜,實時性能較弱。2.2.1國外的研究現(xiàn)狀國外專家較早地對基于圖像的車型識別技術(shù)開展了較為進一步的研究。上世紀70年代初，德國西門子公司開始研究自動車輛識別，但由于受當(dāng)時的整體技術(shù)、工藝水平的限制，未能獲得滿意的效果。Collins等[5]創(chuàng)立了一種路上移動目的的檢測、跟蹤、識別系統(tǒng)，用訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)來識別運動目的是人、人群、車輛還是干擾，網(wǎng)絡(luò)的輸入特性量有目的的分散性度量、目的大小目的表面大小與攝影機監(jiān)視區(qū)域大小的相對值。車輛又進一步辨別為不同類型和顏色。Tan和Baker[6]描述了一種車輛定位和識別(小型公共汽車、轎車、卡車等)的辦法，在一種小窗口內(nèi)，該辦法根據(jù)圖像梯度進行。運用地面約束以及大部分車輛外形受兩條直線約束的事實，可得到車輛的姿態(tài)。Fung等[7]用高精度攝像機觀察車輛的運動來預(yù)計車輛形狀，通過預(yù)計特性點(車體拐角處)得到車輛輪廓?；舅枷胧歉咛匦渣c的移動速度不小于低特性點的移動速度，由于高特性點離攝像機近，車輛輪廓可用與車輛識別。加州大學(xué)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辦法，并采用圖像幀差技術(shù)進行運動分割，背景圖像用Kallman濾波進行更新。G.LForesti等開發(fā)了一種車輛跟蹤系統(tǒng)，其中涉及一種多級識別模塊實現(xiàn)車輛識別。J.Ferryman等[8]建立了一種參數(shù)化的可變形三維模板，該模板通過演變，可合用于多個車輛。G.D.Sulhvan等[]采用三個一維模板檢測與否有某類型車輛，當(dāng)檢測存在時，再用該類型車輛對應(yīng)的二維模板進行跟蹤，即車輛識別的驗證過程，該辦法采用了多模板的思想，有一定的創(chuàng)新作用。Jolly等[9]用變形模板來研究車輛識別，首先，建立目的車輛車頭部分的側(cè)視圖以及正視圖的變形模板。通過直方圖交集，車輛的RGB直方圖也必須比較，適宜的車型模板邊的點集也通過點集間的Hausdorff距離與其它車輛模板進行比較。內(nèi)華達大學(xué)的SunZehang等[10]使用Gabor濾波和支持向量機的辦法完畢車輛檢測。Gabor濾波提供了獲得灰度不變性特性的維數(shù)，能夠合用于光照變化和尺度變化的條件下，車輛含有較強的邊沿和水平線信息，它們含有方向性和尺度。Gabor濾波能夠?qū)@些特性有更強的魯棒性。在車輛檢測階段運用SVM進行驗證。同時也使用進化Gabor濾波優(yōu)化來完畢特性抽取。另外，SunZehang還使用量化Haar小波特性和支持向量機的特性選擇和分類的車輛檢測辦法。文中指出，小波特性由于其壓縮性表達而非常適合車輛檢測。它編碼邊沿信息，產(chǎn)生多比例信息并能夠被有效計算。另外，通過對于小波系數(shù)的量化來實現(xiàn)重要信息的編碼。車輛檢測系統(tǒng)的訓(xùn)練和測試的數(shù)據(jù)集是采自于Michigan的Dearbom的32×32圖像數(shù)據(jù)集。Wisconsin大學(xué)的RanBin等人[11]提出的基于視覺的檢測算法通過計算車輛運動參數(shù)，跟蹤多個車輛目的。該系統(tǒng)重要由四個模塊構(gòu)成:對象檢測模塊，對象識別模塊，對象信息模塊，對象跟蹤模塊。為了檢測路上潛在的對象，涉及對稱性形狀，車輛縱橫比等特性在這一過程中被使用。兩層的神經(jīng)元網(wǎng)絡(luò)用以訓(xùn)練識別不同車型。上世紀80年代后期，隨著當(dāng)代技術(shù)的發(fā)展，一系列核心技術(shù)如低功耗解決器、高性電池和微波集成電路等的突破，使自動車輛識別技術(shù)獲得了突破性的進展，為交通管理自動化開辟了一種新紀元。近些年來，也有許多國外專家和學(xué)者相繼提出了某些新的研究成果。