劉慶華

（福建商學(xué)院 工商管理學(xué)院，福建 福州 350012）

為構(gòu)建智能化小區(qū)，多數(shù)物業(yè)管理中心均采用了視頻監(jiān)控網(wǎng)絡(luò)對(duì)小區(qū)來(lái)往車輛進(jìn)行實(shí)時(shí)監(jiān)控，但是目前，視頻監(jiān)控網(wǎng)絡(luò)在實(shí)際應(yīng)用中存在獲取的圖像信息較為模糊、采集的車牌圖像分辨率較低的問(wèn)題，這些問(wèn)題導(dǎo)致物業(yè)服務(wù)企業(yè)在推進(jìn)智慧社區(qū)與智能建筑的建設(shè)過(guò)程中無(wú)法取得預(yù)期的效果，因此急需對(duì)車牌識(shí)別方法進(jìn)行優(yōu)化．目前，國(guó)內(nèi)外最常見(jiàn)的車牌識(shí)別方法主要包括紋理特征法、顏色特征法、邊緣信息法等［1］．上述幾種識(shí)別方法大多數(shù)是針對(duì)特定拍攝角度、拍攝距離以及拍攝環(huán)境條件好的場(chǎng)景進(jìn)行識(shí)別，而針對(duì)多角度、變光照等復(fù)雜物業(yè)場(chǎng)景下的車牌識(shí)別效果較差．MSER是一種區(qū)域特征提取的識(shí)別方法，被業(yè)界認(rèn)為是性能最好的仿射不變區(qū)域［2］．當(dāng)前，MSER在各個(gè)領(lǐng)域當(dāng)中的識(shí)別效果均表現(xiàn)出突出的優(yōu)勢(shì)，可對(duì)多種復(fù)雜環(huán)境下的圖像、事物等進(jìn)行識(shí)別，并且識(shí)別過(guò)程中可以在原有信息空間和物理空間的基礎(chǔ)上，加入人類認(rèn)知控制，從而進(jìn)一步提高識(shí)別的精度．因此，MSER識(shí)別方法以其獨(dú)有的優(yōu)勢(shì)從大眾視線中脫穎而出，早在五年前，這項(xiàng)技術(shù)就已經(jīng)被應(yīng)用于對(duì)人臉的圖像識(shí)別當(dāng)中，并通過(guò)實(shí)際應(yīng)用證明了該方法的有效性，但目前這項(xiàng)識(shí)別技術(shù)在車輛識(shí)別領(lǐng)域中的相關(guān)研究較少［3］．對(duì)此，結(jié)合當(dāng)前小區(qū)物業(yè)管理要求，開(kāi)展基于MSER的模糊車牌檢測(cè)識(shí)別方法研究．

1 基于MSER的模糊車牌檢測(cè)識(shí)別方法設(shè)計(jì)

1.1 建立模糊車牌圖像特征相似度投影矩陣

在對(duì)小區(qū)來(lái)往車輛車牌進(jìn)行檢測(cè)識(shí)別時(shí)，由于周圍環(huán)境影響因素較多，并且小區(qū)物業(yè)的監(jiān)控設(shè)置像素較低，監(jiān)控圖像當(dāng)中的車牌顯示通常較為模糊．因此，首先需要建立一個(gè)模糊車牌圖像特征相似度投影矩陣，通過(guò)將模糊車牌監(jiān)控圖像映射到同一個(gè)特征表示空間當(dāng)中，獲取到維數(shù)一致的特征向量．假設(shè)模糊車牌監(jiān)控圖像特征相似度投影矩陣為P，則根據(jù)公式（1）計(jì)算得出該矩陣的具體表達(dá)式為：

在公式（1）中，L表示為模糊車牌監(jiān)控圖像的具體長(zhǎng)度；K表示為模糊車牌監(jiān)控圖像的寬度；(,)x m n表示為模糊車牌監(jiān)控圖像在共享三維空間當(dāng)中投影距離大小；m表示為模糊車牌監(jiān)控圖像在三維共享空間的橫軸坐標(biāo)；n表示為模糊車牌監(jiān)控圖像在三維共享空間的縱軸坐標(biāo)．利用公式（1）可得出模糊車牌監(jiān)控圖像特征相似度投影［4］．由于車輛車牌通常為規(guī)整的矩形結(jié)構(gòu)，因此在獲取其車牌的監(jiān)控圖像時(shí)，只需要對(duì)其長(zhǎng)和寬的大小進(jìn)行提取即可確定車牌的具體識(shí)別范圍．為保證識(shí)別范圍的有效性，考慮到小區(qū)周圍環(huán)境因素的影響，在物業(yè)管理過(guò)程中應(yīng)當(dāng)適當(dāng)擴(kuò)大識(shí)別的具體長(zhǎng)度和寬度［5］．通常情況下，模糊車牌圖像特征相似度投影矩陣長(zhǎng)度可增加到具體車牌長(zhǎng)度的10%~15%；矩陣寬度可增加到具體車牌寬度的20%~30%，以此來(lái)有效保證其識(shí)別范圍的有效性．

