基于OpenCV的边缘检测算法在车身尺寸检测中的应用

基于OpenCV图像处理的智能小车户外寻迹算法的设计作者：张伊来源：《电子技术与软件工程》2018年第18期摘要：介绍了HSV通道分离和OpenCV中的一些图像处理函数是如何运用于智能小车的户外寻迹算法的实现。

其中HSV通道分离作为图像处理的前步骤，为生成稳定的方向线奠定基础。

本文第一部分介绍HSV空间的含义及其在图像处理中的作用，第二部分简要介绍寻迹所用的其它图像处理方法，第三部分介绍HSV通道分离与图像处理函数如何用于实现户外巡线的算法。

【关键词】HSV 通道分离图像处理智能寻迹等智能寻迹机器人通过计算机编程可实现无人为干预的情况下在特定环境中自主行驶，是智能机器人领域内非常重要的且被广泛研究的智能移动装置。

对于智能寻迹的实现目前有两种基本途径，一种是基于硬件即利用各类传感器判断方位和距离；而另一种则是基于软件即通过图像处理算法实现实时寻迹。

在图像处理过程中Canny边缘检测算法是普遍运用的方法，但单一使用只对简单的室内寻迹任务有觌对于户外寻迹中复杂的环境信息和不清楚的边缘信息，还需进行HSV通道分离预处理。

1 HSV通道分离处理1.1 HSV空间的概念HSV （Hue， Saturarion， Value）是A.R.Smirh根据颜色的直观特征创造的颜色空间，可用六角锥体模型（ Hexcone Model）来表示，如图1所示。

HSV表示的参数分别为：色调（H），饱和度（S），亮度（V）。

色调（H）是人们对色彩的感知中最显著、最直观的一方面，用角度度量，对应上图中的圆心角，取值范围为oo至3600，红绿蓝分别相隔1200，互补色分别相差1800。

饱和度（S）表示色彩的纯度，取值范围是0 0至1.0，对应上图的半径值。

亮度（V）表示色彩的明暗程度，取值范围为0.0（黑色）至1.0（白色），对应图1中的纵轴。

1.2 RGB空间转换为HSV空间传统的RGB色彩模型可分辨的色差是非线性的，相比而言HSV通道更加直观和接近人的视觉经验，因此在图像检索中经常将图像从RGB空间转换到HSV空间，变换的公式如下：OpenCV F split函数可用于将图像分解成H，S和V三通道，并可以显示每个像素的H，S 和V值。

机器视觉开发任务之二--基于OpenCV的工件几何尺寸测量系统原创文章，未经许可，严禁转载。

如有需要请联系作者！本篇在上篇《机器视觉开发任务之一-基于OpenCV的工件外形轮廓检测系统》的基础上进行开发，首先检测并标出工件的外形轮廓位置，在此基础上结合相机标定的相关知识，计算出标准工件的几何尺寸。

对于圆形工件，将计算出其圆心坐标及直径。

对矩形工件，计算出其宽度和高度值。

对于正六边形工件，计算出其边长的平均值。

这里的值均为标定后计算出的物理值，并可与通过实际测量工具（游标卡尺或卷尺等）测出的值进行对比误差分析。

结果表明，该系统可实现的测量精度在±1毫米左右，可实现较高的测量精度，后续通过优化算法、改进光照条件以及提高标定精度等方法可进一步提升尺寸测量的精度。

1.项目功能描述：摄像头安装在传送带正上方，标准工件从传送带上以一定的速度（匀速）进入Camera 的视野范围。

首先进行像素尺寸标定，为简单起见，这里没有考虑畸变与透视形变的影响（后续可视测量精度需要增加畸变校正功能），检测标准棋盘格图像的角点的像素位置，同时棋盘格每个方格的物理尺寸为已知的固定值，从而可以计算出图像的像素尺寸。

