下载文档原格式
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。
基于BP神经网络的手写数字识别系统研究一、概述随着信息技术的快速发展，手写数字识别技术已成为人工智能领域的一个重要研究方向。
手写数字识别系统能够自动地将手写数字图像转化为计算机可识别的数字信息，广泛应用于银行票据处理、邮政编码识别、移动支付等领域，极大地提高了工作效率和准确性。
BP神经网络作为一种强大的机器学习方法，在手写数字识别中展现出了显著的优势。
BP神经网络通过模拟人脑神经元的连接方式和信息处理机制，能够自动学习和提取手写数字图像中的特征，并通过不断调整网络参数来优化识别性能。
基于BP神经网络的手写数字识别系统具有较高的识别精度和鲁棒性。
BP神经网络在手写数字识别中的应用也面临着一些挑战。
手写数字的形态各异，存在大量的噪声和干扰因素，这要求神经网络具备强大的特征提取和抗干扰能力。
如何设计合理的网络结构、选择适当的训练算法以及优化网络参数，也是提高手写数字识别性能的关键问题。
本文旨在研究基于BP神经网络的手写数字识别系统，通过深入分析手写数字图像的特点和神经网络的原理，探索有效的特征提取和识别方法，以提高手写数字识别的准确性和稳定性。
本文还将对神经网络的优化算法进行研究，以进一步提高系统的性能。
1. 手写数字识别的背景与意义随着信息技术的迅猛发展，手写数字识别技术作为计算机视觉和模式识别领域的重要分支，逐渐受到广泛关注。
手写数字识别技术旨在通过计算机自动解析和识别手写数字，将其转化为计算机可处理的数字信息，从而实现信息的快速录入和处理。
手写数字识别技术具有广泛的应用场景和深远的意义。
在金融行业，手写数字识别技术可以应用于支票、汇票等票据的自动处理，提高业务处理效率，降低人为错误率。
在邮政行业，该技术可以辅助实现邮政编码的自动识别，提升邮件分拣速度和准确性。
在考试评分、数据录入、表单处理等场景中，手写数字识别技术也能发挥重要作用，显著提高工作效率和质量。
基于BP神经网络的手写数字识别系统研究具有重要的理论和实践价值。
基于神经网络的车辆制动预测研究[摘要] 本文对汽车制动过程中，影响汽车制动距离的主要因素：路面附着系数和初始速度等进行分析，提出了用神经网络的方法对汽车制动距离进行预测分析并阐述了对汽车制动距离预测的必要性和可行性。
我们以干沥青与混凝土路面状况下汽车制动距离的实验数据为基础，建立基于BP神经网络的预测模型，并利用MATLAB进行数据拟合检验，结果表明我们的方法能有效地预测汽车的制动距离，并且在数据较为充分的情况下有较高的精度。
[关键词] BP神经网络制动距离预测模型 MATLAB软件Vehicle braking prediction research based on neural network[Abstract]In this paper, for the automotive braking process, we analyze the main factor that affect the car's braking distance: road adhesion coefficient and initial velocity, put forward to use neural network to predict the automobile braking distance, discusses the necessity and feasibility of the vehicle braking distance prediction. We use dry asphalt and concrete pavement under the experimental data on the basis of vehicle braking distance, build predictive models based on BP neural network, and use MATLAB to data testing, The results show that our method can effectively predict the car's braking distance and in the case of more adequate data has higher accuracy.[Keywords] Artificial neural network BP neural network Braking distance Prediction model目录1.引言1.1 选题的目的和意义 (1)1.2研究状况和研究内容 (1)1.2.1 国内研究状况 (1)1.2.2 国外研究状况 (2)2. 