1.2 確定車牌圖像特征相似度信息能量占比

根據(jù)模糊車牌監(jiān)控圖像特征相似度投影，確定模糊車牌監(jiān)控圖像特征低頻信息能量及高頻信息能量占比［6］．本研究，結(jié)合傳統(tǒng)車牌檢測(cè)識(shí)別方法中常見(jiàn)的相似度判別分析法，通過(guò)對(duì)9種車牌特征相似度進(jìn)行分析，得到如表1所示的模糊車牌監(jiān)控圖像特征相似度能量占比對(duì)應(yīng)表．

表1 模糊車牌監(jiān)控圖像特征相似度能量占比對(duì)應(yīng)表

從表1中的數(shù)據(jù)可以看出，通過(guò)特征相似度投影分析模糊車牌監(jiān)控圖像能夠得到：能量集中在低頻信息區(qū)域中，高頻信息區(qū)域中能量分布較少［7］．因此，根據(jù)這一特點(diǎn)，對(duì)上述數(shù)據(jù)進(jìn)行綜合處理，得到模糊車牌監(jiān)控圖像普遍特征相似度信息能量占比為：高頻為0.2456%，低頻為45.0545%．

1.3 基于MSER的車牌局部特征描述

由于在建立模糊車牌監(jiān)控圖像特征相似度投影矩陣時(shí)，未考慮到模糊車牌監(jiān)控圖像在小區(qū)周圍空間環(huán)境當(dāng)中的空域聯(lián)系［8］．因此，本文在建立模糊車牌監(jiān)控圖像特征相似度投影矩陣的基礎(chǔ)上，基于MSER區(qū)域特征提取模糊車牌監(jiān)控圖像中低頻信息和高頻信息的局部特征描述信息．具體操作步驟為：

第一步，需要對(duì)輸入的模糊車牌監(jiān)控圖像進(jìn)行預(yù)處理；

第二步，通過(guò)MSER區(qū)域特征提取技術(shù)劃分信息空間、物理空間以及人類認(rèn)知空間，將高頻信息劃分到信息空間以及物理空間，將低頻信息劃分到人類認(rèn)知空間；

第三步，使用MSER區(qū)域特征提取技術(shù)中編碼的方式描述模糊車牌監(jiān)控圖像中的特征描述信息，并通過(guò)特征拼接的方式實(shí)現(xiàn)對(duì)區(qū)域特征的融合；

第四步，根據(jù)特征描述信息的矢量進(jìn)行模糊車牌監(jiān)控圖像輸出處理，實(shí)現(xiàn)直接將識(shí)別模糊車牌監(jiān)控圖像進(jìn)行輸入或輸出處理［9］．上述基于MSER提取局部特征描述的整個(gè)過(guò)程可用方程式進(jìn)行表示，假設(shè)提取后的局部特征描述子為(,)Q a b，則(,)Q a b方程的表達(dá)式為：

在公式（2）中，r表示為模糊車牌監(jiān)控圖像區(qū)域特征矢量維度，通常情況下r的取值為1；a表示為信息空間、物理空間模態(tài)下的模糊車牌監(jiān)控圖像；b表示為人類認(rèn)知空間模態(tài)下的模糊車牌監(jiān)控圖像；rs表示為在r維度下，提取的模糊車牌監(jiān)控圖像局部區(qū)域特征矢量維度元素值［10］．根據(jù)上述公式計(jì)算，可以得出基于MSER提取模糊車牌監(jiān)控圖像局部特征描述信息，而局部特征描述信息則可以直接反映出的車牌中的細(xì)微部件信息，從而為本文下述的模糊車牌監(jiān)控圖像特征相似度最完整識(shí)別提供數(shù)據(jù)支撐．