在此基础上，根据上篇文字中从实时视频流中检测出的工件的外形轮廓位置，可以实现工件几何尺寸的测量功能。

2.开发平台与工具：Window7 64 Bit+Visual Sutdio 2013+OpenCV 2.4.93.算法思路与流程：4.算法实际检测结果图1 圆形工件测量结果（游标卡尺测量长度50mm）图2-矩形工件测量结果（游标卡尺测量长度45mm）图3 六边形工件测量结果（游标卡尺测量长度28mm）图5 同时测量多个工件几何尺寸。

Opencvpython之车辆识别项⽬（附代码）⽂章⽬录图⽚车辆识别根据⽂章搭建好环境后开始进⾏做项⽬import sysimport cv2from PyQt5.QtGui import *from PyQt5.QtWidgets import *from PyQt5.QtGui import QIcon, QPalette, QPixmap, QBrush, QRegExpValidatorclass mainWin(QWidget):def __init__(self):"""构造函数"""super().__init__()self.initUI()self.openBtn.clicked.connect(self.openFile) # 信号和槽self.grayBtn.clicked.connect(self.imgGray) # 信号和槽self.carCheckBtn.clicked.connect(self.carCheck)def initUI(self):# 设置窗⼝得⼤⼩self.setFixedSize(860,600)# 图标和背景self.setWindowTitle("车辆检测")self.setWindowIcon(QIcon("img/icon.jpg")) # 图标# 标签self.leftLab =QLabel("原图:", self)self.leftLab.setGeometry(10,50,400,400) # 设置绝对位置self.leftLab.setStyleSheet("background:white")self.newLab =QLabel("新图:", self)self.newLab.setGeometry(420,50,400,400) # 设置绝对位置self.newLab.setStyleSheet("background-color:white")# 按钮self.openBtn =QPushButton(" 打开⽂件", self)self.openBtn.setGeometry(10,10,80,30)self.grayBtn =QPushButton(" 灰度处理", self)self.grayBtn.setGeometry(100,10,80,30)self.carCheckBtn =QPushButton(" 视频检测", self)self.carCheckBtn.setGeometry(200,10,80,30)打开⽂件⽅法"""打开⽂件的处理函数:return;:return:"""print("打开图⽚")self.img,imgType = QFileDialog.getOpenFileName(self,"打开图⽚","","*.jpg;;*.png;;ALL FILES(*)") print(self.img)#jpg = QPixmap(self.img)self.leftLab.setPixmap(QPixmap(self.img))self.leftLab.setScaledContents(True)图像变灰度并车辆识别⽅法def imgGray(self):print("灰度")img1 = cv2.imread(self.img)#1.灰度化处理img_gray = cv2.cvtColor(img1, cv2.COLOR_RGB2GRAY)# BGR = cv2.cvtColor(module,cv2.COLOR_BGR2RGB)# 转化为RGB格式# ret,thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)#⼆值化#2.加载级联分类器car_detector = cv2.CascadeClassifier("./cars.xml")"""image--图⽚像素数据scaleFactor=None,缩放⽐例minNeighbors=None,2写2就是3flags =None,标志位⽤什么来进⾏检测minSize=None,最⼩的尺⼨maxSize=None,最⼤的尺⼨self, image, scaleFactor=None, minNeighbors=None, flags=None, minSize=None, maxSize=None """#3.检测车辆多尺度检测，得到车辆的坐标定位cars = car_detector.detectMultiScale(img_gray,1.05,2, cv2.CASCADE_SCALE_IMAGE,(20,20),(100,100)) print(cars)#(274462828)--(x,y,w,h)#4.在车的定位上画图for(x, y, w, h) in cars:print(x, y, w, h)#img, pt1, pt2, color, thickness = None, lineType = None, shift = Nonecv2.rectangle(img1,(x,y),(x+w, y+h),(255,255,255),1, cv2.LINE_AA)# 保存图⽚img_gray_name ="3.png" # ⽂件名cv2.imwrite(img_gray_name, img1) # 保存# 显⽰再控件上⾯self.newLab.setPixmap(QPixmap(img_gray_name))self.newLab.setScaledContents(True)视频车辆识别视频打开且识别⽅法print("车流检测")# parent: QWidget = None, caption: str = '', directory: str = '', filter:#1.选择视频video, videoType = QFileDialog.getOpenFileName(self,"打开视频","","*.mp4")print(video, videoType)# video --打开的视频filename#2.读取加载视频cap = cv2.VideoCapture(video)#3.读取⼀帧图⽚while True:status,img = cap.read()if status:# 灰度gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)# 2.加载级联分类器car_detector = cv2.CascadeClassifier("./cars.xml")cars = car_detector.detectMultiScale(gray,1.2,2, cv2.CASCADE_SCALE_IMAGE,(25,25),(200,200)) # 画框框for(x, y, w, h) in cars:print(x, y, w, h)# img, pt1, pt2, color, thickness = None, lineType = None, shift = Nonecv2.rectangle(img,(x, y),(x + w, y + h),(255,255,255),1, cv2.LINE_AA)print("实时车流量",len(cars))text ='car number: '+str(len(cars))# 添加⽂字cv2.putText(img, text,(350,100), cv2.FONT_HERSHEY_SIMPLEX,1.2,(255,255,0),2)cv2.imshow("opencv", img)key = cv2.waitKey(10) # 延时并且监听按键if key ==27:breakelse:break# 释放资源cap.release()cv2.destroyAllWindows()主函数if __name__ =="__main__":app =QApplication(sys.argv) #创建⼀个应⽤程序win =mainWin() #实例化对象win.show() #显⽰窗⼝sys.exit(app.exec_())图像识别效果（想要效果好些 需要⾃⼰去琢磨调参数）视频车辆识别效果⽂章内容都为个⼈笔记，侵权必究源码下载：。

