视频图像中车辆的车型识别算法研究与实现
车型轮廓识别
毕业论文题目基于视频图像车型轮廓的车型识别学生姓名学号专业电子信息工程班级指导教师2013 年4 月摘要随着经济的高速发展，人们的生活水平也日新月异，越来越多的私家车驰上马路。
与此同时,交通拥挤和堵塞问题也变得日益突出，交通事故以及违章现象也是频频发生，车辆管理就显得尤为重要。
智能交通系统便是随着科技发展并结合交通管理而产生的，其中车型分类技术是其一个重要分支。
本文对其中基于视频图像车型轮廓的识别技术进行了研究和分析，以期实现一个基于车型轮廓的识别系统。
本系统首先将获取的车辆图像进行预处理，通过差分法将车辆分离出来，再提取出车辆的车型轮廓曲线，对曲线进行填充操作以获取完整车辆曲线。
通过对曲线进行分析可获取所需汽车特征数据，再与设定好的相关值进行对比分析，利用最近相邻法识别便可得出实验结果。
经测试,系统具有较好稳定性和精确性。
关键词：智能交通、车型识别、图像处理、车型分类、MATLABAbstractWith the high development of economy，there has lots of changes happening in people’s life, for example，an increasing number of private cars appear。
However，the traffic jam has become a serious problem that has drawn people’s attention and brought trouble to people’s life. It is common to see traffic accidents and peccant operation，which shows great importance of vehicle management。
With the development of the science and traffic management, ITS came into the market，among which vehicle classification technique is a significant branch. This thesis is an analysis of Recognition technology based on the ，expecting to realize Recognition system。
视频监控车型识别简介
车型识别简介1系统功能说明在一次识别基础上，对记录保存的过车图像进行二次、三次识别，并把识别的数据送入应用系统，供分析处理。
一次识别内容：号牌类型、号牌号码、车牌颜色二次识别内容：号牌号码、车辆类型、车身颜色、车辆品牌（含子品牌及年款）、实习标、年检标、标志物、遮挡面部、无牌车1.1 一次识别功能一次识别主要是指的是通常意义上的经过卡口或电子警察系统进行的识别，其主要输出对象为车辆号牌信息、车辆号牌颜色信息等，基于车辆号牌和车辆颜色信息，能够实现基本的违法行为辨识、车辆黑白名单比对报警等功能。
本系统可对前端卡口或电子警察系统的识别数据进行校正，并对存在识别错误、误差的数据进行优化后写入大数据平台指定的数据库进行存储，以此提高大数据平台车辆基础检测数据的准确率。
系统基于完全自主知识产权的车辆牌照识别核心算法，可采用逐帧多高清抓拍图片进行分析，并将其与高清视频流实时分析技术相结合，首先对车辆识别数据进行一致性判断，然后将同一目标的多帧识别数据进行投票式表决，将其可信度最高的识别数据作为系统唯一正确的结果进行输出。
系统可识别车辆特征数据包括如下：1)车牌结构识别基于大数据量的车辆牌照数据训练，和自动视觉经验的自动积累，系统可对一些车牌进行基本结果的识别，主要包括：（一）单排字符结构的号牌，如军队用小型汽车号牌（二）GA36-2007中的小型汽车号牌（三）港澳入出境车号牌（四）教练汽车号牌等（五）武警用小型汽车号牌（六）警用汽车号牌（七）其他经过系统性训练，且符合相关技术标准要求的牌照类型（八）新军牌2)车牌字符识别系统具备对民用、警用、军用（包括2013式新军牌）、武警等汽车号牌自动识别的能力，所能识别的字符包括:（一）阿拉伯数字：0～9（二）英文字母：A～Z（三）省、自治区、直辖市简称：京、津、晋、冀、蒙、辽、吉、黑、沪、苏、浙、皖、闽、赣、鲁、豫、鄂、湘、粤、桂、琼、川、贵、云、藏、陕、甘、青、宁、新、渝（四）军牌用汉字：军、海、空、北、沈、南、兰、广、成、济、京（五）号牌分类用汉字：警、学、领、试、挂、港、澳、超、使（六）武警号牌特殊字符：WJ、00～34、练3)号牌底色识别系统能自动识别目前国内常见的蓝、黄、白、黑、绿五种底色的机动车号牌。
视频图像中的车型识别
视频图像中的车型识别
曹治锦;唐慧明
【期刊名称】《计算机工程与应用》
【年(卷),期】2004(040)024
【摘要】文章介绍一种在固定单摄像头拍摄交通图像序列中检测车辆的方法.处理过程大致分为以下三步:重建不含运动目标的自然背景及图像分割;摄像机标定;目标区域的跟踪和车型识别.实验证明方法是可行的.
