第五章-光電信息處理技術(shù)-目標(biāo)識(shí)別技術(shù)

關(guān)鍵技術(shù)：圖像拼接技術(shù)圖像融合技術(shù)電子穩(wěn)像技術(shù)目標(biāo)跟蹤技術(shù)目標(biāo)識(shí)別技術(shù)目標(biāo)識(shí)別技術(shù)光電聯(lián)合變換相關(guān)識(shí)別技術(shù)模式識(shí)別技術(shù)背景研究對(duì)象實(shí)現(xiàn)原理方案復(fù)雜背景下的識(shí)別實(shí)驗(yàn)一、光電聯(lián)合變換相關(guān)識(shí)別1背景光電聯(lián)合變換相關(guān)用于光學(xué)圖像目標(biāo)的識(shí)別，無論是在軍事還是在民事都有廣泛的應(yīng)用。在軍事上，如對(duì)空監(jiān)視中實(shí)時(shí)多目標(biāo)跟蹤、機(jī)載或彈載前視圖像制導(dǎo)技術(shù)、導(dǎo)彈動(dòng)態(tài)測(cè)量等。在民用上，交通監(jiān)管、工業(yè)自動(dòng)化機(jī)器人、過程控制等都是圖像目標(biāo)識(shí)別的主要應(yīng)用?；驹?研究對(duì)象基于液晶空間光調(diào)制器的聯(lián)合變換相關(guān)識(shí)別系統(tǒng)是利用電尋址液晶空間光調(diào)制器并采用相關(guān)方法對(duì)圖像進(jìn)行識(shí)別。此系統(tǒng)結(jié)合了相關(guān)方法和光電結(jié)合的優(yōu)點(diǎn)，實(shí)現(xiàn)了高速實(shí)時(shí)識(shí)別的光電聯(lián)合系統(tǒng)，能夠達(dá)到對(duì)目標(biāo)圖像的快速識(shí)別。光電聯(lián)合變換相關(guān)1:激光器，2：衰減器，3：光束提升器，4：擴(kuò)束鏡，5：針孔空間濾波想6:偏振器，7：準(zhǔn)直透鏡，8：電尋址空間光調(diào)制器，9：成像系統(tǒng)，10：CCD,11:攝像機(jī)，12：空間光調(diào)制器控制器，13：PC單臂光電聯(lián)合變換相關(guān)1:激光器，2：衰減器，3：光束提升器，4：擴(kuò)束鏡，5：針孔空間濾波想6:偏振器，7：準(zhǔn)直透鏡，8：電尋址空間光調(diào)制器，9：空間光調(diào)制器控制器，10：PC,11:傅立葉透鏡，12：CCD，13：PC應(yīng)用

目標(biāo)跟蹤3實(shí)現(xiàn)方案采用聯(lián)合變換相關(guān)器實(shí)現(xiàn)相關(guān)識(shí)別

光電聯(lián)合變換相關(guān)識(shí)別的原理框圖參考目標(biāo)傅里葉透鏡計(jì)算機(jī)攝像機(jī)待測(cè)目標(biāo)聯(lián)合光功率譜空間光調(diào)制器空間光調(diào)制器傅里葉透鏡CCD采集相關(guān)輸出4目標(biāo)在復(fù)雜背景下的識(shí)別

