工业控制 | 能源技术 | 汽车电子 | 通信网络 | 安防监控 | 智能电网 | 移动手持 | 无线技术 | 家用电器 | 数字广播 | 消费电子 | 应用软件 | 其他方案

电路设计->机动车 电动车电路图->汽车电子电路图->车牌定位在电子警察中的工程应用

车牌定位在电子警察中的工程应用

作者:不爱吃窝瓜时间:2015-06-24

近年来,我国在城市和交通建设方面取得了巨大的进步。然而,面对越来越多的交通路口、收费站以及治安卡口,传统的人工值守显然已经满足不了要求。为解决这种现状,出现了适应信息化时代的计算机集成产品,即电子警察,并已经得到了广泛的应用。

  电子警察采用视频图像的识别技术,全天候进行车辆及道路的监控,对违规车辆进行抓拍,实现了城市道路交通的智能化管理,达到无人化值守。利用该系统可以迅速查明违章车辆、分析交通事故,为进一步整顿交通环境,交通管理科学化提供高效可靠的技术依据。

1 抓拍照片分析

  出于性价比的原因,目前国内电子警察系统的图像获取单元一般都采用CCD工业电视摄像机,而且被架设在室外。现以闯红灯违章抓拍系统为例来分析抓拍的图像数据。

  (1) 由于红灯的停车线靠近行人通道,造成图像背景特别复杂;

  (2) 机动车的车型较多,车牌的位置各不相同;

  (3) 拍摄图像时受天气、照明以及运动等因素的影响很大;

  (4) 摄像机受路口实际条件的限制,可能距离较远,并有一定角度;

  (5) 脏、旧车牌比较模糊,还有不少故意作弊的车牌。

  这种图像数据要比在实验室所用的数据恶劣得多,而且意想不到的情况也时有发生,这就给图像识别带来了极大的困难。

2 图像处理方案

  通过多次实验检测,最终选用了图1所示的图像处理方案。

对图像数据的灰度化、平滑、边缘检测、二值化以及旋转都属于图像的预处理部分。判定就是准确地定位车牌位置,接下来先对车牌进行字符分割,然后逐字提取特征,形成该字符的特征向量,将这个特征向量作为神经网络的输入,以便于字符识别。所以字符识别部分用了一个三层的神经网络,先进行学习训练,得到收敛的一组权值。

限于篇幅,本文只介绍图像预处理和判定部分,识别应用部分这里就不讨论了。

2.1 灰度化与平滑

  为了便于处理后的传输和存储,由CCD摄象机获取的图像通过图像采集卡采集到工控机或图像处理器件后,一般会转换成JPEG格式。这样处理的对象也就是JPEG文件,要进行灰度化,以去掉彩色信息,加快处理速度。灰度化的公式可以采用式(1)。

其中,g(i,j)为点(i,j)处的灰度值,R,G,B分别为该点的三基色值。但是,定位车牌时亮度信息并不重要。鉴于在这个式子中,G基色占的比重最大,所以有理由在灰度化时只取绿色信息就可以了。

  图像平滑的目的是为了消除噪声。噪声并不限于人眼所能看到的失真或变形,有些噪声只有在进行图像处理时才能发现。一般来说,图像的能量主要集中在其低频部分,而车牌的信息主要在高频部分,为了去掉高频干扰,有必要进行图像平滑。可以采用低通滤波的方法来去除噪声,为此要设计空间域系统的单位冲激响应矩阵。


2.2 边缘检测与二值化

  与平滑过程相反,边缘检测相当于高通滤波器,是为了提取图像中的高频部分。因为车牌上字符较密,所以这一部分的图像变化必然比其它区域高,这对于车牌定位是很重要的信息。边缘增强的方法很多,常用的增强算子有拉普拉斯算子、Sobel算子、Prewitt算子等。本文采用了一种Kirsch算子的改进形式。Kirsch算子是一种象素邻点顺时针循环平均求梯度的方法,它取如下的梯度图像作为检测结果:

分别表示f(i,j)的八邻象素中顺时针排列的相邻三个象素和五个象素之和。规定A0为f(i,j)左上角的邻域。A的下标按模8计算,如图2所示。

式(3)中大括号内的取极大值运算,其实就是求f(i,j)在8个方向上的平均差分之最大值,也就是f(i,j)梯度幅度的近似值[1]。

  通过这种运算后,图像中每象素点的值代表了该点的高频信息,从这些信息中要定位出车牌的位置,就必须进行二值化处理。二值化的方法有很多,但应用于工程上时,一个最大的问题就是阈值的选取,将它取为固定值显然是不合理的,因为环境总是变化的;可是将它放开后,又不能很好地跟踪图像的细微变化。针对这个问题,本文提出了一种反向积分求象素点的方法,使得二值化能自适应选择适当的阈值。

其中:n(k)为图像中所有取值为k的象素点个数,n为图像总象素数。通过大量的实验,发现这个象素值-概率关系曲线无外乎两种情况,即图3和图4所示。要使定位效果达到最佳,阈值一定在曲线趋于平坦的点附近。


这时会发现不管是白天还是夜间,S总是在一常数附近,而这个差别对于象768×288这样的图像来说是微不足道的,完全可以将它定为一个常数来处理。虽然它也与图像的复杂程度有关,但这只会影响二值化后点的分布。车牌位置总是处于高频部分,对它的影响较小。这个现象也同时说明,要准确定位并不是二值化后保留的信息越多越好。

  既然将S取为常数,那么从gmax开始反向积分(求和),就可以得出th,而且th会随着图像的亮暗程度、对比度自适应变化。

2.3 图像旋转与车牌定位

  在实际施工中,镜头的架设常受到条件的限制,图像的倾斜程度特别大。这时,用图像的旋转不变距显然难以凑效,只有对图像进行旋转。而且这个角度的设定对具体的环境不再发生变化,知道了这个角度,也有利于汽车的运动轨迹判断。

  进行完前面的预处理工作后,定位车牌就容易了。对图像自下而上逐行扫描,在限定的模板宽度内,若变化频率达到一定次数,例如10次,则向下开始扫描,直到满足模板高度,将这个区域定为车牌的候选区。如果没找到车牌,则将车牌的模板进行一些调整,再继续搜索,还是找不到,就是没有车牌。对于多个候选的区域,可以进行粗略的聚类估计和简单的逻辑判断,以提高定位准确性。

3 运行结果

  用这一套组合策略,对不同时间、不同交通路口、不同光照下抓拍的汽车图像进行车牌定位识别,定位结果如表1所示。

在选图时,夜间图像占20% 左右。从上述结果,可以清楚地看出,公共汽车的准确率最低,这是因为公共汽车有许多广告和粘贴纸,造成了错误定位。卡车的车牌在车框下边,较为隐蔽,有些车牌特别脏,识别比较困难。而出租车和中巴车的错误定位大多是夜间图像引起的。还要说明一点,夜间图像在拍摄时加了红外补光系统。针对工程应用的水平,这个结果是令人满意的。




  本文只介绍了电子警察抓拍系统中车牌定位的内容。电子警察系统最大的困难就是受自然环境的影响特别大,而且安装时总是要去适应地形环境,所以拍摄到的图像有时非常不好,并不象实验室处理的那么理想。因此要找到一种适应性较好的定位方法,只有舍弃许多优越的处理方法。本文使用的这种图像处理的策略,只设定几个参数,在特定的环境中可以实现二值化阈值的自适应调整,将车牌识别提高到工程应用的水平。总体上来说,具有较好的适应性。



评论

技术专区