【总页数】3页(P226-228)
【作者】曹治锦;唐慧明
【作者单位】浙江大学信息与电子工程系,杭州,310027;浙江大学信息与电子工程系,杭州,310027
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于视频图像中的车型识别 [J], 季晨光;张晓宇;白相宇
2.测量光栅在车型识别中的应用 [J], 周树海
3.视频图像分析系统及算法仓库在视频图像库建设中的应用研究 [J], 张鹏飞;蓝维旱;高峰
4.融合独立组件的ResNet在细粒度车型识别中的应用 [J], 陈立潮;朝昕;曹建芳;潘理虎
5.基于视频图像Harris角点检测的车型识别 [J], 周爱军;杜宇人
因版权原因，仅展示原文概要，查看原文内容请购买。
《基于深度学习的实时车辆信息识别系统的设计与实现》范文
《基于深度学习的实时车辆信息识别系统的设计与实现》篇一一、引言随着社会的不断进步，道路交通逐渐呈现出车辆众多、车流繁忙的特点，使得车辆信息的实时识别与处理变得尤为重要。
为了满足这一需求，本文设计并实现了一种基于深度学习的实时车辆信息识别系统。
该系统能够快速准确地识别车辆信息，为交通管理、安全监控等提供有力支持。
二、系统设计（一）系统架构本系统采用分层设计的思想，主要包括数据采集层、数据处理层、模型训练层和应用层四个部分。
数据采集层负责收集车辆信息数据；数据处理层对数据进行预处理和特征提取；模型训练层利用深度学习算法对提取的特征进行训练，得到车辆识别模型；应用层则负责将模型应用于实际场景中，实现车辆信息的实时识别。
（二）数据采集数据采集是系统的基础，我们通过安装高清摄像头、雷达等设备，实时收集道路上的车辆信息。
这些信息包括车辆的颜色、品牌、型号、车牌等。
为了确保数据的准确性，我们还对数据进行人工校验和筛选。
（三）数据处理与特征提取数据处理层对采集的数据进行预处理，包括去噪、图像增强等操作。
然后，通过深度学习算法提取出车辆的特征信息，如车牌号码、车型等。
这些特征信息将被用于后续的模型训练。
（四）模型训练模型训练是系统的核心部分。
我们采用深度学习算法，如卷积神经网络（CNN）、循环神经网络（RNN）等，对提取的特征信息进行训练。
通过大量的样本数据，使模型能够学习到车辆信息的规律和特征，从而提高识别的准确率。
三、系统实现（一）技术选型在系统实现过程中，我们选择了Python作为编程语言，利用其强大的数据处理和机器学习库，如TensorFlow、Keras等。
同时，我们还使用了OpenCV等图像处理库，以实现对车辆信息的实时处理。
（二）模型训练与优化在模型训练过程中，我们采用了大量的样本数据，包括各种品牌、型号、颜色的车辆数据。
通过不断的迭代和优化，使模型能够更好地适应实际场景中的车辆信息识别。
此外，我们还采用了迁移学习等技术，利用已有的预训练模型，进一步提高模型的识别准确率。
智能监控中的工程车辆识别算法
智能监控中的工程车辆识别算法随着工程车辆在建筑工地和公路施工中的应用越来越广泛，如何高效地识别这些车辆成为了一个重要的问题。
由于传统的车辆识别方法难以胜任复杂的环境，智能监控中的工程车辆识别算法应运而生。
工程车辆识别算法采用了深度学习技术，利用卷积神经网络（CNN）等模型来训练大量的车辆样本数据。
经过多次迭代和优化，模型的准确率得到了大幅提升。
现在的工程车辆识别算法已经可以识别各种类型的车辆，包括挖掘机、装载机、推土机等重型机械，以及各种轻型车辆。
而且，算法还具有自适应性，可以适应各种环境下的光照条件和天气变化。
在实际应用中，工程车辆识别算法的流程一般分为两步。