———功率譜優(yōu)化技術(shù)針對(duì)CCD探測(cè)到的功率譜進(jìn)行優(yōu)化，可以顯著的提高系統(tǒng)識(shí)別能力。經(jīng)典聯(lián)合變換相關(guān)器的缺點(diǎn)（1）對(duì)模式畸變較敏感，當(dāng)目標(biāo)發(fā)生尺寸或旋轉(zhuǎn)畸變時(shí)，相關(guān)峰將降低；（2）零級(jí)衍射項(xiàng)強(qiáng)度很高而且寬度大，這將影響互相關(guān)峰的觀察；（3）背景較復(fù)雜時(shí)，互相關(guān)峰湮沒在彌散斑中；（4）背景中出現(xiàn)相似目標(biāo)時(shí)，易發(fā)生誤判現(xiàn)象。以上因素將導(dǎo)致系統(tǒng)的識(shí)別能力下降，要解決這些問題就必須對(duì)功率譜進(jìn)行改造和優(yōu)化。優(yōu)化算法綜合鑒別函數(shù)（SDF）對(duì)數(shù)濾波器去零級(jí)項(xiàng)功能實(shí)現(xiàn)等相關(guān)峰輸出，可以抑制識(shí)別系統(tǒng)對(duì)目標(biāo)畸變的敏感性；銳化相關(guān)峰，提高識(shí)別系統(tǒng)的去噪和排他能力；去除自相關(guān)峰，可以排除零級(jí)衍射項(xiàng)對(duì)互相觀點(diǎn)的影響；缺點(diǎn)互相關(guān)峰值低，其寬度較大。互相關(guān)峰相對(duì)于自相關(guān)峰的比值較低。去零級(jí)后，中心會(huì)出現(xiàn)負(fù)值。優(yōu)化前后比較為定量的明問題，先引入peak-to-output-energy(POE)值。POE定義為輸出相關(guān)峰值與輸出平面平均能量之比。設(shè)輸出平面每點(diǎn)相關(guān)值為，互相關(guān)峰值為，共有M個(gè)采樣點(diǎn)，則POE值可以用來衡量系統(tǒng)對(duì)目標(biāo)的識(shí)別能力POE值越大，相關(guān)峰值越尖銳，識(shí)別效果越好。4.1功率譜優(yōu)化技術(shù)采用綜合鑒別函數(shù)綜合鑒別函數(shù)（SDF）法：該方法在設(shè)計(jì)一幅訓(xùn)練圖像的同時(shí)，把所有要識(shí)別的圖像都考慮進(jìn)去，有效地提高了圖像識(shí)別能力和系統(tǒng)的容錯(cuò)能力。4.2去零級(jí)像與對(duì)數(shù)濾波（a）SDF優(yōu)化前（b）SDF優(yōu)化后POE=6.56POE=3.29e+4目標(biāo)為1.17倍，旋轉(zhuǎn)25°的識(shí)別效果4.3結(jié)果尺寸畸變識(shí)別優(yōu)化（a）SDF優(yōu)化前（b）SDF優(yōu)化后歸一化后的POE曲線（b）SDF優(yōu)化后（a）SDF優(yōu)化前旋轉(zhuǎn)畸變識(shí)別優(yōu)化歸一化后的POE曲線復(fù)雜背景優(yōu)化（a）SDF優(yōu)化前POE=5.07（b）SDF優(yōu)化后POE=9.47e+3相似目標(biāo)優(yōu)化（a）SDF優(yōu)化前（b）SDF優(yōu)化后POE=2.37e+4POE=27.295單臂光電聯(lián)合變換系統(tǒng)1:激光器，2：衰減器，3：光束提升器，4：擴(kuò)束鏡，5：針孔空間濾波想6:偏振器，7：準(zhǔn)直透鏡，8：電尋址空間光調(diào)制器，9：空間光調(diào)制器控制器，10：PC,11:傅立葉透鏡，12：CCD，13：PC5.1實(shí)驗(yàn)結(jié)果與分析

(a)聯(lián)合圖像（b）聯(lián)合圖像功率譜（c）相關(guān)輸出黑柵效應(yīng)電尋址空間光調(diào)制器的象素結(jié)構(gòu)相關(guān)、匹配識(shí)別舉例

測(cè)試場(chǎng)景模板基本概念原理模式識(shí)別系統(tǒng)構(gòu)成模式識(shí)別方法模式識(shí)別的應(yīng)用二、模式識(shí)別PatternRecognition1、模式識(shí)別概念