1.4 車牌檢測(cè)特征相似度最完整識(shí)別結(jié)果

完成上述基于MSER的車牌局部特征描述后，構(gòu)建一個(gè)模糊車牌監(jiān)控圖像特征相似度識(shí)別數(shù)據(jù)集，通過(guò)重構(gòu)權(quán)值的方法直接省略前期的預(yù)處理流程，進(jìn)行模糊車牌監(jiān)控圖像特征組別，提煉其相關(guān)數(shù)據(jù)并完成對(duì)其重新構(gòu)建［11］．面對(duì)在模糊車牌監(jiān)控圖像特征相似度識(shí)別中出現(xiàn)車牌圖像特征信息傾斜狀況，利用MSER技術(shù)使其穩(wěn)定性提升，自動(dòng)進(jìn)行模糊車牌監(jiān)控圖像的平移或旋轉(zhuǎn)操作，利用精密的特征描述實(shí)現(xiàn)采集到的特征相似度信息數(shù)據(jù)的處理和分析工作［12］．由于模糊車牌監(jiān)控圖像特征相似度識(shí)別很容易受到小區(qū)周圍環(huán)境中的噪聲干擾．因此，本文通過(guò)設(shè)計(jì)對(duì)稱表示相似性度量方法，取得最完整的特征相似度識(shí)別結(jié)果［13］．設(shè)對(duì)稱表示相似性度量方法的計(jì)算表達(dá)式為(,)Z x y，則其計(jì)算公式：

公式（3）中，wa,b表示為對(duì)多種不同區(qū)域空間模態(tài)下的模糊車牌監(jiān)控圖像表征中的第c維元素值；wb,c表示為對(duì)不同區(qū)域特征空間模態(tài)下的模糊車牌監(jiān)控圖像表示特征的第c維元素值；nc表示為區(qū)域特征空間下模擬車牌監(jiān)控圖像相似度識(shí)別狀態(tài)，通常情況下，當(dāng)wa,b和wb,c均為大于零的數(shù)時(shí)，nc的取值為1；當(dāng)wa,b和wb,c均為小于零的數(shù)時(shí)，nc的取值為0．當(dāng)nc為0時(shí)，則說(shuō)明本次模糊車牌監(jiān)控圖像特征相似度識(shí)別結(jié)果無(wú)效［14］．以此，完成基于MSER的車牌檢測(cè)識(shí)別．

由于車牌號(hào)均為數(shù)字與字母組合而成，因此在對(duì)數(shù)字或字母進(jìn)行識(shí)別時(shí)，為了保證識(shí)別的精度要求［15］，采用最簡(jiǎn)單的從左到右和從上到下分別掃描字符的不同位置，并對(duì)每個(gè)掃描路徑的跳轉(zhuǎn)進(jìn)行編碼．以圖1車牌字母細(xì)化與掃描跳轉(zhuǎn)示意圖為例．

圖1 車牌字母細(xì)化與掃描跳轉(zhuǎn)示意圖

圖1中字母G在進(jìn)行細(xì)化和掃描跳轉(zhuǎn)的過(guò)程中共進(jìn)行了從左到右、從上到下多次跳轉(zhuǎn)，具有良好的區(qū)分度．待檢測(cè)車牌字符與模板之間的相識(shí)度檢測(cè)采用經(jīng)典曼哈頓距離，即相應(yīng)編碼位置進(jìn)行相減或各取絕對(duì)值相加的形式完成．最終得到的特征信息差值之和越小，則說(shuō)明字符與該模板之間的相似度越大，取最小值作為匹配結(jié)果，并進(jìn)行輸出，至此，完成基于三元空間融合的模糊圖像特征相似度識(shí)別方法設(shè)計(jì)．

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)準(zhǔn)備

本研究通過(guò)對(duì)比實(shí)驗(yàn)的形式，證明基于MSER的車牌檢測(cè)識(shí)別方法與傳統(tǒng)識(shí)別方法相比更具有優(yōu)越性.實(shí)驗(yàn)對(duì)象選取某小區(qū)物業(yè)管理中心的監(jiān)控視頻影像資料，將其中模糊的車牌監(jiān)控圖像進(jìn)行提取，利用相關(guān)技術(shù)搭建識(shí)別信號(hào)網(wǎng)，將該模糊車牌監(jiān)控圖像輸入到識(shí)別信號(hào)網(wǎng)當(dāng)中．設(shè)置識(shí)別信號(hào)的傳輸功率為1280 bps，信號(hào)采集速率為64.4 kHz，模糊車牌監(jiān)控圖像的具體信息如表2所示．

表2 模糊車牌監(jiān)控圖像參數(shù)信息

結(jié)合表2所示，實(shí)驗(yàn)針對(duì)模糊車牌監(jiān)控圖像進(jìn)行檢測(cè)識(shí)別．并隨機(jī)提取三幅復(fù)雜環(huán)境下的實(shí)驗(yàn)圖像，如圖2所示．

