新闻  |   论坛  |   博客  |   在线研讨会
关于车牌识别的工作原理和技术参数
wtkjocrls | 2018-05-02 11:04:44    阅读:112   发布文章

      综合网上上各种车牌识别方法,总结出一个较为简单的车牌识别方案,采用VS2013+OpenCv2.4.9实现。并且附上可运行的源代码以及测试图片和视频,详细参数设置请参照源代码。识别部分的训练样本见我上传的资源

实现方法

(一)        检测车辆(基于混合高斯模型的背景差分法)

1.    读取视频(avi格式),选定目标区域框用于检测车辆

2.    检测车辆,基于混合高斯模型的背景差分法检测前景,经过腐蚀、膨胀后,若像素值大于200的像素点数大于80000且上一帧像素点数小于80000,则视为检测出车辆并保存改区域的图片


(二)        检测车牌区域(基于HSV颜色空间+形态学方法)

1.    车牌粗定位

(1) 改变图片尺寸(480´320)得到resizeimg

(2) 转换为HSV空间,并在HSV空间直方图均衡化

(3) 在HSV空间检测蓝色区域,范围为(100,90,80)—(130,255,255),得到blueimg

(4) 对blueimg进行膨胀运算、开运算得到image1

(5) 对resizeimg灰度化

(6)  进行直方图均衡化

(7)中值滤波

(8)Canny算子边缘检测

(9)进行开运算、闭运算得到image2

(10)对HSV空间检测蓝色分量的image1和边缘检测得到的image2进行按位与得到andimage

(11)对andimage进行膨胀运算

(12)寻找最大连通域

(13)圈出最大连通域所在的矩形区域并切割得到ROIimage


2.    车牌精确定位

(1)对ROIimage转换蓝色空间并均衡化

(2)检测蓝色区域,范围为(100,90,90)—(140,255,255)

(3)框出非零点集所在的最大矩形区域并切割得到roimage

(4)Canny算子检测roimage并利用hough变换进行水平倾斜校正得到houghimage

(5)对houghimage进行灰度化、二值化(浙大张引二值化)

(6)对二值化车牌水平方向统计黑白跳变次数

(7)从车牌中间向上下搜索,若跳变次数小于14,设定为上下边界并切割,得到jingqueimage


(三) 车牌字符切割(投影法)

1.对对车牌进行垂直投影,求垂直方向投影平均值mean,设定投影特征值TZ=0.63´mean

2.先从第三个字符开始切割,选择车牌宽度的0.3倍处作为起始点,向右寻找大于TZ的点作为上升点,从上升点向左搜索投影值等于0的点作为字符起点,寻找上升点后下一个等于0的点作为终点,切割出该部分,对该部分扩充调整其宽高比为0.5,对其归一化16*32,二值化得到字符

3.第四个到第七个字符的切割方法与第三个字符相同

4. 切割第二个字符,选择车牌宽度的0.35处作为起始点,向左寻找大于特征值的点作为上升点,从上升点向左搜索投影值等于0的点作为字符起点,寻找上升点左边下一个等于0的点作为终点,切割出该部分,对该部分扩充调整其宽高比为0.5,对其归一化16´32,二值化得到字符

5.  切割第一个字符,切割方法同第二个字符。求后六个字符的宽度平均值,若切割出字符宽度小于平均值的0.8倍,则重新寻找下一个为零的波谷作为终点,切割出该部分。对该部分扩充调整其宽高比为0.5,对其归一化16´32,二值化得到字符


(四)        车牌识别(BP神经网络)

1.      汉字识别

(1)网络层数:输入层:560  隐含层:132  输出层:31

(2)激活函数:Sigmoid函数

(3)神经网络的训练参数:

                                       a) 最大迭代次数:10000

                                      b)误差最小值:0.001

                                      c) 权值更新率:0.07

                                      d) 权值更新冲量:0.07

(4)输入样本:

                     a)  特征提取:512个像素点+32个水平投影值+16个竖直投影值共560维

                     b) 训练样本数:所有省份样本共1195个

(5) 输出结果:输出层共31个,如“京”:0.9,,0.1……0.1,选取输出的31个值的最大的值为识别结果

(6)  对汉字识别:提取特征并进行预测,输出省份


2.      字母识别

(1)网络层数:输入层:560  隐含层:117  输出层:24

(2)激活函数:Sigmoid函数

(3)神经网络的训练参数:

                                                 a)       最大迭代次数:30000

                                                b)       误差最小值:0.001

                                                c)       权值更新率:0.07

                                               d)       权值更新冲量:0.07

(4)输入样本:

                           a)       特征提取:512个像素点+32个水平投影值+16个竖直投影值共560维

                         b)       训练样本数:所有省份样本共1200个

(5)输出结果:输出层共24个,如“A”:0.9,,0.1……0.1,选取输出的24个值的最大的值为识别结果

(6) 对字母识别:提取特征并进行预测,输出字母

3.      字母和数字识别

(1)网络层数:输入层:560  隐含层:139  输出层:34

(2)激活函数:Sigmoid函数

(3)神经网络的训练参数:

                                                a)       最大迭代次数:30000

                                               b)       误差最小值:0.001

                                                c)       权值更新率:0.06

                                               d)       权值更新冲量:0.06

(4)输入样本:

                              a)       特征提取:512个像素点+32个水平投影值+16个竖直投影值共560维

                              b)       训练样本数:所有省份样本共5100个

(5)输出结果:输出层共34个,如“A”:0.9,,0.1……0.1,选取输出的34个值的最大的值为识别结果

(6)对字母和数字识别:提取特征并进行预测,输出字母


 总结

采用基于视频检测的车牌识别系统,测试的场合是小区门禁处静止摄像机,实现对行驶的车辆进行车牌识别。从功能划分可以分为三块,车辆的视频检测、车牌的定位和车牌字符的分割与识别。

由于交通场景的复杂性和多样性,本设计有许多值得进一步研究的地方,主要有以下几个方面:

1.  本设计的计算速度较慢,尚未能满足实时性的要求。

2.  在车牌定位模块,对于截取图片中的车辆的距离有一定要求,车辆占比区域太大会造成车牌定位不准的情况。

3. 在字符分割模块,基于大多车牌字符都没有粘连,本设计采用的投影法。对于字符粘连的车牌会出现分割错误。

4.   在字符识别模块,由于汉字神经网络样本不足和特征提取不太理想,造成汉字识别率较低。


参与讨论
登录后参与讨论
推荐文章
最近访客