文献综述
本课题的现状及发展趋势： 车辆检测[1]包括对日常交通车流量大小的检测、对运动状态的车辆检测、市区以及高速公路车速快慢的检测以及车辆号牌和车身标志物的检测等。这些交通信息的类别较多，涉及到各个不同的学科口类。在车型识别[2]这一领域，所渉及的专业内容包括数字图像和数字视频处理、模式识别和机器学习以及神经网络等，这都属于较为复杂和较难突破的技术。 当前对车辆检测技术的研究主要有两个方面，一是车辆自动识别，二是车辆自动分类。车辆自动分类是先检测车辆本身固有的参数，再运用适当的分类识别算法，使系统主动地对车辆类型进行分类，此类技术应用广泛，在实际生活中已经使用了很多相关的技术。 车辆识别的主要方法有：小波变换法[3]，它以变换分析为思想，能对空间和频率进行局部化分析，因而通过伸缩平移对信号进行细化处理，可以从信号中提取多种有效信息。雷达与机器视觉融合识别法[4]，该方法获取目标序列后，在目标级融合方法的基础上，引入马氏距离进行观测值匹配。再应用联合概率数据关联算法进行数据融合，建立系统观测模型与状态模型，从而实现了基于信息融合的目标识别。微波识别法[5]，微波与超声波传感器能直接或者间接的得到车高，车速和车长信息，将现场实测数据进行预处理，并通过人工判别的方法得出车型信息。这几种方法的优点是识别精确比较高，但其硬件成本较高、使用寿命短、安装及维护较为麻烦等缺点。 利用训练得到的车辆隐藏变量部件模型已经可初步实现在交通场景图像中对车辆的检测定位。基于训练车辆隐藏变量模型[6]，通过模型配准找到可以代表车辆信息的主模型和部件模型位置，进而提取所有位置的HOG特征作为车辆的表示，再利用SVM分类器完成车辆分类。现如今国内常用的分类方法是：基于神经网络的方法和基于小波变换的方法。 卷积神经网络[7]是一种著名的深度学习模型，其名称的由来是因为卷积运算被引入到了这种模型中。卷积神经网络可以归类为多层前馈神经网络模型，但与传统的多层前馈神经网络不同，卷积神经网络的输入是二维模式，其连接权是二维权矩阵，基本操作是二维离散卷积和池化。由于卷积神经网络可以直接处理二维模式，所以它在计算机视觉领域得到了非常广泛的应用。例如，卷积神经网络已成功应用于图像分类、目标检测和目标跟踪等许多领域。1986年，Mcclelland和Rumelhart等人[8]发展了多层网络的BP算法。BP神经网络考虑到了每一层网络的权重值的改变所以它十分适合用于多层网络，而后，冯等人[9]提出了一种基于二次自适应调整学习参数的面向对象改进神经网络BP算法，对降维数据进行分类。 马凯等[10]提出了基于BP神经网络图像分类研究。BP神经网络是一种多层前馈型神经网络，是目前研究最多的网络形式之一。BP神经网络由输入层、隐含层和输出层组成。对于输入信息，要先向前传播到隐含层的节点上，经过传递函数运算后，把隐含层节点的输出信息传递到输出节点，如果在输出节点得不到期望的输出，则误差反向传播，通过不断调节各神经元的权值，使误差信号达到最小，最后获得输出结果。而随着科技不断进步，图像信号需要在复杂环境下传输。恶劣的天气条件无疑是造成图片质量退化的重要原因之一。面对夜间、雨天、雾天环境下的图像复原算法，已有相关算法的支持。 夜晚条件下，能见度低、光线不足等问题导致夜间图像亮度通常很差而且亮度不均匀，从而影响图像质量。基于夜间图像处理的问题，Lu等人[11]提出了一种高效的小波域红外近视眼图像增强系统，利用自适应动态范围扩展策略自动确定变换函数，有效地扩展了图像暗区的灰度，同时防止图像过度出现开明。纹理保存高斯平滑可以消除噪声，避免模糊细节信息；赵宏宇等人[12]提出了基于场景补偿的方法修复夜间图像，对亮度图像进行处理，消除图像的晕影现象并有效避免颜色失真，达到对图像恢复和修正的目的。此外，陈光化等人[13]针对夜间图像的偏色现象提出白平衡算法；徐新等人[14]在人类视觉注意机制的基础上提出基于区域协方差和全局搜索的显著性夜间图像检测方法。 当前主流的图像去雾方法可分为两类：一类是图像增强方法，通过对雾化图像锐化处理来提高对比度，经典的算法有直方图均衡算法[15]和Retinex算法[16]以及他们结合到不同的算法中；另一类是基于大气散射模型的方法[17]，通常情况下雾的浓度随着场景深度而改变，因此单幅图像去雾实质上是一个病态问题，但近年来单幅图像去雾技术取得了较大突破。可以利用同一场景的无雾图像的对比度高于被雾化图像的对比度这一先验条件，构造边缘强度代价函数使图像局部对比度最大，从而恢复图像；Fattal[18]假设透射率与表面色度在局部是不相关的，该算法取决于数据的统计特性。
本课题的价值： 车辆分类在智能交通控制系统[19]中有着重要的作用，它使得交通管理更加方便智能，具有很重大的研究意义。随着计算机技术，图像处理技术的迅猛发展，基于视频图像[20]的车辆分类方法在车辆分类运用的比例越来越大，基于视频图像的车辆分类方法可以实时采集交通数据将其传输到交管中心。同时，利用该技术可以分析车辆流量信息，适应动态交通状况的变化。基于视频图像的车辆分类方法有很多种方法，本文使用HOG模型和SVM模型对车辆进行分类，它具有计算量小，分类准确率高的优点。
