车牌识别系统的工作一般包括如下模块,图像采集模块、牌照识别模块和管理模块。车辆经过视频区域时系统的带有地感线圈的车体感应器感应到车辆经过,系统启动CCD摄像头,根据现场感光设备感应光线强度决定是否启用现场辅助照明。进行车牌摄像,通过图像数据采集卡获得车辆图片。车辆图片进入牌照识别模块,首先对输入图像进行图像预处理操作,去除干扰和噪声。将拍摄到的图片进行显示并存储系统留做备案。将预处理后的图片经过系统快速车牌定位算法进行车牌定位,确定车辆图片中车牌的位置大小等信息。将定位后的车牌的图像提取出来进行标准化的操作得到正角度归一化的字符图片。对字符图片进行字符分割操作分离出车牌上的每一个字符并将单个字符送入文字识别部分进行识别,得到车牌的车牌号码。将该车牌号码存入数据库完成车牌识别的主要过程。

事实上,把整个系统分成以上几大部分是为了方便描述。实际中各个部分是密不可分的。有时要求根据识别的结果来判断前面几部分是否合理,利用识别结果來调整前面使用的参数,如在车牌切分时会检测车牌图像中是否包含车牌,如果不包含车牌说明前面的车牌定位过程有误,将返回到车牌定位过程进行车牌重定位。在实际应用中输入图像如果有实时性的要求就希望能够在有车到时自动触发后面步骤的执行。现在一般采用埋地线圈、红外触发等方法。图像可由一般的CCD摄像头通过图像采集卡输入到中心处理计算机。

采用CCD摄像头与视频卡和PC机结合的方式进行视频捕捉,拍摄实时车牌图像。信息理解部分在具体的场合可能有一些特殊的要求,有时要与数据库连接进行信息理解,根据数据库中存储的信息反馈信息理解过程。在系统中车牌定位和车牌字符的分割是系统的核心部分。

4. 4. 1图像预处理

图像预处理是图像处理很重要的一个环节,它指在后续图像处理之前对图像进行大小,角度及特定内容的处理。它包括图像去噪,变换和二值化的过程。我们设计了一个处理函数,这个函数能自动的突出车牌的最主要特征,根据特征更好地提取车牌,且准确性更高。

(1)图像去噪

图像在开始处理前去噪声或是进行复原的工作是针对有些场合输入的图像可能噪声较大或是模糊不清。图像复原在不同的具体场合有着不同的模型应用。由于均勻直线运动带来的图像的模糊而要求的复原和几何畸变复原[ie]。例如有的车牌图像过于倾斜,可能对后续的车牌提取,车牌文字分割及车牌识别带来困难,这时就要先用到几何畸变复原对图像进行复原处理。在本系统中车牌提取算法有很好的鲁棒性,在图像分割的前面进行图像复原的工作。这样对图像中包含车牌的这一小部分图像进行复原操作就可以了,大大地节省了整个系统在图像复原部分的运行时间。提供了处理速度

(2)图像变换

原始图像像素值较高,对其进行直接处理耗费的时间也较长。由于系统存在实时性的要求,不能直接对原始图像处理。从一整幅图像中提取车牌图像必须抓住车牌的最主要特征。针对车牌图像的提取应该具有较高的鲁棒性,在图像变换阶段就能把要处理的车牌图像提取出来。车牌图像的主要特征是:车牌字和车牌字的背景的颜色形成强烈对比,而且在车牌大小的范围内变化频率较高。利用这一特征来完成对车牌的提取。我们使用处理函数来描述这个特征,即:

(x,y) =\F(x-d,y)-2F(x,y) + F(x + d,y)\

    (4.1)

F(x, y):    原图像

P(x, y):    处理后图像

d:  处理参数,参考值1?4

对图像的水平边缘先不予考虑而突出了图像的竖直的边缘。选取适当的d值,可以放大车牌图像的这个特征。对一条非水平直线进行水平扫描,让扫描线变化频率原频率的两倍。对处理后的图像中的该非水平直线进行水平扫描,选取恰当的d值,扫描增加一倍达到4倍。实现了放大车牌特征的目的并给下一步的提取车牌奠定基础。

虽然噪声直线的扫描频率也增加一倍,但事实上车牌区的直线更加密集,也就实现了放大特征的目的。这里要注意d值选取原则是:原始图像中关于的车牌图像部分越大,d值也较大。反之则减小。