G.Fung等人[12]用品有較大分辨率的攝錄機來獲得機動車的移動形態(tài)，并運用移動中出現(xiàn)的多個角點，預(yù)計出機動車的具體形態(tài)，得到形象的車型信息，最后運用得到的車型信息來進行車型識別，其缺點是對攝錄機的精度規(guī)定過高，并且容易遺漏車型輪廓信息，不利于實際應(yīng)用。G.S.sullivan等人[13]首先運用3個一維模型來擬定機動車的出現(xiàn)位置，然后運用1個二維模型對機動車進行跟蹤，并運用模型跟蹤中與目的車型對應(yīng)的二維信息對機動車型進行分類,即使該辦法開創(chuàng)性的運用了不同量與不同維的模型思想，但局限性之處就是模板的數(shù)據(jù)存儲量大，不利于達成實時性的指標。D.R.Lim等[14]運用Gabor濾波器對機動車視頻圖像進行了均勻濾波，運用Gabor輪廓特性進行匹配識別車型，即使減少了Gabor數(shù)據(jù)量，提高了實時性，但同時也減少了車型識別的精確率。W.Sinatra等[15]運用了PCA辦法和加權(quán)LDA辦法對機動車視頻圖像進行特性解決，PCA和LDA辦法把圖像高維空間變換到低維空間中，然后該文獻運用復(fù)PCA辦法將這些數(shù)據(jù)解決為統(tǒng)一的車型特性，并在最后運用支持向量機對車型進行識別，達成了較高的車型識別精度，但實時性較差，不適宜在實際中應(yīng)用。Kazemi等人[16]運用快速傅里葉變換、離散Curvelet變換以及離散小波變換提取車型特性。Rahti等人[17]在上述基礎(chǔ)上運用Contourlet變換替代離散Curvelet變換來提取特性，而，Zafar等人[18]通過提取不同子帶的特性來提高識別率，在，Iqbal等人[19]結(jié)合Sobel與Sift算法對車型提取特性，但提取的用于識別的車型特性維數(shù)較高，車型分類的對的率低，并且識別的車型種類少。2.2.2國內(nèi)研究現(xiàn)狀國內(nèi)專家對基于視頻圖像的車型識別技術(shù)的研究處在初級階段，研究重點重要在如何提取有效的車型特性。年，周愛軍，杜宇人[20]首先運用邊沿檢測算法盡量提取車輛的完整邊沿信息，然后運用Harris角點檢測辦法得到車型的角點信息，其局限性之處是由于噪聲和陰影的緣故，造成得到的車型邊沿信息不全方面、邊沿位置錯位或產(chǎn)生變化，從而出現(xiàn)車型特性失效，減少車型識別精確率。圖1基于視頻圖像Harris角點檢測的車輛識別流程年，秦克勝等人[21]首先運用圖像局部匹配辦法定位出目的車輛在圖像中的位置，該辦法重要應(yīng)用于圖像只涉及車輛側(cè)面的狀況，在這種狀況下，車身可近似為梯形，車輪近似為圓形，通過Hough變換算法將梯形和兩個圓形檢測出來，并將這三個特性和車輛位置關(guān)系與整幅圖像匹配識別，其局限性之處是受多個外界環(huán)境的干擾較大，存在提取特性不唯一或不完整狀況，車型識別率低。圖2基于圖像解決的車型識別技術(shù)研究流程圖年，馬蓓，張樂等人[22]提取目的車輛的紋理特性，同時計算灰度紋理特性在空間位置上的互有關(guān)系，以及相似位置上成對像素的灰度有關(guān)性，將這些數(shù)據(jù)作為車型的特性量，其明顯缺點是當(dāng)圖像分辨率發(fā)生變化時，計算得到的紋理特性會產(chǎn)生較大誤差，從而減少識別率，并且實時性較差。圖3基于紋理特性的汽車車型識別流程圖年，黃燦[23]運用品有130維的Sift局部特性算子檢測目的車輛圖像在尺度空間的特性點，并精擬定位每個特性點的主方向，最后生成Sift描述特性子，并通過對影響Sift特性識別的多個因素進行了分析，提出了基于位置約束關(guān)系的改善匹配算法，但其缺點是車型識別的算法復(fù)雜，識別速度低，實時性不好。圖4基于局部特性的車輛識別流程圖，康維新等[24]提出一種復(fù)合的圖像匹配模型與識別辦法，首先應(yīng)用Harris角點對車型初分類,再應(yīng)用SIFT特性進行細分類,該辦法與只運用SIFT特性進行識別的辦法相比,在確保識別精確性基本不變的狀況下，減少約2/3的解決時間，使得實時性得到較大改善。