車型識(shí)別研究綜述

基于視頻圖像解決的車型識(shí)別研究文獻(xiàn)綜述1、車型識(shí)別技術(shù)研究背景與意義隨著中國(guó)特色社會(huì)主義當(dāng)代化建設(shè)和都市化建設(shè)的快速發(fā)展，越來(lái)越多的家庭以及公司擁有機(jī)動(dòng)車，有些家庭甚至擁有多輛機(jī)動(dòng)車。據(jù)中國(guó)公安部統(tǒng)計(jì)，截至6月底，中國(guó)機(jī)動(dòng)車保有量達(dá)2.33億輛，其中汽車1.14億輛，摩托車1.03億輛。另?yè)?jù)中國(guó)社科院公布的《中國(guó)汽車社會(huì)發(fā)展報(bào)告-》預(yù)計(jì)，中國(guó)私人汽車擁有量將破億，中國(guó)汽車大國(guó)的地位得到進(jìn)一步確實(shí)立。然而，汽車普及率的提高造成了都市交通擁擠堵塞日益加劇，交通事故頻繁發(fā)生，交通環(huán)境逐步惡化。與此同時(shí)，隨著車輛的增多，車輛失竊，肇事逃逸，以及運(yùn)用車輛進(jìn)行違法犯罪活動(dòng)等事件也日益增多，從而對(duì)公安部門的警力資源提出了嚴(yán)峻的規(guī)定。為從根本上解決上述的問(wèn)題，人們開(kāi)始運(yùn)用多個(gè)新技術(shù)，并結(jié)合運(yùn)用現(xiàn)有的交通資源設(shè)施，將人、車、路緊密聯(lián)系起來(lái)，不僅有效地緩和了交通阻塞問(wèn)題，并且對(duì)交通事故的應(yīng)急解決、環(huán)境的保護(hù)、能源的節(jié)省都有了明顯的效果。智能交通系統(tǒng)正是在此背景下應(yīng)運(yùn)而生。智能交通系統(tǒng)（IntelligentTransportationSystem,ITS）是一種廣泛包含多個(gè)技術(shù)的統(tǒng)稱，指的是人們將先進(jìn)的信息技術(shù)、數(shù)據(jù)通信傳輸技術(shù)、電子控制技術(shù)、傳感器技術(shù)以及計(jì)算機(jī)解決技術(shù)等有效地綜合運(yùn)用于整個(gè)交通體系，從而建立起的一種在大范疇內(nèi)、全方位發(fā)揮作用的實(shí)時(shí)、精確、高效的交通綜合管理系統(tǒng)[1]。智能交通系統(tǒng)是現(xiàn)在世界各國(guó)交通領(lǐng)域競(jìng)相研究和開(kāi)發(fā)的前沿研究課題和熱點(diǎn)。現(xiàn)在智能交通系統(tǒng)在世界上應(yīng)用最為廣泛的地區(qū)是日本（VICS系統(tǒng)），另一方面是美國(guó)、歐洲等國(guó)家和地區(qū)也得到普遍應(yīng)用。中國(guó)在這方面也開(kāi)始了快速的發(fā)展，在北京、上海、廣東等地也開(kāi)始了廣泛的應(yīng)用。智能交通系統(tǒng)的核心功效是對(duì)過(guò)往車輛的精確檢測(cè)和對(duì)的的車型識(shí)別?，F(xiàn)在對(duì)車輛檢測(cè)技術(shù)的研究重要有兩個(gè)技術(shù)流派，分別為車輛自動(dòng)識(shí)別（AutoVehicleIdentification）和車輛自動(dòng)分類（AutoVehicleClassification）。前者是運(yùn)用車載設(shè)備與地面基站設(shè)備互識(shí)進(jìn)行，該技術(shù)重要用于收費(fèi)系統(tǒng)中，在發(fā)達(dá)國(guó)家使用范疇較廣，如美國(guó)的AE-PASS系統(tǒng)、日本的ETC系統(tǒng)，全球衛(wèi)星GPS定位等。后者是通過(guò)檢測(cè)車輛本身固有的參數(shù)，在一定車輛分類原則下運(yùn)用適宜的分類識(shí)別算法，主動(dòng)地對(duì)車輛進(jìn)行分型，這一類技術(shù)應(yīng)用比較廣泛，己經(jīng)有諸多成熟的系統(tǒng)應(yīng)用在實(shí)際生活中，該類技術(shù)能夠通過(guò)射頻微波、紅光、激光、聲表面波等方式來(lái)自動(dòng)識(shí)別車輛信息，也能夠使用視頻圖像解決的方式來(lái)識(shí)別車牌、車型等車輛信息。比較成熟技術(shù)有環(huán)形線圈檢測(cè)、激為紅外線檢測(cè)、超聲波/微波檢測(cè)、地磁檢測(cè)等[2]，但這幾個(gè)辦法各有優(yōu)劣，優(yōu)點(diǎn)是識(shí)別精確比較高，但缺點(diǎn)也很明顯，重要缺點(diǎn)有施工和安裝過(guò)程十分復(fù)雜，影響正常交通秩序，維護(hù)困難，重要設(shè)備易損壞，耗費(fèi)較大等。近年來(lái)隨著計(jì)算機(jī)多媒體技術(shù)和圖像解決技術(shù)的發(fā)展，基于視頻的車輛自動(dòng)分類識(shí)別技術(shù)在當(dāng)代交通控制系統(tǒng)中占的分量也越來(lái)越大，社會(huì)各界投入的研究力量也越來(lái)越多。該類技術(shù)能夠適應(yīng)動(dòng)態(tài)交通狀況的變化，通過(guò)實(shí)時(shí)采集大量的交通流量數(shù)據(jù)并將其傳輸?shù)浇煌ü芾碇行模行耐ㄟ^(guò)系統(tǒng)提供的數(shù)據(jù)能夠快速做出控制決策，解決交通擁堵等問(wèn)題。同時(shí)，運(yùn)用該技術(shù)能夠分析道路的車流量信息，有助于公路網(wǎng)的總體規(guī)劃及道路建設(shè)。但上述功效的實(shí)現(xiàn)依賴于交通數(shù)據(jù)的采集和解決，傳統(tǒng)的數(shù)據(jù)采集器辦法，不能大范疇覆蓋檢測(cè)區(qū)域，缺少靈活性且功效單一。因此，隨著現(xiàn)在交通系統(tǒng)中視頻設(shè)備的大量引入，越來(lái)越多地采用視頻檢測(cè)辦法作為交通數(shù)據(jù)采集的手段，為智能交通系統(tǒng)提供所需的路面運(yùn)動(dòng)車輛信息。由于我國(guó)對(duì)道路監(jiān)控的日益重視，視頻檢測(cè)技術(shù)己成為智能交通領(lǐng)域最重要的信息采集手段，綜合評(píng)比，將視頻檢測(cè)技術(shù)應(yīng)用于高速公路和都市道路含有很大的可行性，基于視頻車型識(shí)別系統(tǒng)，將全方面提高公路和信息采集和安全管理的水平，在智能交通系統(tǒng)中一定會(huì)發(fā)揮越來(lái)越重要的作用?；谝曨l的車型識(shí)別系統(tǒng)是運(yùn)用計(jì)算機(jī)分析通過(guò)攝像頭和圖像采集卡獲取視頻圖像，通過(guò)對(duì)特定區(qū)域的視頻圖像解決分析，完畢車輛檢測(cè)和車輛分類識(shí)別。該技術(shù)綠色、環(huán)保，使用簡(jiǎn)潔，維護(hù)方便，只需在路面上方架設(shè)一部或幾部攝像機(jī)，或運(yùn)用交通部門現(xiàn)有的電視監(jiān)控設(shè)備，將路面實(shí)時(shí)視頻圖像輸入系統(tǒng)中，能夠立刻進(jìn)行分析，提取出需要的交通流信息。因此，與其它技術(shù)相比，視頻檢測(cè)技術(shù)的優(yōu)越性體現(xiàn)在:（1）采用非接觸檢測(cè)方式，安裝維護(hù)不必破開(kāi)路面，不影響路面壽命，不影響交通；（2）能夠檢測(cè)更大范疇內(nèi)的交通流信息，從而減少設(shè)備數(shù)量，節(jié)省資金；（3）能夠在采集交通流信息的同時(shí)提供交通的實(shí)時(shí)視頻圖像，便于監(jiān)察；（4）對(duì)于某些應(yīng)用，例如交通量調(diào)查等，能夠把視頻圖像采集存儲(chǔ)后，離線進(jìn)行分析解決；（5）當(dāng)環(huán)境發(fā)生變化，或系統(tǒng)移動(dòng)到他處使用時(shí)，只需簡(jiǎn)樸設(shè)立，系統(tǒng)即可重新投入使用。（6）能夠綜合提供交通數(shù)據(jù)信息和視頻圖像，便于對(duì)現(xiàn)場(chǎng)的全方面、直觀檢測(cè)。能夠提供流量、速度、占有率、車長(zhǎng)度分類、車頭時(shí)距與車頭間距、排隊(duì)長(zhǎng)度等豐富的交通數(shù)據(jù)監(jiān)控信息;并且借助視頻圖像的參考，能夠極大的提高監(jiān)控質(zhì)量。總而言之，開(kāi)展基于視頻圖像的車型識(shí)別研究意義重大，其研究成果不僅含有廣闊的應(yīng)用前景，并且對(duì)于解決擁堵的交通環(huán)境、規(guī)劃都市交通系統(tǒng)和盡快發(fā)展我國(guó)的智能交通系統(tǒng)等含有重要的戰(zhàn)略意義。2、國(guó)內(nèi)外研究現(xiàn)狀2.1車型識(shí)別技術(shù)的研究現(xiàn)狀現(xiàn)在已有的車型識(shí)別分類辦法重要是以電子標(biāo)簽、感應(yīng)線圈、壓力傳感、CCD（ChargeCoupledDevice，電荷耦合器件）攝錄機(jī)以及多個(gè)光波為手段的車型識(shí)別法[3]等。