上述的图像处理消除了不少实际场合下的不利因素,为后续的二值化处理提供了很好的基础。例如给定一幅白天在高速公路收费站拍摄的车辆图像,由于光照影响,图像的亮度分布不均匀。一般的情况是该图像的上部亮度大,下部亮度小如果对该图像直接进行二值化,由于车牌一般处于图像下部则阈值将很难选取。如果先进行图像变换减少亮度影响后再二值化,只计算像素间的差值,图像的亮度分布不均的影响就会减少很多。另一种方法是把整个图像分割成很多区域,对每个区域分别进行二值化,效果会得到很大提升,但图像处理的时间也会大大提升。

(3)图像的二值化

有很多种方法可以计算二值化的阈值。对于经过以上步骤处理后的图像的直方图会有两个较大的峰值。图像的大部分区域的灰度值很小,只是在水平方向出现比较大的灰度值,那些像素点正是要二值化为1的高亮度点。通过以上分析我们可以采用最大方差法来选取二值化的阈值。二值化阈值的选取是个很重要的问题,选取不当丢失图像的重要信息,给后续车牌字符的切分带来严重问题。在选取二值化阈值时必须根据图像直方图特性选取。

4. 4. 2车牌定位

车牌定位就是确定车牌图像在整个车辆图像的具体位置的过程。车牌定位的过程框图如图所示,先输入待检测的图像,该图像是包含车牌图像的整幅图像,将该图像切分成车牌图像大小,一般整幅图像为800*600,切分后为200*40,150*30,100*20等不同大小的图像块。要求切分后的尺寸与车牌尺寸基本相匹配,由于车辆在图片中的位置不确定,所以车牌图像的尺寸也不确定。当图片中的车辆在图片的上方时表示实际车辆离摄像头较远,这时车牌图像较小。当图片中的车辆在图片下方时一般说车辆离摄像头较近,此时车牌图像较大。所以要将图片切成不同尺寸的小图像块进行检测,这样会增加车牌定位过程的运算量,但确是车牌定位过程不可少的步骤。这个切分过程类似与小波原理。将切分好的小图像块送入车牌分类器。由经过训练的车牌分类器决定某一个小图像块是否是车牌图像。对于车牌图像给以输出。

该方法在具体试验中取得较好的实验效果,基本能对一般常见车牌进行定位。实验系统中分别在不同时段包括夜晚开大灯的车辆图片进行车牌定位计算,基本取得不错的效果。

4. 4. 3车牌区域提取

经过车牌定位操作后获得车牌部分的图像。将车牌图像的小区域抽取出来进行下一步处理。在车牌字符分割前需要对车牌的小区域图像进行正则化处理。在具体试验中,每行变化频率的最小下限这个参数很重要。我国车牌是6到7个字符包括汉字、字母和数字。经过竖直的边缘提取再进行水平扫描,得到的变化率为每行25次以上。如果车牌质量太差或二值化的原因,还有车牌倾斜的实际情况,使用的数值可以再小一点,我们在实验中取20可以得到较好的效果。如图4.7是车牌提取实验图。由图中可以看出基本准确的提取到了车牌的字符区域图像。为下一步的字符分割提供了一个良好的基础。

在大量实验时可将连续大于n的行数作为一个候选。摄像头离车的远近以及原图像的大小来确定11。在实际中不能规定太苛刻,n要留出一定的冗余度。上述这两个值可以根据后面的车牌分割及车牌号的识别的结果来自动进行调整,它们本身是可以动态调整的。但整个系统的处理速度在大量的图像需要返回调节参数时会大大下降。我们系统要求的速度是不应超过1秒,这时间包括从图像输人到信息理解这一整个过程的完成的整个平均时间。在实验中绝大多数的车牌图像经过上述的处理都能提取出车牌号来。该方法具有很高的鲁棒性,对车牌的歪斜程度,车牌的图像大小要求不严格。

4. 4. 4字符分割及识别

在进行车牌图像的字符分割前需要完成图像预处理的工作,特别是几何畸变的复原。当摄像头从侧边摄像时车牌图像呈现为一个平行四边形。角度过大时会严重影响后面的分割及识别,必须对图像进行校正。实际情况中,并不是所有的图像都进行校正。需要校正的图像所占的比例在我们的实验中只有不到2%。可以把校正的预处理工作放在信息理解后,当识别效果不好时再返回重新处理。