其重要辦法流程為：圖5Harris特性與SIFT特性相結(jié)合進行車型識別流程總體來看，現(xiàn)在國內(nèi)有關(guān)車型識別研究的重要辦法為：（1）基于神經(jīng)網(wǎng)絡(luò)的辦法：神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特性，進行分布式并行信息解決的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)節(jié)內(nèi)部大量節(jié)點之間互相連接的關(guān)系，從而達成解決信息的目的。在車型識別方面，重要是運用神經(jīng)網(wǎng)絡(luò)進行車型識別，也可采用神經(jīng)網(wǎng)絡(luò)與其它技術(shù)結(jié)合，如神經(jīng)網(wǎng)絡(luò)與含糊技術(shù)結(jié)合、神經(jīng)網(wǎng)絡(luò)與分形技術(shù)結(jié)合等等。下列是神經(jīng)網(wǎng)絡(luò)結(jié)合其它知識的車型識別辦法示例：（a）運用Canny算子檢測車輛區(qū)域的邊沿，提取車輛輪廓，直接計算車輛輪廓的矩不變量，將其作為車型分類的特性量，然后建立含有3層構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)，將不變矩特性量作為神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出實現(xiàn)車型的分類[25]，精確率達成98.7%。（b）運用脈沖神經(jīng)網(wǎng)絡(luò)模型對運動車輛進行邊沿提取的基礎(chǔ)上提取運動目的的不變線矩特性，再用這些特性訓(xùn)練神經(jīng)網(wǎng)絡(luò)對車型進行識別的辦法[26]。實驗成果表明該模型能精確的提取運動目的的特性，達成了較高的識別率。（c）分析解決一定量的數(shù)據(jù)，提取車輛的特性值(由上頂長、下頂長、高等參數(shù)構(gòu)成)，運用神經(jīng)網(wǎng)絡(luò)的自組織、自主學(xué)習(xí)等特性，構(gòu)造一種適宜的神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，達成能識別普通的車型如轎車、貨車、客車的目的，并達成能辨別小、中、大、特大型四種型號車輛、構(gòu)造完整的車型識別系統(tǒng)的目的。該辦法綜合了神經(jīng)網(wǎng)絡(luò)、模式識別等有關(guān)算法，對車輛的目的輪廓進行整體識別，達成了較高的識別率[27]。（d）對信號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(gòu)造特性向量。接著建立遺傳神經(jīng)網(wǎng)絡(luò)模型，并分別采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和遺傳BP神經(jīng)網(wǎng)絡(luò)對樣本進行訓(xùn)練和識別[28]，實驗成果表明，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)分類辦法相比較，遺傳BP神經(jīng)網(wǎng)絡(luò)分類辦法收斂速度快，分類效果好，含有較高的識別率（2）基于小波變換的車型識別：小波變換是以某些特殊函數(shù)為基將數(shù)據(jù)過程或數(shù)據(jù)系列變換為級數(shù)系列以發(fā)現(xiàn)它的類似頻譜的特性，從而實現(xiàn)數(shù)據(jù)解決。小波變換是空間(時間)和頻率的局部變換，因而能有效地從信號中提取信息。通過伸縮和平移等運算功效可對函數(shù)或信號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）文獻[29]運用小波多尺度分析邊沿檢測算法實現(xiàn)特性值的提取，BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)車型的分類，該辦法達成了滿意的效果。