（1）射頻識(shí)別法:現(xiàn)在該辦法多被應(yīng)用于國(guó)外車輛收費(fèi)系統(tǒng)ETC中，現(xiàn)在我國(guó)的部分省市道路收費(fèi)站也開(kāi)始應(yīng)用該系統(tǒng)。這類辦法涉及下列幾個(gè)單元：在機(jī)動(dòng)車上用于裝置的發(fā)射器或lC卡、運(yùn)用天線進(jìn)行接受的接受器以及用來(lái)控制與解決信號(hào)的計(jì)算機(jī)。當(dāng)該辦法工作時(shí)，裝置于車輛上的發(fā)射器用于發(fā)送含有代表通過(guò)車輛的特性代碼，帶有天線的接受器解決接受，計(jì)算終端運(yùn)用互聯(lián)網(wǎng)環(huán)境收集解決車輛信息，最后運(yùn)用該辦法整個(gè)體系中目的車輛的綜合信息與車輛擁有者進(jìn)行清算[17]。但是由于需要設(shè)立另外的監(jiān)控裝置以避免車輛擁有者更換標(biāo)簽，同時(shí)這種辦法需要裝置的發(fā)射器，這些都增加了該辦法的資本投入，因此這種辦法在我國(guó)應(yīng)用不多。（2）環(huán)形感應(yīng)線圈識(shí)別法：環(huán)形感應(yīng)線圈識(shí)別法屬于觸碰式被迫檢測(cè)分類技術(shù)，該辦法運(yùn)用埋入裝置在道面下的電磁線圈，對(duì)通過(guò)線圈的機(jī)動(dòng)車所含有的特性頻率進(jìn)行擴(kuò)大，由于構(gòu)成不同機(jī)動(dòng)車的金屬材質(zhì)是不同的，其引發(fā)的電磁感應(yīng)變化也都不一眼，因此該辦法就是根據(jù)感應(yīng)數(shù)據(jù)的不同對(duì)不同的機(jī)動(dòng)車進(jìn)行分類。即使該辦法的資金投入量不多，魯棒性好以及受環(huán)境干擾較小，但是在具體應(yīng)用時(shí)，多數(shù)道面下的線圈由于多個(gè)外界因素而被破壞，因此修護(hù)需要投入的資源較多。（3）壓力傳感器識(shí)別法:壓力傳感器識(shí)別法屬于觸碰式被迫檢測(cè)分類技術(shù)，按照運(yùn)用的測(cè)試裝置該辦法可分為應(yīng)變測(cè)試器、壓力測(cè)試器和電容器測(cè)試器，當(dāng)機(jī)動(dòng)車通過(guò)埋設(shè)在道面下的測(cè)試器時(shí)，測(cè)試器接受壓力會(huì)形成微小變化，該辦法運(yùn)用這變化而產(chǎn)生的返回信號(hào)分別得到目的機(jī)動(dòng)車的整體重量、平均速度、軸間距等重要的數(shù)據(jù)，從而完畢對(duì)不同類型機(jī)動(dòng)車的分類[22][23]。壓力傳感器識(shí)別法識(shí)別速度高并且識(shí)別成果頁(yè)較好，但其設(shè)施安置過(guò)程技術(shù)性較強(qiáng)，多個(gè)外界因素也會(huì)在很大程度上干擾該辦法的分類精度。（4）激光識(shí)別法：激光識(shí)別技術(shù)屬于非觸碰式自動(dòng)檢測(cè)分類技術(shù)，該辦法運(yùn)用安裝于機(jī)動(dòng)車上或信息收集站的激光發(fā)射器，收集不同類型機(jī)動(dòng)車產(chǎn)生的不同光波感應(yīng)，從而運(yùn)用測(cè)量光波感應(yīng)成果得到機(jī)動(dòng)車的非二維外形，從而完畢對(duì)不同類型機(jī)動(dòng)車的分類[25]。即使該辦法已被應(yīng)用在某些發(fā)達(dá)國(guó)家的高速公路收費(fèi)站[26]，但這種辦法中的激光設(shè)備之間不僅容易產(chǎn)生光波誤差，識(shí)別率不高，并且設(shè)施資金投入量較大，同時(shí)光波頻射污染也是值得考慮的投入因素。（5）雷達(dá)識(shí)別法：雷達(dá)識(shí)別法屬于非觸碰式自動(dòng)檢測(cè)分類技術(shù)，該辦法運(yùn)用安裝于機(jī)動(dòng)車上或信息收集站的雷達(dá)測(cè)試器發(fā)射雷達(dá)信號(hào)，同時(shí)目的車輛反饋回雷達(dá)信號(hào)，系統(tǒng)測(cè)試器運(yùn)用多普勒原理，檢測(cè)出運(yùn)動(dòng)中機(jī)動(dòng)車的頻率移動(dòng)，產(chǎn)生感應(yīng)反饋信息，從而運(yùn)用不同類型的機(jī)動(dòng)車得到的感應(yīng)反饋信息不同，該辦法完畢對(duì)不同類型機(jī)動(dòng)車的分類[28][29]。雷達(dá)識(shí)別法之因此被應(yīng)用較少的重要因素是由于多普勒效應(yīng)的局限性，當(dāng)機(jī)動(dòng)車群停住運(yùn)動(dòng)或運(yùn)動(dòng)速度較慢時(shí)，該系統(tǒng)都將會(huì)停止工作。（6）紅外線識(shí)別法：紅外線識(shí)別法可基本分為自動(dòng)式和被迫式[31]。當(dāng)有機(jī)動(dòng)車通過(guò)檢測(cè)區(qū)域時(shí)，被迫式測(cè)試器檢測(cè)到機(jī)動(dòng)車含有的熱輻射能量，并運(yùn)用中樞系統(tǒng)向控制解決中心發(fā)送車輛信息，從而完畢車型分類。自動(dòng)式測(cè)試器自動(dòng)發(fā)射紅外光波，不同的機(jī)動(dòng)車型將紅外光波反饋會(huì)測(cè)試器，系統(tǒng)從而運(yùn)用不同的反饋信息來(lái)識(shí)別不同類型的機(jī)動(dòng)車型[32]。紅外線識(shí)別法即使識(shí)別速度快、識(shí)別效率較高且其設(shè)施后續(xù)修護(hù)投入不高，但該辦法魯棒性差，多個(gè)外界因素容易使識(shí)別對(duì)的率大大減少。（7）CCD視頻識(shí)別法：基于CCD視頻圖像的車型識(shí)別技術(shù)屬于非觸碰式被迫檢測(cè)分類技術(shù)，視頻攝錄機(jī)將通過(guò)目的區(qū)域的目的車輛攝錄入數(shù)據(jù)庫(kù)，并運(yùn)用多個(gè)數(shù)字圖像解決技術(shù)[34]對(duì)于提取的目的圖像進(jìn)行分析、解決與理解，同時(shí)也完畢了對(duì)目的圖像中不同類型機(jī)動(dòng)車的分析與理解，并使識(shí)別系統(tǒng)獲得目的機(jī)動(dòng)車型的多個(gè)車型內(nèi)容，從而完畢對(duì)不同類型機(jī)動(dòng)車的分類，該辦法含有以下特點(diǎn)[4]：1、由于直接對(duì)CCD攝錄設(shè)備得到目的圖像進(jìn)行分析，不需要在目的公路區(qū)域安裝另外的感應(yīng)設(shè)備，減少了系統(tǒng)的資本投入量，并且CCD攝錄機(jī)不需要技術(shù)性的拆裝過(guò)程，后續(xù)的修護(hù)資本投入極少；2、CCD攝錄設(shè)備實(shí)時(shí)有效的收集攝錄了目的公路區(qū)域的機(jī)動(dòng)車圖像，圖像內(nèi)容包含的機(jī)動(dòng)車信息完整、豐富，最大程度的運(yùn)用了安裝設(shè)施的效用；3、可提供公路現(xiàn)場(chǎng)信息的視頻圖像錄像，重現(xiàn)現(xiàn)場(chǎng)的環(huán)境與內(nèi)容，為有關(guān)部門研究現(xiàn)場(chǎng)因素與行為、提高路網(wǎng)系統(tǒng)的管理效率提供了充足的條件；4、不同的CCD視頻攝像機(jī)之間不會(huì)產(chǎn)生干擾，并且設(shè)備對(duì)自然外界也不會(huì)產(chǎn)生影響，含有環(huán)保的特點(diǎn)。上述特點(diǎn)使基于CCD視頻圖像的車型識(shí)別辦法已然成為車型分類技術(shù)的重要發(fā)展方向，并已引發(fā)了各國(guó)專家的進(jìn)一步研究，該辦法的研發(fā)困難之處在于車型分類系統(tǒng)對(duì)于高速運(yùn)動(dòng)的機(jī)動(dòng)車識(shí)別的可行性規(guī)定高，在內(nèi)容豐富的視頻圖像中對(duì)車型進(jìn)行分類的有效性與否能夠達(dá)成路網(wǎng)信息解決的指標(biāo)，但隨著計(jì)算機(jī)視覺(jué)、圖像分析與理解等技術(shù)的不停革新，基于視頻的車型識(shí)別核心技術(shù)也在不停的進(jìn)步，其識(shí)別分類的實(shí)時(shí)性與有效性正被逐步的改善，因此，這一技術(shù)必然會(huì)在ITS中獲得全方面的發(fā)展與應(yīng)用，并會(huì)成為車型分類技術(shù)的主流趨勢(shì)。2.2基于視頻圖像解決的車型識(shí)別研究現(xiàn)狀車型識(shí)別技術(shù)是道路交通視頻監(jiān)控系統(tǒng)的一種重要研究領(lǐng)域,是智能交通管理系統(tǒng)的一種重要應(yīng)用基礎(chǔ)。它以計(jì)算機(jī)視覺(jué)、數(shù)字信號(hào)解決、模式識(shí)別等技術(shù)為基礎(chǔ),通過(guò)視頻監(jiān)控或高速拍照等方式取樣,以工控機(jī)或嵌入式解決器為解決平臺(tái),完畢對(duì)小汽車、載貨車、載客車等車型的分類和識(shí)別。