一、车牌识别技术。 车牌识别系统组成。 车牌识别系统是一个基于数字图像处理和字符识别的智能化系统,该系统通过拍摄采集包含车牌的数字图像,对图像进行预处理以克服图像干扰,改善识别效果,接着在图像中自动找到车牌的位置也就是车牌定位,再分割出车牌字符形成一个个大小相同的单个字符,最后把大小归一化好的字符输入字符识别模块进行识别。它主要涉及图像采集、图像预处理、车牌定位、字符分割、字符识别等主要环节,其总体结构如图5-8所示。
2.车牌识别系统功能。
车牌识别系统包括以下功能。
(1)图像预处理车辆图像的采集主要是利用摄像机室外拍摄车牌图像,存在许多干扰,为了减小误差,必须对图像进行预处理(灰度化、图像滤波、图像增强等),为车牌定位做好准备。
(2)车牌定位车牌定位包括车牌的粗定位和精确定位,以及从车辆图像中提取出车牌图像的功能。
(3)车牌字符分割牌照中的字符可能出现一定的倾斜,故要对车牌倾斜进行校正。然后将车牌中的字符正确的分割成单个字符。
(4)车牌字符识别对分割出的字符进行归一化处理,识别字符并显示车牌号码。
3.车牌区域特征。
不同国家中,车牌的特征是不一样的,我国车牌具有以下四种可用于定位的特征。
(1)颜色特征颜色特征是一种全局特征,是基于像素点的特征。现有的车牌主要由四种类型组成—小型汽车的蓝底白字车牌、大型汽车的黄底黑字车牌、白底黑字的军警车、黑底白字的国外驻华使馆用车。车牌底色和字符颜色反差较大,由于颜色对图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中车牌的局部特征。另外,仅使用颜色特征,信息量过大,基本上是灰度信息的三倍大,处理时间太长。
(2)纹理特征纹理特征描述了车牌区域的表面性质。车牌内有七个字符，大小统一、水平排列,有一部分会因为拍摄的原因存在一定程度的倾斜,字符和背景之间灰度值对比明显。但由于纹理只是物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征也是有问题的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。
在模式识别中,这种区域性的特征具有较大的优越性。作为一种统计特征,纹理特征对于噪声有较强的抵抗能力。但是,纹理特征也有其缺点,容易受到光照强度、反射情况的影响。
(3)形状特征形状特征通常有两类表示方法:一类是轮廓特征,另一类是区域特征。轮廓特征主要针对物体的外边界,而图像的区域特征则关系到整个形状区域。由于受到摄像头的安装位置和拍摄角度的限制,拍摄到的图像中车牌区域往往不是矩形,而是一个平行四边形。因为国家统一的车牌大小是标准的,宽高比是一定的,即使有所变形也在一定范围内,因此车牌在原始图像中的相对位置比较集中,偏差不会很大。
(4)灰度跳变特征车牌的底色、边缘颜色和车身的颜色各不相同,表现在图像中就是灰度级互不相同,这样在车牌边缘形成灰度突变边界,形成灰度跳变特征。事实上,车牌边缘在灰度上的表现就是一种屋顶状边缘。在车牌区域内部,由于字符本身和牌照底色的灰度是均匀的,所以穿过车牌的水平直线呈连续的峰、谷、峰的分布。
4.车牌定位算法。
车牌定位算法很多,如基于灰度值的车牌定位算法、基于边缘检测技术的车牌定位算法、基于频谱分析的车牌定位算法、基于神经网络的车牌定位算法、基于遗传算法的车牌定位算法、基于模糊逻辑的车牌定位算法等。
(1)基于灰度值的定位算法基于灰度值的定位算法,其基本原理是车牌底色、车牌边框颜色及背景颜色灰度化后灰度值不同,形成了灰度值突变的边界。
车牌边框的灰度值高于背景灰度值,且车牌边框为平行四边形,通过边缘提取，进行定位。
(2)基于边缘检测技术的定位算法基于边缘检测技术的定位算法,根据车牌的特征和车牌内部字符的边缘特征,估计出最大车牌的区域。该方法可能会把干扰强的边缘误记为车牌窗口,需要大量的车牌字符区域和图像宽度比例的先验知识。
