微波EDA网,见证研发工程师的成长!
首页 > 硬件设计 > 模拟电路设计 > 基于图像处理技术的汽车牌照识别系统设计

基于图像处理技术的汽车牌照识别系统设计

时间:11-17 来源:国外电子元器件 点击:

引言

智能交通系统的研究领域十分广阔,各国各地区的侧重点也有所不同。如:电子收费系统是ITS在公路收费领域的具体表现,可解决收费站的"瓶颈"制约,较好地缓解收费站的交通拥挤、排队等候以及环境污染等问题。为了满足这些需求,十分有必要在智能交通管理系统引入车辆牌照自动识别技术。

汽车牌照是车辆最清晰、准确、唯一的标志。车辆牌照识别(Vehicle License Plate RecogniTIon,简称VLPR)系统作为一个专门的计算机视觉系统,它能够自动拍摄车辆行进中的动态数据,有效判断和提取有车牌的图像数据,并实时准确的识别出车辆牌照上的字符。

1 汽车牌照自动识别系统的实现流程

一个完整的汽车牌照自动识别系统主要分为图像采集,图像处理,车牌定位,字符分割,字符识别等几个部分。图1所示是一个汽车牌照自动识别系统的主要工作流程图。
\


1.1 图像采集与处理

图像采集目前主要采用专用摄像机连接图像采集卡,或者直接连接便携式笔记本进行实时图像采集,同时将模拟信号转换为数字信号。图像处理主要是对采集的图像进行增强、恢复、变换等处理,目的是突出车牌的主要特征,以便更好地提取车牌区域。

1.2 车牌定位

从人眼视觉的角度出发,同时根据车牌的字符目标区域特点,在二值化图像的基础上,可以提取其相应的定位特征。这从本质上说,就是一个在参量空间寻找最优定位参量的问题,它需要用最优化方法予以实现。一般可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,最后得到的就是车牌区域。车牌定位是车辆牌照自动识别系统中的关键和难点,实际图像中的噪声、复杂的背景等干扰都会给定位增加困难。车辆牌照的分割是一个寻找最符合牌照特征区域的过程。

车牌检测定位方法包括图像预处理,车辆牌照粗定位,车辆牌照精确定位等几个组成部分。图2所示是本系统的车牌定位流程图。  

\


图像预处理部分的功能是将已经变成电信号的信息加以区分,同时去除信号中的污点、空白等噪声,并根据一定准则除掉一些非本质信号,再对文字的大小、位置和笔划粗细等进行规范化,最后简化判断部分的复杂性。
车牌照粗定位部分将给出若干个待进一步判断识别的候选车牌区域,如果候选区域的个数为零,则说明本幅图像不含车牌,也就不用进行下一步的识别。

车牌照精确定位就是对车牌候选区域进行分类,以判断哪一个是真正的车牌区域并给出车牌区域的坐标。

1.3 车辆牌照的字符分割

车辆牌照的字符分割是把经过定位后的车牌区域切分成若干个子区域,每一个子区域包含一个字符。字符分割的任务是把多行或多字符图像中的每个字符从整个图像中分割出来,使其成为单个字符。

对于一般的字符识别来说,其识别过程是从输入的待识别字符(样本)点阵图形中提取描述该字符的特征,再根据一定准则来判定该样本所属的模式类别。因此,字符描述、特征提取与选择、分类判决等是字符识别的三个基本环节。

2 车牌字符的识别

字符识别是车牌照识别系统的最重要的组成部分,该部分需要对图像采集,图像处理,车牌照定位,字符切分所得到的结果进行识别处理,以最终得到车辆牌照的字符。

本文论述的车辆牌照字符识别方法分为字符图像预处理、特征提取、分类器设计等部分。

2.1 字符图像预处理

字符图像预处理就是对输入的字符图像进行处理,以使其变成某种特定的标准形式,使后续的特征提取和字符识别更容易进行。其主要功能有两点:一是消除图像中的噪声,修正图像断线或粘连现象;二是通过各种线性、非线性归一化方法,使变换后的图像相对稳定,便于识别。

2.2 特征提取

特征提取的主要目的是从原始数据中抽取出用于区分不同类别的本质特征。由于不同的特征的适用性不同,故对不同效果的字符所提取的特征性能也不尽相同,因此,用单一的特征已经很难适应受多种条件影响的车牌照字符的识别。另外,由于不同特征的不同维之间所表示的意义也不太相同,且权重也可能相差很多,如果采用直接组合的方法,就会使权重较大的特征占主导地位,而忽略了权重较小的特征。要解决这种问题,可以采用特征向量归一化法或者加权的办法,将两种特征通过加权的方法组合起来,从而达到组合使用两种特征的目的。

2.3 分类器设计

分类器就是在特征空间中用某种方法将被识别对象归为某一类别。其基本做法是在样本训练集的基础上确定某个判决规则,以使按这种判决规则对被识别对象进行分类所造成的错误率最小或引起的损失最小。

采用神经网络作为分类器时,需要有一定的训练样本,而且样本个数不能太少,但是,本文的实验环境中的车牌上,汉字、英文样本较少,甚至某些汉字英文仅有一个或者几个样本,因而无法保证神经网

络的训练程度。因此,本文采用模板匹配法。模板匹配法实际上就是采用多个标准样本的距离分类器。通常可利用平均样本法来计算样本均值以将其作为每个类别的标准样本,然后计算待识别样本与标准样本间的距离,最后选择距离最小的标准样本作为待识别的样本类别。

通常采用的距离准则如下;

(1)Minkowsky距离

该距离是若干种距离的通式表示:
\

  
(2)"City block"距离

即街区距离,它是对Manhattan距离的修正,同时加上了权重。即:

\  
  
(3)Euclidean距离

即欧氏距离,是Minkowsky距离在λ=2时的特例,其优点是各点连续可微:

\  

(4)Mahalanobis距离

即马氏距离,它注意到样本的统计特性,而排除了样本间的相关性影响。它可表示为:

\  
  
本设计选用了欧式距离。因为欧式距离可以只计算,这样可以降低计算时间。

3 结束语

本文提到的车牌照识别方法具有很好的识别效果,并可针对出现的漏识和识别错误等现象做出改进,预处理时还可对图像亮度进行分析,针对过亮或者过暗的图像采取不同的二值化策略;也可以根据字符识别的结果采用回溯方法来验证车牌定位和字符切分的准确性;字符识别部分可增加字符模版的训练样本数量,而采用神经网络作为分类器均可以提高字符识别的准确率。

 

Copyright © 2017-2020 微波EDA网 版权所有

网站地图

Top