首先，通过视频监控系统获取车辆图像。
然后，利用训练好的CNN模型对图像进行处理，提取车辆的特征信息，并将其与已知的车型数据进行比对，最终确定车辆的类型。
工程车辆识别算法的应用领域十分广泛。
它可以在建筑工地、公路施工中使用，及时监控车辆进出情况，对工地混乱恶劣、人员管理不力等问题进行有效的预警和管理。
此外，工程车辆识别算法还可以应用到智能交通、智慧城市等领域，促进城市发展和交通管理的智能化水平提高。
当然，工程车辆识别算法还存在一些问题。
首先，它需要大量的样本数据来训练模型，但是获取这些数据需要付出巨大的人力和财力成本。
其次，算法在复杂环境下的准确率仍然有待提高，尤其是在不良光照的情况下，模型的识别能力还有待加强。
综上所述，工程车辆识别算法是智能监控系统中的重要组成部分。
它的应用可以提高工地安全管理和交通管理的效率，并促进城市智能化水平的提高。
未来，随着技术的不断发展和优化，工程车辆识别算法有望在更多新应用场景中得到广泛应用。
基于深度学习的图像分析技术在车辆识别中的应用研究
基于深度学习的图像分析技术在车辆识别中的应用研究一、引言车辆识别是计算机视觉领域中的一个热门研究方向，近年来随着深度学习技术的发展，基于深度学习的图像分析技术在车辆识别中得到了广泛的应用。
本文主要研究基于深度学习的图像分析技术在车辆识别中的应用，并探讨其优劣势。
二、车辆识别技术现状现代车辆识别技术主要分为基于传统图像处理方法和基于深度学习技术两类。
传统的图像处理技术主要包括特征提取、特征描述和模式识别等步骤，而基于深度学习的技术则是以神经网络为基础，通过大量的实例训练来学习特征并进行模式识别。
传统的图像处理技术在车辆识别中的应用相对成熟，可以实现基础的车型分类和识别。
但是传统的方法在面对复杂的场景或者光照变化等问题时表现较差，因此无法满足实际需求。
三、基于深度学习的图像分析技术基于深度学习的图像分析技术主要包括卷积神经网络（Convolutional Neural Networks, CNN）和循环神经网络（Recurrent Neural Networks, RNN）等模型。
其中，CNN模型是目前应用最为广泛的一种模型，主要用于图像识别和分类。
CNN模型通过多层卷积和池化等操作，实现图像的高级抽象和特征提取。
此外，使用深度学习进行车辆识别的优势在于不需要人工提取特征，而是通过网络自动学习图像特征。
因此，基于深度学习的车辆识别技术具有更高的准确性和鲁棒性。
四、基于深度学习的车辆识别应用研究基于深度学习的车辆识别技术已经在不同场景应用中有了广泛的研究和应用。
以下列举两个基于深度学习的车辆识别应用案例：1. 车牌识别车牌识别是一个实用性很强的车辆识别领域，在治安监控、交通管理、停车场管理等方面有着广泛的应用。
基于深度学习的车牌识别技术是目前车牌识别技术中最为优秀的一种方法。
具体来说，使用基于CNN的模型结合OCR技术，对车牌区域进行抽取和分割，然后将分割后的字符送入CNN模型中进行识别。
该方法可以有效地解决车牌识别中车牌区域分割和字符识别的问题，进而实现车牌的高效准确识别。
基于卷积神经网络的车辆识别研究
基于卷积神经网络的车辆识别研究车辆识别是计算机视觉领域的一个重要问题，它主要指在图像或视频中识别不同类型的车辆。
在实际应用中，车辆识别具有诸多应用场景，例如交通管理、公安监控、智能交通等。
虽然车辆识别问题已经取得了一定的研究成果，但是仍然存在许多挑战和难点。
近年来，基于卷积神经网络的车辆识别方法逐渐成为研究热点，本文将对基于卷积神经网络的车辆识别研究进行简要介绍。