基于OpenCV的车辆识别与跟踪技术研究【摘要】车辆识别和跟踪技术在智能交通和安防领域都具有很重要的应用价值。

OpenCV是一个开源的计算机视觉库，可以为车辆识别和跟踪提供极大的便利和效益。

本文将基于OpenCV进行车辆识别和跟踪技术的研究，着重探讨该技术的原理、方法和实现。

【正文】一、引言车辆识别和跟踪技术是近年来计算机视觉领域的研究热点之一。

随着计算机技术的飞速发展，车辆识别和跟踪技术也越来越成熟和广泛应用。

在智能交通和安防领域，车辆识别和跟踪技术可以帮助交通管理部门及时监控和管控道路交通，提高道路交通安全和管理效率；同时也可以为企事业单位提供更精细化、更智能化的安防管理服务。

OpenCV是一个开源的计算机视觉库，包含多个算法和函数，可以进行图像处理、特征提取、目标检测等计算机视觉操作。

在车辆识别和跟踪技术中，OpenCV 可以提供很好的支持和便利。

本文将基于OpenCV来探讨车辆识别和跟踪技术的原理、方法和实现。

二、车辆识别技术车辆识别技术是指利用计算机视觉技术来自动识别车辆的类型、颜色、车牌等信息，以达到智能交通和安防管理的目的。

下面从图像处理、特征提取、分类器训练三个方面来探讨车辆识别技术实现的步骤。

1. 图像处理图像处理是车辆识别技术的基础。

它包括图像预处理、图像增强、图像分割等操作。

图像预处理是指对原始图像进行噪声抑制、平滑处理等操作，使得图像更适合后续分析和识别；图像增强是指对图像进行亮度、对比度、色调等调整，以突出图像中的特征和细节；图像分割是指将原始图像分成若干个互不重叠的部分，以便对各个部分进行特征提取和分类。

2. 特征提取特征提取是车辆识别技术的核心。

它包括形状特征、纹理特征、颜色特征等多种特征。

其中形状特征是指车辆形状的几何特征，比如轮廓、宽高比、面积等；纹理特征是指车辆的纹理信息，比如细节、边缘等；颜色特征是指车辆的颜色分布情况。

3. 分类器训练分类器训练是指根据提取的特征，利用机器学习算法来构建识别模型。

基于机器视觉技术的白车身尺寸在线测量场景研究与应用随着工业自动化的不断发展，机器视觉技术已经在各个行业得到了广泛应用，其中包括汽车制造行业。

白车身尺寸在线测量是汽车制造中非常重要的一项工作，通过机器视觉技术，可以实现高效、准确、实时的测量，提高生产效率和质量。

在研究与应用方面，白车身尺寸在线测量场景主要包括以下几个方面：一、数据采集与处理：通过摄像机等设备采集白车身的图像或者视频数据，然后进行图像预处理，例如去噪、去除阴影等操作，以提高后续算法的准确性。