基于神经网络的制动距离预测分析 (3)2.1 汽车制动过程分析 (3)2.2 制动距离的定义及影响因素分析 (3)2.2.1 制动距离 (3)2.2.2 制动距离的影响因素分析 (4)2.3 神经网络预测理论 (7)2.3.1 神经网络的概念及发展 (7)2.3.2 神经网络在预测方面的发展 (8)2.3.3 神经网络研究的不足 (11)2.4 制动距离预测必要性和可行性分析 (11)2.4.1 制动预测距离的必要性分析 (11)2.4.2 制动预测距离的可行性分析 (11)3.基于神经网络的制动距离预测模型的建立 (12)3.1 汽车制动距离预测模型建立思路 (12)3.2 预测模型建立方法及步骤 (12)3.3 制动距离预测模型的建立 (12)3.3.1 数据来源 (12)3.3.2 网络结构设计 (12)3.4 预测模型仿真检验及结果分析 (15)结论 (16)致谢语 (17)参考文献 (18)1、引言1.1选题的目的和意义随着汽车工业的发展，汽车越来越受人们的青睐，汽车的需求量及产量不断增长。
基于BP分类器的数字识别研究摘要:本文通过分析BP(Back Propogation)神经网络的结构、原理及其算法,对已经经过预处理的图像进行分析和识别,使分类器能够对0～9之间的数字在最短的时间进行准确分类,从而达到识别出图片中的数字。
系统既可以单独使用,也可以作为一个识别系统的软件核心应用到大规模数据统计、财务、税金、金融和车牌识别等系统中。
关键词:BP神经网络数字识别BP算法分类引言人工神经网络,即从生物学神经系统的信号传递而抽象发展而成的一门科学。
它是一个高度并行、非线性、具有很高冗余度的系统,其结构特点使知识的表达与存储,都与传统的方法有很大的不同。
本文采用BP神经网络进行数字识别。
利用神经网络极强的非线性的数据处理能力、良好的容错能力和自学习能力等,通过大量的样本进行的网络训练,最终得到以识别的数字输出。
1 BP(Back Propagation)神经网络人工神经网络是从生物学神经系统的信号传递而抽象发展而成的一门科学。
在神经网络中,最基本的单元就是神经元。
神经元由三部分组成:树突、细胞体和轴突。
树突是树状的神经纤维接受网络,它将电信号传递给细胞体。
轴突是单根长纤维,它把细胞体的输出信号导向其他的神经元。
神经元的排列拓扑结构和突触的连接强度确立了神经网络的功能。
形象的说,神经网络是由大量处理单元广泛连接而成的网络,是对人脑的抽象、简化和模拟、反映人脑的基本特征。
它能够通过学习过程从外部环境中获取知识,并且它内部的神经元可以存储这些已经学到的知识。
BP网络是前向网络的一种,是典型的多层前馈网络,在多层网络中,一般有三个层次:一个输入层、一个输出层、一个或多个隐层。
神经元网络模型用于模拟人脑神经元活动的过程,包括对信息的加工、处理、存储和搜索的等的过程。
同一层神经元之间不互连,不同层神经元之间则全互连。
其中,第一层(输入层)的大小由与处理后的输入数据的维数绝定,第二层(隐层)是神经元个数由输入数据的维数和经验来决定,第三层(输出层)的神经元个数由待识别的类型决定。
编号：审定成绩：重庆邮电大学毕业设计（论文）设计（论文）题目：基于遗传算法的BP神经网络的优化问题研究学院名称：学生姓名：专业：班级：学号：指导教师：答辩组负责人：填表时间：2010年06月重庆邮电大学教务处制摘要本文的主要研究工作如下：1、介绍了遗传算法的起源、发展和应用，阐述了遗传算法的基本操作，基本原理和遗传算法的特点。
2、介绍了人工神经网络的发展，基本原理，BP神经网络的结构以及BP算法。
3、利用遗传算法全局搜索能力强的特点与人工神经网络模型学习能力强的特点，把遗传算法用于神经网络初始权重的优化，设计出混合GA-BP算法，可以在一定程度上克服神经网络模型训练中普遍存在的局部极小点问题。
4、对某型导弹测试设备故障诊断建立神经网络，用GA直接训练BP神经网络权值，然后与纯BP算法相比较。
再用改进的GA-BP算法进行神经网络训练和检验，运用Matlab软件进行仿真，结果表明，用改进的GA-BP算法优化神经网络无论从收敛速度、误差及精度都明显高于未进行优化的BP神经网络，将两者结合从而得到比现有学习算法更好的学习效果。