一、卷积神经网络简介卷积神经网络（Convolutional Neural Network，简称CNN）是一种特殊的人工神经网络，主要用于图像和语音信号的处理。
不同于常规的神经网络，CNN具有卷积层和池化层两种特殊的层结构。
卷积层可以自动学习出图像中的特征，池化层则可以对特征进行降维和抽象。
因此，CNN可以高效地处理大量的数据，并从中提取有用的特征。
二、基于CNN的车辆识别研究现状目前，基于CNN的车辆识别研究已经取得了一定的成果。
主要研究内容包括车型分类、车辆检测和车辆跟踪。
以下将分别进行介绍。
1. 车型分类车型分类是指将图像中的车辆按照品牌、车型等信息进行分类。
在基于CNN 的车型分类研究中，一般采用经典的ImageNet数据集进行训练。
经过深度学习训练后的CNN模型可以对汽车图像进行识别和分类。
根据研究结果，基于CNN的车型分类算法在准确率和泛化能力方面均有很好的表现。
2. 车辆检测车辆检测是指对图像或视频中的车辆进行边界框的定位和识别。
在基于CNN 的车辆检测研究中，通常采用深度卷积神经网络（Deep Convolutional NeuralNetwork，简称DCNN），如Faster R-CNN、YOLO等进行训练和预测。
这些算法均采用了多阶段处理流程，在图像的特征提取、特征匹配和边框回归等方面都有很好的表现。
3. 车辆跟踪车辆跟踪是指在视频中对车辆进行聚焦和追踪。
在基于CNN的车辆跟踪研究中，通常采用Siamese网络和跟踪器融合的方法。
基于视频的车辆特征表达与分类算法
别 造 成 重要 影 响 ， 因此 建 立 具有 旋 转 、 移 、 缩 平 伸
不 变性 的特 征表 达方 法尤 为重 要 。 根据 运 动车 辆 的 形 体 结 构 与运 动特 性 ， 文 本
物体 ， 由于 ３ 但 Ｄ标 定 过 程 对 摄 像 机 参 数 具 有 较
１ 车 辆 识 别 系统 框 架
本 文 的车辆 视 频检 测识 别 系统 主要包 括运 动 车辆提 取 、 运动 车 辆 特 征 表 达 以及 运 动 车辆 识 别 分 类 ３个 核心 部分 ， 中特 征 表达 与识 别 分 类 是 其
本 文研 究 的重点 。技术框 架 如 图 １ 示 。 所
高 的性 能要 求 和计算 复杂 度 ， 以满 足 实时要 求 ； 难 Ｒ ｄ２ 据 车辆宽度 和 时间 一致 性 约 束 实现 车辆 ａｌ根 分类 ， 该 方 法 不 具 有 运 动 物体 的平 移 不 变 性 ； 但 Ｉｐｏ ＿ 利 用 离散度 和 面积信 息 对运 动 物体 进 行 ｔｎ３ ｉ
真实 形 状 、 廓 信 息 的缺 失 ， 造 成 车 辆 的误 分 轮 易 类 。因此 ， 本文 利用 基于 Ｒ Ｂ颜色 变化度 的 自适 Ｇ 应对 象级方 法ｌ 实现 阴影检 测 。按照 假设 检验 的 ８
基 于视 频 的 车 辆 特 征 表 达 与分 类算 法— — 胡 宏 宇 王 殿 海 李 志 慧 等
基于视频 的车辆特征表达 与分类算法 ＊
胡宏 宇 王殿 海 李 志慧 曲昭伟 魏 巍
（ 吉林 大 学 长春 １０２） ３ ０ ２
摘 要 为 实 现 车 辆 类 型 的 高 精 度 检 测 ， 出 了 基 于 偏 心 矩 向量 的特 征 表 达 方 法 ， 运 动 车 辆 轮 廓 点 提 将 与 重 心 之 间 的距 离 定 义 为偏 心 矩 ， 造 特 征 向量 实 现 车 辆 的标 识 。该 特 征 向 量 具 备 旋 转 、 移 、 缩 构 平 伸 的不 变 性 ， 能够 克 服 目标 运 动 状 态 和 环 境 变 化 的影 响 。采 用 支 持 向 量 机 构 建 多 类 最 优 分 类 超 平 面 ， 实 现 运 动 车 辆 的多 类 别 快 速分 类 。 实 验 结 果 表 明 ， 同 类 别 车 辆 特 征 区分 明 显 ， 别 准 确 率 可 达 ９ 不 识 ４