二、特征提取与选择：对于白车身的图像，需要通过机器视觉算法进行特征提取，例如边缘检测、轮廓提取等操作，以便识别车身的边界和主要尺寸特征。

同时，需要选择合适的特征向量，以方便后续的尺寸计算和分析。

三、尺寸计算与分析：基于特征向量和图像处理结果，可以利用数学方法或者机器学习算法来计算车身的各个重要尺寸，例如长、宽、高、轴距等，同时可以进行尺寸的分析和评估，例如与标准尺寸的比较、尺寸偏差的判断等。

四、实时监测与报警：在白车身生产线上，需要实时监测车身的尺寸情况，并及时发出报警，以防止尺寸不合格的车身进入下一工序。

通过机器视觉技术，可以实现在线监测和报警功能，以提高生产的准确性和效率。

在应用方面，基于机器视觉技术的白车身尺寸在线测量可以广泛应用于汽车制造企业的生产线中。

通过自动化的图像采集和处理，可以实现对白车身尺寸的准确测量，避免了传统人工测量中的误差和主观因素。

同时，基于机器学习算法的尺寸计算和分析，可以提供更加细致和全面的尺寸数据，以供企业进行生产管理和质量控制。

总之，基于机器视觉技术的白车身尺寸在线测量场景的研究与应用，不仅可以提高汽车制造的生产效率和质量，还能够减少人力资源的投入和成本的浪费，具有非常广阔的应用前景和市场需求。