(3)基于频谱分析的定位算法基于频谱分析的定位算法,如小波变换,根据小波分析可以在不同的分辨率层次上对图像进行分割,在低分辨率层次上进行粗分割,可以节约时间并同时为细分割缩小检测范围。
(4)其他定位算法基于神经网络、遗传算法、模糊逻辑算法等方法需要大量的先验知识,同时计算量巨大,但记忆性好。
任何算法均有其优劣,仅靠单一的方法是无法在多种情况下取得较好的定位效果的,可以采用结合多种算法的综合定位方法。
5.字符识别算法。
字符识别算法有很多,如基于模板匹配的字符识别算法、基于特征统计匹配法、基于边缘检测和水平灰度变化特征的方法、基于颜色相似度及彩色边缘的算法等。
(1)基于模板匹配的字符识别算法模板匹配方法是一种经典的模式识别方法,是最直接的字符识别方法,其实现方式是计算输入模式与样本之间的相似性,取相似性最大的样本为输入模式所属类别。这种方法具有较快的识别速度,尤其对二值图像,速度更快,可以满足实时性要求。但它对噪声十分敏感,任何有关光照、字符清晰度的变化都会影响识别的正确率,且往往需要使用大量的模板或多个模板进行匹配。
(2)基于特征统计匹配法针对字符图像的特征提取的方法多种多样,有逐像素特征提取法、垂直方向数据统计特征提取法、基于网格的特征提取法、弧度梯度特征提取法等很多方法。这种特征对一般噪声不敏感,选取的特征能够反映出图像的局部细节特征,方法相对简单,然而在实际应用中,由于外部原因的存在常常会出现字符模糊、字符倾斜等情况,从而影响识别效果,当字符出现笔画融合、断裂、部分缺失时,此方法更加无能为力。因此,实际应用效果不理想,抗干扰性不强。
(3)基于边缘检测和水平灰度变化特征的方法这类方法是使用最多的,细分类也多,有用可变矩形模板检测的方法搜索符合条件的车牌矩形区域的方法，有记录灰度水平跳变频度的方法,速度快、漏检率低,但误检率高。
(4)基于颜色相似度及彩色边缘的算法此类方法一般利用颜色模型转换，结合先验知识、进行定位和判断,不受大小限制,精度较高,缺点是对图像品质要求高,对偏色、牌照褪色及背景色干扰等情况无能为力,一般也不独立使用。
二、运动车辆识别技术。
前方车辆检测是判断安全车距的前提,车辆检测的准确与否不仅决定了测距的准确性,而且决定了是否能够及时发现一些潜在的交通事故。
识别算法用于确定图像序列中是否存在车辆,并获得其基本信息,如大小、位置等。摄像机跟随车辆在道路上运动时,所获取道路图像中车辆的大小、位置和亮度等是在不断变化的。根据车辆识别的初始结果,对车辆大小、位置和亮度的变化进行跟踪。由于车辆识别时需要对所有图像进行搜索,所以算法的耗时较大。而跟踪算法可以在一定的时间和空间条件约束下进行目标搜索,还可以借助一些先验知识,因此计算量较小,一般可以满足预警系统的实时性要求。
目前用于识别前方运动车辆的方法主要有基于特征的识别方法、基于机器学习的识别方法、基于光流场的识别方法和基于模型的识别方法等。
1.基于特征的识别方法。
基于特征的方法是在车辆识别中最常使用的方法之一,又叫作基于先验知识的方法。
对于行驶在前方的车辆,其颜色、轮廓、对称性等特征都可以用来将车辆与围背景区别开来。因此,基于特征的车辆检测方法就以这些车辆的外形特征为基础从图像中检测前方行驶的车辆。当前常用的基于特征的方法主要有使用阴影特征的方法、使用边缘特征的方法、使用对称特征的方法、使用位置特征的方法和使用车辆尾灯特征的方法等。
1)使用阴影特征的方法前方运动车辆底部的阴影是一个非常明显的特征。通常的做法是先使用阴影找到车辆的候选区域,再利用其他特征或者方法对候选区域进行下一步验证。
(2)使用边缘特征的方法前方运动车辆无论是水平方向上还是垂直方向上都有着显著的边缘特征,边缘特征通常与车辆所符合的几何规则结合起来运用。