【关键词】神经网络BP算法遗传算法ABSTRACTThe main research work is as follows:1. Describing the origin of the genetic algorithm, development and application, explain the basic operations of genetic algorithm, the basic principles and characteristics of genetic algorithms.2. Describing the development of artificial neural network, the basic principle, BP neural network structure and BP.3. Using the genetic algorithm global search capability of the characteristics and learning ability of artificial neural network model with strong features, the genetic algorithm for neural network initial weights of the optimization, design hybrid GA-BP algorithm, to a certain extent, overcome nerves ubiquitous network model training local minimum problem.4. A missile test on the fault diagnosis of neural network, trained with the GA directly to BP neural network weights, and then compared with the pure BP algorithm. Then the improved GA-BP algorithm neural network training and testing, use of Matlab software simulation results show that the improved GA-BP algorithm to optimize neural network in terms of convergence rate, error and accuracy were significantly higher than optimized BP neural network, a combination of both to be better than existing learning algorithm learning.Key words：neural network back-propagation algorithms genetic algorithms目录第一章绪论 (1)1.1 遗传算法的起源 (1)1.2 遗传算法的发展和应用 (1)1.2.1 遗传算法的发展过程 (1)1.2.2 遗传算法的应用领域 (2)1.3 基于遗传算法的BP神经网络 (3)1.4 本章小结 (4)第二章遗传算法 (5)2.1 遗传算法基本操作 (5)2.1.1 选择(Selection) (5)2.1.2 交叉(Crossover) (6)2.1.3 变异(Mutation) (7)2.2 遗传算法基本思想 (8)2.3 遗传算法的特点 (9)2.3.1 常规的寻优算法 (9)2.3.2 遗传算法与常规寻优算法的比较 (10)2.4 本章小结 (11)第三章神经网络 (12)3.1 人工神经网络发展 (12)3.2 神经网络基本原理 (12)3.2.1 神经元模型 (12)3.2.2 神经网络结构及工作方式 (14)3.2.3 神经网络原理概要 (15)3.3 BP神经网络 (15)3.4 本章小结 (21)第四章遗传算法优化BP神经网络 (22)4.1 遗传算法优化神经网络概述 (22)4.1.1 用遗传算法优化神经网络结构 (22)4.1.2 用遗传算法优化神经网络连接权值 (22)4.2 GA-BP优化方案及算法实现 (23)4.3 GA-BP仿真实现 (24)4.3.1 用GA直接训练BP网络的权值算法 (25)4.3.2 纯BP算法 (26)4.3.3 GA训练BP网络的权值与纯BP算法的比较 (28)4.3.4 混合GA-BP算法 (28)4.4 本章小结 (31)结论 (32)致谢 (33)参考文献 (34)附录 (35)1 英文原文 (35)2 英文翻译 (42)3 源程序 (47)第一章绪论1.1 遗传算法的起源从生物学上看，生物个体是由细胞组成的，而细胞则主要由细胞膜、细胞质、和细胞核构成。
基于Python车牌识别开题报告一、选题的意义和目的近年来随着经济的快速增长，人们的生活水平不断提高，机动车的规模和数量也急剧增加，机动车在给人们带来经济利益和生活方便的同时，也给人们带来了很多的困扰，如交通阻塞，环境污染和能源浪费等问题，因此，进一步加强车辆的自动化管理日趋重要。
