车牌识别系统的设计与实现Word文档格式.docx
- 文档编号:18733024
- 上传时间:2022-12-31
- 格式:DOCX
- 页数:32
- 大小:334.28KB
车牌识别系统的设计与实现Word文档格式.docx
《车牌识别系统的设计与实现Word文档格式.docx》由会员分享,可在线阅读,更多相关《车牌识别系统的设计与实现Word文档格式.docx(32页珍藏版)》请在冰豆网上搜索。
ITS是90年代兴起的新一代交通运输系统。
它利用先进的信息处理技术、导航定位技术、无线电通信技术、自动控制技术、图像分析技术及计算机网络和处理技术等加强道路、车辆、驾驶员和管理人员的联系,实现道路交通管理的“自动化”和车辆行驶的“智能化”,增强运输安全,减少交通堵塞,增加车辆机动性和路面运输效率,减少环境污染,节约能源,提高经济活力。
在智能交通系统中,交通信息服务系统是重要的组成部分,也是整个智能交通系统顺利运作的关键和基础。
其中交通信息的获取、采集、传输和处理,是一个关键的问题,然而要做到这一点,首先必须把车辆的身份识别出来。
当车辆经过某一特定地点时,自动将该车的身份识别出来的技术统称为车辆自动识别系统(AVI:
AutomaticVehicleIdentification)。
在实际的运用中由于车牌作为汽车的标示具有唯一性,知道了车牌号,车辆的所有信息(如车种、车主等)便一目了然,如果能实时识别交通网上所有正在运行的汽车车牌并将其汇总,就可以为交通流诱导系统、交通控制和管理系统提供最详尽的信息。
所以车辆牌照自动识别系统(LicenseplateAutomaticRecognitionSystem,LARS)作为智能交通系统的重要组成部分,在交通、治安、管理等方面有着广泛的应用。
车辆牌照识别(LicensePlateRecognition)简称LPR)的快速、准确实现对于交通管理、治安处罚等工作的智能化起着非常重要的作用。
目前的车牌识别方法主要是针对车辆自动注册和收费,停车场管理等场合,所监视的区域一般只有单一车辆,背景比较简单。
在我国的许多运用场合监视区域比较复杂,现有的方法无法直接运用,比如,高速公路的监视与监控,城市要道的监视于监控,所监控的区域一般同时会出现多辆汽车,背景也比较复杂。
另外,车辆牌照识别系统是全天候的,若没有理想的补充光照明,自然光照度的昼夜变化会引起牌照图像的对比度严重不足,使图像中牌照字符分辨不清,甚至根本无法定位和分割,更无法识别。
针对这些,该技术在我国现状下还有着很大的发展空间。
运用图像处理技术解决汽车牌照识别的研究国内外都有,最早出现于01年代,这个阶段是采用简单的图像处理技术来解决,识别过程是使用工业电视摄像机拍下汽车的正前方图像,然后交给计算机进行简单处理,并且最终仍需要人工干预。
国外汽车牌照识别系统研究工作已有一定进展,但并不尽合我国国情,这主要是以下五个方面的原因:
(1)我国标准汽车牌照是由汉字,英文字母和阿拉伯数字组成;
汉字的识别与字母和数字的识别有很大的不同;
从而增加了识别的难度。
(2)国外许多国家汽车牌照的底色和字符颜色通常只有对比度较强的两种颜色,例如韩国,其车牌底色为红色,车牌上的字符为白色,而我国汽车牌照仅底色就有蓝、黄、黑、白等多种颜色;
字符颜色也有黑、红、白等若干种颜色。
(3)其他国家的汽车牌照格式,如汽车牌照的尺寸大小;
牌照上字符的排列等通常只有一种,而我国则根据不同车辆、车型、用途,规定了多种牌照格式,例如分为军车、警车、普通车等。
(4)我国汽车牌照的规范悬挂位置不唯一。
(5)由于环境道路或人为因素造成汽车牌照污染严重,这种情况下国外发达国家不允许上路,而在我国仍可上路行驶!
由于我国汽车车牌识别的特殊性,采用任何一种单一识别技术均难以奏效!