未来随着技术的不断发展和创新，机器视觉技术在汽车制造领域的应用还将继续深入和拓展。

基于计算机视觉的汽车整车尺寸测量系统的研究一、本文概述随着汽车工业的飞速发展，汽车整车尺寸测量成为汽车制造过程中的重要环节。

传统的汽车尺寸测量方法大多依赖于人工操作，不仅效率低下，而且容易受到人为因素的影响，导致测量精度不稳定。

开发一种基于计算机视觉的汽车整车尺寸测量系统具有重要的现实意义和应用价值。

本文旨在研究基于计算机视觉的汽车整车尺寸测量系统，通过计算机视觉技术实现对汽车整车尺寸的自动、快速、精确测量。

本文首先介绍了汽车尺寸测量的背景和意义，分析了传统测量方法的不足和计算机视觉技术在汽车尺寸测量中的优势。

随后，详细阐述了基于计算机视觉的汽车整车尺寸测量系统的基本原理、系统架构和关键技术。

在基本原理方面，本文介绍了计算机视觉的基本原理和关键技术，包括图像采集、图像处理、特征提取和尺寸计算等。

在系统架构方面，本文设计了基于计算机视觉的汽车整车尺寸测量系统的整体架构，包括硬件平台和软件平台。

在关键技术方面，本文重点研究了图像预处理、边缘检测、特征匹配和三维重建等关键技术，以提高测量精度和效率。

本文通过实验验证了基于计算机视觉的汽车整车尺寸测量系统的可行性和有效性，并对实验结果进行了分析和讨论。

实验结果表明，该系统具有较高的测量精度和稳定性，能够满足汽车制造过程中对尺寸测量的要求。

同时，本文还指出了研究中存在的不足之处，并对未来的研究方向进行了展望。

通过本文的研究，旨在为汽车整车尺寸测量提供一种高效、精确、自动化的解决方案，推动汽车制造业的智能化发展。

二、系统设计与技术原理本节将详细介绍基于计算机视觉的汽车整车尺寸测量系统的设计和技术原理。

该系统设计分为几个关键部分：图像采集、预处理、特征提取、尺寸计算和结果输出。

每个部分都依赖于先进的技术和算法，以确保测量结果的准确性和系统的稳定性。

图像采集是整个系统的第一步，其质量直接影响到后续处理和最终测量结果的准确性。

本系统采用高分辨率工业相机，配合适当的照明系统，确保在各种环境下都能获得高质量的汽车图像。

基于图像处理技术的车辆目标检测与识别研究车辆目标检测和识别是计算机视觉领域的一个重要研究方向，它在交通安全、智能交通系统和自动驾驶车辆等领域具有广泛的应用前景。

随着图像处理技术的不断发展和进步，基于图像处理技术的车辆目标检测和识别算法也取得了显著的进展。

本文将围绕这一主题展开研究，介绍车辆目标检测和识别的相关技术和算法，并探讨其在实际应用中的挑战和应对策略。

首先，车辆目标检测和识别的基础是图像处理技术，其中最关键的技术之一是特征提取。

特征提取的目标是从图像中提取出具有代表性的特征，以便于车辆目标的区分和识别。

常用的特征包括形状、纹理和颜色等。

形状特征可以通过边缘检测和轮廓提取等技术获取，纹理特征可以使用滤波器和统计方法进行提取，颜色特征可以通过色彩空间转换和颜色直方图等方法来描述。

同时，还可以结合深度学习算法，如卷积神经网络(CNN)等，从图像中学习更高级别的特征。

其次，车辆目标检测和识别的关键步骤之一是目标检测。

目标检测的任务是在图像中定位和标记出所有的车辆目标。

常用的目标检测算法包括滑动窗口法、区域候选法和深度学习方法等。

其中，滑动窗口法通过在图像上滑动不同大小和位置的窗口来进行目标检测，但它计算量大且效率低下。

区域候选法是通过在图像中提取出可能包含目标的候选区域，然后再对这些候选区域进行分类和定位。

深度学习方法则是利用深度神经网络来学习目标的特征表示和分类模型，具有更好的性能和效果。

针对车辆目标检测和识别中的一些挑战，包括复杂背景、遮挡、尺度变化和光照变化等问题，研究人员提出了一系列的解决策略。

例如，对于复杂背景和遮挡问题，可以使用背景建模和图像分割等算法来降低干扰和提高检测精度。

对于尺度变化问题，可以采用多尺度的目标检测方法，通过在不同尺度上进行检测来提高目标检测的鲁棒性。

此外，还可以结合目标跟踪和运动估计等技术来改善在光照变化和动态环境下的目标检测效果。

在实际应用中，车辆目标检测和识别技术可应用于交通安全和智能交通系统等领域。

基于OpenCV的前方车辆检测和前撞预警算法研究随着汽车的普及和道路交通的增加，车祸事故的数量也逐渐增加。

为了避免这样的事故发生，车辆检测和前撞预警系统已成为现代汽车的必要设备之一。

本文着重研究基于OpenCV的前方车辆检测和前撞预警算法。

一、车辆检测车辆检测是前置摄像头检测前方车辆位置与大小的过程。

其核心是在图像中找到汽车的位置。

OpenCV中经常用到的图像检测算法包括Haar特征分类器、HOG特征提取、卷积神经网络，这些算法的优化和结合可以实现更高效的车辆检测。

1. Haar特征分类器Haar特征分类器是一种基于弱分类器的级联分类器，具有快速计算时间和识别性能强的特点。

它的缺点是对光照、阴影和干扰（如树、天空等）的适应性较差。

Haar特征分类器的训练需要的样本量较大，在硬件和时间上都需要较大的投入。

2. HOG特征提取HOG特征提取是通过梯度方向直方图描述图像中的局部结构信息。

它的核心是将图像均分成小的区域（cell），每个区域内计算每个像素点的梯度方向，最后组合所有的像素点生成一个特征向量。

该向量在SVM模型分类器中被用来区分车辆和非车辆。

HOG算法耗时相对较少，对于车辆形态识别较优，但是对于位移、尺度和旋转的适应性相对较差。

3. 卷积神经网络卷积神经网络是具有较强的特征提取和分类能力的深度学习模型。

，它能够通过大量的有标注的车辆和非车辆图像来建立模型，并用于车辆检测。

卷积神经网络训练需要的输入是图像数据和标注数据，消耗的计算资源相对较大。

二、前撞预警前撞预警算法的核心是根据前方障碍物的距离和速度，预测车辆向前行驶能否安全通过。

当距离或速度过小时，系统会发出警告并提醒驾驶员采取应对措施。

前撞预警系统通常由距离测量传感器、相机和控制器组成，在实现过程中，需要对以下几个方面进行优化：1. 距离测量传感器车辆前部需要安装红外、超声波、激光等设备，可以实时、准确地测量前方障碍物与车辆的距离，并将其转化为数字信号输出给控制器。

四川理工学院毕业设计（论文）边缘检测技术在汽车牌照自动识别监控系统中的应用四川理工学院自动化与电子信息学院二00九年六月摘要车牌识别是智能交通中关键技术之一。