传统的车辆识别是指根据车辆的外貌特征，将车辆自动归类（如卡车，轿车或公共汽车)，这些特征包括车体外形，车身颜色等，而且一般只是利用单一的特征进行车辆识别。
本文中的车辆自动识别技术[1]是指当车辆通过某一特定的地点时（如自动收费站，小区进出口管理等)，系统自动识别出车辆本身的代表符号以及固有属性(如车牌号，车辆的颜色，车型特征及车标等）的一种技术。
车辆识别技术的内容一般包括车牌识别，车型识别，车标识别以及车辆颜色识别等技术。
车辆识别技术是实现车辆自动化管理的基础，它广泛应用于公路和桥梁收费站，公路流量观测站，城市监控系统，停车场管理系统，港口和机场等车牌认证的实际交通系统中，以提高交通系统的车辆监控和管理的自动化程度。
在传统的车辆识别技术中，车牌作为车辆的唯一“身份证”，其识别技术一直是人们研究的热点和重点。
车牌识别包括车牌定位，车牌字符切割与车牌字符识别。
其中车牌定位一直是车牌识别的重点和难点。
近年来相关文献提出许多车牌定位算法，其中比较典型的算法有基于边缘法，基于彩色分割法，基于小波变换和基于遗传算法的方法等;在车牌字符切分方面，主要的方法有[2]:基于二值（灰度）图像水平（垂直）投影分布的车牌字符的切分方法，基于二值图像字符区域上下轮廓分布的车牌字符切分算法，基于模板匹配的车牌字符切分算法，基于聚类分析的车牌字符切分算法，基于车牌二值图像字符连通性的字符切分算法，基于颜色分类的车牌字符切分算法等;在车牌字符分类器的设计方面采取的主要方法有:神经网络分类器（包括BP 神经网络，SOFM网络等)，模板匹配分类器，基于概率统计的Bayes分类器，几何分类器等。
基于MATLAB的BP神经网络的数字图像识别基于MATLAB BP神经网络的数字图像识别基于MATLAB BP神经网络的数字图像识别【摘要】随着现代社会的发展，信息的形式和数量正在迅猛增长。
其中很大一部分是图像，图像可以把事物生动的呈现在我们面前，让我们更直观地接受信息。
同时，计算机已经作为一种人们普遍使用的工具为人们的生产生活服务。
如今我们也可以把这些技术应用在交通领域。
作为智能交通系统(InteUigent Traffic System，简称ITS)中的一个重要组成部分的车牌识别技术，当然就是其中的重点研究对象。
车辆牌照识别(License P1ate Recognition，简称LPR)，是一种关于计算机的包括图像处理、数学技术、数据库、信息技术以及智能技术于一体的综合技术。
用MATLAB 做车牌识别比用其他工具有许多优势，因为MATLAB在图像的灰度化、二值化、滤波等方面都有很大优势，所以,本次实验我们利用MATLAB的这些优点来对车牌进行识别。
【关键词】BP神经网络；图像识别；字符识别；特征提取；车牌；Matlab一课题研究背景（一）图像识别的提出及应用随着信息化时代的不断发展，人们越来越多地使用信息化的手段来解决各种问题——办公自动化、先进制造业、电子商务等利用计算机技术而产生的新兴行业正不断靠近我们的生活。
在信息社会中，我们每天都接触大量的数据——工作数据、个人数据、无意间获得的数据等——在这些数据中，有些数据需要我们人工处理，而有些则可以利用计算机快速准确的完成——字符识别就是其中的一个范畴。
字符识别是一种图像识别技术，他的输入是一张带有某种字符的图片，而输出则是计算机中对于图片中字符的反应结果。
所以，可以广泛的应用于各种领域：如，车牌检测、手写识别、自动阅读器、机器视觉……在生活生产的各个方面都起到了非常重要的作用。
（二）图像识别技术的发展趋势虽然图像识别技术还不是非常成熟，但现其已经有了很多可喜的成果，比如图像模式识别，图像文字识别。
基于BP神经网络的车型识别摘要车型分类识别技术作为智能交通系统中的关键技术，对提高道路运输效率，改善车辆收费检测等方面有着重要的理论与现实意义。
本文基于视频检测技术，首先通过图像预处理、车辆分割、轮廓提取得到车辆的轮廓图，从中获得车辆的外形几何参数，并做相关性分析，提取特征向量。
然后利用提取的特征向量，构建BP神经网络的车型分类系统进行车型识别。
主要研究内容包括：(1)车辆检测研究。
本文采用一种基于背景差分的车辆分割方法，较好地解决了复杂交通情况下车辆的检测问题。
(2)车型特征提取。
根据车型分类的需要，分析了车型特征参数的选择问题，为车辆分类奠定了基础。
本文最终选取了顶长比、顶高比、前后比作为特征向量。
(3)车型分类研究。
研究了基于BP神经网络的车型分类，通过选择合适的特征参数，获得了较高的分类正确率。
应用效果与仿真结果表明，基于BP网络的车型分类技术的实时性、精确性和分类识别性能等关键指标得到明显的改善，达到系统设计的预期要求。