人類認(rèn)識(shí)事物老師教幼兒（學(xué)習(xí)）幼兒自己認(rèn)（決策）具有某些屬性的實(shí)體的集合蘋果水果具體形式：實(shí)體抽象形式：概念模式和模式識(shí)別模式識(shí)別(PatternRecognition)：確定一個(gè)樣本的類別屬性（模式類）的過程，即把某一樣本歸屬于多個(gè)類型中的某個(gè)類型。樣本（Sample)：一個(gè)具體的研究（客觀）對(duì)象。如患者，某人寫的一個(gè)漢字，一幅圖片等。模式(Pattern)：對(duì)客體（研究對(duì)象）特征的描述（定量的或結(jié)構(gòu)的描述），是取自客觀世界的某一樣本的測(cè)量值的集合（或綜合）。模式和模式識(shí)別美國(guó)郵政數(shù)字識(shí)別數(shù)據(jù)庫(USPS)：7300個(gè)訓(xùn)練樣本，2000個(gè)測(cè)試樣本，16X16圖像01…9模式識(shí)別可以看成是從模式向類別所作的映射例：不同寫法的數(shù)字“1”數(shù)字1的類別模式類別連續(xù)或者離散離散對(duì)象空間模式空間特征空間類型空間各類空間（Space)的概念模式采集：從客觀世界（對(duì)象空間）到模式空間的過程稱為模式采集。特征提取和特征選擇：由模式空間到特征空間的變換和選擇。類型判別：特征空間到類型空間所作的操作。模式識(shí)別三大任務(wù)為什么研究它？計(jì)算機(jī)模式識(shí)別問題生產(chǎn)實(shí)踐的需要：需要智能機(jī)器人，另外人的工資高，而計(jì)算機(jī)的價(jià)格越來便宜。信息爆炸現(xiàn)象：用人來不及處理信息。如：衛(wèi)星遙感，超級(jí)市場(chǎng)，郵政，銀行，指紋庫。危險(xiǎn)地帶：油漆、放射、高溫、核電站。提高工效：自動(dòng)化帶來的好處已經(jīng)顯而易見。1929年G.Tauschek發(fā)明閱讀機(jī)，能夠閱讀0-9的數(shù)字。30年代Fisher提出統(tǒng)計(jì)分類理論，奠定了統(tǒng)計(jì)模式識(shí)別的基礎(chǔ)。50年代NoamChemsky提出形式語言理論——傅京蓀提出句法結(jié)構(gòu)模式識(shí)別。60年代L.A.Zadeh提出了模糊集理論，模糊模式識(shí)別方法得以發(fā)展和應(yīng)用。80年代以Hopfield網(wǎng)、BP網(wǎng)為代表的神經(jīng)網(wǎng)絡(luò)模型導(dǎo)致人工神經(jīng)元網(wǎng)絡(luò)復(fù)活，并在模式識(shí)別得到較廣泛的應(yīng)用。90年代小樣本學(xué)習(xí)理論，支持向量機(jī)也受到了很大的重視。模式識(shí)別簡(jiǎn)史2模式識(shí)別系統(tǒng)數(shù)據(jù)獲取預(yù)處理特征提取

與選擇分類決策分類器

設(shè)計(jì)信號(hào)空間特征空間訓(xùn)練樣本集待判樣本集模式識(shí)別關(guān)注的內(nèi)容特征選擇與提取分類器的設(shè)計(jì)分類決策規(guī)則基本問題-分類模式(樣本)表示方法用n維列向量來表示一個(gè)（模式）樣本，說明該樣本具有n個(gè)數(shù)字特征x=(x1,x2,…,xn)T常稱之為模式向量或者樣本向量相似與分類：相似與分類問題遠(yuǎn)不像集合表達(dá)那樣簡(jiǎn)單明確。