参考文献：[1] Zhao X, Shi A N. Research on accompanying cars recognition in practical application[J]. Journal of Transportation Systems Engineering and Information Technology, 2012, 12(3): 36-40.[2] 余胜, 陈敬东, 王新余. 基于深度学习的复杂场景下车辆识别方法[J]. 计算机与数字工程, 2018, 46(09): 1871-1875, 1915.[3] 范佳亮. 结合小波变换和互信息的车辆识别方法[D]. 北京: 清华大学, 2016.[4] 孙宁, 秦洪懋, 张利等. 基于多传感器信息融合的车辆目标识别方法[J]. 汽车工程, 2017, 39(11): 1310-1315.[5] 刘云灵. 基于微波与超声波的车型识别系统研究与实现[D]. 南京: 东南大学, 2017.[6] 刘振尧. 交通场景图像中车辆检测和分类研究[D]. 北京: 北京交通大学, 2017.[7] 翟俊海, 张素芳, 郝璞. 卷积神经网络及其研究进展[J]. 河北大学学报(自然科学版), 2017, 37(06): 640-651.[8] Mcclelland J L, Rumelhart D E, Mcclelland J L. Parallel distributed processing: explorations in the microstructure of cognition, volume 2: psychological and biological models[J]. Language, 1986, 63(4): 45-76.[9] 冯国良, 秦晓明. 二次自适应调整学习参数的改进型BP算法研究[J]. 硅谷, 2009, (1): 118-119,131.[10] 马凯, 梁敏. 基于BP神经网络高光谱图像分类研究[J]. 测绘与空间地理信息, 2017, 40(05): 118-121.[11] Lu P, Wang W and Du S. Design of Self-Adaptive Enhancement System for Infrared-Night-Vision Images [C]. Hangzhou: IEEE, 2013.173-176.[12] 赵宏宇, 肖创柏, 禹晶. 基于双MRF模型的夜间图像增强方法[J]. 中南大学学报(自然科学版), 2016, 47(10): 3361-3368.[13] 陈光化, 张犁. 夜间图像的白平衡算法研究与实现[J]. 微电子学与计算机, 2018, 35(03): 33-36, 41.[14] 徐新, 穆楠, 张晓龙. 一种鲁棒的夜间图像显著性对象检测模型[J]. 软件学报, 2018, 29(09): 2616-2631.[15] 吴成茂. 直方图均衡化的数字模型研究[J]. 电子学报, 2013, 41(3): 598-602．[16] Land E H, McCan J J. Lightness and retinex theory[J]. Journal of the Optical Society of America, 1971, 61(6): 1-11．[17] Bissonnette L R. Image through fog and rain[J]. Optical Engineering, 2002, 31(5): 1045-1052．[18] Fattal R. Single image dehazing[J]. Proceedings of Siggraph, 2008, 27(3): 1-9．[19] 黄举才. 城市智能交通控制系统的设计分析[J]. 西部交通科技, 2016(12): 80-83.[20] Zhou Y Y, Gong Y, Yao L, et al. Calculation and analysis of the traffic parameters of vehicles based on the wide-area drone video[J]. Journal of Environmental Science and Health Part A Toxichazardous Substances and Environmental Engineering, 2015, 50(8): 806-813.
资料编号：[671888]
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