我国车牌上的字一般包含一个汉字,其它部分是数字或字母,他们的特点是全连通。我们可以使用连通阈方法对车牌图像进行分割。第一个汉字则利用大小、位置等信息进行连通阈的合并。实际应用中车牌图像的噪声非常大,单凭连通阈很难获得较好的结果。必须引入一些其它方法加以改进。

(1)扩大连通阈影响

有时几个连通阈连在一起形成一个更大连通阈,这样影响字符分割。典型的例子是,车牌上的螺丝与第二个字和第六个字的边缘连接的很紧密,他们很容易形成一个大连通阈。新车因为螺丝较亮,灰度值较大尤其如此。我们在这个大连通阈里面重新选取阈值,然后进行二值化进一步找连通阈。有时受噪声影响,一个字母或数字二值化为多个连通阈,这时就要进行连通阈的合并。

(2)利用位置信息

车牌的字的排列是很规范的,漏字的时候可以利用这个特点找到连通阈没找到的字。这个特点对于连通阈的合并是非常重要的。经过以上分析可以对车牌图像进行字符分割操作提取出车牌中的汉字和字符以及后面的数字。分割后效果如图4.8。实验得出本方法对于车牌字符的分割取得较好的效果。

车牌的文字识别采用BP神经网络的方法进行。对上述车牌分割图进行文字识别可以得出上述车牌的字符输出。如表4.9。

摄像头拍摄的图像经过以上识别软件的处理识别,得到车牌信息,管理软件对比此信息与存档中的信息,用以检查车辆实现快速收费及其他车辆停车场管理需求。

第5章总结

随着经济和科技的发展,我国汽车保有量还将进一步增加,在人均资源相对较少,城市人口不断密集,人力成本日渐增高的情况下,仅依靠人工监管的停车场管理系统已经落后,智能车库管理系统的研究逐渐体现出其重要性。随着互联网技术、物联网技术、嵌入式系统、图像识别技术、人工智能等先进技术的不断发展及应用,车库管理系统将向着更加安全、自动化、高效率的方向发展。同时,硬件实现的功能、制造工艺和水平都在持续的进步。这些因素都使得对车库管理系统的研究依然存在着较大的发展空间。本文在基于车牌识别的停车场管理系统方面做出了深入研究和探索。本文提出的利用无源RFID技术,结合CAN总线的及视频识别技术的停车场出入管理系统可实现一部分用户不停车快速出入、自动收费、自动车位引导功能;并给出了闲置固定车位重复利用的解决方案。不但具有IC卡收费方法的各项优点,同时具有方便、快捷、高效等特点,提高了闲置固定车位的使用率,避免了资源的浪费,大大提高停车场管理效率,可以在减少建设投入、节约人力资源、提高停车场的工作效率的情况下为停车场的运营者创造了更高的经济价值,较好的解决停车难这一问题。

通过本课题研究克服了原有停车场管理系统的不足,创新性的提出了利用计算机统计、推算每天车位闲置率,并将闲置车位再次利用的新型管理方案,保证了管理系统的创新性和安全性,提高了车位的利用率,车位自动引导采用了粒子群算法,引入了神经网络确定适应度函数,使车辆能在复杂停车场环境中快速找到最优路径。具备了更加完善的功能,引入新的系统后保障了停车场管理的运行质量。在以后的设计中将更好的扩展停车场系统以进一步提高停车场系统得实用性和效率。由于作者水平有限,本文未能对车牌识别及车库管理系统的方方面面进行深入详细的研究,系统在软件和硬件方面也有许多需要继续完善的地方,恳请各位老师批评指正。

参考文献

[1]刘立国、程继夏.汽车保有量与国民经济GDP及相关产业关系.长安大学学报.2005, 7(3): 35-38.

[2]杨笔锋、詹艳军.基于射频识别的智能车辆管理系统设计.计算机测量与控制.2010, 18(1) :99.

[3]郭稳涛、何怡刚.RFID平台实现停车场智能管理的研究.自动化仪表.2010,31 (11) :34-35.

[4]郭稳涛、何怡刚.射频识别技术在停车场中应用.电子产品世界.2010,17(4) :31-33.

[5]沈庆阳.8051单片机实践与应用.北京:清华大学出版社.2002,9.

[6]杨智勇.浅谈电子智能泊车计时收费管理系统计时误差的检定.计量与测试技术.2005, 32(4) :1-2.