同时,我们采取的方法具有提取的特征简单、量少，并且所构成的具有分类功能的BP网络简单、便于硬件实现、有利于BP网络的分类识别等优点。
关键词：智能交通系统；车型识别；车辆检测；特征提取；BP神经网络Vehicle Recognition Based on BP Neural NetworkAbstractAs the key technology of Intelligent Transportation System(ITS),vehicle recognition has all important theoretical and practical significance in improving the efficiency of road transportation and testing of vehicle charging．Firstly, the paper based on video detection discusses how to get the vehicle contour map through these operations such as image pre-processing, vehicle segmentation and contour extraction to derive geometrical parameters of vehicles which are used to establish the vector by a correlation analysis．Secondly, we use these feature vectors to build the system of vehicle classification based on BP Neural Network to recognize the vehicles．The main tasks are as follows: (1) Vehicle detection．This paper presents the vehicle segmentation method based on background subtraction．It can solve the problem of vehicle detection in complex traffic situations effectively. (2) Feature extraction．According to the needs of vehicle classification，we analyze the selective problems of the parameters to laid the foundation of vehicle classification．This paper finally adopts the vectors of the ratio of top and length, top and height, forward and back．(3) Vehicle classification．This paper studies vehicle classification based on BP neural network and obtains higher classification accuracy by selecting the appropriate parameters．The result of application and simulation indicates that the real-time quality, accuracy and other performances improved and the vehicle classification system achieves prospective objectives．At the same time, our approach has following advantages : The extracted features are simple, the account is small , and the BP network posed by the classification function is simple and easy to implement hardware, which will help classification and recognition．