（b）文獻[30]在對車型識別去噪和邊沿檢測進行分析的基礎(chǔ)上,提出了一種基于反對稱小波的檢測辦法。首先采用尺度間有關(guān)性和尺度內(nèi)相位法進行有效去噪,然后檢測變換模極大值,并進行有效辨別保存真正邊沿模極大值,最后進行有關(guān)恢復(fù)解決得到比較清晰的車型邊沿。成果表明,該辦法提高了車型邊沿檢測的精確性和車型識別率,含有較好的應(yīng)用前景。（c）文獻[31]運用小波變換含有良好的多尺度特性體現(xiàn)能力,以及能在空域、頻域和方向上分別進行分解,并且能夠去除冗余信息和噪聲等優(yōu)點對汽車圖像進行分解。然后把分解后的圖像作為多層前饋神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點,對自動噴漆線上的汽車車型進行識別。成果表明:基于小波變換的神經(jīng)網(wǎng)絡(luò)汽車車型識別辦法,能夠識別返修車,提高了車型識別。（3）運用地震動信號進行分析解決判斷車型：（a）文獻[32]通過外場實驗獲得有關(guān)輪式車、履帶式車的大量地震動信號，在時-頻域應(yīng)用多個辦法對信號進行解決，得到對應(yīng)的特性矢量。運用改善的BP網(wǎng)絡(luò)對遠距離的地震動信號進行目的記別，基于小涉及小波包分解能量分布特性的識別率可達85％以上，這種特性矢量含有較好的可分性。（b）文獻[33]研究了機動目的地震動特性，總結(jié)出目的的地震動信號的特性提取規(guī)律，并將神經(jīng)網(wǎng)絡(luò)辦法用于目的的地震動信號的分類識別中，得到令人滿意的成果。（c）地面目的地震動信號的特性提取是進行地面目的記別技術(shù)的核心,針對人員、車輛等地面目的運動時產(chǎn)生的地震動信號,運用SLJ-100FBA-T型三分向力平衡加速度計進行了多次測試,通過典型時域分析辦法得出信號的時域特性,運用Welch法進行了頻域分析,最后得到的信號時域、頻域特性向量可作為目的記別的根據(jù)?？偠灾?，隨著計算機視覺、圖像分析與理解等技術(shù)的不停革新，不管應(yīng)用何種模式識別辦法，如何獲取完整的目的車輛、提取有效的車輛特性、設(shè)計效果明顯的分類器，同時考慮系統(tǒng)的實時性、可靠性與應(yīng)用價值，都是基于圖像的車型識別的研究重點與難點，也是有待進一步研究的核心技術(shù)。3車型識別流程從現(xiàn)有文獻來看，現(xiàn)在基于視頻圖像的車型識別系統(tǒng)流程如圖6所示，重要包含下列幾個環(huán)節(jié)：車輛視頻圖像的獲取與輸入；視頻圖像的預(yù)解決，重要為視頻圖像中運動車輛的檢測；車輛特性提?。卉囆妥R別技術(shù)，重要為分類決策過程。圖6基于視頻的車型識別流程下面將對該幾個環(huán)節(jié)的所采用的重要有關(guān)技術(shù)方案進行簡樸介紹3.1運動車輛的檢測辦法運動車輛檢測是車輛識別的一種重要環(huán)節(jié)，現(xiàn)在最流行的幾個檢測辦法為：（1）地感線圈車輛檢測辦法，它是根據(jù)電磁感應(yīng)的原理，通過感應(yīng)曲線的不同而辨別不同類型的車輛。優(yōu)點是精確率較高，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干擾因素等影響。（2）超聲波檢測法，它運用反射回波原理來檢測運動的車輛，含有體積小﹑壽命長﹑易于安裝等特點。局限性之處是易受環(huán)境影響，性能隨環(huán)境溫度和氣流影響而減少。（3）動態(tài)稱重技術(shù)，它是當(dāng)車輛通過埋入路面下的檢測器時，檢測器受力產(chǎn)生形變，根據(jù)回傳信息對車輛進行檢測。優(yōu)點是節(jié)省時間﹑提高效率﹑延長路面的使用壽命等，缺點是設(shè)備安裝復(fù)雜﹑壽命短﹑容易受到溫度﹑車輛振動﹑道路質(zhì)量等的影響。（4）基于視頻圖像的檢測辦法，提取交通圖像序列，通過對其進行解決來實現(xiàn)車輛目的的檢測。