车牌识别系统一般包括车辆图像采集、车牌定位、字符分割和字符识别四个模块。

本文在简单介绍车牌识别的四个模块的基础上，主要对车牌边缘检测进行了讨论，分析了Roberts算子、Sobel算子、canny算子、拉普拉斯(Laplacian)算子和Marr边缘检测算子。

Roberts算子检测定位精度比较高，但对噪声敏感。

Sobel算子可以产生较好的边缘效果，但是对噪声具有平滑作用，减小了对噪声的敏感性。

但是，Sobel边缘检测算子也检测出了一些伪边缘，使得边缘比较粗，降低了检测定位精度。

canny算子能在噪声抑制和边缘检测之间取得较好的平衡，并能产生较细的边缘效果。

故本文采用canny算子对车牌的边缘进行了提取，仿真结果表明了该算子能较好的检测出图片的边缘信息。

关键词：车牌识别，车牌定位，字符分割，边缘检测ABSTRACTThe car license recognition is one of key technologies in theintelligent transportation .The car license recognition system includesvehicles image gathering, the car license localization generally, thecharacter division and the character recognition four modules.This article in the simple introduction car license recognition fourmodule foundations, mainly has carried on the discussion to the carlicense edge examination, has analyzed the Roberts operator, the Sobeloperator, the canny operator, the Laplacian (Laplacian) operator and theMarr edge examination operator. The Roberts operator examination pointingaccuracy quite is high, but is sensitive to the noise. The Sobel operatormay produce the good edge results, but has the smoothing effect to thenoise, reduced to the noise sensitivity. But, the Sobel edge examinationoperator also examined some false edges, caused the edge quite to be thick,reduced the examination pointing accuracy. The canny operator can obtainsthe good balance between the noise abatement and the edge examination,It can produce the thin edge results. Therefore this article used the cannyoperator to carry on the extraction to the car license edge, the simulationresult has indicated this operator to be able the good examination pictureedge information.Key words: car license recognition, car license localization, characterdivision, edge examination目录摘要 (I)ABSTRACT (II)第1章引言 (1)1.1 课题背景及研究意义 (1)1.2 国内外研究现状 (2)1.2.1 汽车牌照识别国内外研究现状 (2)1.2.2 边缘检测算法国内外研究现状 (3)1.3 我国汽车牌照识别的难点 (5)1.4 课题的主要研究内容 (6)第2章汽车图像的采集 (7)2.1常用的车辆检测方法 (7)2.2运动车辆检测算法概述 (7)2.2.1光流场法 (7)2.2.2帧差法 (8)2.2.3背景消减法 (8)2.3背景图像的提取与更新 (9)2.3.1背景图像的提取 (9)2.3.2背景图像的更新 (9)2.4有无车辆判定 (10)第3章车牌定位 (11)3.1 现行汽车牌照的规格 (11)3.1.1 现行汽车牌照的类型 (11)3.1.2 车牌字符特征 (12)3.1.3 车牌比例特征 (12)3.2 车牌的先验知识 (12)3.3车牌定位 (13)3.3.1直接车牌定位法 (14)3.3.2 多分辨率车牌定位法 (15)3.3.3基于数学形态学的车牌定位法 (16)第4 章车牌图像的边缘检测 (20)4.1 车牌图像的灰度化和二值化 (20)4.1.1 图像的灰度化 (20)4.1.2 图像二值化 (21)4.2 灰度变换增强 (22)4.2.1 灰度变换 (22)4.2.2直方图均衡化 (24)4.3 空间域滤波 (26)4.3.1 领域平均法 (26)4.3.2 高通滤波 (28)4.3.3 中值滤波 (28)4.4 简单边缘检测算子 (29)4.4.1 梯度算子 (29)4.4.2 拉普拉斯算子 (31)4.4.3 Marr边缘检测方法 (31)第5章canny边缘检测算法应用及仿真 (34)5.1 算法步骤 (34)5.2 实验结果分析 (36)第6章结束语 (38)致谢 (40)参考文献 (41)附录 (43)第1章引言1.1 课题背景及研究意义随着我国国民经济以及科学技术的高速发展，机动车数量不断增加，国内高速公路、城市道路、停车场建设越来越多，对交通控制、安全管理的要求也日益提高，智能交通系统(Intelligence Traffic System)，简称ITS。