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
毕业设计说明书作者：学号：系：信息工程系专业：电子信息工程题目：视频图像中车辆的车型识别算法研究与实现指导者：评阅者：2013年 6月1日目次1 绪论 (1)1.1 课题的研究背景和意义 (1)1.2 课题的研究现状 (2)1.3 本文的基本内容和组织结构 (3)2 车型识别系统简介 (4)2.1 预处理 (4)2.2 特征提取 (4)2.3 特征匹配 (4)3 基于灰度阈值分割法的车型识别 (6)3.1 介绍各模块设计 (6)3.1.1 预处理模块 (6)3.1.2 特征提取模块 (7)3.1.3 特征匹配模块 (7)3.2 运行结果 (8)3.3 结果分析 (11)4 基于图像背景差值法的车型识别 (13)4.1 介绍各模块设计 (13)4.1.1 预处理模块 (13)4.1.2 特征提取模块 (14)4.1.3 特征匹配模块 (14)4.2 运行结果 (15)4.3 结果分析 (29)4.4 结果对比 (30)结论 (32)参考文献 (34)致谢 (35)1 绪论车型识别的目的是对待识别车辆进行车型的判别（该课题将车型分为轿车、货车、客车三类），它是通过分析比较待识别车辆侧面视觉特征信息实现的，主要借助于计算机技术的应用，车型识别技术是一种轮廓特征识别技术，是用待识别车辆的侧视轮廓特征来判别所属车型。
车辆的侧视轮廓特征主要抽象为车顶长度、车辆高度和车身长度，依此可求得待识别车辆的顶长比、顶高比和前后比（车顶中垂线将车身长分得两部分的比值），而通过统计计算可求得三类车型（轿车、货车、客车）的特征值（顶长比、顶高比、前后比）的范围，将提取的待识别车辆的特征值与统计值相比较可实现对待识别车辆的车型判别[1]。
1.1 课题的研究背景和意义中国正处在一个快速发展的时期，各种车型车辆数量也在持续上升，使得我国城市交通越来越拥挤，人们需要借助一种交通智能化系统来提高交通情况监控的实时性和交通管理的自动化程度，这也为智能交通系统的产生提供了条件。
在我国的一些大城市正在逐步提高交通管理的智能化，主要体现在实现高速公路的快捷收费、公共场所车辆监控自动化加强等方面，我们对交通管理智能化的需求日益增加，这将带动智能交通系统的不断发展。
人们对车型识别的研究虽然已有很长一段时间，但仍有许多难题仍未解决，首先，车辆的颜色、光泽度等都会随着时间的推移和环境的改变而发生变化，而且即使是同一车辆在录入镜头时的形状、大小也各不同，这主要与位置和速度的随机性有关；第二，车辆录入镜头的外观状态还与摄像头位置、临近的物体或临近的车辆对待识别车辆的遮挡程度有关；第三，车型识别的准确性和快捷性还与光照情况的改变、天气季节的交替及背景图像的不断变化紧密相关。
因此现在的车型识别技术还远不能满足当代大城市交通智能化管理的需求，我们仍需对车型识别技术进行改进以满足准确性和使用性上的要求。
目前已经解决交通智能管理的大部分关键技术，但是部分细节方面仍然存在不足，准确性不高就是其中的一方面。
交通智能管理的关键技术包括车型判别，希冀借助本课题的研究能促进智能交通系统的发展，使信号灯指挥通行、车辆数量统计、公共场所车辆无人收费、公路状况监控等方面更具可操控性。
就目前而言，在交通智能管理方面我国与发达国家仍有很大差距，故该课题的研究对交通智能管理具有积极的影响。
1.2 课题的研究现状目前，国内外车型识别技术的研究已经取得了很大成果，人们利用不同的技术手段来判别车型。