它含有不破壞路面，檢測范疇大，獲取信息量大，安裝使用靈活，維護費用低的特點，含有廣闊的應(yīng)用前景?，F(xiàn)在最流行的幾個基于視頻圖像的檢測辦法重要有下列幾個：（a）基于背景差分的辦法[34,45]背景差分法合用于背景靜止保持不變、運動目的與背景的灰度差別較大的狀況下，從視頻序列中預(yù)先抽取不含前景運動物體的一幀圖像作為背景，然后運用現(xiàn)在幀與背景圖像直接差分檢測運動區(qū)域的辦法。重要過程如圖7所示：圖7背景差分法流程示意圖這種差分法對于復(fù)雜背景下的運動物體檢測效果較好，實現(xiàn)簡樸、計算量小，并且能夠完整的分割出運動目的。但是在實際應(yīng)用中，背景往往會由于拍攝時間的不同，容易受到光照變化、噪聲和外物入侵等多個因素的影響，需要實時的更新背景。更先進的做法是在解決過程中不停更新背景圖像，它的核心問題就是如何建立有效的背景模型并進行背景模型刷新，基于背景建模的辦法是通過對圖像中背景與運動目的區(qū)域像素點特性差別的分析，運用一定數(shù)量的訓(xùn)練圖像獲得背景區(qū)域的特性，將新獲得的序列圖像中對應(yīng)像素點特性與背景特性進行比較，不符合背景特性的像素點即被認定為處在運動目的區(qū)域中[34]。（b）基于幀間差分的辦法[35]幀間差分法是最為慣用的運動目的檢測和分割的辦法之一。其思想是通過相鄰幀間差分，運用視頻序列相鄰幀間的強有關(guān)性進行變換檢測，從而擬定運動目的。其重要過程如圖8所示圖8幀間差分法流程示意圖由于相鄰兩幀圖像之間的時間間隔短，受自然環(huán)境變化影響小，圖像差的成果是灰度不發(fā)生變化的部分被減掉，如大部分背景，而灰度發(fā)生變化的部分則被保存。此辦法的特點是速度快，合用于實時性高的環(huán)境，局限性是對于噪聲、光照條件的變化比較敏感，對運動目的的分割無保障。另外還存在以下的問題：如果在圖像中除了包含我們感愛好的運動目的之外，還存在其它運動目的時，則這些運動目的作為背景不能消除。由于運動目的的陰影隨運動目的的運動而一起運動，圖像差中運動目的產(chǎn)生的陰影不能消除。（c）基于光流法的辦法光流法是基于對光流場的估算進行檢測分割的辦法。所謂光流是指亮度模式引發(fā)的表觀運動，是運動目的的三維速度矢量在成像平面上的投影，它表達了運動目的在圖像中位置的瞬時變化。光流法檢測運動目的的基本原理是給圖像中的每一種象素點賦予一種速度矢量，這就形成了一種圖像運動場在運動的某一種特定時刻，圖像上的點與三維物體上的點一一對應(yīng)，這種對應(yīng)關(guān)系能夠由投影關(guān)系得到，根據(jù)各個象素點的速度矢量特性，能夠?qū)D像進行動態(tài)分析。如果圖像中沒有運動目的，則光流矢量在整個圖像區(qū)域是持續(xù)變化的：當(dāng)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(lǐng)域背景速度矢量不同，從而檢測出運動物體的位置。普通狀況下，光流由相機運動、場景中目的運動，或兩者的共同運動產(chǎn)生。光流法首先定義了由一種線性化的光流約束項和平滑項構(gòu)成的指標函數(shù)，然后求解其最優(yōu)數(shù)值解。它的迭代收斂速度比較快，但得到的光流場只是速度場的一種近似。在圖像的亮度突變處和運動不持續(xù)處，該算法所依賴的假設(shè)條件并不滿足，因而得到的成果誤差較大。另外，噪聲、多光源、陰影、透明性和遮擋性等因素會使得計算出的光流場分布不是十分可靠和精確。光流法對每一種象素計算位移矢量（持續(xù)方式），比較精確、魯棒，給出的信息非常豐富，并可解決有全局運動的場景，缺點是耗費時間，對過于復(fù)雜、快速或速度過小的運動效果不好，對規(guī)定實時性的系統(tǒng)而言不實用。圖9光流場檢測示意圖（d）背景差分與幀間差分結(jié)合的辦法[36]鑒于背景差分法和幀間差分法的優(yōu)缺點，將這兩種辦法結(jié)合起來，使它們優(yōu)勢互補，即在視頻圖像序列中，運用已有的背景差分法和幀間差分法作為啟示，將動態(tài)圖像中持續(xù)兩幀差圖像和背景差圖像直接進行與操作，再將成果進行二值化解決得到運動成果。