用各種距離表示相似性：已知兩個(gè)樣本xi=(xi1,xi2,xi3,…,xin)Txj=(xj1,xj2,xj3,…,xjn)T

基本問題-分類②歐幾里德距離①絕對(duì)值距離③明考夫斯基距離其中當(dāng)q=1時(shí)為絕對(duì)值距離，當(dāng)q=2時(shí)為歐氏距離模式類的緊致性臨界點(diǎn)(樣本)：在多類樣本集中，當(dāng)一些樣本的特征值發(fā)生微小變化后，就變成另一類樣本，這樣的樣本稱為臨界樣本（點(diǎn)）無臨界點(diǎn)許多臨界點(diǎn)非常多臨界點(diǎn)3模式識(shí)別的方法模版匹配法統(tǒng)計(jì)方法神經(jīng)網(wǎng)絡(luò)方法(neuralnetwork)結(jié)構(gòu)方法(句法方法)

模版匹配首先對(duì)每個(gè)類別建立一個(gè)或多個(gè)模版輸入樣本和數(shù)據(jù)庫中每個(gè)類別的模版進(jìn)行比較，例如求相關(guān)或距離優(yōu)點(diǎn)：直接、簡(jiǎn)單缺點(diǎn)：適應(yīng)性差方法f(m,n)模板與原圖匹配結(jié)果匹配結(jié)果統(tǒng)計(jì)方法根據(jù)訓(xùn)練樣本，建立決策邊界統(tǒng)計(jì)決策理論——根據(jù)每一類總體的概率分布決定決策邊界判別式分析方法——給出帶參數(shù)的決策邊界，根據(jù)某種準(zhǔn)則，由訓(xùn)練樣本決定“最優(yōu)”的參數(shù)方法句法方法許多復(fù)雜的模式可以分解為簡(jiǎn)單的子模式，這些子模式組成所謂“基元”每個(gè)模式都可以由基元根據(jù)一定的關(guān)系來組成基元可以認(rèn)為是語言中的詞語，每個(gè)模式都可以認(rèn)為是一個(gè)句子，關(guān)系可以認(rèn)為是語法模式的相似性由句子的相似性來決定優(yōu)點(diǎn)：適合結(jié)構(gòu)性強(qiáng)的模式缺點(diǎn)：抗噪聲能力差，計(jì)算復(fù)雜度高方法神經(jīng)網(wǎng)絡(luò)進(jìn)行大規(guī)模并行計(jì)算的數(shù)學(xué)模型具有學(xué)習(xí)、推廣、自適應(yīng)、容錯(cuò)、分布表達(dá)和計(jì)算的能力優(yōu)點(diǎn)：可以有效的解決一些復(fù)雜的非線性問題缺點(diǎn)：缺少有效的學(xué)習(xí)理論方法統(tǒng)計(jì)模式識(shí)別基本原理線性判別的一般形式為：樣本特征權(quán)重系數(shù)其中，統(tǒng)計(jì)模式識(shí)別基本方法Fisher方法固定增量法（梯度下降法）分段線性鑒別器樹鑒別器Fisher方法Fisher方法：是一種降低特征空間維數(shù)的方法，其實(shí)質(zhì)是尋找一新的坐標(biāo)軸，使兩類樣本特征空間中的各點(diǎn)在它上面的投影能較好的分開。Fisher線性分類器的設(shè)計(jì)原則是：使盡量大，而盡量小。

Fisher方法誤差糾正規(guī)則：梯度下降法誤差：誤差糾正：輸出：其中：可得：統(tǒng)計(jì)分類器特征:1.顏色2.形狀Ⅲ

Ⅱ

ⅠR1R2V12

L1

V11

L11

L21

V21

L2

V22

L22

L12

L121V1L0

V2R2

R1

R2R1

R2

R1R2

分段線性鑒別器樹鑒別器識(shí)別過程舉例特征提取和選擇：對(duì)單個(gè)魚的信息進(jìn)行特征選擇，從而通過測(cè)量某些特征來減少信息量長(zhǎng)度亮度寬度魚翅的數(shù)量和形狀嘴的位置，等等…分類決策：把特征送入決策分類器識(shí)別過程舉例識(shí)別過程