Keywords : ITS ; Vehicle Recognition ; Vehicle Detection ; Feature Extraction; BP Neural Network目录第1章绪论 (1)1.1 课题研究的背景和意义 (1)1.2 国内外车型识别技术的研究现状 (2)1.3 论文的主要内容 (3)第2章车辆目标检测 (4)2.1 基于视频图像的车型识别系统简介 (4)2.2 视频图像序列采集 (4)2.3 车辆目标检测的常用方法 (5)2.3.1图像预处理 (5)2.3.2 背景差分 (6)2.3.3 阈值分割 (8)2.3.4形态学处理 (10)2.3.5 连通区域标记及区域填充 (14)第3章车辆目标的特征提取 (16)3.1 目标特征的提取及描述 (16)3.2 基于轮廓特征的边缘检测 (16)3.3 基于轮廓特征的选择与提取 (19)3.3.1车型特征值的选择 (19)3.3.2车型特征值的提取 (20)第4章BP网络的设计与车型识别 (23)4.1 BP神经网络简介 (23)4.1.1 多层前馈神经网络 (24)4.1.2BP网络学习规则 (26)4.2 BP网络在本实验中的设计与应用 (27)4.2.1 BP网络的设计 (27)4.2.2 车型识别结果 (29)第5章总结与展望 (33)5.1 本文工作及成果总结 (33)5.2 未来工作展望 (33)致谢 (34)参考文献 (35)第1章绪论1.1 课题研究的背景和意义近年来，随着社会经济和综合国力的不断增强，人们对交通运输的各种需求明显增长，交通运输与社会经济生活的联系也越来越紧密，大大地缩短了人们通行和货物运输的时间，加快了工作进程。
然而，无论是在发达国家还是发展中国家，由于车辆数量的不断增加，道路负荷日益加重，交通拥挤、道路阻塞、交通事故现象越来越严重，由此而引起的社会经济损失、环境污染等问题已成为不利于社会发展的消极因素。
由于我国的城市化与汽车化发展十分迅猛，城市化的迅速推进特别是大城市规模的扩张，带来了城市交通需求特别是机动车数量的迅速增长,这些问题和矛盾在我国表现得尤为突出，正越来越严重困扰着城市居民的日常生活。
为了解决上述问题，经过长期和广泛的研究，以改善交通秩序、缓解交通拥挤和减少由交通产生的环境污染为目标，综合信息技术、通信技术和自动控制技术等智能交通系统相关技术的研究越来越深入。
智能交通系统(Intelligent Transportation System，简称ITS)应运而生，并获得了巨大的发展。
ITS包括智能和交通两个方面，将先进的人工智能、信息技术和自动控制等综合用于整个交通运输管理体系，通过对交通信息的实时采集、传输和处理，对各种复杂的交通情况进行协调，建立一种实时、准确、高效的综合运输管理体系，从而使得交通设施得以充分利用，充分实现交通运输的集约式发展。
车型识别技术是ITS的重要组成部分，在交通违章监控管理、公交优先系统、高速公路不停车收费、停车场监控管理等系统中的需求在不断加大。
车型识别国内外主要采用的方法：感应线圈法、超声波检测法、红外探测法、视频图像处理识别法等。
基于视频图像处理的车型识别系统，通过引入数字摄像技术以及计算机信息管理技术，采用先进的图像处理、模式识别、人工智能技术，通过对图像的采集、处理，获得丰富的信息，从而达到高智能的管理程度。
车型识别系统已经广泛应用于包括高速公路不停车收费、停车场监控与管理等系统以及车辆检测中。
车型识别技术作为智能交通系统中的关键技术，对规范交通秩序、大型停车场管理、高速公路自动计费等诸多方面有重要的理论与现实意义。
1.2 国内外车型识别技术的研究现状目前国内外基于图像分析的车型识别研究的主要方向为：特征匹配算法的车型识别、神经网络的车型识别、支持向量机的车型识别。
基于特征匹配的车型识别，相对于传统车型识别算法有较大的改进，在大部分天气情况下，它不但识别准确，而且计算量小，鲁棒性好，识别速度快，因此能从根本上满足识别实时性要求，但是算法在复杂环境中识别不是很准确；神经网络是由人工神经元所组成的模拟人脑智能的网络结构，它具有很好的自学习、自适应性和抗干扰能力，但对它的研究离实际工程的使用还有一定差距；支持向量机是实现统计学习理论的通用学习方法，它可以描述成类似神经网络的形式，该方法较好地解决了模型选择、过学习问题、非线性和局部极小点等问题，但从理论到应用还存在一些尚未解决的问题。
论文研究范围属于基于神经网络的视频车型分类技术，随着神经网络理论和图像处理技术应用的日益成熟，基于视频图像处理的技术应用，在智能交通系统中发挥越来越重要的作用。
目前，基于神经网络的视频图像车型分类方法大致可以分为以下两类：（1）基于神经网络的模板匹配的方法。
基于模板匹配的基本过程是：首先对目标车辆进行二值化，并将其尺寸大小缩放为车型数据库模板的大小，然后与所有的模板进行匹配，随后选取最佳匹配作为结果。