[7]纪加木、任庆昌、向虎等.基于.NET框架的下一代停车场付费系统的设计.计算机与数学工程.2007,35(3): 141-144.

[8]陈明计、周立功?嵌入式实时操作系统Small   RTOS51原理及应用?北京航空航天大学出版社.2004.

[9]孙即样.模式识别中的特征提取与计算机视觉不变量.国防工业出版杜.2001,9.[10]李象霖.数字图像处理.中国科技大学出版社.2000,164?168.

[11]    Kazunasa Miyamoto, Kazuo Magano, Mitsuaki Tamagawa. Vehicle License Plate

Recognition by Image Analysis. IECON' 1991.

[12]    Kenneth R Castleman. Digital Image Processing.清华大学出版社? 1998.

[13]董加敏.停车场管理系统的设计与优化.河南师范大学学报(自然科学版).2007,1(35): 190-193.

[14]刘智勇、刘迎建.车牌识别(LPR)中的图像分割与提取.中文信息学报.2000,4.

[15]王一军,陶杰.现代大型停车场车位诱导优化算法及仿真.计算机仿真.2007.11.

[16]许增昭,许伦辉.Dijkstra改进算法在泊位诱导系统中的应用与仿真.科学技术与工程.2009.12.

[17]刘子文,杨恢先,许翔,欧训勇.新型PS0算法在停车场车位诱导问题中的研究.Computer Engineering andApplications 计算机工程与应用.2010. 4.[18]龙银芳,赵知劲,沈雷.基于神经网络和粒子群算法的MC-CDMA多用户检测.电子器件2009.10.

[19]刘欢,葛德胜,肖根福,刘涛.基于粒子群算法的模糊神经网络控制.井冈山学院学报.2008. 2.

[20]段向军.基于粒子群算法和神经网络的人脸识别分类器研究.计算技术与自动化.2011.2.

[21]    Phansank Sattayhatewa, Robert L. Smith Jr. Development of parking choice

models special events[C]. 82nd Annual Meeting of the Transportation Roard,Washington, D. C. 2003:paper No :03-2295.

[22]    Russell G, Thompson, Kunimici Takada and Saturo Kobayakawa.Optimizatiorking of guidance and information systems display configurations[J]. Transportation Research Part C 9, 2001,69-85.

[23]王艳芬.基于VHDL实现的汽车停车场停车位显示系统.电子测试2009.    7.

[24]何体雄.停车场泊车诱导系统构成.专题策划2009. 7.

[25]    GuoTianqing,LuWenting,Zhang Honggang. Rapid License Plate Location Using a Boosted Cascade of Haar-like Features.中国科技论文在线.2009,12.

[26]    Rainer Lienhart, Jochen Maydt. An Extended Set of Haar-like Features for Rapid Object Detection. IEEE International Conference on Image Process.2002.

[27]    P. Viola, M. Jones. Rapid object detection using a boosted cascade of simple features. IEEE Int. Conference on Computer Vision and Pattern Recognition. 2001.

[28]吴开心,杜晶,韩范玉.基于层次性Adaboost的动态车牌定位方法.商场现代化.2008. p385.

[29]    Shi Zhenwen, Tang Huanwen, Tang Yiyuan. A new fixed-point algorithm for independent component analysis. Neurcomputing. 2004,56. 467-473.

[30]    Thanos Athanasiadisand, Phivos Mylonas. Semantic Image Segmentation and Object Labeling. IEEE Trans. Circuit And System For Video Technology.Vol. 17 No. 3. 2007,3.

[31]张君昌,李倩,贾靖.基于分类器相关性的Adaboost人脸检测算法.计算机应用.2009,12. 3346-3348.

[32]熊盛武,宗欣露,朱国锋.改进的基于Adaboost算法的人脸检测方法.计算机应用研究.2007,11. 298-300.

[33]蒋焰,丁晓青.基于多步校正的改进的Adaboost算法.清华大学学报.2008,12. 1613-1614.

[34]杨利英,覃征,张选平.分类器的模拟算法及其应用.西安交通大学大学学报.2005, 11. 1311-1314.

[35] Mo Shaoqing, Liu Zhengguang, Wei Weixing. Real-time Method of Vehicle License Plate Location Based on Multi-features. International Symposium on Computational Intelligence and Design. 2008. 34-37,