其識(shí)別的成果信息能夠全方面應(yīng)用于道路交通視頻監(jiān)控系統(tǒng),如車流檢測(cè)與統(tǒng)計(jì)、超速檢測(cè)與處分、移動(dòng)車輛稽查等,也能夠用于不停車收費(fèi)系統(tǒng)。該技術(shù)可有效配合智能交通信息管理中心完畢規(guī)劃路網(wǎng)、管理通流、高效收費(fèi)等智能化應(yīng)用,可最后有效改善道路擁堵,提高路網(wǎng)通流效率,優(yōu)化交通運(yùn)輸環(huán)境。車型識(shí)別根據(jù)研究人員各自研究的不同應(yīng)用目的,出現(xiàn)了多個(gè)不同的解決方案,普通有下列幾個(gè)研究方向:（1）判斷車的類型,即身份識(shí)別?！吧矸葑R(shí)別”方式需要識(shí)別出車輛屬于已知模式類中的哪一類,常有的模式類有:（a）規(guī)格模式類,以一定原則判斷目的車輛規(guī)格。如工程用車、大型車、中型車、公共汽車、小汽車等,有關(guān)這類模式的研究重要應(yīng)用在公路收費(fèi)、車流分析等需求中。（b）系列模式類,按車標(biāo)辨別車輛廠家系列。如大眾、別克、東風(fēng)、三菱等,重要應(yīng)用于市場(chǎng)統(tǒng)計(jì)、交通管理、公安稽查等。（c）品牌模式類,按車系固有品牌特性來(lái)辨別具體車輛品牌。如桑塔納、馬自達(dá)、別克君威等,用于更高級(jí)的公安稽查系統(tǒng)、市場(chǎng)統(tǒng)計(jì)等場(chǎng)合。（2）判斷車輛對(duì)象與否屬于某己知庫(kù),即身份鑒定。“身份鑒定”方式普通運(yùn)用圖片解決技術(shù)即可實(shí)現(xiàn)大多數(shù)該類型應(yīng)用,如比較兩張車輛圖片與否屬于同一輛車,查找車輛圖片庫(kù)中與已知車輛相似者等,普通應(yīng)用于公安稽查、圖像檢索、出入管理等場(chǎng)合。車型識(shí)別技術(shù)的諸多研究領(lǐng)域和應(yīng)用場(chǎng)合中,識(shí)別對(duì)象來(lái)源重要有兩種:（1）物理測(cè)量通過(guò)物理手段,如聲音捕獲裝貿(mào)、金屬傳感器、衡器等獲得車輛的多個(gè)物理參數(shù)(聲音、重量、寬度、高度等),運(yùn)用這些車輛的畫(huà)有特性進(jìn)行分類以達(dá)成車型識(shí)別的目的。優(yōu)點(diǎn):物理測(cè)量信息可靠性強(qiáng),由于車輛載重、車高等物理參數(shù)與車輛規(guī)格親密有關(guān),因此通過(guò)物理測(cè)量到的信息和簡(jiǎn)潔的算法即能夠辨別車輛類型。缺點(diǎn):施工復(fù)雜,路面輔助設(shè)施的添設(shè)也同時(shí)提高了系統(tǒng)的不穩(wěn)定性,并且這種方式只能判斷車輛大小規(guī)格,無(wú)法進(jìn)一步獲取更多信息。（2）圖像解決靜態(tài)圖片分析是通過(guò)對(duì)單一拍攝的含有車輛的圖片進(jìn)行解決,并與離線獲取的圖片庫(kù)進(jìn)行比對(duì),實(shí)現(xiàn)車型識(shí)別。在實(shí)時(shí)條件下的圖片分析即為視頻解決,通過(guò)攝像頭采集車輛動(dòng)態(tài)視頻圖像,來(lái)分析現(xiàn)場(chǎng)環(huán)境、獲取光照立體信息、自學(xué)習(xí)背景提取運(yùn)動(dòng)車輛,從而進(jìn)一步識(shí)別車輛類型。優(yōu)點(diǎn):設(shè)備架設(shè)簡(jiǎn)樸環(huán)保,嵌入式視頻解決方案即能夠滿足大多數(shù)場(chǎng)合,并且采集信息的可挖掘性強(qiáng),能充足抽取車輛圖像中的信息,以完畢更多高級(jí)分類識(shí)別應(yīng)用。缺點(diǎn):可靠性有待提高,圖像傳感器受光照、天氣等自然因素影響較大,適宜的拍攝角度不易選擇,且算法難度較大,難以滿足實(shí)時(shí)應(yīng)用需求。這是這一技術(shù)遲遲未大量應(yīng)用于實(shí)際系統(tǒng)中的因素。在基于圖像(視頻)解決的車型識(shí)別研究中,不少研究人員提出了有針對(duì)性的思路:（1）根據(jù)車牌顏色進(jìn)行分類和識(shí)別根據(jù)我國(guó)車牌發(fā)放原則規(guī)定,大型車輛發(fā)放黃底黑字車牌,普通小型車輛發(fā)放藍(lán)底白字車牌,涉外車輛發(fā)放黑底白字車牌,軍警及武警車輛發(fā)放白底黑字車牌,軍車前中文為紅色。由此,通過(guò)對(duì)車牌顏色的判斷即能夠初步識(shí)別出車型,簡(jiǎn)樸易行,識(shí)別成果能夠應(yīng)用于公路收費(fèi)系統(tǒng)。但這種辦法與我國(guó)車牌發(fā)放規(guī)定有關(guān),若有關(guān)規(guī)定更改,則系統(tǒng)將不再合用,通用性不強(qiáng)。因此這種“關(guān)聯(lián)判斷”式的識(shí)別辦法無(wú)法大規(guī)模使用。（2）通過(guò)車標(biāo)進(jìn)行識(shí)別定位并分離出車標(biāo)區(qū)域,與已有的模板進(jìn)行比對(duì),即能夠識(shí)別出車輛品牌。由于車標(biāo)模板獲取較容易,因此這種辦法實(shí)現(xiàn)不困難,能夠應(yīng)用于市場(chǎng)調(diào)查等應(yīng)用場(chǎng)合。但該辦法依賴于淸晰的照片,或車標(biāo)拍攝完整的照片,實(shí)際應(yīng)用場(chǎng)合本輛遮擋或移物掩蓋造成無(wú)法獲得完整車標(biāo),山此限制了應(yīng)用環(huán)境。（3）根據(jù)車輛輪廓信息進(jìn)行識(shí)別以圖像預(yù)解決技術(shù)和圖像分割技術(shù)為基礎(chǔ)完畢車輛與環(huán)境的分離,以邊沿檢測(cè)技術(shù)和濾波算法為核心抽取出車輛的輪廓,計(jì)算其幾何特性如頂長(zhǎng)比、頂寬比、前后比、面積等作為車輛分類特性元素,最后以此為根據(jù)進(jìn)行含糊鑒別完畢車型分類和識(shí)別。這類方案算法簡(jiǎn)潔、效率較高,但實(shí)際應(yīng)用時(shí)拍攝角度、光照陰影、車輛遮擋等因素將影響車輛輪廓提取,對(duì)算法性能產(chǎn)生重大影響。（4）以車輛紋理信息為核心進(jìn)行識(shí)別通過(guò)背景建模技術(shù)學(xué)習(xí)現(xiàn)場(chǎng)環(huán)境,使用圖像分割技術(shù)分離出車輛區(qū)域作為感愛(ài)好區(qū),通過(guò)特性抽取辦法提取該區(qū)域紋理特性,并統(tǒng)計(jì)大量樣本特性訓(xùn)練生成分類器,使用分類器對(duì)未知目的紋理特性進(jìn)行識(shí)別。該辦法從理論上來(lái)說(shuō)能夠?qū)囕v進(jìn)行精確分類,能夠較為細(xì)致地鑒別出具體車型。但特性選擇困難,對(duì)圖像質(zhì)量規(guī)定較高,并且模板庫(kù)數(shù)據(jù)量大,算法也非常復(fù)雜,實(shí)時(shí)性能較弱。2.2.1國(guó)外的研究現(xiàn)狀國(guó)外專家較早地對(duì)基于圖像的車型識(shí)別技術(shù)開(kāi)展了較為進(jìn)一步的研究。上世紀(jì)70年代初，德國(guó)西門子公司開(kāi)始研究自動(dòng)車輛識(shí)別，但由于受當(dāng)時(shí)的整體技術(shù)、工藝水平的限制，未能獲得滿意的效果。Collins等[5]創(chuàng)立了一種路上移動(dòng)目的的檢測(cè)、跟蹤、識(shí)別系統(tǒng)，用訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別運(yùn)動(dòng)目的是人、人群、車輛還是干擾，網(wǎng)絡(luò)的輸入特性量有目的的分散性度量、目的大小目的表面大小與攝影機(jī)監(jiān)視區(qū)域大小的相對(duì)值。車輛又進(jìn)一步辨別為不同類型和顏色。Tan和Baker[6]描述了一種車輛定位和識(shí)別(小型公共汽車、轎車、卡車等)的辦法，在一種小窗口內(nèi)，該辦法根據(jù)圖像梯度進(jìn)行。運(yùn)用地面約束以及大部分車輛外形受兩條直線約束的事實(shí)，可得到車輛的姿態(tài)。Fung等[7]用高精度攝像機(jī)觀察車輛的運(yùn)動(dòng)來(lái)預(yù)計(jì)車輛形狀，通過(guò)預(yù)計(jì)特性點(diǎn)(車體拐角處)得到車輛輪廓?；舅枷胧歉咛匦渣c(diǎn)的移動(dòng)速度不小于低特性點(diǎn)的移動(dòng)速度，由于高特性點(diǎn)離攝像機(jī)近，車輛輪廓可用與車輛識(shí)別。加州大學(xué)伯克萊分校D.Koller和他的研究小組提出了在同一時(shí)刻檢測(cè)和跟蹤多輛車，得到車輛形狀信息的辦法，并采用圖像幀差技術(shù)進(jìn)行運(yùn)動(dòng)分割，背景圖像用Kallman濾波進(jìn)行更新。G.LForesti等開(kāi)發(fā)了一種車輛跟蹤系統(tǒng)，其中涉及一種多級(jí)識(shí)別模塊實(shí)現(xiàn)車輛識(shí)別。