车牌识别系统原理图
车牌识别云台摄像机通过光抑制屏蔽,电子快门调节,宽动态功能等来实现抓拍车牌:
强光屏蔽:在低照度彩色摄像机的基础上,通过软件的功能,把图像中亮的部分遮挡。在交通监控中,一般可将大灯的强光遮挡,从而将车牌较清晰的抓拍下来。但是这款摄像机的缺点就是软件分辨不清,对于图像亮部分界定不清,有可能将车牌号码也遮挡,同时无法处理高速运动物体的抓拍。目前国产摄像机在强光屏蔽方面做的比较多,效果各方反映不一。
可调电子快门:对于高速运动的物体抓拍(高速公路上的汽车车速一般都在70KM/小时以上),可以通过降低电子快门速度来实现清晰抓拍,一般都是通过手动方式调整。但是这种方式的问题就是白天、晚上的照度不一样,必需设置2个快门速度来分别适应白天和晚上的监控。
宽动态功能:这是解决车灯对于抓拍影响的的办法,宽动态早是松下公司提出来的。当背景光过亮时,普通摄像机无法很好的解决明暗图像的显示问题。
作为智能交通领域确定车辆身份的重要手段,车牌识别技术为实现交通的智能管理发挥了很大作用,在各项工作中都有车牌识别技术的渗透。
车牌识别系统的关键技术及算法
车牌定位
车牌定位是车牌识别系统的基础,其定位的准确与否直接影响到车牌的字符分割和识别效果,是影响整个车牌识别系统识别率的主要因素。车牌定位,即运用数字图像处理、模式识别、人工智能等技术对采集到的汽车图像进行处理,从而准确地获得图像中的车牌区域,其输入是原始的汽车图像,输出是车牌图像。在现实车牌识别系统中,由于光照不均匀、背景的复杂性等原因,造成准确定位出车牌的难度较大。目前,根据车牌的特征,常见的车牌定位方法有基于车牌颜色特征信息的定位法、基于车牌区域频谱特征的定位法、基于分类器的车牌定位法、基于车牌边缘特征的车牌定位法等,这些方法各有所长。值得注意的是,车牌定位算法的分类并不是的,区别算法类别的标准并不十分明确。车牌定位算法的方法多种多样、各有所长,但存在着计算量大或者定位准确率不高等问题。
车牌定位是车牌识别的关键步骤,为了能在复杂背景和不均匀光照条件下快速准确定位车牌位置,基于改进Isotropic Sobel边缘检测算子的车牌定位算法,由此来解决其存在的问题,该算法通过改进Isotropic Sobel边缘检测算子,实现了车牌图像在水平、垂直以及对角线方向上的纹理特征提取,然后采用Otsu算法阈值化,再对阈值化后的二值图像做数学形态算得到车牌的候选区域,后利用车牌特征去除伪车牌。
识别流程
牌照自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等,其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些车牌识别系统还具有通过视频图像判断是否有车的功能称之为视频车辆检测。一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分(如图1所示)。当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。车牌识别单元对图像进行处理,定位出牌照位置,再将牌照中的字符分割出来进行识别,然后组成牌照号码输出。
对输入的彩像进行灰度化处理:
彩像包含更多的信息,但是直接对彩像进行处理的话,系统的执行速度将会降低,储存空间也会变大。彩像的灰度化是图像处理的一种基本的方法,在模式识别领域得到广泛的运用,合理的灰度化将对图像信息的提取和后续处理有很大的帮助,能够节省储存空间,加快处理速度。
边缘检测的方法是考察图像的像素在某个领域内灰度的变化情况,标识数字图像中亮度变化明显的点。图像的边缘检测能够大幅度地减少数据量,并且剔除不相关的信息,保存图像重要的结构属性。在实际的图像分割中,往往只用到一阶和二阶导数进行边缘检测,虽然,在原理上,可以用更高阶的导数,但是,因为噪声的影响,在纯粹二阶导数操作中就会出现对噪声敏感的现象,三阶以上的导数信息往往失去了应用价值。此外,二阶导数还可以说明灰度突变的类型,在有些情况下,如灰度变化均匀的图像,只利用一阶导数可能找不到边界,此时二阶导数就能提供很有用的信息。为了减少二阶导数对噪声敏感,解决的办法是先对图像进行平滑滤波,消除部分噪声,再进行边缘检测。