圖2 復(fù)雜環(huán)境下的目標(biāo)圖像

首先，采用傳統(tǒng)的特征相似度識(shí)別方法進(jìn)行實(shí)驗(yàn)，之后再采用本研究設(shè)計(jì)的基于MSER的車牌檢測(cè)識(shí)別方法進(jìn)行實(shí)驗(yàn)，設(shè)置傳統(tǒng)檢測(cè)識(shí)別方法為對(duì)照組，本研究檢測(cè)識(shí)別方法為實(shí)驗(yàn)組．針對(duì)表2中的10種特征參數(shù)，將實(shí)驗(yàn)次數(shù)設(shè)為10次，分別使用兩種方法對(duì)小區(qū)物業(yè)管理中心提供的車牌監(jiān)控圖像進(jìn)行模糊識(shí)別，從而得出實(shí)驗(yàn)數(shù)據(jù)．

2.2 實(shí)驗(yàn)結(jié)果分析

根據(jù)上述設(shè)計(jì)的對(duì)比實(shí)驗(yàn)操作流程，在實(shí)驗(yàn)中每個(gè)車牌設(shè)置210個(gè)輪廓邊緣特征點(diǎn)，將實(shí)驗(yàn)組與對(duì)照組檢測(cè)識(shí)別方法檢測(cè)到的輪廓邊緣特征點(diǎn)數(shù)目進(jìn)行對(duì)比．為了更加直觀地體現(xiàn)出兩種檢測(cè)識(shí)別方法的差異性，將實(shí)驗(yàn)結(jié)果在實(shí)驗(yàn)平臺(tái)以表格的形式進(jìn)行展示，具體實(shí)驗(yàn)結(jié)果，如表3所示．

表3 實(shí)驗(yàn)組與對(duì)照組車牌檢測(cè)識(shí)別結(jié)果對(duì)比

根據(jù)表3中的數(shù)據(jù)可以看出，本文提出的基于MSER的車牌檢測(cè)識(shí)別方法的檢測(cè)識(shí)別出的特征點(diǎn)數(shù)量更接近于目標(biāo)特征點(diǎn)數(shù)量．理論上，系統(tǒng)自動(dòng)識(shí)別出的特征點(diǎn)數(shù)量越多，那么最終的車牌識(shí)別的準(zhǔn)確度就越高，其實(shí)際應(yīng)用前景就越廣闊．

在此基礎(chǔ)上，以車牌輪廓特征點(diǎn)定位偏差為指標(biāo)，提取兩種方法的測(cè)試結(jié)果，結(jié)果如表4所示．

表4 模糊車牌監(jiān)控圖像車牌輪廓特征點(diǎn)定位偏差對(duì)比結(jié)果

如表4所示，本文所用方法的車牌定位平均偏差明顯低于對(duì)照組，說(shuō)明所提方法具有較高的穩(wěn)定性，同時(shí)也說(shuō)明本試驗(yàn)所采用的相似度量方法，能有效抵抗環(huán)境中的各種復(fù)雜影響因素，可提高檢測(cè)準(zhǔn)確率．

因此，通過(guò)實(shí)驗(yàn)證明，本研究提出的檢測(cè)識(shí)別方法與傳統(tǒng)檢測(cè)識(shí)別方法相比準(zhǔn)確率、識(shí)別率更高，本檢測(cè)識(shí)別方法在實(shí)際應(yīng)用中具有更好的有效性，可實(shí)現(xiàn)對(duì)小區(qū)物業(yè)管理中心中車輛監(jiān)控視頻的高精度檢測(cè)與識(shí)別．

3 結(jié)論

本文結(jié)合MSER技術(shù)提出了一種全新的車牌檢測(cè)識(shí)別方法，該方法主要是針對(duì)智慧型小區(qū)物業(yè)管理中心視頻監(jiān)控圖像中顯示的車牌信息進(jìn)行檢測(cè)識(shí)別．在實(shí)際應(yīng)用過(guò)程中，該方法可對(duì)車牌中的數(shù)字和字母分別進(jìn)行識(shí)別，保證了識(shí)別結(jié)果的準(zhǔn)確性，能夠達(dá)到物業(yè)管理中心對(duì)車牌識(shí)別的高精度要求．但該方法在設(shè)計(jì)過(guò)程中，未對(duì)不同光照下、不同距離的復(fù)雜環(huán)境等因素進(jìn)行過(guò)多的考慮，在實(shí)際應(yīng)用中，識(shí)別范圍會(huì)受到一定影響，因而，后續(xù)相關(guān)實(shí)驗(yàn)還需進(jìn)一步對(duì)復(fù)雜環(huán)境下的車牌檢測(cè)識(shí)別進(jìn)行深入研究．