這樣就達成了加大目的信息的權(quán)重，同時克制了靜態(tài)背景的效果，得到的運動檢測圖像包含了更多目的的信息，不僅包含目的輪廓并且尚有目的輪廓內(nèi)的目的有關(guān)點，從而將運動目的從背景圖像中分離出來，最后得到視頻序列圖像中運動存在與否的二值化圖像。結(jié)合背景差分和幀間差分辦法的流程如圖10所示：圖10背景差分與幀間差分結(jié)合流程圖3.2車型特性提取要實現(xiàn)車型自動識別﹑分類，需要做的第一步是探測﹑提取車型的某些特性信息。特性提取是車型識別的難點和重點，特性提取的質(zhì)量，關(guān)系到識別和分類的速度和精確度。在車型識別系統(tǒng)中，如何使車型目的特性化是實現(xiàn)實時、精確車型識別的核心。圖像目的記別特性的提取可采用多個辦法，重要辦法有傅立葉描述子、矩特性、變換域特性、邊沿輪廓特性、角點特性等。（1）傅立葉描述子該辦法是將經(jīng)傅立葉變換后的邊界選作形狀描述子[37]，用較少的參數(shù)描述很復(fù)雜的邊界。該辦法的特點是：用較少的傅立葉描述子就能反映邊界的大略本質(zhì)，并且描述子對平移、旋轉(zhuǎn)和比例縮放變化不敏感。但這種辦法運用的目的信息比較少，只是提取了基于目的圖像邊界的特性，并且它對噪聲和邊界形變比較敏感。（2）矩特性[40,41]重要表征了圖像區(qū)域的幾何特性，又稱為幾何矩，圖像的矩是一種慣用的識別特性，涉及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。在文獻[38]中通過實驗證明，幾何矩和中心矩對于圖像的平移和縮放都含有良好的不變性;Hu的七個不變矩對于圖像的平移、旋轉(zhuǎn)和比例縮放都含有不變性，較好地描述了目的圖像的信息。但Hu的七個不變矩，運算層次比較多，運算量比較大，并且對形變沒有良好的一致性。Zernike矩是在整個圖像空間中計算,得到的是圖像全局特性,容易受到噪聲干擾。基于小波變換的小波矩能同時得到圖像的全局特性和局部特性,更適合識別相似形狀或者有噪聲干擾的目的圖像。Chen的不變矩僅運用區(qū)域的邊界計算不變矩的改善算法，并將該算法應(yīng)用在沒有重疊交叉的封閉區(qū)域的邊界上。（3）變換域特性基于變換域特性提取辦法都能提取有效的識別特性信息，也能夠有針對性地運用到不同的領(lǐng)域。但變換域特性的缺點就是物理意義不直觀，并且由于需要變換的因素其運算量普通比較大。其中，基于K-L變換已成功地應(yīng)用到了人臉識別等領(lǐng)域[39]。(4)輪廓特性[43,44,46]基于輪廓特性的目的記別是指用目的的輪廓作為識別特性。目的輪廓的提取通過邊沿檢測來實現(xiàn)。邊沿是指圖像局部亮度變化最明顯的部分，邊沿重要存在于目的與目的、目的與背景、區(qū)域與區(qū)域之間，是圖像分割、紋理特性提取和形狀特性提取等圖像分析的重要基礎(chǔ)。圖11車型輪廓特性提取示意圖(5)角點特性[20,24]角點是圖像的一種重要的局部特性，它集中了圖像上的諸多重要的形狀信息?，F(xiàn)在為止角點還沒有明確的數(shù)學(xué)定義，普通的角點檢測都是對有具體定義的、或者是能夠具體檢測出來的愛好點的檢測。由于角點含有旋轉(zhuǎn)不變性，幾乎不受光照條件的影響，角點只包含圖像中大概0.05%的像素點，在沒有丟失圖像數(shù)據(jù)信息的條件下，角點是最小化了要解決數(shù)據(jù)量，因此角點檢測含有實用價值。現(xiàn)在角點檢測技術(shù)能夠分為兩類：一類是基于圖像邊沿信息，如基于小波變換模極大的角點檢測，基于邊界鏈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-isandStephens算法，SUSAN算法。在第一類中，圖像的邊沿輪廓容易使用多尺度技術(shù)來分析，因此第一類算法已實現(xiàn)多尺度角點提取，然而，角點對邊沿線依賴較大，如果邊沿線由于某種因素發(fā)生中斷，則會對角點的提取成果造成影響。