基于MATLAB图像处理的汽车车型识别论文基于MATLAB图像处理的汽车车型识别 1.摘要随着汽车工业的发展，经济的发展，越来越多的人拥有了汽车，在人们享受汽车带来便利的同时也给公共交通带来了巨大的压力。

智能交通系统的出现，很好的缓解了这一压力。

车型检测是智能交通系统中关键的一个部分。

本文研究的问题是基于车辆侧身图像的特征研究，实现车辆类型的判别。

首先是基于车身侧面图像的车长测量，通过自适应背景更新的方法生成动态背景，利用背景差分检测出运动区域，再对图像依次进行中值滤波去噪声，Ostu阈值分割，投影变换，根据投影的结果，计算出车辆的像素长度，再根据标定的结果，得出汽车的实际长度，可以通过这个长度将车辆的类型划分成大型车，中型车，小型车。

算子对图像进行边缘检测，其次是基于车身侧面图像的轮距测量，用Prewitt 再使用沈俊算子对原图进行边缘检测，将两种算子检测后的图像进行与操作，得到一个比较清晰的边缘图像，为了尽量减少无关边缘对Hough圆检测的干扰，把边缘图像的水平线去除，最后检测圆，获得两个车轮的位置，计算出车轮的像素距离，根据标定的结果，得出实际的车轮距离，通过此距离同样可以判断出大型车，中型车，小型车，相比较前一种方法的识别率更高。

最后是在前两章研究的基础上，通过链码跟踪，在二值图像中获得汽车的轮廓图像，通过链码计算出汽车的顶部和车长的比，车高与车长的比和汽车的相对矩，再结合汽车的轮距特征，可以判别出货车，轿车关键词:背景更新，图像分割，边缘检测，二值化，车型识别2(设计的内容主要功能:1.预处理功能:(1)直方图的统计及绘制，根据此找到图像的阈值点;(2)可将图像的各种几何矫正变换;(3)彩色图像的灰度化变换等、一般灰度图像的二值化处理等; (4)数字图像的增强处理功能:空域中的点运算、直方图的均衡化、各种空间域平滑算法(如局部平滑滤波法、中值滤波等)、锐化算法(如梯度锐化法、高通滤波等);色彩增强:伪彩色增强、真彩色增强等;2.处理功能:车识别:从图像中提取出车辆的轮廓并辨别出车型3.原理方法:首先对图像做了压缩和归一化处理，得到统一大小的背景图和前景图。