(3)使用对称特征的方法前方运动车辆在灰度化的图像中表现出较为明显的对称特征。一般来说对称特征分为灰度对称和轮廓对称这两类特征。灰度对称特征一般指统计意义上的对称特征,而轮廓对称特征指的是几何规则上的对称特征。
(4)使用位置特征的方法一般情况下,前方运动车辆存在于车道区域之内,所以在定位出车道区域的前提下,将检测范围限制在车道区域之内,不但可以减少计算量,还能够提高检测的准确率。而在车道区域内如果检测到不属于车道的物体,一般都是车辆或者障碍物,对于驾驶员来说都是需要注意的目标物体。
(5)使用车辆尾灯特征的方法在夜间驾驶场景中前方运动车辆的尾灯是将车辆与背景区别出来的显著且稳定的特征。夜间车辆尾灯在图像中呈现的是高亮度、高对称性的红白色车灯对。利用空间以及几何规则能够判断前方是否存在车辆及其所在的位置。
因为周围环境的干扰和光照条件的多样性,如果仅仅使用一个特征实现对车辆的检测难以达到良好的稳定性和准确性。所以如果想获得较好的检测效果,目前都是使用多个特征相结合的方法完成对前方运动车辆的检测。
2.基于机器学习的识别方法。
前方运动车辆的检测其实是对图像中车辆区域与非车辆区域的定位与判断的问题。基于机器学习的检测方法一般需要从正样本集和负样本集提取目标特征,再训练出识别车辆区域与非车辆区域的决策边界,最后使用分类器判断目标。通常的检测过程是对原始图像进行不同比例的缩放,得到一系列的缩放图像,然后在这些缩放图像中全局搜索所有与训练样本尺度相同的区域,再由分类器判断这些区域是否为目标区域,最后确定目标区域并获取目标区域的信息。
机器学习的方法无法预先定位车辆可能存在的区域,因此只能对图像进行全局搜索,这样造成检测过程的计算复杂度高,无法保证检测的实时性。
3.基于光流场的识别方法。
光流场是指图像中所有像素点构成的一种二维瞬时速度场,其中的二维速度矢量是景物中可见点的三维速度矢量在成像表面的投影。通常光流场是由于摄像机、运动目标或两者在同时运动的过程中产生的,在存在独立运动目标的场景中,通过分析光流可以检测目标数量、目标运动速度、目标相对距离以及目标表面结构等。
光流分析的常用方法有特征光流法和连续光流法。特征光流法是在求解特征点处光流时,利用图像角点和边缘等进行特征匹配。特征光流法的主要优点是：
能够处理帧间位移较大的目标,对于帧间运动限制很小;降低了对于噪声的敏感性;所用特征点较少,计算量较小。主要缺点是:难以从得到的稀疏光流场中提取运动目标的精确形状:不能很好地解决特征匹配问题。连续光流法大多采用基于帧间图像强度守恒的梯度算法,其中最为经典的算法是L-K法和H-S法。
光流场在进行运动背景下的目标识别时效果较好,但是也存在计算量较大、对噪声敏感等缺点。在对前方车辆进行识别尤其是当车辆距离较远时,目标车辆在两帧之间的位移非常小,有时候仅移动一个像素,因此这种情况下不能使用连续光流法。另外车辆在道路上运动时,车与车之间的相对运动较小,而车与背景之间的相对运动较大,这就导致了图像中的光流包含了较多的背景光流,而目标车辆光流相对较少,因此特征光流法也不适用于前方车辆识别。但是在进行从旁边超过的车辆识别时,由于超越车辆和摄像机之间的相对运动速度较大,所以在识别从旁边超过的车辆时采用基于光流的方法效果较好。
4.基于模型的识别方法。
基于模型的方法是根据前方运动车辆的参数来建立二维或三维模型,然后利用指定的搜索算法来匹配查找前方车辆。这种方法对建立的模型依赖度高,但是车辆外部形状各异,难以通过仅建立一种或者少数几种模型的方法来对车辆实施有效的检测,如果为每种车辆外形都建立精确的模型又将大幅增加检测过程中的计算量。
多传感器融合技术是未来车辆检测技术的发展方向。目前,在车辆检测中主要有两种融合技术,即视觉和激光雷达传感器的融合技术以及视觉和毫米波雷达传感器的融合。