目前正在研制的无源型汽车牌照智能识别系统综合利用了车辆检测技术、计算机视觉技术、图像处理技术、人工智能技术和人工神经网络技术等,是一个比较有发展前途的车牌识别系统。
我国从70年代开始在传统的交通运输和管理中应用了电子信息技术,随着社会的发展与进步,我国道路在未来20年内仍然处于建设状态,这期间正是智能交通系统在全世界进入全面设施阶段,因此我国需要根据公路交通的实际需要探讨在我国公路网中应用智能交通系统来提高交通效率,保障安全和保护环境。
1.3论文主要研究内容
本文对车牌识别系统进行了比较详尽的探讨和研究,车牌识别技术的关键是:
车牌识别系统中的预处理、车牌定位、字符分割与识别等。
基于以上研究的主要技术,下面将依次介绍。
本论文的主要章节和内容安排如下:
(1)第二章首先总体介绍了车牌识别系统,然后分别介绍了常用车牌识别系统所用到的相关技术;
(2)第三章介绍了LPR系统的设计与分析;
(3)第四章介绍了车牌识别系统的实现;
(4)第五章总结。
第二章车牌识别系统简介
2.1车牌识别系统概述
整个识别系统中要用到的硬件主要有摄像头、感应器和计算机。
车牌识别系统的软件部分主要分为四大块,即预处理、车牌定位、车牌字符的分割和字符识别。
图2.1系统流程图
原始图像:
由停车场固定彩色摄像机、数码相机或其它扫描装置拍摄到的图像。
图像预处理:
对动态采集到的图像进行滤波,边界增强等处理以克服图像干扰。
边缘提取:
通过微分运算,二值化处理,得到图像的边缘。
车牌定位:
计算边缘图像的投影面积,寻找峰谷点,大致确定车牌位置,再计算此连通域内的宽高比,剔除不在域值范围内的连通域。
最后得到的便为车牌区域。
字符分割:
利用投影检测的字符定位分割方法得到单个的字符。
字符识别:
利用模板匹配的方法与数据库中的字符进行匹配从而确认出字符,得到最后的汽车牌照,包括英文字母和数字。
当车辆通过时,车辆检测装置受到触发,启动图像采集设备获取车辆的正面或反面图像,并将图像传至计算机,由车牌定位模块提取车辆的牌照,字符分割模块对车牌上的字符进行切分,最后由字符识别模块进行字符识别并将结果输出。
程序流程图见图1.2。
车牌字符的分割技术是本次设计的主要研究内容。
在系统分析常用的分割算法的基础上,结合二次水平投影、垂直投影、直线拟合、图像旋转、和阈值技术,实现车牌字符分割,得到单个的字符图像。
为了能更好的对字符进行分割,文中还提出了车牌的矫正和边框的去除,便于调试,结果一目了然。
图2.2程序流程图
2.2图像的灰度化
汽车图像样本目前大都是通过摄像机、数码相机等设备拍摄获取的,因而预处理前的图像都是彩色图像。
彩色图像包含着大量的颜色信息,不但在存储上开销很大,而且在处理上也会降低系统的执行速度,因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像,以加快处理速度。
由彩色转换为灰度的过程叫做灰度化处理。
灰度图像就是只有强度信息而没有颜色信息的图像,存储灰度图像只需要一个数据矩阵,矩阵每个元素表示对应位置像素的灰度值。
彩色图像的像素色为RGB(R,G,B),灰度图像的像素色为RGB(r,r,r),R,G,B可由彩色图像的颜色分解获得。
而R,G,B的取值范围是0~255,所以灰度的级别只有256级。
从图像输入装置得到的图像数据,以浓淡表示,各个像素与某一灰度值相对应。
设原图像像素的灰度值D=f(x,y),处理后图像像素的灰度值D´
=g(x,y),则灰度增强可表示为:
g(x,y)=T[f(x,y)]或D´
=T(D)(2.1)
要求D和D’都在图像的灰度范围之内。
函数T(D)称为灰度变换函数,它描述了输入灰度值和输出灰度值之间的转换关系。
一旦灰度变换函数确定,则确定了一个具体的灰度增强方法。
图像中每一点的运算就被完全确定下来。
灰度变换函数不同,即使是同一图像也会得到不同的结果。
选择灰度变换函数应该根据图像的性质和处理目的来决定。