基于图像处理的车辆检测与识别算法研究车辆的检测与识别在交通管理、城市规划和智能交通系统等领域具有重要意义。

随着图像处理技术的发展和计算机性能的提升，基于图像处理的车辆检测与识别算法成为当前研究的热点。

本文将重点研究车辆检测与识别算法的基本原理、发展历程以及应用场景。

一、车辆检测算法的基本原理车辆检测算法的目标是从图像或视频中准确地定位和识别车辆。

基于图像处理的车辆检测算法通常包括以下几个步骤。

1. 图像预处理：包括图像的灰度化、滤波和增强等操作，以提取车辆特征。

2. 区域提取：通过分割和边缘检测等方法，将车辆区域从背景中提取出来。

3. 特征提取：利用图像特征描述算子，如HOG（Histogram of Oriented Gradients）、LBP（Local Binary Patterns）等，提取车辆的特征向量。

4. 目标识别：通过机器学习和模式识别算法，如支持向量机（SVM）、卷积神经网络（CNN）等，对提取到的特征向量进行分类和识别。

二、车辆检测与识别算法的发展历程车辆检测与识别算法经历了漫长的发展过程，不断积累经验和改进方法。

下面简要介绍几种常见的算法。

1. Haar特征检测算法：该算法利用Haar小波特征和AdaBoost分类器，通过在图像上滑动窗口的方式进行目标检测，被广泛用于人脸和车辆检测。

2. HOG特征检测算法：该算法通过提取图像中的梯度方向直方图，来描述车辆的外观特征。

它具有计算简单、检测速度快的优势，被广泛应用于车辆检测。

3. CNN深度学习算法：该算法通过多层卷积神经网络进行特征提取和分类。

由于其强大的学习能力和适应性，目前被认为是车辆检测与识别的state-of-the-art 算法。

三、车辆检测与识别算法的应用场景基于图像处理的车辆检测与识别算法在许多领域具有广泛的应用。

以下是几个应用场景的简要介绍。

1. 交通管理：车辆检测与识别算法可用于交通流量统计、违法监测和交通信号自适应控制等。

基于OpenCV的机器视觉尺寸测量研究郭瑞峰;袁超峰;杨柳;彭光宇【摘要】Through the study of laser ranging sensor and machine vision using laser ranging sensor, vision sensor, based on a combination of methods, this paper proposes a different in structured light and binocular size measurement of more simple and effective new method and new technology. Firstly, the optimal filtering method is selected by comparing the gray histogram, then the edge detection is performed by the laser ranging sensor and the monocular vision sensor. The laser ranging sensor realizes the fast ranging and positioning of the sampled targets, and calculates the relative position between the sampling manipulator and the target vehicle. The vision sensor can accurately identify the size and location of the car, which provides the basis for the automatic sampling of coal sampling manipulator. Detection goal is pull coal freight train, for the coal sampling industry to bring more simple, effective and accurate target location identification system and methods.%通过对激光测距传感器与机器视觉的研究利用激光测距传感器、视觉传感器相结合的方法,提出了一种不同于结构光和双目尺寸测量的更为简单有效的新方法和新技术.首先对灰度直方图比较分析选取了最佳滤波方法,然后通过激光测距传感器测距和单目视觉传感器进行边缘的精确检测.激光测距传感器实现了对采样目标车厢进行快速测距定位,计算出采样机械手与目标车辆的相对位置关系.视觉传感器准确识别车厢尺寸及定位,为煤炭采样机械手自动采样提供了实现基础.检测目标是拉煤货运火车车厢,给煤炭采样行业带来更为简单有效,准确的目标定位的识别系统和方法.【期刊名称】《计算机工程与应用》【年(卷),期】2017(053)009【总页数】5页(P253-257)【关键词】机器视觉;OpenCV;边缘检测;尺寸测量【作者】郭瑞峰;袁超峰;杨柳;彭光宇【作者单位】西安建筑科技大学机电工程学院,西安 710055;西安建筑科技大学机电工程学院,西安 710055;西安建筑科技大学机电工程学院,西安 710055;西安建筑科技大学机电工程学院,西安 710055【正文语种】中文【中图分类】TP246.62GUO Ruifeng,YUAN Chaofeng,YANG Liu,et al.Computer Engineering andApplications,2017,53（9）：253-257.煤炭交易环节中，供货方提供的数以万吨的煤炭本应该表层质量与内部质量完全一致。