肖 聰，周毅媛

（1.武漢晴川學院，湖北 武漢 430204；2.武漢瑞麗森智能設(shè)備有限公司，湖北 武漢 430050；3.漢口學院，湖北 武漢 430212）

車牌識別系統(tǒng)（License Plate Recognition，LPR）作為智能交通管理系統(tǒng)的重要組成部分越來越被重視。一般的測距多集成在倒車雷達中，事實上對于自動輔助駕駛車輛需要實時檢測前方車輛信息，并精確判斷出車輛之間的間距。目前已有的檢測系統(tǒng)受環(huán)境影響較大，產(chǎn)生的數(shù)據(jù)噪聲也大，寬度信息的檢測能力較弱，不能排除高度信息引起的虛假警報。此外，由于濾波算法相對單一和固定，會錯過目標信息。

由于道路環(huán)境復雜，并且攝像系統(tǒng)容易受到光照等影響，單一視覺容易出現(xiàn)誤檢漏檢的情況，并且機器視覺對深度信息的感知較低，因此將多算法進行融合，可以將兩種數(shù)據(jù)進行互補，系統(tǒng)容錯性能好，運行魯棒性強，性能穩(wěn)定，即可檢測出前方車輛信息，從而識別位置相對固定的車牌，得出前方車輛的速度、角度、相對位置關(guān)系等深度信息。

1 感知系統(tǒng)方案

為了達到準確識別車輛的目的，通過車輛方向梯度直方圖特征檢測出訓練圖像中的車輛；并在訓練車牌的樣本時，通過LBP算子對訓練圖片進行檢測，對訓練圖片中的車牌區(qū)域和非車牌區(qū)域設(shè)定不同的權(quán)值，利用Adaboost算法通過樣本權(quán)重的重新分配，將多個弱分類器組成一個強分類器。在訓練樣本時，有很多不同類型的車牌，再用形成的這些強分類器采取級聯(lián)分類檢測的形式，最終確定待檢測樣本圖片中的車牌區(qū)域。同時將顯示部分發(fā)送到無線端進行查看，感知系統(tǒng)設(shè)計方案如圖1所示。

圖1 感知系統(tǒng)設(shè)計方案圖

2 算法理論

2.1 LBP算法

局部二值模式（Local Binary Pattern，LBP）算法的思想是利用結(jié)構(gòu)化思想提取窗口特征，再利用統(tǒng)計化做最終整體特征的提取。

最初的LBP描述子算法步驟如下，如圖2所示：①在圖像中以該點為中心，所有點采取3×3格式；②鄰域像素值大于或等于中心像素標記為1，否則標記為0；③窗口按一定的順序排列，生成8位的unsigned的二進制數(shù)，最后轉(zhuǎn)化成整數(shù)。

圖2 基本LBP算子

2.2 Adaboost算法

假定弱分類器為hj（x），包括一個判決閾值θj、特征fj、決定不等號方向pj，公式見下式，其中x為歸一化樣本的子窗口。

Adaboost算法具體描述如下。

給定訓練樣本集合{（x1，y1)，（x2，y2)，...，（xn，yn)}，其中yi=0對應負樣本，yi=1對應正樣本。權(quán)重初始化如下公式所示，m為負樣本數(shù)量，L為正樣本數(shù)量。

最終由多個弱分類器得到一個強分類器：

2.3 級聯(lián)分類器

Adaboost算法用于訓練樣本集，以獲得包含許多弱分類器的集成分類器。如果計算所有弱分類器，計算過程將變得非常緩慢。因此，為了加快目標檢測的速度，目標檢測器可以采用級聯(lián)分類器結(jié)構(gòu)，級聯(lián)多個單級分類器。當某個級別的特征被判斷為非檢測目標時，目標窗口立即被排除。在訓練過程中，將每一級分類器設(shè)置為具有高檢測率和中等誤報率。級聯(lián)這些分類器后，可以實現(xiàn)極低的誤報率和較高的檢測率，系統(tǒng)級聯(lián)分類器的結(jié)構(gòu)如圖3所示。

圖3 系統(tǒng)級聯(lián)分類器的結(jié)構(gòu)圖

根據(jù)級聯(lián)分類器結(jié)構(gòu)最終分析出的檢測率如下式所示：

式中：di——每級分類器的檢測率；k——級聯(lián)分類器的級數(shù)。

3 車輛識別與車牌定位

3.1 檢測車輛

感興趣區(qū)域（region of interest，ROI）是指被處理的圖像以圓、橢圓、方框、不規(guī)則多邊形等方式勾勒出待處理的區(qū)域。

由于在馬路上行駛有較多的汽車，較好識別出前方車輛對汽車防碰撞預警，保證汽車行駛的安全性就具有非常大的意義。本文運用python語言編程，通過HOG方向梯度直方圖特征檢測出馬路上行駛的諸多車輛，如果不通過車輛檢測的方法，而是直接對整張圖片進行計算，就會帶來極大的計算量，影響車距檢測的實時性，因此，本文通過方向梯度直方圖特征檢測并確定有汽車的感興趣區(qū)域（ROI），增加測距的實時性。車輛檢測前后對比圖如圖4所示。

