本站小編為你精心準備了淺談計算機視覺的車輛識別技術參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：車輛識別是智能交通系統的重要組成部分。文章在探索計算機視覺基礎上，探討了車輛識別領域目前仍需解決問題和未來研究方向，分析和總結了基于特征分析和人腦模型的車輛識別前沿技術。

關鍵詞：車輛識別；計算機視覺；特征分析；智能交通系統

前言

計算機視覺應用于智能交通系統中是近幾年來的熱點技術之一，車輛識別技術屬于計算機視覺技術，廣泛應用于停車場管理、違章車輛、電子收費等多項ITS應用領域。隨著交通監控信息系統的不斷優化，車輛識別技術也發展迅速，但仍然受到以下幾個方面限制：光照、噪聲、特殊天氣、攝像頭參數、攝像頭安裝方位、相似車型、復雜交通場景等。這些因素會導致車輛在圖像中的尺寸及姿態變化較大，也增大了識別的難度。

1基于特征分析的車輛識別

基于特征分析的車輛識別一般包括獲取數據、初步處理、提取特征、生成圖像、分類器設計等環節。核心問題是提取什么樣的特征對車輛進行表達及應用何種學習模型設計分類工具。根據特征表達方法的不同，基于特征分析的車輛識別技術主要可以分為整體特征分析、細節特征分析以及三維輪廓特征分析。

1.1整體特征分析

整體特征分析是通過提取車輛特征信息對圖像的整體信息進行描述，得到表示圖像的特征向量，結合淺層學習的方法，進行車輛類別判斷和預測。通常適合用于對差別較大的車色識別和種類識別等任務。整體特征一般有顏色、紋理、形狀特征等，其中顏色是識別的主要線索之一。顏色直方圖被廣泛應用，其特點是將圖像中各種顏色概率作為特征，這種概率對圖像的旋轉、平移和尺寸變化并不敏感。顏色直方圖的優勢：在色調、飽和度、亮度組成的HSB顏色空間[1]，使用H、S兩個分量構成二維特征向量，解決了顏色特征的表達問題。若考慮到在不同顏色通道中的特征信息對識別的重要程度不同，在色調、飽合度、強度組成的HSI顏色空間中，就需要為各顏色通道為了減少非車色區域的干擾，可以對不同區域提取顏色直方圖，構造特征向量獲得較好的車色識別性能，直接提取車輛顏色特征進行識別。這種方法還能較好地適應光照變化。

1.2細節特征分析

采用整體特征分析的方法在識別同類型差別較小的車輛時細節信息的獲取不夠充分，導致識別的準確性和穩定性較差。因此需要采用細節特征分析方法進行車輛識別。Li等[2]提出的類似目標銀行(ObjectBank)方法，借助DeformablePartsModel思想，從訓練的數據中挖掘出具有判別性的遮擋模式，較好地降低了遮擋問題對車輛識別的影響。細節特征分析的首先提取細節特征進行描述，然后使用特征變換算法對部分特征進行編碼，整合特征獲得更準確的特征表達，進而得到一個符合的特征向量，最后選擇適當的學習結構設計出分類器。其中如何有效地對細節特征進行緊湊表達是提升識別精確度的關鍵。

1.3三維輪廓特征分析

目前，受采集設備的限制，采用二維圖像進行識別會遇到很多問題，如幾何形狀、空間位置等變化，從而難以達到識別效果。為了提高識別度，人們對二維圖像中的車輛進行三維建模獲得三維數據，然后通過訓練固定的三維模型進行車輛識別。Buch等[3]為識別車輛的地理位置和車輛類別，使用三維模型提取運動輪廓，與投影的模型輪廓進行比較，排除了車輛陰影的影響。在某種程度上，三維建模的方法可以解決視點問題，但是三維車輛固定模型一般難以區分不同形狀的目標對象。此外，由于提取特征信息和匹配模型環節會因為模型數量的增加而變得更加復雜，對于類別較多的車輛精細識別任務來說實現相對困難。因此，算法需要進行優化，從而提升模型的區分能力和適應能力。

2基于人腦模型的車輛識別

構造人腦模型[4]的目標在于通過模擬人類大腦的神經分層表達結構，建立識別神經網絡來分析數據，逐層提取表達特征，提高識別精度。卷積神經網絡作為一種最重要的神經網絡模型，在圖像處理領域取得了相當之大的成就，構建卷積神經網絡模型通常有2種方式。下面對卷積神經網絡(CNN)進行討論。

2.1兩端表達的神經網絡

每個特征提取層后面都緊跟著一個用來求局部平均和二次提取的子采樣層，這種兩次特征提取結構使網絡對輸入樣本有較高的畸變容忍能力，在網絡的末層一般連接幾個全連接層，最終輸出節點個數就是識別結果個數。例如8層的CNN(Alex-Net)降低了識別錯誤率，直接針對原始圖像進行處理，經過卷積特征提取及映射直接得到識別結果，在復雜環境下更高效的識別。如何訓練神經網絡是需要解決的一個關鍵問題。目前常用的訓練兩端表達網絡模型的方法為：先對大規模標注數據進行預先訓練，獲得初始網絡權重參數值；然后在相對較小的任務數據集上進行微調訓練，得到分類識別模型。

2.2中間表達的神經網絡

多級聯合的神經網絡模型就是針對中間表達實現了車輛的精細識別。該模型首先應用優化的區域CNN算法對輸入圖像提取多個興趣層，然后采用兩端表達的神經網絡對多個特征區進行學習。優點是不局限于應用單一網絡結構完成識別任務，充分利用了深度學習在每個環節的優點，是具有代表性的車輛識別新方法之一。

3結論

現有的網絡模型一般是通用的學習模型，結構復雜，消耗時間和計算資源較多，難于移植到嵌入式系統中。在車輛識別模型優化方面，研究面臨著如何設計輕型化的車輛識別專用網絡的問題。在識別數據方面，小樣本問題同樣限制了技術發展。

參考文獻

[1]胡焯源,曹玉東,李羊.基于HSV顏色空間的車身顏色識別算法[J].遼寧工業大學學報,2017,37(1):10-12.

[4]李軼南,張雄偉,李治中等.深度學習:開啟人工智能的新紀元[J].軍事通信技術,2015(4):20.

作者:李嫩 王志雷 周琳 付鵬 單位:長安大學