本 科 毕 业 设 计
图2.16 图像膨胀操作
第 16 页 共 32 页
图像膨胀后，与前面边缘检测后图像比较可发现，边缘检测后边界的一些细小的断点和缝隙被膨胀后的线条充满，整个轮廓线条连接顺畅，达到了预期的效果。 2.3.3图像填充
上述研究我们已经得到较好的车型边缘轮廓，接下来将此边缘轮廓图填充起来，作为形状图形进行研究。
填充操作是一种根据像素边界求取像素区域的操作，也是形态学的一种常用操作，图像的填充可以由函数imfill函数来实现。Imfill函数将二值图像中的亮区域所包围的暗区域全部变成亮区域。用这个函数就能很好的完成将边缘轮廓图所围的区域填充，可以得到一个完整的车型形状图。
所2.17：
得图形如图
本 科 毕 业 设 计
2.17 图像填充
第 17 页 共 32 页
填充后的图像，轮廓内部的一些暗点已经全部变成亮点，成为一个较完整的车型图像，图像边缘还存在参差不齐的现象，如果就这样提取特征参数会很影响车型特征值的有效性，所以下面的操作就是要去除边缘的毛刺，使车型轮廓平滑整齐。 2.3.4图像开运算、闭运算
开闭运算就是将膨胀腐蚀操作按照不同顺序合并，产生两种不同的结果。先腐蚀后膨胀是开运算，先膨胀后腐蚀是闭运算这俩种图像在细节变换处很有效。作用各不相同，开运算一般能平滑图像的轮廓，消弱狭窄的部分，去掉细的突出，而闭运算在融合窄的缺口和细长的弯口、去除小洞、填补轮廓的缝隙方面效果比较明显。
开闭运算的函数分别为imopen、imclose。闭运算、开运算图分别如图2.18、图2.19：
本 科 毕 业 设 计
图2.18 图像闭运算
第 18 页 共 32 页
图2.19 图像开运算
做完图像的开运算后，由图2.15、图2.16可以看出，汽车的形状已经很明显，接下来只需对该汽车形状做特征提取便可得到所需识别车型的特征参数。
2.4 本章小结
本章主要是对图像做预处理，图像的预处理是车型识别的基本步骤，车型图像预处理的好坏直接关系到之后特征值的选取结果，从而影响识别结果。本章对车型图像做了一系列基本处理，包括图像灰度化、滤波去噪、差分、二值化及形态学的一些操作，并对边缘检测的多种算子做对比。
本 科 毕 业 设 计
3 车辆特征提取
第 19 页 共 32 页
特征选取对于车型识别尤为重要，特征值提取的不合理不仅会使识别的运算量增加，识别速度降低，也会使车辆识别出现误差，降低车型识别率。
3.1 特征选取方法
特征的提取方法要考虑到车辆特征的具体情况，不能只从理论角度思考，通过对车型图像的参数提取或变换，得到一组能真正反映车辆信息的特征值。特征值有两种提取方法，一种是根据某些原理进行特征提取，比如把同一识别对象在不同波段的摄像得到的灰度作为它的特征，这种应用在农田估产、森林资源调查中广泛应用。另一种就是要求对待识别的图像的各种特征都充分理解，然后把这种特征转化为文字或数值来识别。
对于车型的特征提取，从技术角度来说，所能提取的特征信息越多，就越能详细准确的分类车型，但是从使用角度来说，为了能够快速识别车型，特征参数就不能太多，而且一些冗余特征信息也会影响车型识别的准确度。为了能准确快速的识别车型，所提取的特征值必须具有代表性和较小的冗余度，同时还有满足不同条件下，特征值的稳定性。基于以上要求，特征值选取要满足以下三个特点：
第一，区别性，不同的车型其特征值有较明显的差异。 第二，相似性，对于相同的车型其特征值都会比较接近。
第三，简单性，特征值个数越多，车型识别系统就会越复杂，因此特征值的选取要尽可能少。
以上提出的三个特点，区别性是基本的特点，是特征值选取的关键，相似性则是为了保证识别的准确率，简单性是为了保证车型识别的速度。
3.2 车型特征参数
车辆的特征值可以有很多，如车辆的长度、高度、顶长度、轴距及底盘高度等，从实际角度考虑，轴距或底盘高度的特征值提取难度较高，会增加运算量，并且不同类车型特征不明显，所以本设计采用车型的长高比作为车型的特征值，由于取素材在实地拍摄时都是在马路旁边，指向马路对面，所照的图片都是车辆的侧面，图片大小为600*450,24为真彩色图像。根据光学成像原理可以准确的得出车辆的长高比，按每种车的参数将其归为相应的车型类别。在车型图像分割完成后，可得到清晰完整的汽车形状图，提取车型参数。程序如下：
本 科 毕 业 设 计
第 20 页 共 32 页
[L,num] = bwlabel(e,8); %标注二进制图像中已连接的部分 Feastats = imfeature(L,'basic'); %计算图像区域的特征尺寸
BoundingBox=[Feastats.BoundingBox]; %[x y long height]车型的框架大小 long=BoundingBox(3);%车辆长度的计算 height=BoundingBox(4);%车辆高度的计算 a=long; b=height; d=a/b
先将已连接的车型部分标注，用imfeature函数计算图像标注区域的特征值，BoundingBox中分别包含车型的长宽信息，但是由于拍摄的角度，车辆的远近不同，这些参数都不是绝对长度或绝对高度，但他们的长宽比例是固定的，所以求出车型的长宽比例便可车型识别的参数。
3.3 本章小结
本章介绍了特征选取的两种方法，和特征选取要注意的几个特点，包括相似性、区别性和简单性。以及在此次课题研究中所选取的特征值，并附上部分特征值提取程序。
4 车型识别分类
经过以上车辆图像的一系列操作后，便可以对车辆图像做最后的操作，即将所得的车辆特征值送入神经网络分类器进行识别。
4.1 车型的分类
本课题将车型分为小车、大货车、大客车，通过对着三类车的特征分析，把车辆的长高比作为识别车型的特征值。相机所拍摄的都是车辆的侧面图，虽然汽车的种类繁多，但就以上三种车型其长高比都存在一定差异，小汽车的长高比一般保持在2.55左右，大客的长高比在2.70左右，而大货车长高比是2.85左右，所以根据长高比不同的范围可以较好的划分车型的类别来识别车型。
4.2 神经网络介绍
人类的思维方式具有独特性的特点，它是通过人脑中的大脑神经网络完成的各种大