选择的标准是经过灰度变换后,像素的动态范围增加,图像的对比度扩展,使图像变得更加清晰、细腻、容易识别。
2.3图像的二值化和阈值处理
二值图像是指整幅图像画面内仅黑、白二值的图像。
在数字图像处理中,二值图像占有非常重要的地位。
在实际的车牌处理系统中,进行图像二值变换的关键是要确定合适的阀值,使得字符与背景能够分割开来,二值变换的结果图像必须要具备良好的保形性,不丢掉有用的形状信息,不会产生额外的空缺等等。
车牌识别系统要求处理的速度高、成本低、信息量大,采用二值图像进行处理,能大大地提高处理效率。
二值化的阈值选取有很多方法,主要分为三类:
全局阈值法、局部阈值法和动态阈值法。
全局阈值二值化方法是根据图像的直方图或灰度的空间分布确定一个阈值,并根据该阈值实现灰度图像到二值化图像的转化。
全局阈值方法的优点在于算法简单,对于目标和背景明显分离、直方图分布呈双峰的图像效果良好,但对输入图像量化噪声或不均匀光照等情况抵抗能力差,应用受到极大限制。
局部阈值法则是由象素灰度值和象素周围点局部灰度特性来确定象素的阈值的,Bernsen算法是典型的局部阈值方法,非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质,局部阈值法也存在缺点和问题,如实现速度慢、不能保证字符笔划连通性、以及容易出现伪影现象等。
动态阈值法的阈值选择不仅取决于该象素灰度值以及它周围象素的灰度值,而且还和该象素的坐标位置有关,由于充分考虑了每个像素邻域的特征,能更好的突出背景和目标的边界,使相距很近的两条线不会产生粘连现象。
阈值处理的操作过程是先由用户指定或通过算法生成一个阈值,如果图像中某中像素的灰度值小于该阈值,则将该像素的灰度值设置为0或255,否则灰度值设置为255或0。
阈值化的变换函数表达式如下:
(2.2)
式中T为指定的阈值。
比它大就是白,比它小就是黑。
2.4图像的锐化
由于需要处理的图像由拍摄而来,所以在很多情况下字符模糊,对识别造成了一定的困难,所以要对图像进行锐化处理使模糊的图像变的清晰,图像锐化的实质就是增强图像的边缘或轮廓,其锐化后的结果通过微分而使图像边缘突出、清晰。
图像锐化的方法有两种:
梯度锐化法和高通滤波法。
其中梯度锐化法比较常用。
2.5图像的去噪
图像可能在拍摄或者传输过程中夹带了噪声,去噪声是图像处理中常用的手法。
通常去噪用滤波的方法,比如中值滤波、均值滤波。
为了抑制噪声,通常我们会采用低通滤波,但由于边缘轮廓也包含大量的高频信息,所以低通滤波在过滤噪声的同时,也使得边界变模糊,反之,低通滤波后为了提高边缘轮廓,还需要使用高通滤波,这时存在的噪声也得到了增强,然而中值滤波在过滤噪声的同时也很好的保护到了边缘轮廓,因此常用中值滤波的方法来去噪。
2.6灰度拉伸
若有一幅图,由于拍摄光照不足,使得整幅图偏暗(例如,灰度范围从0-55),或者拍摄时光照过强,使得整幅图偏亮(灰度范围从200-255),这些情况都是属于低对比度,即灰度都挤在一起,没有拉开。
灰度拉伸的意思就是把感兴趣的灰度范围拉开,使得该范围内的像素,亮的更亮,暗的更暗,从而达到了增强对比度的目的。
2.7图像的倾斜矫正
由于拍摄时镜头与牌照的角度、车辆的运动及路面的状况等因素的影响,例如车牌在捕捉图像中的位置不固定,捕捉图像时车头或者镜头发生摆动以及车牌本身就挂歪了或路况较差,都可能使拍摄到的车牌图像有一定的倾斜度,为了正确识别需要进行倾斜度校正,否则将无法进行单个字符的正确分割,字符识别的误差率就会上升。
但是若以某个固定的经验值对所有牌照统一进行旋转处理,又会使原本正常的牌照倾斜,导致新的错误。
因此有必要针对特定的牌照图像提取其倾斜角度,再加以相应的旋转处理。
如何从牌照中自动提取其倾斜度是预处理过程中的一个难点,一般使用Hough变换检测图像中的直线来对图像的倾斜进行相应的矫正。
Hough变换具有明了的几何解析性,一定的抗干扰能力和易于实现并处理等优点:
但它存在着计算量大,需要巨大的储存空间等问题,所以不适合用在具有一定实时性要求的图像处理中。
