【《车牌识别模块的选型分析概述》3000字】

车牌识别模块的选型分析概述汽车牌照自动识别技术是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。通过对图像的采集和处理，完成车牌自动识别功能，能从一幅图像中自动提取车牌图像，自动分割字符，进而对字符进行识别.其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些牌照识别系统还具有通过视频图像判断车辆驶入视野的功能称之为视频车辆检测.-一个完整的牌照识别系统应包括车辆检测、图像采集、牌照识别等几部分(如图1所示)。当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。牌照识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。1.车辆检测车辆检测可以采用埋地线圈检测、红外检测、雷达检测、视频检测等多种方式。采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支，而且更适合移动式、便携式应用的要求。具备视频车辆检测功能的牌照识别系统，首先对视频信号中的-帧(场)的信号进行图像采集，数字化，得到对应的数字图像:然后对其进行分析，判断其中是否有车辆:若认为有车辆通行，则进入到下一步进行牌照识别:否则继续采集视频信号，进行处理。系统进行视频车辆检测，需要具备很高的处理速度并采用优秀的算法，在基本不丢帧的情况下实现图像采集，处理。若处理速度慢，则导致丢帧，使系统无法正确检测到行驶速度较快的车辆，同时也难以保证在有利于识别的位置开始识别处理，影响系统识别率。因此，将视频车辆检测与牌照自动识别相结合具备一定的技术难度。2.牌照号码、颜色识别为了进行牌照识别，需要以下几个基本的步骤:●牌照定位，定位图片中的牌照位置:●牌照字符分割，把牌照中的字符分割出来:●牌照字符识别，把分割好的字符进行识别，最终组成牌照号码。牌照识别过程中,牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与牌照识别互相配合、互相验证。(1)牌照定位自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，最后选定一个最佳的区域作为牌照区域，并将其从图象中分割出(2)牌照字符分割完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和--些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。(3)牌照字符识别字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化，并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配,最后选最佳匹配作为结果。基于人工神经元网络的算法有两种:一种是先对待识别字符进行特征提取，然后用所获得特征来训练神经网络分配器:另一种方法是直接把待处理图像输入网络，由网络自动实现特征提取直至识别出结果。实际应用中，牌照识别系统的识别率与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等;实际拍摄过程也会受到环境亮度、拍摄亮度、车辆速度等等因素的影响。这些影响因素不同程度上降低了牌照识别的识别率，也正是牌照识别系统的困难和挑战所在。为了提高识别率，除了不断的完善识别算法,还应该想办法克服各种光照条件,使采集到的图像最利于识别。一般来说，车牌识别系统包括汽车实时检测、拍摄图像的成像采集、拍摄图像的预处理、车牌定位、车牌号字符分割以及字符识别等几大模块。汽车实时检测：可采用视频、又或是红外、或埋在地下的线圈检测等多种手段检测是否有汽车进出场，之后自动地触发图像的成像采集。拍摄图像的成像采集。通过摄像机对通行汽车进行抓拍、采集、成像以及记录。拍摄图像的预处理。常用的图像预处理方法有自动白平衡、噪声过滤、自动曝光边缘增强、以及伽马校正等。车牌定位。图像在经过预处理之后，图像灰度化，之后在灰度图像上进行行列扫描，以此确定车牌区域。字符分割。在进行车牌定位后，经过二值化、灰度化后，就能准确地定位字符区域，之后根据尺寸形状特征进行字符分割。字符识别。对分割后的字符进行缩放、特征提取，与字符数据库模板中的标准字符表达形式进行匹配判别。结果输出。将最终的识别结果以文字文本的形式输出。而从另外一个角度进行分类，车牌识别也可分为软识别与硬识别。软识别指的是车牌识别软件，即安装的服务器端和PC端。前端将数据传到后端。前端设备包括摄像机等拍图片或视频，并将数据传输到后端。而后端带有识别软件，识别软件将数据进行处理和识别。但这种方式对传输的稳定性要求很高，如若在传输过程中受到干扰甚至中断，则无法实现实时识别，影响整个车牌识别系统。由于软识别容易受环境影响，稳定性不高，而且另外在某些特定情况下，系统的识别率始终不高，所以目前市场上，已经很少会有车牌识别系统会采用软识别。硬识别采用了嵌入式技术，在摄像头的硬件中有着强大的深度学习算法。前端不但可以实现照片视频自动采集，而且对于各种复杂环境都有着很强的适应性，还能做到自动识别车牌号并将数据输出到一体化设备。因此硬识别相比于软识别，具有一体化程度高、适应性强、识别速度快、稳定性强等特点。而车牌定位对于车牌识别也十分重要，目前，车牌定位的主要方法有：①基于灰度化图像的车牌定位方法；②基于小波变换的车牌定位方法；③基于形态学的车牌定位方法；④基于神经网络的车牌定位方法。各种车牌定位方法的优缺点比较：基于灰度图像的车牌定位方法：该方法对图像的成像要求很高，如果图像质量太低，环境中有着太多干扰因素，车牌定位则会变得不准确。基于小波变换的车牌定位方法：该方法的图片效果非常好，不仅使定位区域的特性更加鲜明，而且完全没有被光照不均的环境影响到，但是在进行图像预处理时降噪的重构信号会失去原来的时域特征。基于形态学的车牌定位方法：对于图像中车牌的位置的确定比较简单，且算法简单、实时性强。对于此定位方法，结构元素的选取会变得非常重要，如果使用的结构元素过大或过小，都无法使定位区域形成闭合的区域。基于神经网络的车牌定位方法：此方法的优点在于局限性低，可以充分利用神经网络的适应性。但这种方法需要花费一些时间进行网络的训练。但此方法中的神经网络的训练时间难以缩短，需要大量样本以及学习时间。目前来说，市面上的车牌识别系统的定位方法大多都是基于神经网络的车牌定位方法。目前市面上的高端的车牌识别模块品牌中火眼臻睛的实力最强，而低端的品牌以臻识以及华夏最有知名度，本设计的车牌识别模块的选型选择臻识和华夏两个品牌之一，各型号参数如下表3.1，根据各产品的特点以及价格考虑最终选用臻识RM。表3.1车牌识别模块各产品参