幾種分類器的性能對(duì)比

分類正確率判別正確率判別函數(shù)數(shù)量Fisher方法91.15%86.52%1固定增量法90.46%83.64%1平衡二叉樹100%96.52%7優(yōu)化鑒別器100%97.73%4類型比較存在問題線性不可分多個(gè)目標(biāo)的快速識(shí)別人工神經(jīng)網(wǎng)絡(luò)用于模式識(shí)別人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介：

20世紀(jì)末迅速發(fā)展起來的一門高技術(shù)，它的基本思想是從仿生學(xué)的角度，模擬人腦神經(jīng)系統(tǒng)的運(yùn)作方式，使機(jī)器具有人腦那樣的感知、學(xué)習(xí)和推理能力。

人工神經(jīng)網(wǎng)絡(luò)是目標(biāo)識(shí)別的重要方法圖

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)框圖BP神經(jīng)網(wǎng)絡(luò)是最基本的也是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)RumelhartHinton和Williams于1986年發(fā)表文章，提出了誤差逆向傳播神經(jīng)網(wǎng)絡(luò)，也稱BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)思路：利用實(shí)際輸出與理想輸出的差值（稱為誤差）反饋到前面的網(wǎng)絡(luò)，從而改變各層權(quán)值，權(quán)值改變后，使誤差減小。通過不斷輸入同樣的輸入值（學(xué)習(xí)），使輸出值逼近理想值。BP學(xué)習(xí)算法誤差修正：總誤差：一個(gè)三層、三輸入、一輸出bp網(wǎng)絡(luò)的例子：顏色紋理形狀2131顏色2代表：肉色紋理1代表：皮膚紋理形狀3代表：橢圓形輸出1代表：人臉物體類別理想狀態(tài)如果第一次輸入3214如何使系統(tǒng)自動(dòng)從4調(diào)節(jié)到1？4代表猴子的臉權(quán)值例子中誤差是4-1=3利用3去改變各層權(quán)值使誤差減小。假設(shè)輸入一次“2、1、3”，誤差減小1那么第二次輸入輸出為3第三次輸入輸出為2第四次輸入輸出為1達(dá)到目標(biāo)，不再輸入。共四次輸入通過例子可知，BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是尋找這么一個(gè)函數(shù)權(quán)值=f（誤差）如果改變上述函數(shù)使得，每次輸入，輸出減少1.5則如圖顏色紋理形狀2134第一次輸入顏色紋理形狀2132.5第二次輸入顏色紋理形狀2131第三次輸入共三次輸入改變f（誤差）之后，網(wǎng)絡(luò)學(xué)習(xí)能力增強(qiáng)！如何選取函數(shù)f？定義E為誤差函數(shù)與如何建立聯(lián)系？梯度下降法思路：沿誤差E下降最快的方向?qū)?quán)向量移動(dòng)一個(gè)很小的距離。重復(fù)這一過程，將產(chǎn)生一系列權(quán)重向量為學(xué)習(xí)速率參數(shù)BP算法的基本流程初始化

加輸入和期望輸出計(jì)算隱層和輸出層的輸出迭代次數(shù)加1調(diào)節(jié)輸出層和隱層的連接權(quán)值改變訓(xùn)練樣本訓(xùn)練樣本終止？迭代終止？NoNoyy神經(jīng)網(wǎng)絡(luò)在目標(biāo)識(shí)別中做分類器顏色紋理形狀假如神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)100次后第101次輸入：是人臉45650不是目的：在智能交通管理方面的應(yīng)用——車型的識(shí)別。步驟：（1）汽車圖像的獲得以及預(yù)處理方面，主要涉及汽車圖像的自動(dòng)攝取，圖像去噪及增強(qiáng)，邊緣檢測(cè)等。（2）汽車的特征提取，采用填充圖像、不同形狀區(qū)域標(biāo)注、直線檢測(cè)等方法，以提取更有效、明顯的特征。（3）神經(jīng)網(wǎng)絡(luò)分類器的設(shè)計(jì)?；谏窠?jīng)網(wǎng)絡(luò)并行分類的特點(diǎn)有效的處理汽車的不同特征以完成識(shí)別。采用BP網(wǎng)絡(luò)。舉例：汽車圖像的識(shí)別（一）目標(biāo)圖像的獲取及預(yù)處理圖像的獲取部分由CCD攝像機(jī)、圖像采集卡、計(jì)算機(jī)等硬件組成。