针对这个问题,Radon变换可以满足一定实时图像处理的要求。
2.8车牌字符分割
经过上面一系列预处理后,得到的是一条上下边缘紧贴字符的水平二值图像,其中,车牌的背景像素为白色,用1表示;
车牌的字符像素为黑色,用0表示。
在识别时系统只能根据每个字符的特征来进行判断,为了最终能准确识别牌照上的汉字、英文字母及数字,必须将单个字符从矫正的牌照中逐个提取分离出来。
2.9字符识别
进行车牌识别前需要使用样本对神经网络进行训练,然后使用训练好的网络对车牌进行识别。
其具体流程为:
使用汉字、字母、字母数字、数字四个样本分别对四个子网络进行训练,得到相应的节点数和权值。
对已经定位好的车牌进行图像预处理,逐个的特征提取,然后从相应的文件中读取相应的节点数和权值,把车牌字符分别送入相应的网络进行识别,输出识别结果。
第三章LPR系统的设计与分析
3.1引言
我国机动车使用的牌照主要是根据公安部一九九二年颁布的《中华人民共和国机动车号牌》标准(GA36-92)制作的。
此外部队、武警等部门的汽车牌照也有自己的标准,但是无论哪种汽车牌照都由下列基本元素组成:
1、汉字(牌照中包括的汉字大约60个)(京、津、晋、冀、蒙、辽、吉、黑、沪、苏、浙、皖、闽、赣、鲁、豫、鄂、湘、粤、桂、琼、川、贵、云、藏、陕、甘、青、宁、新、渝、甲、乙、丙、丁、戊、己、庚、辛、壬、癸、子、丑、寅、卯、辰、巳、未、申、酉、戍、亥、警、学、特、使、领、港、澳)
2、英文字母(A-Z)
3、数字(0-9)
4、颜色(蓝、黄、白、黑)
3.2LPR中的关键技术及其算法实现
3.2.1车牌区域提取
车辆牌照能否正确从车辆图像中提取是自动识别的前提,所以图像提取需要极高的正确性。
该技术从汽车图像中提取牌照区域——牌照坐标,以供下一步识别牌照字符。
如下图显示了具体一幅车辆图片的牌照提取过程。
其中用到了大量的数字图像处理算法,包括图像的彩色图到灰度图的变换,灰度拉伸,均衡,边缘卷积算子,文理特征提取,去噪,滤波等。
图3.1车牌区域提取图
牌照提取过程:
从车辆图像中正确分割出牌照区域是牌照识别中最为关键的步骤之一。
所谓图像分割就是根据目标与背景的的先验知识,对图像中的目标、背景进行标记、定位,然后将待识别的目标从背景或其他伪目标中分离出来。
图像分割是图像提取的重要组成部分,只有有效地完成分割,才能进一步提取目标特征并识别目标。
这里的目标就是车辆牌照,所有的车辆牌照都具有一些共同特征:
1.图像上有大量长短不一类似直线与长方性的区域,还有一些灰度特征类似于文字区域的汽车厂商标志区域。
2.牌照文字周围有一个类似于长方形的边缘框,其厚度不一,而且有断裂处,有时候弯曲度比较大。
3.文字大小统一,排列成行,由于拍摄原因有一定程度倾斜,文字与背景之间有明显灰度对比。
根据处理牌照的类型和特点,有许多牌照分割方法,如字符竖向纹理统计,彩色分类,神经网络,矢量量化,模板匹配等方法。
然而,由于汽车图像往往在复杂的自然环境中得到,所以很多分割方法都会失去作用。
水平差分算子对汽车图像求梯度
△X=Xn—Xn-1
对二维图像而言水平梯度为:
G(Xn,Yn)=|F(Xn,Yn)—F(Xn-1,Yn)|
由于牌照一般是由字符、背景和边框组成,在字符与背景处就形成了较强的边缘。
车辆灰度图:
图3.2水平梯度图
通过选定一个阈值,对梯度图上大于此值的点记为边缘点,把一段连续的边缘点取其第一个点,定义这个点为跳变点。
对水平方向边缘点的扫描,可以得出此行上跳变点的分布。
对整幅图扫描就得到全部的跳变点的分布。
图3.3车辆图像跳变点图
从跳变点图和灰度图的对照中可以看出,车灯处、汽车头的横栏部分、牌照部分是跳变点比较丰富的地方。
牌照分割算法
求牌照大致位置算法的描述:
设n为连续的跳变点数,设t为最大允许跳变点间距,设C为最小允许每行跳变点数,Sn、En为某一段变点的起始和终止坐标,Rn为每行的跳变点数,L为当前行。
设“L=1;
”
1.对第L行扫描,“while(dot(L,k)!
