一种面向“互联网+”智能交通管理的车辆类型识别方法

《一种面向“互联网+”智能交通管理的车辆类型识别方法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、一种面向“互联网+”智能交通管理的车辆类型识别方法摘要：针对现存智能交通管理中车辆类型识别方法存在分类器效率较低等诸多问题，通过构造一种新的分类器，建立了一种智能交通车辆类型识别新方法。首先采用边缘梯度直方图进行图像特征提取，然后通过融合纠错编码技术和K?近邻分类器构造新分类器实现车辆类型的分类。通过大量实验仿真分析比对表明，该方法不仅能将多类分类问题转化成多个两分类问题，而且使车辆类型识别效率提高了2%,鲁棒性好。因此，该方法在“互联网+”智能交通管理中具有广阔的应用前景和推广价值。本文采集自网

2、络，本站发布的论文均是优质论文，供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息，如果需要分享，请保留本段说明。关键词：边缘方向直方图；纠错编码；K?近邻分类器；智能交通；车辆类型识别中图分类号：TN911?34；TP391.4文献标识码：A文章编号:10047373X(2017)13?0184?03Abstract：Sincetheavailablevehicletypeidentificationmethodsoftheint

3、elligenttrafficmanagementhavevariousproblems,suchaslowclassifierefficiency,anewclassifierwasconstructedtoestablishavehicletypeidentificationmethodforintelligenttraffic.Theedgegradienthistogramisusedtoextracttheimagecharacteristics.Theerrorcorrectionco

4、dingtechnologyandK?nearestneighborclassifierarefusedtoconstructthenewclassifiertoclassifythevehicletypes.Theanalysisandcomparisonresultsofalargenumberofexperimentalsimulationshowthatthemethodcantransformthemulti?classclassificationproblemintothemultip

5、lebinaryclassificationproblem,makethevehicletypeidentificationefficiencyincreasedby2%，andhasthecharacteristicofgoodrobustness.Themethodusedin”Intcrnct+nintelligenttrafficmanagementhasbroadapplicationprospectandhighpromotionvalue.Keywords：edgeorientati

6、onhistogram；errorcorrectioncoding；K?nearestneighborclassifier；intelligenttraffic；vehicletypeidentification0引言当前，“互联网+”智能交通车辆管理中车辆类型识别方法是人们研究与关注的热点。车型识别问题在交通监控和调度、路桥收费管理等领域一直有着重要的应用，是计算机视觉、图像处理技术与模式识别的融合，是智能交通领域中一项非常重要的技术。目前广泛采用的车辆识别算法大多数仍是通过各种装置获得车辆重量

7、参数或侧面几何形状的特征参数（如车长、车宽、长宽比、轮轴数等），然后采用模板匹配或神经网络［1?2］等方法对其参数特征进行车型分类，但算法的车辆类型识别率不高，不能适应“互联网+”智能交通管理的要求。因此，研究一种交通车辆类型识别率高、鲁棒性好的算法具有重要的现实意义和广阔的应用前景。1基于ECC?KNN分类器的智能交通车辆类型识别方法本文提出的ECC7KNN分类器的车辆识别方法主要包括车辆边缘直方图特征提取算法和ECC7KNN算法。1.1基于边缘直方图的车辆特征提取算法边缘直方图［3?4］（Ed

8、geOrientationHistoGRAMS,EOH）是基于图像边缘的统计特征，它具有能够准确地反映图像的边缘和纹理信息并且提取特征速度较快等特点，因此本文采用EOH进行车辆图像特征提取。其实现思想是：首先构造的灰度图像I，sobel算子和其次通过和算子分别对图像I进行边缘特征提取。基于此思想，设采集图像I中的样本像素为（其中表示像素所在行数和列数，），并假设得到和方向的梯度分别是和，则样本像素点的梯度幅值和梯度方向特征提取算法描述如下：1.2基于ECC?KNN的车辆特征分类算法