文献综述
本课题的现状及发展趋势：当前对车辆检测[1]技术的研究主要有两个方面，一是车辆自动识别，二是车辆自动分类。车辆自动分类是先检测车辆本身固有的参数，再运用适当的分类识别算法，使系统主动地对车辆类型进行分类，此类技术应用广泛。其主要方法有：射频识别法[2]，它将在车辆上的发射器的信息与利用天线进行接收的接收器进行数据传输，通过信息进行车辆分类。激光识别技术[3]，利用车辆上或信息收集站的激光发射器，收集车辆产生的光波感应，将光波感应的测试结果进行分析计算得到车辆的非二维外形，完成对车辆分类。雷达识别法[4]，车辆上或信息收集站的雷达测试器发射雷达信号，同时目标车辆反馈回雷达信号，测试器利用多普勒原理，检测运动中车辆的频率移动，产生反馈信息，从而利用车辆得到的感应反馈信息不同，完成对不同类型车辆的分类。这几种方法的优点是识别精确比较高，但其硬件成本较高、使用寿命短、安装及维护较为麻烦等缺点。基于视频图形的车辆自动分类技术[5]，它先通过视频摄录机将通过目标区域的目标车辆摄录入数据库，再利用各种数字图像处理技术[6]对于提取的目标图像处理和图像分割，然后进行模式识别，对车辆进行车型分类。现如今国内常用的分类方法是：基于神经网络的方法和基于小波变换[7]的方法。人工神经网络(Artificial Neural Network,ANN)[8]是建立一种类似生物的神经网络的结构和功能的信息处理系统。神经网络应用于许多科学领域，如自动控制，图像处理，模式识别和信息处理等方面。1986年，Mcclelland和Rumelhart等人[9]发展了多层网络的BP算法。BP神经网络考虑到了每一层网络的权重值的改变所以它十分适合用于多层网络，BP算法是目前应用最广的神经网络[10]。在遮挡情况下的车型识别中，引入面积差异函数来检测车辆是否被遮挡，一旦在区域内检测到部分遮挡，就可以通过找到一组子集（每个子集中只包含一辆车解决问题）来减小面积差异；对车辆间形成的部分遮挡再使用切割线分割，最后对分割区域分析后得到遮挡车辆的车型。高强[11]提出了基于BP神经网络的图像识别方法。他指出在图像识别领域，只要将图像转换成矩阵向量将其作为输入层，经过隐含层处理，并传向输出层，如果输出层没有达到期望值，则进行反向传播，通过改变权重值减小误差，最后BP神经网络就能输出期望结果。其实验结果对测试图像和实验运用BP神经网络反向传播算法识别图像是切实可行的。Zhuo等人[12]提出的基于卷积神经网络对大规模车型分类算法，其使用卷积神经网络对车浪进行分类，平均准确率也达到了90%以上。薛凌云和谢作孟[13]提出遗传BP神经网络车辆分类算法，针对目前基于地磁信号车辆分类算法的不足，提出遗传反向传播学习算法对车辆进行分类，如小轿车，SUV和皮卡。他们第一步对样本进行数据采集，第二步样本数据预处理，第三步识别算法设计，最后对实验结果进行分析，由其结果可以看到遗传BP算法的平均准确率达到92.0%。本课题研究的意义和价值：车辆分类在智能交通控制系统[14]中有着重要的作用，它使得交通管理更加方便智能，具有很重大的研究意义。随着计算机技术，图像处理技术的迅猛发展，基于视频图像的车辆分类方法在车辆分类运用的比例越来越大[15]，基于视频图像的车辆分类方法可以实时采集交通数据将其传输到交管中心。同时，利用该技术可以分析车辆流量信息，适应动态交通状况的变化。基于视频图像的车辆分类方法有很多种方法，本文使用BP神经网络模型对车辆进行分类，它具有计算量小，分类准确率高的优点。
参考文献
[1]Zhao X, Shi A N. Research on accompanying cars recognition in practical application[J]. Journal of Transportation Systems Engineering and Information Technology, 2012, 12(3):36-40.
[2]王京,谢佳讯,杨丁.基于RFID技术的分析与研究[J].电脑迷,2018(11):151.
[3]巩珏.激光测距传感技术识别车型及检测车流量[J].中国公共安全,2018(09):75-77.
[4]吕栋斌.雷达识别技术发展趋势探讨[J].信息系统工程,2018(07):116.
[5]金成昆，雷翔，黄晓强，等.基于DSP的视频图像自适应分类系统[J]．电视技术，2013，37(9)：34-37．
[6]马启周.数字图像处理技术的发展现状及趋势[J].电脑迷,2018(11):183.
[7]杜绍研.基于模糊神经网络的车辆声音信号识别研究[J]．自动化与仪器仪表，2016(6)：3-4．
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