=跳变点)k++;
”如果“dot(L,k)==跳变点”,则“S1=k,E1=k,k++”,找到可能的行起始点。
2.对第L行继续扫描,如果“dot(L,k)==跳变点”,并且跳变间距小于t,则“E1=k,R1++”;
如果跳变间距大于t,并且“R1﹤C,则S1=k,E1=k,R1=0”;
如果跳变间距大于t,并且“R1≥C”,则“L++”。
3.如果到了行尾则“L++”,回到步骤1执行。
求牌照区域的算法描述:
从跳变图中可以看出,牌照区域是由一系列连续满足跳变点要求的行组成的。
因此,设b为在连续行中允许的不满足要求的最大行数,L1为每行中可能满足要求的最小间距,L2为每行中可能满足要求的最大间距,J1为每行中满足要求的最小跳变点数,J2为每行中满足要求的最大跳变点数,C为最小满足要求的连续的行。
设“L=1,c=0,d=0;
1.“While(r1〈L1|r1〉L2)L++”,记下可能的起始行。
2.查看第L行是否满足“r1≥j1,r2≤j2,e1-s1≤L2”,如果满足则“c++,d=0”,如果不满足则“d++”,如果“d>
b”,并且“c<
C”,则从上一个可能区域尾到此行不存在牌照区域。
3.如果“c≥C”,并且“d>
b”,则记下这个连续区域为候选牌照区域,回到步骤1继续执行。
4.“L++”,回到步骤2继续执行。
从上面的算法可以看出,可能会找到几个满足要求的区域。
这就需要分析,车牌的的长宽有一定的比例,并且牌照的长宽在整幅图中有一定的比例,这些都可以用来分析这些区域。
一、彩色图像到灰度图像变换
灰度图(GrayScale)是指只包含亮度信息,不包含色彩信息的图像,例如平时看到的亮度由暗到明连续变化的黑白照片。
要表示灰度图,就是把亮度量化,通常分成0~255共256个级别,0最暗(全黑),255最亮(全白)。
由于256级灰度比较简单,若是彩色图像,其颜色种类比较多,不利于图像处理,因此一般都是将彩色图像转换成灰度图进行处理。
卡口抓拍到的车辆图像均为24或256位真彩色图像,可以根据下述灰度值和RGB颜色对应关系转换成灰度图。
灰度值=0.299R+0.587G+0.114B
彩图到灰度图的转变
图3.4彩图到灰度图的转变
下面一段代码实现了24位真彩色图像到灰度图的转换:
Void24btoGray()
{
inti,j,temp;
for(i=0;
i<
=HEIGHT;
i++)
{
For(j=0;
j<
=WIDTH;
j++)
{
Temp=(unsignedchar)
(0.114*colorinmage[(long)i*WIDTH*3+3*j]//B
+0.587*colorinmage[(long)i*WIDTH*3+3*j+1]//G
+0.299*colorinmage[(long)i*WIDTH*3+3*j+2])//R
Grayimage[(long)i*WIDTH+J]=temp;
}
}
二、灰度拉伸
为了增强车辆图像和牌照图像(提取自车辆图像的对比度,使其明暗鲜明,有利于牌照识别,需要对它们进行灰度拉伸。
灰度拉伸是将灰度分段线形变换,它将输入图像中某点(x,y)的灰度f(x,y),通过映射函数T,映射成图像中的灰度g(x,y),即
G(x,y)=T[f
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 车牌 识别 系统 设计 实现