车型识别综述

车型识别综述

一．课题的背景和意义

智能交通系统(ITs，IntelligentTransportationSystem)是集计算机、信息、电子及通信等多种高新科技手段于一体的交通控制和管理系统，是21世纪交通的重要发展方向。

智能交通系统中的核心功能是对过往车辆的准确检测和正确的车型识别。当前对车辆检测分类技术的研究主要有两个技术流派:车辆自动识别(Auto Ve hlcleIdentification)和车辆自动分类(AutoVehicle Classification)。前者是利用车载设备与地面基站设备互识进行，该技术主要用于收费系统中，在发达国家使用范围较广，如美国[2]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，在一定车辆分类标准下运用适当的分类识别算法，主动地对车辆进行分型，这一类技术应用比较广泛，己经有很多成熟的系统应用在实际生活中，该类技术可以通过射频微波、红光、激光、声表面波等方式来自动识别车辆信息，也可以使用视频图像处理的方式来识别车牌、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[3]，但这几种方法各有优劣，优点是识别精确比较高，但缺点也很明显，主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，主要设备易损坏，花费较大等。

近年来随着计算机多媒体技术和图像处理技术的发展，基于视频的车辆自动分类识别技术在现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。该类技术可以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可以迅速做出控制决策，解决交通拥堵等问题。同时，利用该技术可以分析道路的车流量信息，有利于公路网的总体规划及道路建设。但上述功能的实现依赖于交通数据的采集和处理，传统的数据采集器方法，不能大范围覆盖检测区域，缺乏灵活性且功能单一。因此，随着当前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方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[4]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城市道路具有很大的可行性，基于视频车型识别系统，将全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利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处理分析，完成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，或利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，可以立刻进行分析，提取出需要的交通流信息。因此，与其他技术相比，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）可以检测更大范围内的交通流信息，从而减少设备数量，节约资金；

（3）可以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，比如交通量调查等，可以把视频图像采集存储后，离线进行分析处理；

（5）当环境发生变化，或系统移动到他处使用时，只需简单设置，系统即可重新投入使用。

（6）可以综合提供交通数据信息和视频图像，便于对现场的全面、直观检测。可以提供流量、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;而且借助视频图像的参考，可以极大的提高监控质量。

综上所述，开展基于视频图像的车型识别研究意义重大，其研究成果不仅具有广阔的应用前景，而且对于解决拥堵的交通环境、规划城市交通系统和尽快发展我国的智能交通系统等具有重要的战略意义。

二 国内外研究现状

2.1 国外的研究现状

(1) 上世纪70 年代初，德国西门子公司开始研究自动车辆识别，由于受当时的整技术、工艺水平的限制，未能获得满意的效果。

(2) Collins 等[5]创建了一个路上移动目标的检测、跟踪、识别系统，用训练过的神经网络来识别运动目标是人、人群、车辆还是干扰，网络的输入特性量有目标的分散性度量、目标大小目标表面大小与摄影机监视区域大小的相对值。车辆又进一步区分为不同类型和颜色。

(3) 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) 的方法，在一个小窗口内，该方法依据图像梯度进行。利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。

(4) Fung 等[7]用高精度摄像机观察车辆的运动来估计车辆形状，通过估计特征点(车体拐角处)得到车辆轮廓。基本思想是高特征点的移动速度大于低特征点的移动速度，因为高特征点离摄像机近，车辆轮廓可用与车辆识别。

(5) 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方法，并采用图像帧差技术进行运动分割，背景图像用Kallnan滤波进行更新。

(6) G.LForesti等开发了一个车辆跟踪系统，其中包括一个多级识别模块实现车辆识别。J.Ferryman等[8]建立了一个参数化的可变形三维模板，该模板通过演变，可适用于各种车辆。G.D.Sulhvan等[]采用三个一维模板检测是否有某类型车辆，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，该方法采用了多模板的思想，有一定的创新作用。

(7) Jolly等[9]用变形模板来研究车辆识别，首先，建立目标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，合适的车型模板边的点集也通过点集间的Hausdorff距离与其他车辆模板进行比较。