总的来说分为直接法和间接法。
间接法的车型判别技术要借助IC卡或条码的应用，而直接法是要借助图像处理技术来进行判别的。
间接法：把储存车型信息的IC卡或条码安装在车辆上，借助专用设备来读取待识别车辆上安装的IC卡或条码存储的相关信息来进行判别。
该方法满足了准确性和可靠性的要求，但性价比得不到满足，对硬件设备要求高，无法完成异地作业。
此外，若想很好地推行该方法要制定统一标准，且无法保证车与卡或车与码相符，这也使其无法快速推广。
直接法：摄取车辆的图像信息，不依赖车载发射装置，对待识别车辆进行距离性信息采集来实现车型判别。
借助摄像机拍下的车辆图像，利用计算机技术进行处理，提取所需特征信息，如外型尺寸、前后轴距、车轮大小等等，通过分析比较可达到判别目的。
该方法不需安置设备，节约了大量资金，且识别速度较快，实时性得以提高，并在人机交换性方面得到了很大改善。
近些年，随着计算机及相关技术的发展，一些国家开始关注人工神经网络技术的应用，RBF神经网络便是其中一种，应用该技术进行车型的判别有赖于与样本的比较。
近些年来，国内外学者对车型识别技术的关注日益加深，也在努力研究新的算法以提高识别率、降低复杂度，使得车型识别技术得以快速发展。
（1）基于Gabor Wavelets Transform和Hidden Markov Model的方法，经实验验证，该方法模型化程度高，可以提高识别准确率、对环境条件要求低，具有较高实用性，易于操作[2]。
（2）基于模糊理论的方法，它的二级评判模型是基于聚类的，该方法受主观因素影响小，可以客观地反映真实情况，快捷高效，极大地提高了实时性。
（3）基于Harris角点算法进行车型的判别，首先要借助图像分割技术获得轿车、货车、客车的标准样本，并利用Harris算法求得其角点作为样本库[3]。
再提取待识别车辆的图像，计算Harris角点并进行比对，计算待识别车辆与各车型样本的H a u sd o rff距离，并取Hausdorff距离最小者为待识别车辆所属车型。
经验证，基于Harris角点检测法较好地满足了准确性和快捷性要求。
借助角点检测技术进行车型判别的方法计算速度很快，与主成分分析法相比，该方法要简单许多，不必像主成分分析法那样进行大量的预处理工作。
近期，借助图像处理技术进行车型判别显现出显著优点，国内外学者对其关注度日益加深，但由于背景和光照因素的复杂多变性，想要达到理想的图像分割效果并非易事。
近些年，国内外市场都推出了一些实用的车型判别系统。
但是，这些系统都受到一些特殊环境的限制，车型识别技术仍有很大的发展空间，该技术的研究应用对实现交通智能化管理具有很大的推动作用。
1.3 本文的基本内容和组织结构本文先研究了基于灰度阈值分割法的车型识别技术，客观分析了该技术的优点和不足。
针对灰度阈值分割法的不足，提出了基于图像背景差值法的车型识别技术，该技术相对于灰度阈值分割法虽然有部分改善，但图像又需要满足更加严格的条件。
本论文设计了车型识别的实现过程，并对每一步进行了分析，其中着重分析了图像分割和特征提取部分。
对待识别车辆进行车型判别以主成分分析法为基础，提取的主特征为待识别车辆的顶长比、顶高比和前后比（车顶中垂线将车身长分得两部分的比值），并对主特征提取对于车型判别准确性的影响进行了研究,最后给出了针对该课题的总结展望。
2 车型识别系统简介模式识别技术的一个重要分支是车型识别，实现车型识别的主要步骤如下图所示：图2.1 车型识别框2.1 预处理车型识别过程中的重要环节之一就是图像预处理，图像预处理过程的好坏直接关系到待识别车辆的特征提取和特征匹配工作能否顺利完成。
