基于车型识别的BP算法Matlab实现.docVIP

基于车型识别的BP算法Matlab实现 杜华英 （惠州商贸旅游学校信息技术教研室，广东 惠州 516057） 摘 要 车型识别具有广阔的应用前景，BP神经网络在车型识别中能够提高车型的识别率。在任何车型大致都可以抽象成一个“工”字型情况下，提取了其中的顶长比、前后比和顶高比这三项相对参数作为BP神经网络的输入参数。采用了三层3-8-3的BP神经网络，并用14对输入参数离线训练之，再用4对新数据进行检验，均得到了预想的期望值。 关键词 车型识别；BP神经网络；Matlab The Application of BP Algorithm Using Matlab Based on Vehicle Type Recognition DU Hua-ying1 （Information Technology Office, Huizhou School of Business Tourism, Huizhou 516057 China）application prospect. BP artificial neural network can improve the recognition rate of vehicle type in the Vehicle Type Automatic Recognition System. Any vehicle type can be abstracted into a 工-shaped mode. Three relative parameters are used as the input parameters of BP ANN. A three layered 3-8-3 BP ANN is adopted and is trained by 14 pair input parameters. The BP ANN is tested by 4 pair input parameters and then some expected values are obtained in this processing. Key words: Vehicle Type Recognition；BP Neural Network；Matlab 0 引言 车型识别在现代交通监控和管理中有着非常广阔的应用前景，可应用于高速公路、过桥过路等各类车辆收费站以及大型停车场的自动收费系统。另外，BP神经网络已被人们研究了几十年，技术成熟，是应用最为广泛的一种人工神经网络，在许多科学领域中均具有重要的实用意义，其学习能力和容错能力对模式识别具有独到之处[1]。Matlab作为一个强大的工具软件，具备了数字图像图形和人工神经网络等方面的处理功能，受到了人们的欢迎与追捧。 1 汽车车型分析 特征提取是目标识别中一个非常重要的环节，一个识别系统的识别能力与特征矢量的选取有直接关系。选取的特征要求具有高度的代表性、典型性及稳定性。因此，特征提取是模式识别的关键步骤之一。 为了便于分类，必须收集各种车辆的主要技术参数。经过实地观察测量和查找有关车辆的类型数据及资料，通常各类车辆，其车身侧视图可提供车型的一些参数，如：顶蓬长度、车辆长度、车辆高度等信息。由于图像在拍摄时，镜头与车辆间的距离、角度等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有可能不相同，这就决定着不能用绝对长度或绝对高度等参数作为车型的识别特征。按汽车的应用功能进行大致的分类，可分为客车、轿车和货车三类。对这三类车型的统计分析，通常选取的特征是：顶蓬长度与车辆长度之比，称之为顶长比；以顶蓬的中垂线为界，前后两部分之比，称之为前后比；顶蓬长度与车辆高度之比，称之为顶高比[1]。按此规则，任何车型大致都可以抽象成一个“工”字型，并使用车辆的顶蓬长度为d，前底长为C1、后底长为C2、高度为h（取顶长中点作中垂线）这四个绝对参数构成三个相对参数。 通过对轿车、货车、客车外形的分析，处理了相关的数据，得出车型识别技术的特征值。取各车型的侧视图来进行分析，取特征值d/( C1+ C2 ) ， d/h，C1/C2作为BP网络的输入，其中d代表顶长，C1、C2分别代表各车自顶长中垂线所分的前后长度，h代表轿车的高度，把各种车抽象成“工”字形，如图1～图3。 图1 抽象成“工”字形轿车模型 图2 抽象成“工”字形货车模型 图3 抽象成“工”字形的客车模型 2 主要程序思路 BP网络中各层结点数的选择对网络的性能影响很大。对输入结点，输入层的结点数通常是由问题的本身决定的。取d/( C1+ C2 ) ，d/h ， C1/ C2作为输入的特征值，将选取的特征作为网络的输入向量X={X1，X2，X3}