(8) 内华达大学的Sun Zehang使用Gabor滤波和支持向量机的方法完成车辆检测。Gabor滤波提供了获得灰度不变性特征的维数，可以适用于光照变化和尺度变化的条件下，车辆具有较强的边缘和水平线信息，它们具有方向性和尺度。Gabor滤波能够对这些特征有更强的鲁棒性。在车辆检测阶段利用SVM进行验证。同时也使用进化Gabor滤波优化来完成特征抽取。

此外，Sun Zehang还使用量化Haar小波特征和支持向量机的特征选择和分类的车辆检测方法。文中指出，小波特征由于其压缩性表示而非常适合车辆检测。它编码边缘信息，产生多比例信息并能够被有效计算。此外，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。

(9) Wisconsin大学的Ran Bin等人提出的基于视觉的检测算法通过计算车辆运动参数，跟踪多个车辆目标。该系统主要由四个模块组成: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，包括对称性形状，车辆纵横比等特征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。

(10)上世纪80年代后期，随着现代技术的发展，一系列关键技术如低功耗处理器、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个新纪元。

2.2 国内研究现状

2.2.1 概述

20世纪80年代以来，人们就意识到智能化交通管理将是社会发展的必然，国内外许多学者开始了交通车辆检测系统的相关研究，其中包括运动车辆检测、车辆流量的大小、车速的快慢以及车辆牌照的识别等，这些技术参数的分析涉及到运动目标跟踪、模式识别、网络技术等专业领域，同时，需要解决这一类问题还存在很多难点，做到完全自动化而不需要人工干预也很难，而且视频图像处理和识别是属于尖端的科技。尽管世界各国的学者为此做了大量的工作，也取得了较为显著的成果，但仍然需要进一步研究。

过去的二三十年中，人们对运动目标检测和运动目标识别作了大量深入的研究，提出了很多行之有效的方法。国际上不少公司也都推出了自己的视频检测产品，如美国的Autoscope、vTDS、西门子的ARTEMIs、比利时的Traficon等，而且已经在国外推广使用。国内上海德威等多家公司也分别推出了自己的产品，但目前这些产品主要是基于车牌识别或是基于异常检测的，基于视频的车型自动检测识别产品还没有实践应用价值。在国内，中国科学研究院计算所、哈尔滨工业大学、浙江大学、四川大学等高校、研究所均在这一领域进行探索。

2.2.2 目前国内关于车型识别研究的主要方向为：

(1) 基于神经网络的方法：

神经网络是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。在车型识别方面，主要是利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，如神经网络与模糊技术结合、神经网络与分形技术结合等等。

以下是神经网络结合其它知识的车型识别方法：

a. 利用Canny算子检测车辆区域的边缘，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征量，然后建立具有3层结构的BP神经网络，将不变矩特征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[w1]，准确率达到98.7%。

b. 利用脉冲神经网络模型对运动车辆进行边缘提取的基础上提取运动目标的不变线矩特征，再用这些特征训练神经网络对车型进行识别的方法[w2]。试验结果表明该模型能准确的提取运动目标的特征，达到了较高的识别率。

c. 分析处理一定量的数据，提取车辆的特征值(由上顶长、下顶长、高等参数组成)，利用神经网络的自组织、自主学习等特性，构造一种适当的神经网络，通过训练BP神经网络，达到能识别一般的车型如轿车、货车、客车的目的，并达到能区分小、中、大、特大型四种型号车辆、构造完整的车型识别系统的目标。该方法综合了神经网络、模式识别等相关算法，对车辆的目标轮廓进行整体识别，达到了较高的识别率[w3]。

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征向量。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[w4]，实验结果表明，与传统BP神经网络分类方法相比较，遗传BP神经网络分类方法收敛速度快，分类效果好，具有较高的识别率

(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征，从而实现数据处理。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能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. 利用[w7]小波多尺度分析边缘检测算法实现特征值的提取，BP神经网络实现车型的分类，该方法达到了满意的效果。

b. 在对车型识别去噪和边缘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方法[w8]。首先采用尺度间相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,并进行有效区分保留真正边缘模极大值,最后进行相关恢复处理得到比较清晰的车型边缘。结果表明,该方法提高了车型边缘检测的准确性和车型识别率,具有很好的应用前景。

c. 利用小波变换具有良好的多尺度特征表达能力 ,以及能在空域、频域和方向上分别进行分解 ,而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。结果表明 :基于小波变换的神经网络汽车车型识别方法 ,能够识别返修车 ,提高了车型识别率。