道路及汽車場(chǎng)景CCD攝像機(jī)圖像采集卡服務(wù)器或標(biāo)準(zhǔn)特征庫計(jì)算機(jī)實(shí)時(shí)處理系統(tǒng)圖像的分割圖像分割成不同的區(qū)域，或把不同的東西分開(分割);識(shí)別圖像中要找的東西，也就是對(duì)圖像中不同的特征進(jìn)行分類(識(shí)別與分類)；對(duì)于不同區(qū)域進(jìn)行描述，或?qū)ふ也煌瑓^(qū)域之間的相互聯(lián)系，進(jìn)而找出相似結(jié)構(gòu)。 圖像分割 方法圖像閾值的圖像減影技術(shù)

提取圖像的結(jié)果

圖像的平滑（去噪） 1多圖像平均法

2.鄰域頻域法

3.中值濾波法 圖像直方圖顯示直方圖均衡化后的圖像（二）特征提取常見的圖像特征提取與描述方法:顏色特征;幾何形狀特征;紋理特征。實(shí)際目標(biāo)輪廓并不容易計(jì)算，通常是計(jì)算物體二值化后在水平和垂直兩個(gè)方向的跨度。xaxbycydxyL=xaxbW=ycyd

圖像幾何特征的提取101長(zhǎng)寬：2形心、質(zhì)心（重心、矩心）把目標(biāo)圖像看成一塊密度均勻的薄板，求出的重心叫做目標(biāo)圖像的形心。形心是二值化目標(biāo)圖像上的一個(gè)確定的點(diǎn)。當(dāng)目標(biāo)姿態(tài)變化時(shí)，形心位置有微小的變化。xaxbycydxyxy形心(x,y)

圖像幾何特征的提取113形狀分析3.1矩形度形狀和尺度一樣也是區(qū)別物體的重要特征。常用的形狀參數(shù)有：矩形度、圓形度、不變矩…..描寫矩形度的兩個(gè)參數(shù)：矩形擬合因子、長(zhǎng)寬比

圖像幾何特征的提取15形狀分析

圖像幾何特征的提取16—矩形擬合因子[1]R=A0/ARA0AR0<R≤1—長(zhǎng)寬比R=W

/LWL形狀分析2/2/2023100R0用來描述景物形狀接近圓形的程度，它是測(cè)量區(qū)域形狀常用的量。其計(jì)算公式為：

式中S為區(qū)域面積；L為區(qū)域周長(zhǎng).

R0值的范圍為0≤R0≤1，

R0值越大，則區(qū)域越接近圓形。3.2圓形度R02/2/2023101利用特征參數(shù)提取物體特征參數(shù)計(jì)算結(jié)果表示如下:（a）原圖像（b）圓度小于0.5的區(qū)域（c）提取的圖像4.不變矩有幾個(gè)從函數(shù)的矩（moments)導(dǎo)出的期望值適用于形狀分析。函數(shù)f(x,y)的矩定義為：集合{Mjk}對(duì)于函數(shù)f(x,y)是唯一的。每個(gè)特定的形狀具有一個(gè)特定的輪廓和一個(gè)特定的矩集合。j+k稱為矩的階數(shù)

