鞍鋼集團礦業(yè)公司弓選廠 遼寧 遼陽 111000

疫情對人們生活影響巨大,特別是個人近期行蹤軌跡要求實時監(jiān)控,其中智能化交通道路監(jiān)管起著重要作用。為了快速、高效地進行車輛的管理和監(jiān)控,實現(xiàn)自動化、智能化、高效化,對監(jiān)控設(shè)備性能提出更高要求。在硬件上要求主頻高、存儲大、4G網(wǎng)絡(luò)快和電源穩(wěn)定等等。在軟件上要求車牌算法識別精準,速度快,并且后臺正確做出反應(yīng)。

本文主要研究車牌圖像識別部分。

1 系統(tǒng)總體設(shè)計

鑒于目前常用的視頻車牌識別方案分析,本文提出一種設(shè)計思想：首先,攝像頭檢測是否有車輛經(jīng)過,排除天氣和環(huán)境因素的影響,當有一個或幾個車輛同時經(jīng)過攝像頭照射范圍內(nèi)時,開啟攝像頭的閃光燈,拍攝最清晰的一段視頻,通過閾值算法計算出最清晰的圖片作為關(guān)鍵幀。關(guān)鍵幀是預處理和識別的基礎(chǔ)。對關(guān)鍵幀做圖像預處理算法,即是一系列的數(shù)學形態(tài)學變化和圖像分割變化,得到清晰的7個字符。將7個字符送入BP神經(jīng)網(wǎng)絡(luò)的字符和數(shù)字兩個分類器中,快速得到車牌號碼送到后臺接收服務(wù)器中,后臺服務(wù)器在得到車牌號,查詢大數(shù)據(jù)得到車主所有信息。

2 系統(tǒng)算法實現(xiàn)

2.1 提取關(guān)鍵幀 使用高清攝像頭采集視頻圖像格式為AVI格式,AVI格式是由一幀一幀圖片組成,雖然每幀圖片都有車輛,但不是每張圖片都有清晰的車牌,需要找到最容易識別的一幀。首先計算當前幀與原始參考背景圖像的絕對差,其次判斷這個絕對差是否大于一個適當閾值,小于設(shè)定閾值認為有周圍物體的干擾,比如風帶動樹葉晃動、鳥飛過、下雨下雪影響等等,大于設(shè)定閾值認為有車輛到達攝像頭前。最后,一旦大于設(shè)定閾值,認為有車經(jīng)過立刻開啟閃光燈,攝像頭記錄最清晰的一幅圖片,以此確定提取關(guān)鍵幀結(jié)束,進入預處理算法。

2.2 車牌圖像預處理 本文以藍色車牌為例,解釋預處理的過程。

步驟1：粗略定位車牌。對關(guān)鍵幀圖片中藍色像素水平投影,在水平投影基礎(chǔ)上做豎直投影,大致定位車牌位置,截取圖片并轉(zhuǎn)化為灰度圖片。

圖2.1 關(guān)鍵幀圖片

步驟2：得到清晰字符。在截取灰度圖片基礎(chǔ)上,依次做直方圖均衡化處理,先膨脹再重建處理,再次膨脹處理,二值化處理,腐蝕處理。

步驟3：分割字符。圖像先做水平投影去掉車牌的水平邊框,再做豎直投影將每個字符分割開,豎直分割后分離了每個字符,每個字符作為單獨的圖片歸一化為寬度寬度為20,高度為40的字符。每個字符進入識別算法。

2.3 車牌識別算法實現(xiàn) 本章中使用BP神經(jīng)網(wǎng)絡(luò)算法識別出車牌的數(shù)字、字母和漢字,搭建一個高效可行的BP網(wǎng)絡(luò)重點在于高效的特征提取方法和高效穩(wěn)定速收斂的學習方法。每個字符由800個像素點組成,對BP網(wǎng)絡(luò)來說有800維的特征。

采用的訓練方法是附加動量法,其數(shù)學公式為：

Y=(x-Min Value)/(Max Value-Min Value)

上式中,X是歸一化前的值,Y是和歸一化后的值,Max Value是樣本的最大值,Min Value是樣本的最小值。在網(wǎng)絡(luò)的實際輸出與期望輸出之間的誤差達到10的時候,停止訓練,如下圖2.2所示是字母和數(shù)字網(wǎng)絡(luò)的訓練過程,預定的訓練步數(shù)為2000步。

圖2.2 字母和數(shù)字網(wǎng)絡(luò)的訓練過程

3 實驗及分析

本系統(tǒng)算法在道路監(jiān)控攝像頭中得到了實際應(yīng)用,實踐證明識別效率達到99.7%。通常系統(tǒng)將關(guān)鍵幀和識別結(jié)果一起傳送給后臺,后臺保留所有數(shù)據(jù)以便后續(xù)工作。

4 結(jié)束語

本文對視頻車牌識別技術(shù)做了深入的研究,提出了可行性的解決方案,由于道路路面情況復雜多變,對采集的視頻圖像進行動態(tài)監(jiān)測找出其中圖像質(zhì)量好的關(guān)鍵幀,作為進一步識別的對象。在對車牌識別的算法上,我們采用了形態(tài)學重構(gòu)算法,清晰地分離出車牌上的數(shù)字和車牌的背景,為正確識別出號碼和文字打下良好的基礎(chǔ)。