J.Ferryman等[8]建立了一種參數(shù)化的可變形三維模板，該模板通過(guò)演變，可合用于多個(gè)車輛。G.D.Sulhvan等[]采用三個(gè)一維模板檢測(cè)與否有某類型車輛，當(dāng)檢測(cè)存在時(shí)，再用該類型車輛對(duì)應(yīng)的二維模板進(jìn)行跟蹤，即車輛識(shí)別的驗(yàn)證過(guò)程，該辦法采用了多模板的思想，有一定的創(chuàng)新作用。Jolly等[9]用變形模板來(lái)研究車輛識(shí)別，首先，建立目的車輛車頭部分的側(cè)視圖以及正視圖的變形模板。通過(guò)直方圖交集，車輛的RGB直方圖也必須比較，適宜的車型模板邊的點(diǎn)集也通過(guò)點(diǎn)集間的Hausdorff距離與其它車輛模板進(jìn)行比較。內(nèi)華達(dá)大學(xué)的SunZehang等[10]使用Gabor濾波和支持向量機(jī)的辦法完畢車輛檢測(cè)。Gabor濾波提供了獲得灰度不變性特性的維數(shù)，能夠合用于光照變化和尺度變化的條件下，車輛含有較強(qiáng)的邊沿和水平線信息，它們含有方向性和尺度。Gabor濾波能夠?qū)@些特性有更強(qiáng)的魯棒性。在車輛檢測(cè)階段運(yùn)用SVM進(jìn)行驗(yàn)證。同時(shí)也使用進(jìn)化Gabor濾波優(yōu)化來(lái)完畢特性抽取。另外，SunZehang還使用量化Haar小波特性和支持向量機(jī)的特性選擇和分類的車輛檢測(cè)辦法。文中指出，小波特性由于其壓縮性表達(dá)而非常適合車輛檢測(cè)。它編碼邊沿信息，產(chǎn)生多比例信息并能夠被有效計(jì)算。另外，通過(guò)對(duì)于小波系數(shù)的量化來(lái)實(shí)現(xiàn)重要信息的編碼。車輛檢測(cè)系統(tǒng)的訓(xùn)練和測(cè)試的數(shù)據(jù)集是采自于Michigan的Dearbom的32×32圖像數(shù)據(jù)集。Wisconsin大學(xué)的RanBin等人[11]提出的基于視覺(jué)的檢測(cè)算法通過(guò)計(jì)算車輛運(yùn)動(dòng)參數(shù)，跟蹤多個(gè)車輛目的。該系統(tǒng)重要由四個(gè)模塊構(gòu)成:對(duì)象檢測(cè)模塊，對(duì)象識(shí)別模塊，對(duì)象信息模塊，對(duì)象跟蹤模塊。為了檢測(cè)路上潛在的對(duì)象，涉及對(duì)稱性形狀，車輛縱橫比等特性在這一過(guò)程中被使用。兩層的神經(jīng)元網(wǎng)絡(luò)用以訓(xùn)練識(shí)別不同車型。上世紀(jì)80年代后期，隨著當(dāng)代技術(shù)的發(fā)展，一系列核心技術(shù)如低功耗解決器、高性電池和微波集成電路等的突破，使自動(dòng)車輛識(shí)別技術(shù)獲得了突破性的進(jìn)展，為交通管理自動(dòng)化開(kāi)辟了一種新紀(jì)元。近些年來(lái)，也有許多國(guó)外專家和學(xué)者相繼提出了某些新的研究成果。G.Fung等人[12]用品有較大分辨率的攝錄機(jī)來(lái)獲得機(jī)動(dòng)車的移動(dòng)形態(tài)，并運(yùn)用移動(dòng)中出現(xiàn)的多個(gè)角點(diǎn)，預(yù)計(jì)出機(jī)動(dòng)車的具體形態(tài)，得到形象的車型信息，最后運(yùn)用得到的車型信息來(lái)進(jìn)行車型識(shí)別，其缺點(diǎn)是對(duì)攝錄機(jī)的精度規(guī)定過(guò)高，并且容易遺漏車型輪廓信息，不利于實(shí)際應(yīng)用。G.S.sullivan等人[13]首先運(yùn)用3個(gè)一維模型來(lái)擬定機(jī)動(dòng)車的出現(xiàn)位置，然后運(yùn)用1個(gè)二維模型對(duì)機(jī)動(dòng)車進(jìn)行跟蹤，并運(yùn)用模型跟蹤中與目的車型對(duì)應(yīng)的二維信息對(duì)機(jī)動(dòng)車型進(jìn)行分類,即使該辦法開(kāi)創(chuàng)性的運(yùn)用了不同量與不同維的模型思想，但局限性之處就是模板的數(shù)據(jù)存儲(chǔ)量大，不利于達(dá)成實(shí)時(shí)性的指標(biāo)。D.R.Lim等[14]運(yùn)用Gabor濾波器對(duì)機(jī)動(dòng)車視頻圖像進(jìn)行了均勻?yàn)V波，運(yùn)用Gabor輪廓特性進(jìn)行匹配識(shí)別車型，即使減少了Gabor數(shù)據(jù)量，提高了實(shí)時(shí)性，但同時(shí)也減少了車型識(shí)別的精確率。W.Sinatra等[15]運(yùn)用了PCA辦法和加權(quán)LDA辦法對(duì)機(jī)動(dòng)車視頻圖像進(jìn)行特性解決，PCA和LDA辦法把圖像高維空間變換到低維空間中，然后該文獻(xiàn)運(yùn)用復(fù)PCA辦法將這些數(shù)據(jù)解決為統(tǒng)一的車型特性，并在最后運(yùn)用支持向量機(jī)對(duì)車型進(jìn)行識(shí)別，達(dá)成了較高的車型識(shí)別精度，但實(shí)時(shí)性較差，不適宜在實(shí)際中應(yīng)用。Kazemi等人[16]運(yùn)用快速傅里葉變換、離散Curvelet變換以及離散小波變換提取車型特性。Rahti等人[17]在上述基礎(chǔ)上運(yùn)用Contourlet變換替代離散Curvelet變換來(lái)提取特性，而，Zafar等人[18]通過(guò)提取不同子帶的特性來(lái)提高識(shí)別率，在，Iqbal等人[19]結(jié)合Sobel與Sift算法對(duì)車型提取特性，但提取的用于識(shí)別的車型特性維數(shù)較高，車型分類的對(duì)的率低，并且識(shí)別的車型種類少。2.2.2國(guó)內(nèi)研究現(xiàn)狀國(guó)內(nèi)專家對(duì)基于視頻圖像的車型識(shí)別技術(shù)的研究處在初級(jí)階段，研究重點(diǎn)重要在如何提取有效的車型特性。年，周愛(ài)軍，杜宇人[20]首先運(yùn)用邊沿檢測(cè)算法盡量提取車輛的完整邊沿信息，然后運(yùn)用Harris角點(diǎn)檢測(cè)辦法得到車型的角點(diǎn)信息，其局限性之處是由于噪聲和陰影的緣故，造成得到的車型邊沿信息不全方面、邊沿位置錯(cuò)位或產(chǎn)生變化，從而出現(xiàn)車型特性失效，減少車型識(shí)別精確率。圖1基于視頻圖像Harris角點(diǎn)檢測(cè)的車輛識(shí)別流程年，秦克勝等人[21]首先運(yùn)用圖像局部匹配辦法定位出目的車輛在圖像中的位置，該辦法重要應(yīng)用于圖像只涉及車輛側(cè)面的狀況，在這種狀況下，車身可近似為梯形，車輪近似為圓形，通過(guò)Hough變換算法將梯形和兩個(gè)圓形檢測(cè)出來(lái)，并將這三個(gè)特性和車輛位置關(guān)系與整幅圖像匹配識(shí)別，其局限性之處是受多個(gè)外界環(huán)境的干擾較大，存在提取特性不唯一或不完整狀況，車型識(shí)別率低。圖2基于圖像解決的車型識(shí)別技術(shù)研究流程圖年，馬蓓，張樂(lè)等人[22]提取目的車輛的紋理特性，同時(shí)計(jì)算灰度紋理特性在空間位置上的互有關(guān)系，以及相似位置上成對(duì)像素的灰度有關(guān)性，將這些數(shù)據(jù)作為車型的特性量，其明顯缺點(diǎn)是當(dāng)圖像分辨率發(fā)生變化時(shí)，計(jì)算得到的紋理特性會(huì)產(chǎn)生較大誤差，從而減少識(shí)別率，并且實(shí)時(shí)性較差。圖3基于紋理特性的汽車車型識(shí)別流程圖年，黃燦[23]運(yùn)用品有130維的Sift局部特性算子檢測(cè)目的車輛圖像在尺度空間的特性點(diǎn)，并精擬定位每個(gè)特性點(diǎn)的主方向，最后生成Sift描述特性子，并通過(guò)對(duì)影響Sift特性識(shí)別的多個(gè)因素進(jìn)行了分析，提出了基于位置約束關(guān)系的改善匹配算法，但其缺點(diǎn)是車型識(shí)別的算法復(fù)雜，識(shí)別速度低，實(shí)時(shí)性不好。圖4基于局部特性的車輛識(shí)別流程圖，康維新等[24]提出一種復(fù)合的圖像匹配模型與識(shí)別辦法，首先應(yīng)用Harris角點(diǎn)對(duì)車型初分類,再應(yīng)用SIFT特性進(jìn)行細(xì)分類,該辦法與只運(yùn)用SIFT特性進(jìn)行識(shí)別的辦法相比,在確保識(shí)別精確性基本不變的狀況下，減少約2/3的解決時(shí)間，使得實(shí)時(shí)性得到較大改善。