经过预处理可以去除或减少图像的多余信息，使图像的真实信息得以恢复、检测相关信息的能力得以提升、图像的逼真度和图像的可识别度得到提高，最大限度地简化相关数据，提高特征提取、特征匹配和判别的可靠性。
2.2 特征提取特征提取是车型识别系统的重要环节，利用计算机对经过预处理的图像进行相关信息的提取，判定该图像的特征点包括哪些点[4]。
特征值的选择以及特征提取的好坏直接关系到能否快速、准确的对待识别车辆进行判别和分类。
该课题通过对待识别车辆的侧视图进行处理来提取特征，通常待识别车辆的侧视图可以提供车辆的轮廓信息。
若能提取出这些信息，经过相关计算便可求得：顶长比（车顶长度与车身长度之比）、顶高比（车顶长度与车辆高度之比）、前后比（以车顶中垂线为界分得车身为两部分的长度之比)。
再利用计算得出的三个特征比进行判别[5]。
2.3 特征匹配该课题的特征匹配即利用提取的待识别车辆的特征值进行车型判别。
首先，要经过统计计算求得三类标准车型（轿车、客车、货车）的特征值（顶长比、顶高比、前后比）的范围，进行剔除选择后将其作为样本库。
然后，编程实现车型的判别。
3 基于灰度阈值分割法的车型识别选取含有待识别车辆的图像，对其进行灰度线性变换，待识别车辆的灰度值与背景的灰度值在图像直方图不均匀分布，可以选取一灰度阈值范围，使该阈值范围包含待识别车辆的大部分灰度级，几乎不包含或尽量少包含背景的灰度级，对阈值范围内的灰度级赋予255级，对背景的灰度级赋予0级，这样可以将待识别车辆从背景中分割出来，该方法即为灰度阈值分割法。
3.1 介绍各模块设计3.1.1 预处理模块由于摄取的图像一般含有噪声，需要对图像进行预处理，滤除干扰、噪声，获得较高品质的图像。
基于灰度阈值分割法的预处理要对摄取的图像进行灰度图像变换、图像平滑、二值化处理和图像填充，以达到提高图像质量的目的，为接下来进行车辆轮廓特征的提取提供必要的基础。
预处理流程如图3.1所示：图3.1 预处理流程图灰度图像变换：当光线情况不太理想时，与彩色图像相比灰度图像更易于分辨，为了满足光线情况多样性，有必要对彩色图像进行灰度变换，这样既易于处理又减少了计算量。
图像平滑：为了减少噪声、干扰的影响，需要对含有待识别车辆的图像进行平滑处理。
图像平滑主要有基于空域和基于频域的方法，中值滤波属于基于空域的非线性滤波法，该方法对椒盐噪声的滤波效果较好。
阈值分割、二值化：设图像灰度值为),(y x f ，所属区间为]1,0[-L ,在0和1-L 之间确定一个阈值T ，则灰度阈值分割法可描述为：⎩⎨⎧=0255),(y x g T y x f T y x f ∉∈),(),( )13(-由此得到二值图像),(y x g [6]。
能否确定合适的阈值直接影响车型判别结果的准确性。
图像填充：由于噪声、干扰的影响，基于灰度阈值分割法进行图像分割得到的待识别车辆的灰度级并非全部都为255，这时进行图像填充是很有必要的，经过图像填充，可使图像车辆部分的灰度级一致，有利于车辆的特征提取。
3.1.2 特征提取模块对摄取的图像进行预处理后，得到的灰度图像只有两个灰度级（0和255），由于只有两个灰度级便于对灰度图像进行扫描，提取待识别车辆的主要特征信息：顶长比（车顶长度与车身长度之比）、顶高比（车顶长度与车辆高度之比）和前后比（以车顶中垂线为界分得车身为两部分的长度之比)[7]。
3.1.3 特征匹配模块基于灰度阈值分割法的车型识别系统进行车型的判别时采用特征匹配算法，该算法输入一组待识别车辆的特征值数据，判别过程如下：(1)输入一组特征值数据；(2)如果前后比＜0.6，则该车辆为货车，否则转至(3)；(3)如果顶长比＞0.3，则该车为客车，否则该车为轿车。