(3) 利用地震动信号进行分析处理判断车型：

a. 通过外场实验[w5]获得关于轮式车、履带式车的大量地震动信号，在时-频域应用多种方法对信号进行处理，得到相应的特征矢量。利用改进的BP网络对远距离的地震动信号进行目标识别，基于小波及小波包分解能量分布特征的识别率可达85％以上，这种特征矢量具有较好的可分性。

b. 本文研究了[w6]机动目标地震动特性，总结出目标的地震动信号的特征提取规律，并将神经网络方法用于目标的地震动信号的分类识别中，得到令人满意的结果。

c. 地面目标地震动信号的特征提取是进行地面目标识别技术的关键,针对人员、车辆等地面目标运动时产生的地震动信号,利用SLJ-100FBA-T型三分向力平衡加速度计进行了多次测试,通过典型时域分析方法得出信号的时域特征,利用Welch法进行了频域分析,最终得到的信号时域、频域特征向量可作为目标识别的依据。

三 车型识别的过程

图像预处理

图像 分割

特征 提取

分类 识别

图像输入

图像处理

像元图像

图像处理

特征

X1 X2 …… Xn

四 运动车辆的检测方法

运动车辆检测是车辆识别的一个重要环节，目前最流行的几种检测方法：（1）地感线圈车辆检测方法，它是根据电磁感应的原理，通过感应曲线的不同而区分不同类型的车辆。优点是准确率较高，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，它利用反射回波原理来检测运动的车辆，具有体积小﹑寿命长﹑易于安装等特点。不足之处是易受环境影响，性能随环境温度和气流影响而降低。（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方法，提取交通图像序列，通过对其进行处理来实现车辆目标的检测。它具有不破坏路面，检测范围大，获取信息量大，安装使用灵活，维护费用低的特点，具有广阔的应用前景。下面将简单地介绍一下目前最流行的几种基于视频图像的检测方法。

1. 基于背景差分的方法

背景差分法适用于背景静止保持不变、运动目标与背景的灰度差异较大的情况下，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，然后利用当前帧与背景图像直接差分检测运动区域的方法。这种差分法对于复杂背景下的运动物体检测效果较好，实现简单、计算量小，并且能够完整的分割出运动目标。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、噪声和外物入侵等各种因素的影响，需要实时的更新背景。更先进的做法是在处理过程中不断更新背景图像，它的关键问题就是如何建立有效的背景模型并进行背景模型刷新，基于背景建模的方法是通过对图像中背景与运动目标区域像素点特性差异的分析，利用一定数量的训练图像获得背景区域的特征，将新获得的序列图像中相应像素点特征与背景特征进行比较，不符合背景特征的像素点即被认定为处在运动目标区域中。

2．基于帧间差分的方法

帧间差分法是最为常用的运动目标检测和分割的方法之一。其思想是通过相邻帧间差分，利用视频序列相邻帧间的强相关性进行变换检测，从而确定运动目标。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，图像差的结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留。此方法的特点是速度快，适用于实时性高的环境，不足是对于噪声、光照条件的变化比较敏感，对运动目标的分割无保障。此外还存在如下的问题：如果在图像中除了包含我们感兴趣的运动目标之外，还存在其它运动目标时，则这些运动目标作为背景不能消除。由于运动目标的阴影随运动目标的运动而一起运动，图像差中运动目标产生的阴影不能消除。

3．基于光流法的方法

光流法是基于对光流场的估算进行检测分割的方法。所谓光流是指亮度模式引起的表观运动，是运动目标的三维速度矢量在成像平面上的投影，它表示了运动目标在图像中位置的瞬时变化[10]。光流法检测运动目标的基本原理是给图像中的每一个象素点赋予一个速度矢量，这就形成了一个图像运动场在运动的某一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可以由投影关系得到，根据各个象素点的速度矢量特征，可以对图像进行动态分析。如果图像中没有运动目标，则光流矢量在整个图像区域是连续变化的：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。一般情况下，光流由相机运动、场景中目标运动，或两者的共同运动产生。