其重要辦法流程為：圖5Harris特性與SIFT特性相結(jié)合進(jìn)行車型識(shí)別流程總體來(lái)看，現(xiàn)在國(guó)內(nèi)有關(guān)車型識(shí)別研究的重要辦法為：（1）基于神經(jīng)網(wǎng)絡(luò)的辦法：神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特性，進(jìn)行分布式并行信息解決的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)節(jié)內(nèi)部大量節(jié)點(diǎn)之間互相連接的關(guān)系，從而達(dá)成解決信息的目的。在車型識(shí)別方面，重要是運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行車型識(shí)別，也可采用神經(jīng)網(wǎng)絡(luò)與其它技術(shù)結(jié)合，如神經(jīng)網(wǎng)絡(luò)與含糊技術(shù)結(jié)合、神經(jīng)網(wǎng)絡(luò)與分形技術(shù)結(jié)合等等。下列是神經(jīng)網(wǎng)絡(luò)結(jié)合其它知識(shí)的車型識(shí)別辦法示例：（a）運(yùn)用Canny算子檢測(cè)車輛區(qū)域的邊沿，提取車輛輪廓，直接計(jì)算車輛輪廓的矩不變量，將其作為車型分類的特性量，然后建立含有3層構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)，將不變矩特性量作為神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出實(shí)現(xiàn)車型的分類[25]，精確率達(dá)成98.7%。（b）運(yùn)用脈沖神經(jīng)網(wǎng)絡(luò)模型對(duì)運(yùn)動(dòng)車輛進(jìn)行邊沿提取的基礎(chǔ)上提取運(yùn)動(dòng)目的的不變線矩特性，再用這些特性訓(xùn)練神經(jīng)網(wǎng)絡(luò)對(duì)車型進(jìn)行識(shí)別的辦法[26]。實(shí)驗(yàn)成果表明該模型能精確的提取運(yùn)動(dòng)目的的特性，達(dá)成了較高的識(shí)別率。（c）分析解決一定量的數(shù)據(jù)，提取車輛的特性值(由上頂長(zhǎng)、下頂長(zhǎng)、高等參數(shù)構(gòu)成)，運(yùn)用神經(jīng)網(wǎng)絡(luò)的自組織、自主學(xué)習(xí)等特性，構(gòu)造一種適宜的神經(jīng)網(wǎng)絡(luò)，通過(guò)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，達(dá)成能識(shí)別普通的車型如轎車、貨車、客車的目的，并達(dá)成能辨別小、中、大、特大型四種型號(hào)車輛、構(gòu)造完整的車型識(shí)別系統(tǒng)的目的。該辦法綜合了神經(jīng)網(wǎng)絡(luò)、模式識(shí)別等有關(guān)算法，對(duì)車輛的目的輪廓進(jìn)行整體識(shí)別，達(dá)成了較高的識(shí)別率[27]。（d）對(duì)信號(hào)樣本進(jìn)行三層小波包分解提取各車型不同頻帶的能量來(lái)構(gòu)造特性向量。接著建立遺傳神經(jīng)網(wǎng)絡(luò)模型，并分別采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和遺傳BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練和識(shí)別[28]，實(shí)驗(yàn)成果表明，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)分類辦法相比較，遺傳BP神經(jīng)網(wǎng)絡(luò)分類辦法收斂速度快，分類效果好，含有較高的識(shí)別率（2）基于小波變換的車型識(shí)別：小波變換是以某些特殊函數(shù)為基將數(shù)據(jù)過(guò)程或數(shù)據(jù)系列變換為級(jí)數(shù)系列以發(fā)現(xiàn)它的類似頻譜的特性，從而實(shí)現(xiàn)數(shù)據(jù)解決。小波變換是空間(時(shí)間)和頻率的局部變換，因而能有效地從信號(hào)中提取信息。通過(guò)伸縮和平移等運(yùn)算功效可對(duì)函數(shù)或信號(hào)進(jìn)行多尺度的細(xì)化分析，解決了Fourier變換不能解決的許多困難問(wèn)題。（a）文獻(xiàn)[29]運(yùn)用小波多尺度分析邊沿檢測(cè)算法實(shí)現(xiàn)特性值的提取，BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)車型的分類，該辦法達(dá)成了滿意的效果。（b）文獻(xiàn)[30]在對(duì)車型識(shí)別去噪和邊沿檢測(cè)進(jìn)行分析的基礎(chǔ)上,提出了一種基于反對(duì)稱小波的檢測(cè)辦法。首先采用尺度間有關(guān)性和尺度內(nèi)相位法進(jìn)行有效去噪,然后檢測(cè)變換模極大值,并進(jìn)行有效辨別保存真正邊沿模極大值,最后進(jìn)行有關(guān)恢復(fù)解決得到比較清晰的車型邊沿。成果表明,該辦法提高了車型邊沿檢測(cè)的精確性和車型識(shí)別率,含有較好的應(yīng)用前景。（c）文獻(xiàn)[31]運(yùn)用小波變換含有良好的多尺度特性體現(xiàn)能力,以及能在空域、頻域和方向上分別進(jìn)行分解,并且能夠去除冗余信息和噪聲等優(yōu)點(diǎn)對(duì)汽車圖像進(jìn)行分解。然后把分解后的圖像作為多層前饋神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn),對(duì)自動(dòng)噴漆線上的汽車車型進(jìn)行識(shí)別。成果表明:基于小波變換的神經(jīng)網(wǎng)絡(luò)汽車車型識(shí)別辦法,能夠識(shí)別返修車,提高了車型識(shí)別。（3）運(yùn)用地震動(dòng)信號(hào)進(jìn)行分析解決判斷車型：（a）文獻(xiàn)[32]通過(guò)外場(chǎng)實(shí)驗(yàn)獲得有關(guān)輪式車、履帶式車的大量地震動(dòng)信號(hào)，在時(shí)-頻域應(yīng)用多個(gè)辦法對(duì)信號(hào)進(jìn)行解決，得到對(duì)應(yīng)的特性矢量。運(yùn)用改善的BP網(wǎng)絡(luò)對(duì)遠(yuǎn)距離的地震動(dòng)信號(hào)進(jìn)行目的記別，基于小涉及小波包分解能量分布特性的識(shí)別率可達(dá)85％以上，這種特性矢量含有較好的可分性。（b）文獻(xiàn)[33]研究了機(jī)動(dòng)目的地震動(dòng)特性，總結(jié)出目的的地震動(dòng)信號(hào)的特性提取規(guī)律，并將神經(jīng)網(wǎng)絡(luò)辦法用于目的的地震動(dòng)信號(hào)的分類識(shí)別中，得到令人滿意的成果。（c）地面目的地震動(dòng)信號(hào)的特性提取是進(jìn)行地面目的記別技術(shù)的核心,針對(duì)人員、車輛等地面目的運(yùn)動(dòng)時(shí)產(chǎn)生的地震動(dòng)信號(hào),運(yùn)用SLJ-100FBA-T型三分向力平衡加速度計(jì)進(jìn)行了多次測(cè)試,通過(guò)典型時(shí)域分析辦法得出信號(hào)的時(shí)域特性,運(yùn)用Welch法進(jìn)行了頻域分析,最后得到的信號(hào)時(shí)域、頻域特性向量可作為目的記別的根據(jù)?？偠灾?，隨著計(jì)算機(jī)視覺(jué)、圖像分析與理解等技術(shù)的不停革新，不管應(yīng)用何種模式識(shí)別辦法，如何獲取完整的目的車輛、提取有效的車輛特性、設(shè)計(jì)效果明顯的分類器，同時(shí)考慮系統(tǒng)的實(shí)時(shí)性、可靠性與應(yīng)用價(jià)值，都是基于圖像的車型識(shí)別的研究重點(diǎn)與難點(diǎn)，也是有待進(jìn)一步研究的核心技術(shù)。3車型識(shí)別流程從現(xiàn)有文獻(xiàn)來(lái)看，現(xiàn)在基于視頻圖像的車型識(shí)別系統(tǒng)流程如圖6所示，重要包含下列幾個(gè)環(huán)節(jié)：車輛視頻圖像的獲取與輸入；視頻圖像的預(yù)解決，重要為視頻圖像中運(yùn)動(dòng)車輛的檢測(cè)；車輛特性提取；車型識(shí)別技術(shù)，重要為分類決策過(guò)程。圖6基于視頻的車型識(shí)別流程下面將對(duì)該幾個(gè)環(huán)節(jié)的所采用的重要有關(guān)技術(shù)方案進(jìn)行簡(jiǎn)樸介紹3.1運(yùn)動(dòng)車輛的檢測(cè)辦法運(yùn)動(dòng)車輛檢測(cè)是車輛識(shí)別的一種重要環(huán)節(jié)，現(xiàn)在最流行的幾個(gè)檢測(cè)辦法為：（1）地感線圈車輛檢測(cè)辦法，它是根據(jù)電磁感應(yīng)的原理，通過(guò)感應(yīng)曲線的不同而辨別不同類型的車輛。優(yōu)點(diǎn)是精確率較高，成本較低，不受氣候影響。