車牌識別技術是指對攝像機所拍攝的車輛圖像或視頻序列,通過機器視覺、圖像處理和模式識別等算法處理後自動讀取車牌號碼、車牌類型、車牌顏色等信息的技術,是人工智能技術中重要的分支。它的硬件基礎包括觸發設備、攝像設備、照明設備、圖像採集設備、識別車牌號碼的處理機,其軟件核心包括車牌定位、字符分割、字符識別等算法。算法
目前已經被普遍應用於智能交通系統的各類場合,像公路收費、停車管理、稱重系統、交通誘導、交通執法、公路稽查、車輛調度、車輛檢測等。對於維護交通安全和城市治安,防止交通堵塞,實現交通全自動化管理有着現實的意義。數據庫
車牌識別流程安全
1圖像採集網絡
根據車輛檢測方式的不一樣,圖像採集通常分爲兩種,一種是靜態模式下的圖像採集,經過車輛觸發地感線圈、紅外或雷達等裝置,給相機一個觸發信號,相機在接收到觸發信號後會抓拍一張圖像,該方法的優勢是觸發率高,性能穩定,缺點是須要切割地面鋪設線圈,施工量大;另外一種是視頻模式下的圖像採集,外部不須要任何觸發信號,相機會實時地記錄視頻流圖像,該方法的優勢是施工方便,不須要切割地面鋪設線圈,也不須要安裝車檢器等零部件,但其缺點也十分顯著,因爲算法的極限,該方案的觸發率與識別率較以外設觸發都要低一些。機器學習
2預處理ide
因爲圖像質量容易受光照、天氣、相機位置等因素的影響,因此在識別車牌以前須要先對相機和圖像作一些預處理,以保證獲得車牌最清晰的圖像。通常會根據對現場環境和已經拍攝到的圖像的分析得出結論,實現相機的自動曝光處理、自動白平衡處理、自動逆光處理、自動過爆處理等,並對圖像進行噪聲過濾、對比度加強、圖像縮放等處理。性能
去噪方法有均值濾波、中值濾波和高斯濾波等;加強對比度的方法有對比度線性拉伸、直方圖均衡和同態濾波器等;圖像縮放的主要方法有最近鄰插值法、雙線性插值法和立方卷積插值等。學習
3車牌定位測試
從整個圖像中準確地檢測出車牌區域,是車牌識別過程的一個重要步驟,若是定位失敗或定位不完整,會直接致使最終識別失敗。因爲複雜的圖像背景,且要考慮不清晰車牌的定位,因此很容易把柵欄,廣告牌等噪聲當成車牌,因此如何排除這些僞車牌也是車牌定位的一個難點。爲了提升定位的準確率和提升識別速度,通常的車牌識別系統都會設計一個外部接口,讓用戶本身根據現場環境設置不一樣的識別區域。人工智能
4車牌校訂
因爲受拍攝角度、鏡頭等因素的影響,圖像中的車牌存在水平傾斜、垂直傾斜或梯形畸變等變形,這給後續的識別處理帶來了困難。若是在定位到車牌後先進行車牌校訂處理,這樣作有利於去除車牌邊框等噪聲,更有利於字符識別。
目前經常使用校訂方法有:Hough變換法,經過檢測車牌上下、左右邊框直線來計算傾斜角度;旋轉投影法,經過按不一樣角度將圖像在水平軸上進行垂直投影,其投影值爲0的點數之和最大時的角度即爲垂直傾斜角度,水平角度的計算方法與其類似;主成分析法,根據車牌背景與字符交界處的顏色具備固定搭配這一特徵、求出顏色對特徵點的主成分方向即爲車牌的水平傾斜角度;方差最小法,根據字符在垂直方向投影點的座標方差最小導出垂直傾斜角的閉合表達式,從而肯定垂直傾斜角度;透視變換,利用檢測到的車牌的四個頂點通過相關矩陣變換後實現車牌的畸變校訂。
5字符分割
定位出車牌區域後,因爲並不知道車牌中總共有幾個字符、字符間的位置關係、每一個字符的寬高等信息,因此,爲了保證車牌類型匹配和字符識別正確,字符分割是必不可少的一步。
字符分割的主要思路是,基於車牌的二值化結果或邊緣提取結果,利用字符的結構特徵、字符間的類似性、字符間間隔等信息,一方面把單個字符分別提取出來,也包括粘連和斷裂字符等特殊狀況的處理;另外一方面把寬、高類似的字符歸爲一類從而去除車牌邊框以及一些小的噪聲。通常採用的算法有:連通域分析、投影分析,字符聚類和模板匹配等。
6字符識別
對分割後的字符的灰度圖像進行歸一化處理,特徵提取,而後通過機器學習或與字符數據庫模板進行匹配,最後選取匹配度最高的結果做爲識別結果。
目前比較流行的字符識別算法有:模板匹配法、人工神經網絡法、支持向量機法和Adaboost分類法等。模板匹配法的優勢是識別速度快、方法簡單,缺點是對斷裂、污損等狀況的處理有一些困難;人工神經網絡法學習能力強、適應性強、分類能力強但比較耗時;支持向量機法對於未見過的測試樣本具備更好的識別能力且須要較少的訓練樣本;Adaboost分類法能側重於比較重要的訓練數據,識別速度快、實時性較高。我國車牌由漢字、英文字母和阿拉伯數字3種字符組成,且具備統一的樣式,這也是識別過程的方便之處。
7車牌識別結果輸出
將車牌識別結果以文本格式輸出,包括車牌號,車牌顏色,車牌類型等。
更多相關資訊請搜索智能交通王鈺楠