光流法首先定义了由一个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。在图象的亮度突变处和运动不连续处，该算法所依赖的假设条件并不满足，因而得到的结果误差较大。另外，噪声、多光源、阴影、透明性和遮挡性等原因会使得计算出的光流场分布不是十分可靠和精确。光流法对每一个象素计算位移矢量（连续方式），比较精确、鲁棒，给出的信息非常丰富，并可处理有全局运动的场景，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，对要求实时性的系统而言不实用。

五 车型特征提取

要实现车型自动识别﹑分类，需要做的第一步是探测﹑提取车型的某些特征信息。特征提取是车型识别的难点和重点，特征提取的质量，关系到识别和分类的速度和准确度。在车型识别系统中，如何使车型目标特征化是实现实时、准确车型识别的关键。图像目标识别特征的提取可采用多种方法，主要方法有傅立叶描述子、矩特征、变换域特征、边缘轮廓特征、角点特征等。

(1) 傅立叶描述子

该方法是将经傅立叶变换后的边界选作形状描述子[11,12]，用较少的参数描述很复杂的边界。该方法的特点是：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。但这种方法利用的目标信息比较少，只是提取了基于目标图像边界的特征，而且它对噪声和边界形变比较敏感。

（2）矩特征

主要表征了图像区域的几何特征，又称为几何矩，图像的矩是一种常用的识别特征，包括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。实验证明[13]，几何矩和中心矩对于图像的平移和缩放都具有良好的不变性;Hu的七个不变矩对于图像的平移、旋转和比例缩放都具有不变性，很好地描述了目标图像的信息。但Hu的七个不变矩，运算层次比较多，运算量比较大，而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征,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征和局部特征,更适合识别相似形状或者有噪声干扰的目标图像。Chen矩仅利用区域的边界计算不变矩的改进算法，并将该算法应用在没有重叠交叉的封闭区域的边界上。

（3）变换域特征

基于变换域特征[14]提取方法都能提取有效的识别特征信息，也能够有针对性地运用到不同的领域。但变换域特征的缺点就是物理意义不直观，而且由于需要变换的原因其运算量一般比较大。其中，基于K-L变换已成功地应用到了人脸识别等领域。

(4) 轮廓特征

基于轮廓特征[15]的目标识别是指用目标的轮廓作为识别特征。目标轮廓的提取通过边缘检测来实现。边缘是指图像局部亮度变化最显著的部分，边缘主要存在于目标与目标、目标与背景、区域与区域之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。

(5) 角点特征

角点是图像的一个重要的局部特征，它集中了图像上的很多重要的形状信息。由于角点具有旋转不变性，几乎不受光照条件的影响，角点只包含图像中大约 0.05%的像素点，在没有丢失图像数据信息的条件下，角点是最小化了要处理数据量，因此角点检测具有实用价值。

目前角点检测技术可以分为两类：一类是基于图像边缘信息，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-is and Stephens 算法，SUSAN 算法。在第一类中，图像的边缘轮廓容易使用多尺度技术来分析，所以第一类算法已实现多尺度角点提取，然而，角点对边缘线依赖较大，如果边缘线由于某种原因发生中断，则会对角点的提取结果造成影响。而第二类算法的主要缺点定位精度较差，同时还可能漏掉一些实际的角点，对噪声比较敏感，而且现在还没实现多尺度角点检测的特性。所以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具有重要的意义。

六 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个关键组成部分。汽车识别包括汽车牌照识别、汽车颜色识别、车型识别、车标识别等，目前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。

车型识别利用车辆的外型特征对车型进行分类，目前国内外基于视频车型识别采用的的主要方法有：

① 基于模板匹配的识别方法[16,17]。

模板匹配是模式识别中非常经典的方法，在模式识别经历的几十年发展历史中，当人们对识别的目标能够归纳出一定的模板时，就可选择模板识别。模板匹配方法用于汽车识别基于视频的车型识别技术研究时，主要的不足是:首先模板的建立很困难；而且模板只能在图像中平行移动，在旋转或大小变化的情况下，该方法无效；图像中的待识别的汽车目标不能全部可视，即汽车边缘不连续或部分边缘不存在，则该方法无效；