缺點(diǎn)是由于線圈埋入地下，安裝過(guò)程對(duì)可靠性和壽命影響很大，修理或安裝需要中斷交通，影響路面壽命，維修費(fèi)用高，同時(shí)受車輛行駛的速度和其它干擾因素等影響。（2）超聲波檢測(cè)法，它運(yùn)用反射回波原理來(lái)檢測(cè)運(yùn)動(dòng)的車輛，含有體積小﹑壽命長(zhǎng)﹑易于安裝等特點(diǎn)。局限性之處是易受環(huán)境影響，性能隨環(huán)境溫度和氣流影響而減少。（3）動(dòng)態(tài)稱重技術(shù)，它是當(dāng)車輛通過(guò)埋入路面下的檢測(cè)器時(shí)，檢測(cè)器受力產(chǎn)生形變，根據(jù)回傳信息對(duì)車輛進(jìn)行檢測(cè)。優(yōu)點(diǎn)是節(jié)省時(shí)間﹑提高效率﹑延長(zhǎng)路面的使用壽命等，缺點(diǎn)是設(shè)備安裝復(fù)雜﹑壽命短﹑容易受到溫度﹑車輛振動(dòng)﹑道路質(zhì)量等的影響。（4）基于視頻圖像的檢測(cè)辦法，提取交通圖像序列，通過(guò)對(duì)其進(jìn)行解決來(lái)實(shí)現(xiàn)車輛目的的檢測(cè)。它含有不破壞路面，檢測(cè)范疇大，獲取信息量大，安裝使用靈活，維護(hù)費(fèi)用低的特點(diǎn)，含有廣闊的應(yīng)用前景?，F(xiàn)在最流行的幾個(gè)基于視頻圖像的檢測(cè)辦法重要有下列幾個(gè)：（a）基于背景差分的辦法[34,45]背景差分法合用于背景靜止保持不變、運(yùn)動(dòng)目的與背景的灰度差別較大的狀況下，從視頻序列中預(yù)先抽取不含前景運(yùn)動(dòng)物體的一幀圖像作為背景，然后運(yùn)用現(xiàn)在幀與背景圖像直接差分檢測(cè)運(yùn)動(dòng)區(qū)域的辦法。重要過(guò)程如圖7所示：圖7背景差分法流程示意圖這種差分法對(duì)于復(fù)雜背景下的運(yùn)動(dòng)物體檢測(cè)效果較好，實(shí)現(xiàn)簡(jiǎn)樸、計(jì)算量小，并且能夠完整的分割出運(yùn)動(dòng)目的。但是在實(shí)際應(yīng)用中，背景往往會(huì)由于拍攝時(shí)間的不同，容易受到光照變化、噪聲和外物入侵等多個(gè)因素的影響，需要實(shí)時(shí)的更新背景。更先進(jìn)的做法是在解決過(guò)程中不停更新背景圖像，它的核心問(wèn)題就是如何建立有效的背景模型并進(jìn)行背景模型刷新，基于背景建模的辦法是通過(guò)對(duì)圖像中背景與運(yùn)動(dòng)目的區(qū)域像素點(diǎn)特性差別的分析，運(yùn)用一定數(shù)量的訓(xùn)練圖像獲得背景區(qū)域的特性，將新獲得的序列圖像中對(duì)應(yīng)像素點(diǎn)特性與背景特性進(jìn)行比較，不符合背景特性的像素點(diǎn)即被認(rèn)定為處在運(yùn)動(dòng)目的區(qū)域中[34]。（b）基于幀間差分的辦法[35]幀間差分法是最為慣用的運(yùn)動(dòng)目的檢測(cè)和分割的辦法之一。其思想是通過(guò)相鄰幀間差分，運(yùn)用視頻序列相鄰幀間的強(qiáng)有關(guān)性進(jìn)行變換檢測(cè)，從而擬定運(yùn)動(dòng)目的。其重要過(guò)程如圖8所示圖8幀間差分法流程示意圖由于相鄰兩幀圖像之間的時(shí)間間隔短，受自然環(huán)境變化影響小，圖像差的成果是灰度不發(fā)生變化的部分被減掉，如大部分背景，而灰度發(fā)生變化的部分則被保存。此辦法的特點(diǎn)是速度快，合用于實(shí)時(shí)性高的環(huán)境，局限性是對(duì)于噪聲、光照條件的變化比較敏感，對(duì)運(yùn)動(dòng)目的的分割無(wú)保障。另外還存在以下的問(wèn)題：如果在圖像中除了包含我們感愛(ài)好的運(yùn)動(dòng)目的之外，還存在其它運(yùn)動(dòng)目的時(shí)，則這些運(yùn)動(dòng)目的作為背景不能消除。由于運(yùn)動(dòng)目的的陰影隨運(yùn)動(dòng)目的的運(yùn)動(dòng)而一起運(yùn)動(dòng)，圖像差中運(yùn)動(dòng)目的產(chǎn)生的陰影不能消除。（c）基于光流法的辦法光流法是基于對(duì)光流場(chǎng)的估算進(jìn)行檢測(cè)分割的辦法。所謂光流是指亮度模式引發(fā)的表觀運(yùn)動(dòng)，是運(yùn)動(dòng)目的的三維速度矢量在成像平面上的投影，它表達(dá)了運(yùn)動(dòng)目的在圖像中位置的瞬時(shí)變化。光流法檢測(cè)運(yùn)動(dòng)目的的基本原理是給圖像中的每一種象素點(diǎn)賦予一種速度矢量，這就形成了一種圖像運(yùn)動(dòng)場(chǎng)在運(yùn)動(dòng)的某一種特定時(shí)刻，圖像上的點(diǎn)與三維物體上的點(diǎn)一一對(duì)應(yīng)，這種對(duì)應(yīng)關(guān)系能夠由投影關(guān)系得到，根據(jù)各個(gè)象素點(diǎn)的速度矢量特性，能夠?qū)D像進(jìn)行動(dòng)態(tài)分析。如果圖像中沒(méi)有運(yùn)動(dòng)目的，則光流矢量在整個(gè)圖像區(qū)域是持續(xù)變化的：當(dāng)物體和圖像背景存在相對(duì)運(yùn)動(dòng)時(shí)，運(yùn)動(dòng)物體所形成的速度矢量必然和鄰域背景速度矢量必然和領(lǐng)域背景速度矢量不同，從而檢測(cè)出運(yùn)動(dòng)物體的位置。普通狀況下，光流由相機(jī)運(yùn)動(dòng)、場(chǎng)景中目的運(yùn)動(dòng)，或兩者的共同運(yùn)動(dòng)產(chǎn)生。光流法首先定義了由一種線性化的光流約束項(xiàng)和平滑項(xiàng)構(gòu)成的指標(biāo)函數(shù)，然后求解其最優(yōu)數(shù)值解。它的迭代收斂速度比較快，但得到的光流場(chǎng)只是速度場(chǎng)的一種近似。在圖像的亮度突變處和運(yùn)動(dòng)不持續(xù)處，該算法所依賴的假設(shè)條件并不滿足，因而得到的成果誤差較大。另外，噪聲、多光源、陰影、透明性和遮擋性等因素會(huì)使得計(jì)算出的光流場(chǎng)分布不是十分可靠和精確。光流法對(duì)每一種象素計(jì)算位移矢量（持續(xù)方式），比較精確、魯棒，給出的信息非常豐富，并可解決有全局運(yùn)動(dòng)的場(chǎng)景，缺點(diǎn)是耗費(fèi)時(shí)間，對(duì)過(guò)于復(fù)雜、快速或速度過(guò)小的運(yùn)動(dòng)效果不好，對(duì)規(guī)定實(shí)時(shí)性的系統(tǒng)而言不實(shí)用。圖9光流場(chǎng)檢測(cè)示意圖（d）背景差分與幀間差分結(jié)合的辦法[36]鑒于背景差分法和幀間差分法的優(yōu)缺點(diǎn)，將這兩種辦法結(jié)合起來(lái)，使它們優(yōu)勢(shì)互補(bǔ)，即在視頻圖像序列中，運(yùn)用已有的背景差分法和幀間差分法作為啟示，將動(dòng)態(tài)圖像中持續(xù)兩幀差圖像和背景差圖像直接進(jìn)行與操作，再將成果進(jìn)行二值化解決得到運(yùn)動(dòng)成果。這樣就達(dá)成了加大目的信息的權(quán)重，同時(shí)克制了靜態(tài)背景的效果，得到的運(yùn)動(dòng)檢測(cè)圖像包含了更多目的的信息，不僅包含目的輪廓并且尚有目的輪廓內(nèi)的目的有關(guān)點(diǎn)，從而將運(yùn)動(dòng)目的從背景圖像中分離出來(lái)，最后得到視頻序列圖像中運(yùn)動(dòng)存在與否的二值化圖像。結(jié)合背景差分和幀間差分辦法的流程如圖10所示：圖10背景差分與幀間差分結(jié)合流程圖3.2車型特性提取要實(shí)現(xiàn)車型自動(dòng)識(shí)別﹑分類，需要做的第一步是探測(cè)﹑提取車型的某些特性信息。特性提取是車型識(shí)別的難點(diǎn)和重點(diǎn)，特性提取的質(zhì)量，關(guān)系到識(shí)別和分類的速度和精確度。在車型識(shí)別系統(tǒng)中，如何使車型目的特性化是實(shí)現(xiàn)實(shí)時(shí)、精確車型識(shí)別的核心。圖像目的記別特性的提取可采用多個(gè)辦法，重要辦法有傅立葉描述子、矩特性、變換域特性、邊沿輪廓特性、角點(diǎn)特性等。（1）傅立葉描述子該辦法是將經(jīng)傅立葉變換后的邊界選作形狀描述子[37]，用較少的參數(shù)描述很復(fù)雜的邊界。該辦法的特點(diǎn)是：用較少的傅立葉描述子就能反映邊界的大略本質(zhì)，并且描述子對(duì)平移、旋轉(zhuǎn)和比例縮放變化不敏感。但這種辦法運(yùn)用的目的信息比較少，只是提取了基于目的圖像邊界的特性，并且它對(duì)噪聲和邊界形變比較敏感。（2）矩特性[40,41]重要表征了圖像區(qū)域的幾何特性，又稱為幾何矩，圖像的矩是一種慣用的識(shí)別特性，涉及p+q階幾何矩、中心距、歸一化中心距、hu的不變矩、chen的不變矩、Zernike矩和小波矩等，每個(gè)矩包含了豐富的圖像信息。