基于优化BP神经网络的车型分类识别技术的研究

车型分类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。视频检测技术以其独特的宽视角、低成本、智能化等优势，成为车型分类技术研究的新热点。模板匹配法和特征识别法是视频检测技术的主要方法，两者都有较高的识别精度，由于后者的鲁棒性和实时性能优于前者，便于推广应用，但是该方法存在两个主要问题：车型分类神经网络需要优化，目标提取算法性能与工程应用要求尚有差距。本书针对上述问题展开研究，并给出改进措施。
  本书主要内容如下。
  (1)分别对主要的车型分类技术和运动目标检测方法相关的理论和技术研究现状进行综述比较，并归纳了BP神经网络优化的方法。
  (2)基于BP神经网络的车型分类系统的构建。在比较主要车型分类技术的基础上，选择基于BP神经网络与目标特征的视频检测技术。在参考该技术原理的基础上，组织车型分类系统的工作流程，设计BP网络结构，分析目标特征提取与分类识别的主要步骤。
  (3)BP算法的改进。分析BP网络存在的问题和BP算法原理，引入遗传算法、动量项等对BP算法进行优化，完成GA&BP混合学习算法的设计与仿真。
  (4)目标特征信息提取算法的选择。采用耗时低的Surendra背景提取算法、迭代阈值分割算法、斑块线性处理算法等，改善目标特征提取工作的实时性。
  (5)车型分类系统的应用、仿真。运用VC6．0完成交通视频车辆检测系统的初步设计，利用Matlab神经网络工具箱对系统分类算法进行仿真验证。应用效果与仿真结果表明，基于优化BP网络的车型分类技术的实时性和分类识别性能等关键指标得到较明显的改善。本书构建的车型智能识别系统的精确性、鲁棒性、实时性等关键性能达到系统设计的预期要求。
  (6)最后总结本书的研究工作，提出进一步工作的方向。

本书综合运用人工智能、数字视频图像处理、模式识别等理论与技术，完成智能型自动车型分类识别系统的设计研究。
本书对BP神经网络及算法等进行研究，对传统BP算法进行优化，并完成GA&BP混合学习算法的设计，采用Surendra背景提取算法，完成视频图像中目标斑块信息的提取，运用GA&BP混合算法进行测试。
本书可供研究智能交通系统的人员参考。

第1章 绪论
第2章 基于BP网络车型分类系统
第3章 BP网络算法的改进
第4章 目标特征信息提取算法
第5章 车型分类识别系统的应用
第6章 总结与展望
参考文献
后记