圖像特征的提取20∫∫xjykf(x,y)dxdy，-∞Mjk

=

-∞∞∞J、k=0,1,2,…不變矩∫∫f(x,y)dxdy是該物體的面積。-∞M00

=

-∞∞∞所有的1階矩和高階矩除以M00可以使它們和物體的大小無關(guān)。

中心矩xc=M10/M00yc=M01/M00∫∫(x-xc)j

(y-yc)kf(x,y)dxdy-∞Mjk

=

-∞∞∞中心矩具有位置不變性。

圖像特征的提取21

零階矩不變矩不變矩不變矩是被測(cè)圖像和模板中灰度分布特性的度量不變矩方法分別對(duì)模板和被模板覆蓋的圖像部分計(jì)算相應(yīng)的一組矩，比較兩組矩的差別，差別越小，則越相似不變矩具有位移、旋轉(zhuǎn)、尺度不變性高階矩將二維圖象數(shù)據(jù)被看作是二維概率密度分布函數(shù)，有：

p+q階原點(diǎn)矩：

p+q階中心矩：規(guī)一化中心矩：中心矩的計(jì)算由上圖計(jì)算得到的中心矩七個(gè)尺度、位移和旋轉(zhuǎn)不變的矩度量：由歸一化的二階和三階中心矩得到不變矩計(jì)算實(shí)例應(yīng)用時(shí)將所選不變矩作為一組特征計(jì)算出各個(gè)已知模型的一組不變矩；對(duì)于圖像中的各個(gè)區(qū)域，一一計(jì)算上述不變矩；將圖像中各個(gè)區(qū)域計(jì)算的結(jié)果與已知模型的一組不變矩的值進(jìn)行比較，判定是否有要檢測(cè)的物體。車牌識(shí)別提取字母數(shù)字不同輪廓Hu矩的數(shù)值特點(diǎn)４神經(jīng)網(wǎng)絡(luò)與目標(biāo)圖像識(shí)別訓(xùn)練樣本(2)對(duì)圖像進(jìn)行分割(1)對(duì)圖像進(jìn)行去噪聲和直方圖均衡化：

(3)對(duì)圖像進(jìn)行邊緣特征的提取：

對(duì)圖像進(jìn)行二值化及腐蝕進(jìn)一步去背景干擾：

對(duì)圖像進(jìn)行直線部分的加強(qiáng)以及亮度的反轉(zhuǎn)，增強(qiáng)特征：

BP神經(jīng)網(wǎng)絡(luò)識(shí)別以汽車車型的形狀不變矩，亮度均值以及車輛頂長(zhǎng)和底長(zhǎng)的比值做為區(qū)別特征。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程顯示圖奧迪A4的7個(gè)不變矩：0.63421.00521.32101.03751.54781.25671.60830.61400.95270.78990.88561.20641.18861.47200.60070.76541.00960.95941.19671.31241.4145甲殼蟲的7個(gè)形狀不變矩：0.78180.80841.21000.98221.45781.34611.48310.86940.91601.36611.50701.48841.63211.58630.81940.85761.19220.93571.46211.51931.5178JEEP的7個(gè)形狀不變矩：0.49160.99660.84180.01631.09041.05401.39630.64031.03670.62720.01751.15021.15861.14580.55080.98660.73930.01561.22231.19621.2285識(shí)別結(jié)果對(duì)測(cè)試的汽車圖片以上節(jié)所述方法提取特征參數(shù)，做為測(cè)試輸入，進(jìn)行BP網(wǎng)絡(luò)仿真?？梢缘玫綔y(cè)試結(jié)果，小于0.3的作為0處理，大于0.7的作為1處理。若輸出結(jié)果00，10，11滿足車的類型則為正確識(shí)別。第一次訓(xùn)練網(wǎng)絡(luò)后識(shí)別結(jié)果:樣本數(shù)：30識(shí)別樣本數(shù)：28拒識(shí)樣本數(shù)：0錯(cuò)識(shí)樣本數(shù)：2