在文獻(xiàn)[38]中通過(guò)實(shí)驗(yàn)證明，幾何矩和中心矩對(duì)于圖像的平移和縮放都含有良好的不變性;Hu的七個(gè)不變矩對(duì)于圖像的平移、旋轉(zhuǎn)和比例縮放都含有不變性，較好地描述了目的圖像的信息。但Hu的七個(gè)不變矩，運(yùn)算層次比較多，運(yùn)算量比較大，并且對(duì)形變沒(méi)有良好的一致性。Zernike矩是在整個(gè)圖像空間中計(jì)算,得到的是圖像全局特性,容易受到噪聲干擾?；谛〔ㄗ儞Q的小波矩能同時(shí)得到圖像的全局特性和局部特性,更適合識(shí)別相似形狀或者有噪聲干擾的目的圖像。Chen的不變矩僅運(yùn)用區(qū)域的邊界計(jì)算不變矩的改善算法，并將該算法應(yīng)用在沒(méi)有重疊交叉的封閉區(qū)域的邊界上。（3）變換域特性基于變換域特性提取辦法都能提取有效的識(shí)別特性信息，也能夠有針對(duì)性地運(yùn)用到不同的領(lǐng)域。但變換域特性的缺點(diǎn)就是物理意義不直觀，并且由于需要變換的因素其運(yùn)算量普通比較大。其中，基于K-L變換已成功地應(yīng)用到了人臉識(shí)別等領(lǐng)域[39]。(4)輪廓特性[43,44,46]基于輪廓特性的目的記別是指用目的的輪廓作為識(shí)別特性。目的輪廓的提取通過(guò)邊沿檢測(cè)來(lái)實(shí)現(xiàn)。邊沿是指圖像局部亮度變化最明顯的部分，邊沿重要存在于目的與目的、目的與背景、區(qū)域與區(qū)域之間，是圖像分割、紋理特性提取和形狀特性提取等圖像分析的重要基礎(chǔ)。圖11車型輪廓特性提取示意圖(5)角點(diǎn)特性[20,24]角點(diǎn)是圖像的一種重要的局部特性，它集中了圖像上的諸多重要的形狀信息?，F(xiàn)在為止角點(diǎn)還沒(méi)有明確的數(shù)學(xué)定義，普通的角點(diǎn)檢測(cè)都是對(duì)有具體定義的、或者是能夠具體檢測(cè)出來(lái)的愛(ài)好點(diǎn)的檢測(cè)。由于角點(diǎn)含有旋轉(zhuǎn)不變性，幾乎不受光照條件的影響，角點(diǎn)只包含圖像中大概0.05%的像素點(diǎn)，在沒(méi)有丟失圖像數(shù)據(jù)信息的條件下，角點(diǎn)是最小化了要解決數(shù)據(jù)量，因此角點(diǎn)檢測(cè)含有實(shí)用價(jià)值?，F(xiàn)在角點(diǎn)檢測(cè)技術(shù)能夠分為兩類：一類是基于圖像邊沿信息，如基于小波變換模極大的角點(diǎn)檢測(cè)，基于邊界鏈碼的角點(diǎn)檢測(cè)和基于邊界曲率的角點(diǎn)檢測(cè)；一類是基于圖像灰度信息，如Moravec算法，Han-isandStephens算法，SUSAN算法。在第一類中，圖像的邊沿輪廓容易使用多尺度技術(shù)來(lái)分析，因此第一類算法已實(shí)現(xiàn)多尺度角點(diǎn)提取，然而，角點(diǎn)對(duì)邊沿線依賴較大，如果邊沿線由于某種因素發(fā)生中斷，則會(huì)對(duì)角點(diǎn)的提取成果造成影響。而第二類算法的重要缺點(diǎn)定位精度較差，同時(shí)還可能遺漏某些實(shí)際的角點(diǎn)，對(duì)噪聲比較敏感，并且現(xiàn)在還沒(méi)實(shí)現(xiàn)多尺度角點(diǎn)檢測(cè)的特性。因此在基于圖像灰度信息的角點(diǎn)檢測(cè)中引入多分辨分析思想，對(duì)提高角點(diǎn)的定位精度和檢測(cè)性能將含有重要的意義。圖12基于灰度信息提取的不同車輛的角點(diǎn)示意圖3.3車型識(shí)別技術(shù)汽車識(shí)別技術(shù)是ITS應(yīng)用的基礎(chǔ)，也是智能交通系統(tǒng)中的一種核心構(gòu)成部分。汽車識(shí)別涉及汽車牌照識(shí)別、汽車顏色識(shí)別、車型識(shí)別、車標(biāo)記別等，現(xiàn)在開(kāi)發(fā)最為成熟的是汽車牌照的識(shí)別，并已經(jīng)廣泛應(yīng)用于電子警察、電子收費(fèi)等應(yīng)用系統(tǒng)中。車型識(shí)別運(yùn)用車輛的外型特性對(duì)車型進(jìn)行分類，現(xiàn)在國(guó)內(nèi)外基于視頻車型識(shí)別采用的的重要辦法有：基于模板匹配的識(shí)別辦法。模板匹配是模式識(shí)別中非常典型的辦法，在模式識(shí)別經(jīng)歷的幾十年發(fā)展歷史中，當(dāng)人們對(duì)識(shí)別的目的能夠歸納出一定的模板時(shí)，就可選擇模板識(shí)別。模板匹配辦法用于汽車識(shí)別基于視頻的車型識(shí)別技術(shù)研究時(shí)，重要的局限性是:首先模板的建立很困難；并且模板只能在圖像中平行移動(dòng)，在旋轉(zhuǎn)或大小變化的狀況下，該辦法無(wú)效；圖像中的待識(shí)別的汽車目的不能全部可視，即汽車邊沿不持續(xù)或部分邊沿不存在，則該辦法無(wú)效；2、基于統(tǒng)計(jì)模式的識(shí)別辦法。當(dāng)模式特性表達(dá)為幾何空間中的點(diǎn)時(shí)，如果特性源自于同一模式的物體，對(duì)應(yīng)點(diǎn)的幾何距離總是很靠近的。統(tǒng)計(jì)模式識(shí)別則是找尋幾何空間中的某些區(qū)域問(wèn)題，這些區(qū)域的點(diǎn)來(lái)自于某個(gè)單一模式。在統(tǒng)計(jì)模式中解決問(wèn)題的辦法大都基貝葉斯決策統(tǒng)計(jì)理論。在汽車識(shí)別辦法中諸多都運(yùn)用了統(tǒng)計(jì)模式識(shí)別。其中最典型的有基近來(lái)鄰域法、聚類分析法、統(tǒng)計(jì)判決法等。但統(tǒng)計(jì)模式識(shí)別時(shí)規(guī)定:各個(gè)類別總體的概率分布是已知的;要決策分類的類別數(shù)是一定的；3、基于神經(jīng)網(wǎng)絡(luò)的識(shí)別辦法。神經(jīng)網(wǎng)絡(luò)識(shí)別是運(yùn)用“神經(jīng)元(neuron)”互相連接構(gòu)成的非線性動(dòng)態(tài)系統(tǒng)所含有的人腦在自學(xué)習(xí)、自組織、聯(lián)想及容錯(cuò)方面的較強(qiáng)功效，用于類別識(shí)別和決策。神經(jīng)網(wǎng)絡(luò)辦法即使由大量簡(jiǎn)樸的“神經(jīng)元”互相連接而成，每個(gè)神經(jīng)元構(gòu)造和功效都比較簡(jiǎn)樸，但是其構(gòu)成系統(tǒng)卻能夠非常復(fù)雜，在自學(xué)習(xí)、自組織、聯(lián)想及容錯(cuò)方面含有人腦的某些特性，更確切地說(shuō)是人腦的初級(jí)特性；4、基于仿生模式(拓?fù)淠Ｊ?的識(shí)別辦法。仿生模式識(shí)別在于把模式識(shí)別問(wèn)題當(dāng)作是模式的“認(rèn)識(shí)”，而不是分類劃分，不是模式分類，是一類樣本的“認(rèn)識(shí)”。其特點(diǎn)在于:一類樣本在特性空間的構(gòu)造僅僅依賴于該樣本類型本身，通過(guò)分析該類型各訓(xùn)練樣本之間的關(guān)系進(jìn)行識(shí)別；對(duì)于未通過(guò)訓(xùn)練的任意對(duì)象，不會(huì)被對(duì)的識(shí)別；一類分別訓(xùn)練“認(rèn)識(shí)”，對(duì)新增加的樣本的訓(xùn)練不會(huì)影響原有的識(shí)別知識(shí)；5、基于支持向量機(jī)的識(shí)別辦法[41]。支持向量機(jī)辦法建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論（Vapnik-ChervonenkisDimension,是為了研究學(xué)習(xí)過(guò)程一致收斂的速度和推廣型，由統(tǒng)計(jì)學(xué)理論定義的有關(guān)函數(shù)集學(xué)習(xí)性能的一種指標(biāo)，其反映了函數(shù)集的學(xué)習(xí)能力，VC維越大則學(xué)習(xí)機(jī)器越復(fù)雜）和構(gòu)造風(fēng)險(xiǎn)最小化原理基礎(chǔ)上，根據(jù)有限樣本信息在模型中的復(fù)雜性和學(xué)習(xí)能力之間謀求最佳折衷，以獲得最佳的泛化能力。支持向量機(jī)在有限樣本狀況下建立了一種較好的通用學(xué)習(xí)算法，并對(duì)模型的選擇與過(guò)學(xué)習(xí)問(wèn)題、非線性和維數(shù)災(zāi)難問(wèn)題以及局部極小點(diǎn)問(wèn)題進(jìn)行了較好地解決。