【《车牌识别算法与车辆管理方法概述》3500字】

车牌识别算法与车辆管理方法概述目录TOC\o"1-3"\h\u378车牌识别算法与车辆管理方法概述 1277771.1车牌定位算法概述 1142721.2车牌字符识别算法概述 4186001.3小区车辆管理方法概述 5本章对所设计的车牌识别算法和小区车辆管理方法进行理论概述。采用的方法包括三步骤，首先是以车牌的颜色的特征和车牌边缘的信息作为我们定位车牌的算法的基础，然后我们在分割字符方面采用垂直投影的方法，最后我们借鉴模板匹配的方法对分割开的字符来进行识别。对于车辆管理方法，本设计中通过将识别到的车牌信息与小区车辆登记库中的车牌信息进行检索的方法实现。当识别到的车牌信息为库中已有的车牌时，使用语言模块进行语言播报同时通过舵机打开栏杆放行。当识别到的车辆为非本小区车辆时，使用语言模块进行语言提示同时驱动蜂鸣器进行报警操作。此时，小区安保人员会进行登记，并决定是否允许车辆入内。1.1车牌定位算法概述国内的车牌按照车型、车辆用途指定了不同的车牌样式，导致了车牌种类不一，由于本设计的应用常见时小区，因此本文以蓝底白字，白框线的小型汽车号牌为例，设计车牌识别算法。国内的小型汽车牌照样式如下图1所示。通常情况下，由于车牌底色和车身颜色对比较为明显，因此可以利用该特点设计出基于 垂直和边沿信息的算法对车牌进行定位。图1国内小型汽车号牌样式1.1.1基于颜色和边沿特征的车牌定位算法概述当我们把颜色信息和边缘特征作为将车牌进行定位算法的基础后，这时我们采用的方法的新颖性在于我们此时不需要完整的车牌轮廓，不再依赖于车牌的边框，这样一来，当车牌被污染或者是被损毁、被遮挡，或是相对于摄像头来说是倾斜的角度时，我们仍然可以对车牌进行定位。该算法的流程图如图2所示。图2边缘信息与颜色信息结合的车牌定位流程该算法在对车牌进行颜色分析方面利用了支持向量机，然后我们采用了连续自适应均值变换算法来定位车牌的矩形轮廓。我们在定位图像的时候，会把图像本身具有的颜色信息当作基础，在检测阶段，蓝颜色的像素是最先开始被检测到的。从传统的角度来说，我们使用的RGB彩色模型拥有三个分量，分别为G、R、B，也就是我们所说的绿色、红色和蓝色，这三个分量彼此的取值范围都在0到255之间。如果我们在对颜色进行定位的过程中只去检测蓝色的分量，比如说我们在实际的操作中会设置一个阈值γ，这个γ的取值范围是在0到255之间，当检测到的B分量值，也就是VB大于γ时，我们会判定该点的颜色为蓝色。但是当我们细究这种方法，不难发现这种方法存在十分明显且严重的错误，因为即便VB的值为255时，此时如果VR、VG的值也为255，那么最终该点的颜色将被表现为白色，为了避免这样的错误的发生，我们需要将车牌识别的图像转换另一种颜色空间中，在遮掩的个颜色空间里，颜色的判断相对来说更加容易。在研究中，我们提到的六角锥体模型指的是HSV颜色模型，他有三个不同的分量，首先是V，也就是我们所说的明度，随后是S，也就是我们所说的饱和度，最后是H，即我们所说的色相，其中，前两者的取值范围都在0.0到1.0之间，而最后的H所在的范围是[0,360]，范围在0到360之间。除此以外，HSV模型中只有H分量是有关于颜色本质的分量，这是它的一个极其重要的特征，那么在这种特征的前提下，如果保持S、V分量的范围一定的话，在对颜色空间进行转换操作之后，我们要对车牌图像中具有的蓝色像素进行检测，或者对其中的黄色色素进行检测。对车牌的底色来说，其底色的各分量是十分重要的，所以我们需要先确定其在我们所使用的模型中的取值范围。以一个简单的例子来说，当我们将检测对象设置为H时，对它进行检测，发现它的值在210到280之间，当出现这种情况的时候，我们就可以将其判断为车牌底牌，也就是蓝色；同样的方法，当这个值在30到70之间的时候，这个时候就不是蓝色了，我们就可以考虑这是黄色，也就是所可能是黄色的车底而不是蓝色的车底。通过实验，我们发现当S分量的取值范围在1.0到0.33之间，同时V分量的取值能介于1.0到0.35之间时，对与车牌能够进行相对比较精确的颜色检测。那么对上述的内容进行总结与分析，并进行实验，我们就可以得到表1。