而第二類算法的重要缺點定位精度較差，同時還可能遺漏某些實際的角點，對噪聲比較敏感，并且現(xiàn)在還沒實現(xiàn)多尺度角點檢測的特性。因此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將含有重要的意義。圖12基于灰度信息提取的不同車輛的角點示意圖3.3車型識別技術(shù)汽車識別技術(shù)是ITS應(yīng)用的基礎(chǔ)，也是智能交通系統(tǒng)中的一種核心構(gòu)成部分。汽車識別涉及汽車牌照識別、汽車顏色識別、車型識別、車標記別等，現(xiàn)在開發(fā)最為成熟的是汽車牌照的識別，并已經(jīng)廣泛應(yīng)用于電子警察、電子收費等應(yīng)用系統(tǒng)中。車型識別運用車輛的外型特性對車型進行分類，現(xiàn)在國內(nèi)外基于視頻車型識別采用的的重要辦法有：基于模板匹配的識別辦法。模板匹配是模式識別中非常典型的辦法，在模式識別經(jīng)歷的幾十年發(fā)展歷史中，當(dāng)人們對識別的目的能夠歸納出一定的模板時，就可選擇模板識別。模板匹配辦法用于汽車識別基于視頻的車型識別技術(shù)研究時，重要的局限性是:首先模板的建立很困難；并且模板只能在圖像中平行移動，在旋轉(zhuǎn)或大小變化的狀況下，該辦法無效；圖像中的待識別的汽車目的不能全部可視，即汽車邊沿不持續(xù)或部分邊沿不存在，則該辦法無效；2、基于統(tǒng)計模式的識別辦法。當(dāng)模式特性表達為幾何空間中的點時，如果特性源自于同一模式的物體，對應(yīng)點的幾何距離總是很靠近的。統(tǒng)計模式識別則是找尋幾何空間中的某些區(qū)域問題，這些區(qū)域的點來自于某個單一模式。在統(tǒng)計模式中解決問題的辦法大都基貝葉斯決策統(tǒng)計理論。在汽車識別辦法中諸多都運用了統(tǒng)計模式識別。其中最典型的有基近來鄰域法、聚類分析法、統(tǒng)計判決法等。但統(tǒng)計模式識別時規(guī)定:各個類別總體的概率分布是已知的;要決策分類的類別數(shù)是一定的；3、基于神經(jīng)網(wǎng)絡(luò)的識別辦法。神經(jīng)網(wǎng)絡(luò)識別是運用“神經(jīng)元(neuron)”互相連接構(gòu)成的非線性動態(tài)系統(tǒng)所含有的人腦在自學(xué)習(xí)、自組織、聯(lián)想及容錯方面的較強功效，用于類別識別和決策。神經(jīng)網(wǎng)絡(luò)辦法即使由大量簡樸的“神經(jīng)元”互相連接而成，每個神經(jīng)元構(gòu)造和功效都比較簡樸，但是其構(gòu)成系統(tǒng)卻能夠非常復(fù)雜，在自學(xué)習(xí)、自組織、聯(lián)想及容錯方面含有人腦的某些特性，更確切地說是人腦的初級特性；4、基于仿生模式(拓撲模式)的識別辦法。仿生模式識別在于把模式識別問題當(dāng)作是模式的“認識”，而不是分類劃分，不是模式分類，是一類樣本的“認識”。其特點在于:一類樣本在特性空間的構(gòu)造僅僅依賴于該樣本類型本身，通過分析該類型各訓(xùn)練樣本之間的關(guān)系進行識別；對于未通過訓(xùn)練的任意對象，不會被對的識別；一類分別訓(xùn)練“認識”，對新增加的樣本的訓(xùn)練不會影響原有的識別知識；5、基于支持向量機的識別辦法[41]。支持向量機辦法建立在統(tǒng)計學(xué)習(xí)理論的VC維理論（Vapnik-ChervonenkisDimension,是為了研究學(xué)習(xí)過程一致收斂的速度和推廣型，由統(tǒng)計學(xué)理論定義的有關(guān)函數(shù)集學(xué)習(xí)性能的一種指標，其反映了函數(shù)集的學(xué)習(xí)能力，VC維越大則學(xué)習(xí)機器越復(fù)雜）和構(gòu)造風(fēng)險最小化原理基礎(chǔ)上，根據(jù)有限樣本信息在模型中的復(fù)雜性和學(xué)習(xí)能力之間謀求最佳折衷，以獲得最佳的泛化能力。