3.3.2图像的纵向填充
方法与图像横向填充类似。对每一列进行扫描，如果在某列从上向下遇到第一个亮点，记下其坐标；然后在同一列从下向上寻找第一个亮点，记下其坐标；那么，在同一列把两个亮点之间的所有像素点改为亮点，进而实现了车辆图像的纵向填充。纵向填充后的效果图如图3-5所示。
图3-5 纵向填充后的车辆图像
至此，车辆轮廓已完全提取出来了。以下将对提取出来的车辆轮廓进行车型识别。
- -
31
4车型识别
4.1车辆轮廓识别
进过最后处理的二值化图像轮廓虽然与真实的车辆轮廓有点失真变形，但是在一定的失真前提下是可以容忍的。这样就可以根据图像的信息进行车辆信息提取了。目前汽车的种类繁多，需要抽取哪些特征来进行车型识别和分类的难点，也是重点。特征提取的的好坏，关系到识别和分类的速度和准确度。通常各类汽车的车身试图可提供整个车长、顶篷长度及车辆高度等信息，由于在拍摄图像时，镜头与车辆的距离、角度的微小变化都会造成同一车辆在两次拍摄图像时，上述各参数的绝对大小不等，这就限制了不能用绝对长度或绝对高度等绝对参数来作为识别特征。在提取完车辆的轮廓之后，接下来我们将对提取出来的轮廓进行进一步的识别。在前文中我们讲到过我们将汽车的类型划分为轿车、货车和客车，而每一类的车型都有其独特的轮廓特征。因此，我们先将提取到的汽车图像进行初步的形状识别，以车辆顶长作中垂线分下底长的前后比例数、顶长等作为参数，提取出特征参数，根据识别的结果将其归为以上三种类型中的一类，然后利用小孔成像的原理，推算出长和车高。
从实验中可以得出，客车的轴距和车长比较小，一般在0.55以下，所以我们将0.55作为分界点，而轿车和货车的轴距与车长比大；对于顶长比，客车比较小，而轿车和货车则较大，两者相差比较明显。这一点差别是区分轿车和货车的主要依据，所以，我们将顶长比在区间（0.75,1.25）之间的判断为轿车。掌握好这些特征，就达到了把汽车分为轿车、货车、客车三类的目的。
4.2车辆特征参数的提取与计算
要得到最后的识别结果，必须对车辆的特征参数进行提取和计算。首先，对处理后的车辆图像进行扫描，分别进行顶部扫描，底部扫描，右边和左边扫描，最后，得到车辆的顶长作中垂线分下底长的前后比。我们将提取出来的汽车图像进行初步的形状识别，以车辆顶长作中垂线分下底长的前后比例数，顶长数作为
- - 32
参数，提取出特征参数，根据识别结果将其归为以上三种类型中的一类，然后利用小孔成像的原理，推算出车长和车高。
以一组平行线束从不同的角度对图像进行扫描，记录平行线穿过目标区域部分的长度，扫描的角度越多，对图像的形状描述就越精确，对车型分类系统来说，不需要从形状参数中精确地恢复出车辆的形状，只需区分三种不同的形状，因此只需要从一个角度对车辆进行扫描，沿平行于纵坐标的方向，令一组平行线束穿过车辆图像区域，计算每条线处于车辆区域内部分的长度，这样就得到一组车辆形状特征参数。在进行操作时，上述方法相当于将车辆图像投影到横坐标上，然后在投影上确定车辆的头尾位置，最后在车头和车尾之间选择若干点，投影在这若干个点上的值即为车辆的形状特征参数。接下来需要检测车辆的长度、宽度和轴间距。上述的垂直投影法可得到车辆的长度信息，即将车头位置坐标减去车位置坐标：与之类似，通过水平投影可计算出车辆的高度信息。
4.3车型特征匹配
采用特征匹配算法对车型进行识别，该算法的输入的是一组特征数据，其实现过程如下： （1）输入一组数据;
（2）如果车辆的顶长作中垂线分下底长的前后比<0.55,则该车辆为客车，否则转为（3）；
（3）如果顶长比在区间（0.75,1.25）之间，该车为轿车，否则为货车； 程序流程图如图4-1所示。
- - 33
数据输入车辆的顶长做中垂线分下底长的前后比<0.55N0.75<顶长比<1.25N货车YY客车轿车 图4-1 车型特征匹配程序流程图
最终Matlab实现对于车辆处理后，车型匹配结果是：该车型为car，车长为3.5226，车高为1.3246。运行结果如图4-2所示。
图4-2最终运行结果
- -
34
5总结与展望
5.1总结与分析
基于车辆轮廓定位匹配的车型识别系统运用了图像处理技术和图像识别技术。用一个安装在高速公路或城市内公路上的摄像头来采集车辆图像，计算机对图像进行实时处理，识别车道与车辆，对车辆进行统计与记录。该设备对治理公共交通，以及交通控制作用显著。
本文根据实际应用场合的需要，在车辆特征的选取上，研究了车辆外观特征与其类型之间的关系，结合车辆形状特征参数和其相对几何尺寸参数作为车型分类依据，有效地区分了三种不同类型的车辆。 主要工作及创新点体现在：
（1）将序列差分法应用到车型识别系统中来，是车型与背景能够很好的分离出来。采用实时摄入极短时间内的两幅车型图像，减去相同的部分，剩下的只有车型部分了。这样可以很大程度上提高车型与背景的分离效果。可适应与不同时间、不同天气、不同光线的车型图像的背景分割。
（2）对拉普拉斯边缘检测之后车型图像进行横向填充、纵向填充，并利用扫描分对离散噪声进行剔除。这样可以方便准确的提取出车型轮廓的信息。
5.2未来展望
目前的车型识别方法还存在一些问题：
（1）虽然计算机的处理速度越来越快，然而图像处理十分复杂，运算量大，特别是在车型图像采集是遇到照明采光不好，雨、雾、雪等恶劣天气，或物体本身发光等，都会使得车型图像产生比较严重的噪声，处理速度和图像分割算法对于整个系统来书至关重要的。因此研究具有良好抗噪性能、运行稳定、采用并行算法的图像分割方法就显得尤为重要。
（2）对于车辆的识别还打不到100%，应增加考虑对困难车辆进行识别的方法。这些都是以后研究的重点，都是以后迫切需要解决的问题。
- - 35