表1车牌颜色定位中H、S、V各分量底色分类HSV蓝色210~2800.33~1.00.35~1.0黄色30~700.33~1.00.35~1.0根据上表1的内容，我们可以得到各分量值交集所代表的颜色的范围，依据这一结论，我们二值化处理图像。处理之后我们会发现如果当车牌像素中的三个分量不在上述范围中时，我们是将其标记为黑色，如果正好在遮掩的个取值范围中，我们就会把它标记为白色。这样一样，原本彩色的图像就只有了黑白两种颜色，我们可以称之为二值图像，在这样的二值图像中，只要是白色的颜色，就是表示在原始图像中我们需要用到的黄色或者蓝色，而黑色是原始图像中除去黄色或者蓝色以外的颜色。单纯以颜色信息作为定位车牌的基础，这样的做法实际上在许多时间下并不能满足需要将大多数车牌进行准确定位的需要，因为在实际操作中，我们接收到的有关于颜色的信息很容易被当时的体色信息所干扰，除此以外，光照条件也会对实验过程产生比较大的干扰。所以在我们先其进行分类处理，所采取的方法为SVM分类，然后再将被我们判定为NO的车牌输入到边缘检测模块中去。对于算法中的边缘检测算子来说，Sobel算子能在车牌图像场景中表现出突出的检测效果，我们通过实验，也确实得到了与之相同的实验结论，故最后决定将该算子运用于本毕业设计。当我们将其运用与实际操作的时候，大多数车牌特征都是垂直边缘，考虑到这种实际运用中存在的情况，特意设置Sobel算子的参数为“水平”这样一来就可以只对垂直边缘进行检测检测的车牌位置效果如图3所示。(b)图3车牌位置检测效果，（a）二值化处理图，（b）定位效果图1.2车牌字符识别算法概述当我们把字符一个一个分隔开以后，我们就可以开始对车牌的每一个字符来进行识别处理了，但是相对于前面提到的将车牌进行定位和把字符进行分割，识别车牌字符显得更加容易实现。只要我们能够对车牌进行准确的定位，在字符切割的阶段也能够尽可能的做到精确，则到了字符识别的阶段，自然能够具有更好的准确度。目前我们常用的识别车牌字符的方法有基于人工神经网络的，也有以模板匹配作为基础的，但是除此以外，许许多多的研究者也对上述的两种方法进行了一些创新与改进。比如说以模板匹配为基础的传统的车牌识别的方法是首先制作一个标准的存储字符模板的库，这个库中存有车牌上会出现的一切的字符，包括数字、汉字、字母，然后我们再将目标的字符与标准库中的字符进行比对，计算出其两者的相似程度，最后得到相似程度最大的哪一个标准库中的字符，这种方法在识别方面的速度相对来说是比较快的，在实际的应用中具有的准确度也较高。因此本设计中采用模板匹配法进行车牌字符的识别。1.1.1基于模板匹配法的车牌字符识别这一章使用一种比较简易且便捷的方法来进行试验，俗称为模板匹配法。但仅仅是原有的基础是不够的，为此我们将其改进而把欧式距离运用到来计算两张图片的相似程度。图4是表示整个字符识别的流程，以下为具体的过程：（1）如图5所表示，构建1个标准的字符模板库（含26个字母和数字0-9）；（2）图片和字符大小给予归一化（Normalization）的处理；（3）因涉及到欧氏距离来对比相似度，故需要在模板库里面分析计算得到；（4）输出欧氏距离对应的字符的最小值。这里，欧式距离的一个核心思想是：在这里所需要的图像矩阵有m种元素，用m种元素的值（N1到Nm组成了一个m维空间，任意一维的特征值都组里的任意元素构成，即1N对应一维，2N对应二维，以此类推。故只要是m维空间以下，用欧式距离公式就能计算两个图像矩阵的距离公式如下（式2-1），若能够匹配上对象，则计算出来的就是距离的最小值。Dp,q公式（4-2）中，xn图4字符识别流图5字符标准模板库示例（部分）图6字符识别效果1.3小区车辆管理方法概述在本次设计的基于车牌识别的小区车辆管理系统中，需要对进入小区的车辆进行管理，对于本小区内的车辆允许放行，对于非本小区的登记车辆时进行语言提示和蜂鸣器报警提示。其具体的方法是对本小区内所有户主的车辆牌号信息进行登记，将所有车辆牌号录入TF卡存储器中，使用主控制器的SPI接口驱动TF卡，实现对TF卡实现读写与内容检索操作。当采集并识别到车牌中的牌号信息后，将识别的牌号与TF卡内的已有车牌库进行比对，当所识别的车牌为库中牌号时，通过主控制器驱动舵机抬起栏杆放行车辆，同时使用语言模块进行放行播报，当识别