支持向量機在有限樣本狀況下建立了一種較好的通用學(xué)習(xí)算法，并對模型的選擇與過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題以及局部極小點問題進行了較好地解決。圖13SVM進行車型分類流程示意圖4課題研究的難點問題運動汽車的檢測與分類識別的研究是集計算機技術(shù)、模式識別、人工智能、應(yīng)用數(shù)學(xué)以及生物視覺等學(xué)科的綜合應(yīng)用于一體的一項艱巨的任務(wù)，是ITS中的一種熱點，盡管從事該項技術(shù)研究人的諸多，但研究成果真正投入實際應(yīng)用的并不多，這其中重要的因素有:（1）受人本身對對象識別過程的知識限制，對自然界的認識局限性，缺少先進的科學(xué)知識；（2）車輛種類繁多但差別不大，沒有明顯的區(qū)別特性；（3）受具體應(yīng)用環(huán)境的影響太大，各類檢測算法規(guī)定的條件太苛刻，攝像機的位置和角度規(guī)定高；（4）受視覺變化的影響大，從不同角度所攝的汽車特性差別大；（5）受自然環(huán)境影響太大，特別是光照影響，嚴重的光照反射使得車輛輪廓線不分明，顏色偏離、變化太大，難以識別；（6）汽車的外形更新太快，特性變化太快，使得算法適應(yīng)性較差[45]；（7）汽車的管理規(guī)則變化太快，使得智能交通中的應(yīng)用系統(tǒng)算法修改頻繁。正是由于上面的一系列因素，致使車型識別未能在ITS中得到成功應(yīng)用，車型識別在國內(nèi)多數(shù)停留在研究狀態(tài)(如中國科學(xué)院、西安公路所、上海交通大學(xué)、西安交通大學(xué)、四川大學(xué)等)，部分產(chǎn)品已經(jīng)投入正式運行。在多個車輛自動識別、分類技術(shù)中，現(xiàn)在真正能夠使用的還不多。因此值得我們進一步研究、探索更適應(yīng)我國國情的車型自動識別辦法。另外，現(xiàn)在尚有許多問題有待于進一步的研究和探索，重要涉及下列幾個方面：(1)復(fù)雜背景多車輛的特性的同時提取。復(fù)雜背景多車輛的檢測，較容易實現(xiàn)，但是多車輛的特性同時提取比較困難，實現(xiàn)多車輛特性的同時提取，對后來的分類識別、跟蹤等都有很大的協(xié)助；(2)汽車遮擋狀況的研究。在交通道口，因車速行駛速度相對較慢，汽車遮擋狀況即使出現(xiàn)的比較少，但為了完善系統(tǒng)，增加系統(tǒng)的魯棒性，這種狀況下的汽車識別有待于進一步的研究；(3)運動車輛的三維建模。運動車輛是一種三維物體，因而獲取運動車輛的三維信息并運用它進行識別必將是車型識別技術(shù)發(fā)展的最后目的和解決途徑。隨著信息獲取技術(shù)手段的不停改善，這一途徑必將得到應(yīng)有的發(fā)展；(4)非正常天氣條件下車型的識別。車型識別的有關(guān)資料顯示，天氣、光線等對車型識別精確性的影響很大，如何減少天氣條件的影響，增加系統(tǒng)的自適應(yīng)性，也是汽車分類識別有待解決的核心問題；(5)支持向量機還處在繼續(xù)發(fā)展階段，諸多方面還不完善，現(xiàn)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(xiàn)多值分類目的。但現(xiàn)在多分類算法不是特別抱負，文獻[41]中分類的數(shù)目有限，只實現(xiàn)了車輛的三分類（大、中、?。鴮Χ喾诸悊栴}還需要更進一步的研究。參考文獻[1]白艷紅.基于視頻的車型識別技術(shù)研究[碩士學(xué)位論文].蘭州：蘭州大學(xué)，[2]左奇.交通圖像檢測與解決辦法研究[碩士學(xué)位論文].西安:西北工業(yè)大學(xué)，.[3]張穎新,范東啟,楊迪.車型自動識別系統(tǒng)研究.[J].交通與運輸(學(xué)術(shù)版),,12(7):46-49.[4]李娜;徐志剛.基于線陣CCD的交通信息采集和檢測系統(tǒng)設(shè)計與實現(xiàn)[J].當(dāng)代電子技術(shù),,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