② 基于统计模式[l8]的识别方法。

当模式特征表示为几何空间中的点时，如果特征源自于同一模式的物体，对应点的几何距离总是很接近的。统计模式识别则是找寻几何空间中的一些区域问题，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方法大都基于Bayes决策统计理论。在汽车识别方法中很多都利用了统计模式识别。其中最典型的有基最近邻域法、聚类分析法、统计判决法等。但统计模式识别时要求: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方法[19,20]。

神经网络识别是利用“神经元(neuron)”相互连接构成的非线性动态系统所具有的人脑在自学习、自组织、联想及容错方面的较强功能，用于类别识别和决策。神经网络方法虽然由大量简单的“神经元”相互连接而成，每个神经元结构和功能都比较简单，但是其组成系统却可以非常复杂，在自学习、自组织、联想及容错方面具有人脑的某些特性，更确切地说是人脑的初级特性；

④ 基于仿生模式(拓扑模式)的识别方法[21]。

仿生模式识别在于把模式识别问题看成是模式的“认识”，而不是分类划分，不是模式分类，是一类一类样本的“认识”。其特点在于:一类样本在特征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；对于未经过训练的任意对象，不会被正确识别；一类一类分别训练“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方法[22~24]。

支持向量机方法建立在统计学习理论的VC维理论和结构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寻求最佳折衷，以获得最好的泛化能力。支持向量机在有限样本情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很好地解决。

七 课题研究的难点问题

1. 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中的一个热点，尽管从事该项技术研究人的很多，但研究成果真正投入实际应用的并不多，这主要是:

(1) 受人自身对对象识别过程的知识限制，对自然界的认识不足，缺乏先进的科学知识；

（2）车辆种类繁多但差别不大，没有明显的区别特征；

（3）受具体应用环境的影响太大，各类检测算法要求的条件太苛刻，摄像机的位置和角度要求高；

（4）受视觉变化的影响大，从不同角度所摄的汽车特征差别大；

（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，难以辨认；

(6) 汽车的外形更新太快，特征变化太快，使得算法适应性较差；

(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原因，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营。在各种车辆自动识别、分类技术中，目前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方法。

2. 有些问题有待于进一步的研究和探索：

(1)复杂背景多车辆的特征的同时提取。复杂背景多车辆的检测，较容易实现，但是多车辆的特征同时提取比较困难，实现多车辆特征的同时提取，对以后的分类识别、跟踪等都有很大的帮助；

(2)汽车遮挡情况的研究。在交通道口，因车速行驶速度相对较慢，汽车遮挡情况虽然出现的比较少，但为了完善系统，增加系统的鲁棒性，这种情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。运动车辆是一个三维物体，因而获取运动车辆的三维信息并利用它进行识别必将是车型识别技术发展的最终目标和解决途径。随着信息获取技术手段的不断改进，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。车型识别的相关资料显示，天气、光线等对车型识别准确性的影响很大，如何降低天气条件的影响，增加系统的自适应性，也是汽车分类识别有待解决的关键问题；

(5)支持向量机还处在继续发展阶段，很多方面还不完善，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。但目前多分类算法不是特别理想，本文中分类的数目有限，只实现了车辆的三分类（大、中、小），而对多分类问题还需要更深入的研究。

参考文献

[1] 张颖新，范东启等.车型自动识别系统研究[J].信息技术, 2006, 4: 45-47.

[2] 陈旭梅，于雷，郭继孚等.美、欧、日智能交通系统(ITS)发展分析及启示[J]. 2004, 28（7）:75-79.

[3] 左奇.交通图像检测与处理方法研究[学位论文].西安:西北工业大学，2003.

[4] 范伊红.基于视频的车型自动识别系统的实现〔学位论文〕.郑州:郑州大学, 2006, 5.

[5] Robert T. Collins, Alan J. Lipton, Hironobu Fujiyoshi, and Takeo Kanade. Algorith rns For cooperative multisensor surveillanee. In Proceedings of the IEEE.

[6] TieniuN. Tan and Keith D. Baker Efficient image gradient based vehicle localization.

IEEE Transaction on Iimage Proeessing,2000, 9(8): 1343-1356.

[7] George Fung, NelsonYung, and Granthajm Pang. Vehicle shape approximation from motion for visual traffic surveillance. In Proc. IEEE Conf. Intelligent Transport System，2001, 608- 613.