圖13SVM進(jìn)行車型分類流程示意圖4課題研究的難點(diǎn)問(wèn)題運(yùn)動(dòng)汽車的檢測(cè)與分類識(shí)別的研究是集計(jì)算機(jī)技術(shù)、模式識(shí)別、人工智能、應(yīng)用數(shù)學(xué)以及生物視覺(jué)等學(xué)科的綜合應(yīng)用于一體的一項(xiàng)艱巨的任務(wù)，是ITS中的一種熱點(diǎn)，盡管從事該項(xiàng)技術(shù)研究人的諸多，但研究成果真正投入實(shí)際應(yīng)用的并不多，這其中重要的因素有:（1）受人本身對(duì)對(duì)象識(shí)別過(guò)程的知識(shí)限制，對(duì)自然界的認(rèn)識(shí)局限性，缺少先進(jìn)的科學(xué)知識(shí)；（2）車輛種類繁多但差別不大，沒(méi)有明顯的區(qū)別特性；（3）受具體應(yīng)用環(huán)境的影響太大，各類檢測(cè)算法規(guī)定的條件太苛刻，攝像機(jī)的位置和角度規(guī)定高；（4）受視覺(jué)變化的影響大，從不同角度所攝的汽車特性差別大；（5）受自然環(huán)境影響太大，特別是光照影響，嚴(yán)重的光照反射使得車輛輪廓線不分明，顏色偏離、變化太大，難以識(shí)別；（6）汽車的外形更新太快，特性變化太快，使得算法適應(yīng)性較差[45]；（7）汽車的管理規(guī)則變化太快，使得智能交通中的應(yīng)用系統(tǒng)算法修改頻繁。正是由于上面的一系列因素，致使車型識(shí)別未能在ITS中得到成功應(yīng)用，車型識(shí)別在國(guó)內(nèi)多數(shù)停留在研究狀態(tài)(如中國(guó)科學(xué)院、西安公路所、上海交通大學(xué)、西安交通大學(xué)、四川大學(xué)等)，部分產(chǎn)品已經(jīng)投入正式運(yùn)行。在多個(gè)車輛自動(dòng)識(shí)別、分類技術(shù)中，現(xiàn)在真正能夠使用的還不多。因此值得我們進(jìn)一步研究、探索更適應(yīng)我國(guó)國(guó)情的車型自動(dòng)識(shí)別辦法。另外，現(xiàn)在尚有許多問(wèn)題有待于進(jìn)一步的研究和探索，重要涉及下列幾個(gè)方面：(1)復(fù)雜背景多車輛的特性的同時(shí)提取。復(fù)雜背景多車輛的檢測(cè)，較容易實(shí)現(xiàn)，但是多車輛的特性同時(shí)提取比較困難，實(shí)現(xiàn)多車輛特性的同時(shí)提取，對(duì)后來(lái)的分類識(shí)別、跟蹤等都有很大的協(xié)助；(2)汽車遮擋狀況的研究。在交通道口，因車速行駛速度相對(duì)較慢，汽車遮擋狀況即使出現(xiàn)的比較少，但為了完善系統(tǒng)，增加系統(tǒng)的魯棒性，這種狀況下的汽車識(shí)別有待于進(jìn)一步的研究；(3)運(yùn)動(dòng)車輛的三維建模。運(yùn)動(dòng)車輛是一種三維物體，因而獲取運(yùn)動(dòng)車輛的三維信息并運(yùn)用它進(jìn)行識(shí)別必將是車型識(shí)別技術(shù)發(fā)展的最后目的和解決途徑。隨著信息獲取技術(shù)手段的不停改善，這一途徑必將得到應(yīng)有的發(fā)展；(4)非正常天氣條件下車型的識(shí)別。車型識(shí)別的有關(guān)資料顯示，天氣、光線等對(duì)車型識(shí)別精確性的影響很大，如何減少天氣條件的影響，增加系統(tǒng)的自適應(yīng)性，也是汽車分類識(shí)別有待解決的核心問(wèn)題；(5)支持向量機(jī)還處在繼續(xù)發(fā)展階段，諸多方面還不完善，現(xiàn)有的算法都是采用多個(gè)支持向量機(jī)分類器進(jìn)行組合，從而實(shí)現(xiàn)多值分類目的。但現(xiàn)在多分類算法不是特別抱負(fù)，文獻(xiàn)[41]中分類的數(shù)目有限，只實(shí)現(xiàn)了車輛的三分類（大、中、?。鴮?duì)多分類問(wèn)題還需要更進(jìn)一步的研究。參考文獻(xiàn)[1]白艷紅.基于視頻的車型識(shí)別技術(shù)研究[碩士學(xué)位論文].蘭州：蘭州大學(xué)，[2]左奇.交通圖像檢測(cè)與解決辦法研究[碩士學(xué)位論文].西安:西北工業(yè)大學(xué)，.[3]張穎新,范東啟,楊迪.車型自動(dòng)識(shí)別系統(tǒng)研究.[J].交通與運(yùn)輸(學(xué)術(shù)版),,12(7):46-49.[4]李娜;徐志剛.基于線陣CCD的交通信息采集和檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].當(dāng)代電子技術(shù),,7(13):6-8.[5]RobertT.Collins,AlanJ.Lipton,HironobuFujiyoshi,andTakeoKanade.AlgorithrnsForcooperativemultisensorsurveillanee[C].InProceedingsoftheIEEE.[6]TieniuN.TanandKeithD.BakerEfficientimagegradientbasedvehiclelocalization[C].IEEETransactiononIimageProeessing,,9(8):1343-1356.[7]GeorgeFung,NelsonYung,andGranthajmPang.Vehicleshapeapproximationfrommotionforvisualtrafficsurveillance[C].InProc.IEEEConf.IntelligentTransportSystem,,608-613.[8]Ferryman,A.Worral,G.Sullivan,K.Baker,AgenericdeformablemodelforVehiclerecognition[J],ProeeedingofBritishMachineVisionConference,1995,127-136.[9]LarryDavis,V.PhilominandR.Duralswami.Trackinghumansfromamovingplatform[J].InProc.IntematlonConferenceonPattemRecognition,.[10]ZehangSun,GeorgeBehisandRonaldMiller.QuantizedWaveletFeaturesandSupportVectorMachinesforOn-RoadVehicleDetection[C].SeventhInternationalConferenceonControl,Automation,RoboticsandVision(ICARCVOI),Dec,Singapore[11]ZehangSun,GeorgeBehisandRonaldMiller.On-roadvehicledetectionusinggaborfiltersandsupportvectormachines[C].DigitalSignalProcessing,.14thInternationalConferenceonVolume2,1-3JulyPage(s):1019-1022.[12]G.Fung,N.Yung,G.Pang.Vehicleshapeapproximationfrommotionforvisualtrafficsurveillance[J].InProc.IEEEConf.IntelligentTransportSystem,,18(2):611-613.[13]G.S.Sullivan,K.D.Baker,A.D.Worrall,etal.Model-basedvehicledetectionandclassificationusingapproximations[J].InProcof7thBritishMachineVisionConference,,17(2):701-704.[14]D.R.Lim,A.T.Guntoro.CarrecognitionusingGaborfilterfeatureextraction[J].CircuitsandSystems.,6(2):453-455.[15]W.Sinatra,J.A.K.Suykens.VehicleRecognitionBasedonSupportVectorMachine[C].InternationalSymposiumonDistributedComputingandApplicationstoBusiness,EngineeringandScience,Stockholm,:179-182.[16]F.Kazemi,S.Samadi,H.Pourreza,M.Akbarzadeh.VehicleRecognitionBasedonFourier,WaveletandCurveletTransforms-aComparativeStudy[J].IJCSNSInt.Jou.OfComp.Sci.andNet.Secu,,18(2):58-60.[17]S.Rahati,R.Moravejian,E.M.Kazemi,F.M.Kazemi.VehiclerecognitionusingcontourlettransformandSVM[C].Proc.ofthe5thIEEEInt.ConferenceonInformationTechnology,Chicago,:896-898.[18]I.Zafar,Edirisinghe,E.A.,Acar,B.S.Localizedcontourletfeaturesinveh