圖4 車輛檢測前后對比圖

由圖4可以看到，本文的方法能夠?qū)β飞闲旭偟拇龣z測車輛進行很好識別，即目標確定效果很好，進而為后續(xù)車牌定位和車距測量打下基礎(chǔ)。

3.2 車牌定位

首先訓練分類器，將圖像預處理灰度化后的車牌正負樣本圖片放入OpenCV中生成Xml文件，生成分類器，其中正樣本應只包含車牌樣本，負樣本不能包含車牌信息。采用LBP算子，直接利用灰度進行比較。比較完后采用Adaboost算法將多個弱分類器組成強分類器，樣本的權(quán)重也在迭代中更靠近正確分類的值。最后將多個單級分類器級聯(lián)起來，加快檢測速度，為了加快識別速率可采用跳幀以及使用全部CPU核心進行多線程的識別方式。車輛車牌定位圖如圖5所示。

圖5 車輛車牌定位圖

由圖5可知，本文車牌識別方法對綠牌識別效果好，對黃牌的識別效果也很好，即可以對多種類型的車牌進行很好定位；同時也可以對動態(tài)的不同距離的多車牌進行定位，能夠較為全面地考慮到隱藏風險因素，對車輛安全進行很好的預防，適用范圍廣。

3.3 車牌識別效果評價

由上一節(jié)內(nèi)容可知，對不同狀態(tài)下的車牌進行了有效識別，主要包括車輛靜態(tài)和車輛動態(tài)條件下，遠距離和近距離工況，普通車牌和其他類別車牌，然而上述試驗結(jié)果建立在較少數(shù)據(jù)的試驗條件下，忽略了較多了因素，為使數(shù)據(jù)結(jié)果更加具有說服力，繼續(xù)進行數(shù)據(jù)采集。

利用現(xiàn)有分類器對車牌數(shù)據(jù)進行檢驗，檢驗結(jié)果：虛警率5%，識別率97%。

4 車距測量與無線顯示

4.1 車距測量模型

圖像測距模型一般可以由幾何透視變換來描述。假設(shè)攝像機水平放置，如圖6所示。f表示CCD攝像機的有效焦距，h表示物體的高度，d表示物體到鏡頭中心的水平距離，（x，y）表示物體下端在像平面上的投影坐標，（x0，y0）表示像平面與光軸的交集點，通常選?。?，0）作為像平面坐標系的原點。

圖6 圖像測距幾何模型

通過集合關(guān)系能夠計算出鏡頭中心與物體的水平距離d，距離的計算公式如下：

而圖像坐標系的轉(zhuǎn)化關(guān)系式如下：

式中：u、v——數(shù)字圖像中的列數(shù)與行數(shù)；u0與v0——圖像中心（圖像平面與光軸的交集點）的坐標；dx與dy——像素在X與Y方向的具體值。

對于單目車距，由上式得：

其中u、v由圖像處理得到。

將上面兩個公式帶入水平距離計算公式有：

4.2 實車車距測量

通過室外給車輛進行測距實景試驗，CCD攝像機拍攝高度與車牌同一致，同時在橫坐標方向均速位移。利用皮尺事先標定好的距離，每隔0.5m進行一次測量。車距測量圖如圖7所示。

圖7 車距測量圖

通過上文介紹的圖像處理算法，分析計算出圖像中車牌的高度數(shù)據(jù)，采用測距公式運算出行車距離。在本案例中，通過車牌高度數(shù)據(jù)運算出的行車距離，數(shù)據(jù)分析見表1。

表1 數(shù)據(jù)分析表

影響LPR測距精度有以下兩個因素。其一，測距要求目標檢測算法提供圖像中目標的圖像大小信息，因此測距精度在很大程度上受目標檢測算法和圖像成像品質(zhì)的影響；其二，從測距公式可以看出，圖像中目標的像素數(shù)對應于距離值，并且是非線性關(guān)系。隨著距離的增加，像素數(shù)變化越快，因此誤差越大。所以在汽車距離的測量中，僅僅利用車牌信息是不準確的。這些問題在未來的研究中還需要改進，通過改進測距算法，準確檢測目標物體的信息，提高LPR測距的精度。

5 結(jié)束語

在opencv中運用HOG算法檢測出前方車輛，再通過輪廓檢測與LBP算法確定出車牌區(qū)域，然后運用單目視覺測距原理計算出前方汽車與攝像頭之間的距離，通過設(shè)置距離閾值對車距是否安全作出準確的判斷。通過對車牌定位效果的分析、比較，選擇了利用LBP特征對圖像中的車牌進行定位形成弱分類器，并將弱分類器加權(quán)組合成強分類器，最終將強分類器構(gòu)成前方車牌檢測分類器。