[8] Ferryman, A. Worral, G. Sullivan, K. Baker, A generic deformable model for Vehicle recognition, Proeeeding of British Machine Vision Conference, 1995, 127-136.

[9] Larry Davis, V. Philomin and R. Duralswami. Tracking humans from a moving platform. In Proc. Intematl on Conference on Pattem Recognition,2000.

[w1] 秦钟. 基于图像不变矩特征和BP神经网络的车型分类. 华南理工大学学报（自然科学版）, 2009, 37(2): 86-91.

[w2] 陈浩, 吴庆祥, 王颖. 基于脉冲神经网络模型的车辆车型识别. 计算机系统应用, 2011, 20(4): 182-185.

[w3] 杜华英. 基于伸进个网络的汽车车型识别方法的技术研究. 长沙：中南大学, 2006.

[w4] 陈丽. 基于遗传神经网络的车型识别算法研究. 西安：长安大学, 2008.

[w5] 聂伟荣, 朱继南. 地震动信号的分析与目标识别. 电子科技大学学报, 2003(1).

[w6] 蓝金辉, 李虹. 目标地震动信号的特征提取及识别研究. 振动与冲击, 2001, 20(4): 43-46.

[w7] 张悦. 基于小波变换的车型自动识别系统. 北京: 北京工业大学, 2007.

[w8] 袁志勇, 查桂峰. 基于反对称小波的车型识别研究. 武汉大学学报(信息科学版). 2006.

[w9] 张友兵, 史旅华. 基于小波变换的汽车车型识别. 汽车工程. 2004, 26(4): 439-442.

[10] 邵文坤，黄爱民，韦庆．目标跟踪方法综述[J], 电子数字成像, 2006, (1)：17-20．

[11] Rafael C Gonzalez, Richard E woods. 数字图像处理 (阮秋琦, 阮宇智). 北京: 电子工业出版社,2003.

[12] Charles Zahn and Ralph Roskie. Fourier descriptors for plane closed curves [J]. IEEE Transactionon Computer, 1 vol, C- 21(3), Mareh, 1972: 269-281.

[13] Kadiran S, Patnaik L M. distortion-invariant object recognition using adaptive Resonance theory [J]. Artifieial Neural Networks and Expert Systems, 1993, Proceedings, First New Zealand International Two-Stream Conferenee, 1993:341-344

[14] 包力. 基于特征与模板的人脸检测算法的研究和应用[学位论文]. 大连: 大连海事学院, 2006,2.

[15] A. Berg, T. Berg, and J. Malik, “Shape Matehing and object Recognition Using Low Distortion Correspondence [J].” IEEE Transaetionson Pattern Analysis and Maehine Intelligence,2006,28:594-611.

[16] Zhang QiSen, and WangMingjun. A Method of vehicle Classification Using Models and Neural Networks [J]. Wei Wu Member, IEEE 2001: 3022-3026

[17] Liyuan Li, Weimin Huang, Irene Y. H. Gu, et al. Foreground object Detection from Videos Containing Complex Background [J]. Proceeding/Proceeding, 2003:2-10

[18] 张旭东, 钱玮, 高隽等. 基于稀疏贝叶斯分类器的汽车车型识别[J]. 小型微型计算机系统. 2005, 26 (10): 1839-2841

[19」Limin Xia. Vehicle Recognition Using Boosting Neural Network Classifiers [J]. Proceedings of the 6th World Congress on Intelligent Control and Automation, Dalian, China , 2006: 9641-9644

[20] Siddique M N H, Tokhi M O. Training Neural Networks: Back-Propagation VS. Genetic Algorithms [J]. In: Proceedings of the IEEE International Joints Conference on Neural Networks, Washington, DC , 2001,4: 2673-2678

[21] 王守觉.仿生模式识别(拓扑模式识别)一一一种模式识别新模型的理论与应用「J」. 电子学报. 2002, 30 (10): 1417-1420

[22] 陈爱斌. 基于支持向量机的车型识别「D」.中南大学, 2004

[23] Kuihe Yang, Ganlin shan, Lingling Zhao. Application of Least Squares Support Vector Maehine on Vehicle Recognition [J]. Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications, 2006

[24] 武宏伟, 马钱. 一种基于支持向量机的车型自动分类器设计方案「J」. 计算机应用. 2005(4): 10-12