自动车辆识别

自动车辆识别（精选9篇）

自动车辆识别 篇1

0 引言

钢铁企业的钢卷出入库作业频繁, 需要天车工和库区管理员协同工作。这种传统的作业形式效率低、人工成本高。无人天车技术已成为当下特种设备吊装最前沿的技术。唐钢高强汽车板公司的钢卷库分为原料库、中间库、成品库三个库区, 均采用天车无人值守系统进行控制和管理。该系统实现了钢卷的倒库、上料、出库、天车车辆调度、库区信息管理的全自动运行。

1 SRS系统原理

SRS系统是根据车辆种类、形状和停车位来识别车辆, 并对不同种类的车辆鞍座进行扫描得到鞍座坐标, 自动进行取卷和放卷的车辆识别系统[1]。

车辆识别装置工作原理如图1所示, 测定车辆到达指定位置后, 通过安装在车辆顶部的车辆识别装置的激光扫描头测定车辆形状和运输车辆上的鞍座坐标, 最后以3D形象图呈现在SRS系统中, 测定出取卷/放卷鞍座坐标、钢卷宽度、外径, 及大车、小车、钢卷高度位置[2], 最终将扫描信息传送到天车WMS主控制系统中进行信息数据匹配, 匹配完成后, 由天车无人系统自动完成对运输车辆的上卷或卸卷作业。为保证数据测定的准确性, 需要注意:

(1) 根据入跨指示, 司机要熟记停车方法, 把车辆停在正确的划线范围内。

(2) 作业前先调整好车上的鞍座, 并把可能成为障碍的物体清理掉。

(3) 成品库作业时, 必须把车斗的马槽全部打开, 确保测量数据准确无误。

2 SRS系统构成

车辆自动识别系统结构如图2所示, 主要包括:

(1) SRS系统集成控制盘。

(2) 车辆顶部车辆及钢卷检测装置: 包括激光控制扫描头和遥控器, 其中扫描头受水平电机和垂直方向电机控制, 可以沿两个方向进行移动测量。

(3) 外围接口:SRS系统与天车WMS主控制系统通过TCP/IP协议进行数据通信和数据交互。

(4) 运卷车辆指定停放区域:SRS系统要求车辆停靠在固定有效区域, 方便车辆扫描和钢卷鞍座坐标计算。

3 标准作业步骤

车辆自动识别系统的作业主要包括入库和出库两种作业方式, 以入库为例对车辆自动识别系统整个作业流程进行说明。

入库作业流程 (如图3所示) :车辆到库区门外, 根据运营人员的指令开车入库→WMS入库车辆到达后登记到达信息到WMS系统中→WMS系统向SRS系统发送作业计划请求→SRS系统收到卸卷计划信息后, 按扫描按钮进行车辆钢卷信息扫描, 测定钢卷坐标→SRS系统将钢卷信息、鞍座方向及钢卷对应的大车、小车、高度坐标等信息发送给WMS系统→WMS系统收到卸卷坐标及钢卷信息后将其转化成正常工单发送给天车执行机构→无人天车进行卸卷作业。

4 天车定位及库区信息管理

系统中, 天车定位采用编码电缆定位技术来实现。根据库区结构, 按照实际库区库位间隔布置, 做出每个库位的逻辑坐标和物理坐标的对应关系[3]。天车自动执行取卷和放卷时, 根据天车负载状态和夹钳动作判断钢卷的落吊, 并将对应鞍座上的钢卷标志置成相应状态, 同时自动计算库存的变化, 更新本地数据库信息并发送数据库更新信息到三级, 实现仓储管理的进一步优化, 保证数据的及时传递。为了更有效地发挥这套系统的作用, 对天车加装了称重装置用于检测、核对产品的重量。称重检测装置把天车起吊的重量通过承重传感器转为电信号, 经称重仪把信号传送给数据处理单元。它不仅可以检测、核对产品的重量, 还能在天车定位系统中对钢卷的起吊和落卷做辅助判定, 确保跟踪的准确性。

库区管理WMS系统能够实现库区的统筹管理 (包括钢卷的入库、倒库、上料、出库管理, 库存查询) , 根据库存情况做出统计, 根据钢卷的种类、数量进行库存分析等功能。库区管理系统的引入大大减少了人工盘库、库位确认、计算分析统计等的工作量, 结果更科学, 提升了企业的工作效率和自动化程度。

5 结语

天车无人值守车辆自动识别系统于2015年5月调试完成并在唐钢高强汽车板公司投用。在实际工作过程中, 该系统数据传输稳定, 运行维护方便, 显著提高了钢卷库区的作业效率, 大大减少了特种作业操作人员, 实现了库区管理的精确化、快速化、自动化。

参考文献

[1]张广清.基于图像识别技术的运输车辆识别与定位方法及实现[J].冶金自动化, 2014, 38 (2) :29-31

[2]刘怀愚, 李璟, 洪留荣.利用局部特征的子空间车辆识别算法[J].计算机工程与应用, 2010, 46 (30) :156-158

[3]方仕雄, 钱王平, 李奇, 等.钢厂生产库区物料自动跟踪技术[J].东南大学学报 (自然科学版) , 2011, 41 (增刊) :54-57

自动车辆识别 篇2

车辆油气悬架动态特性识别

基于车辆系统油气悬架的`动态模型,建立了神经网络模型来识别油气悬架的动态力.将小波变换应用于油气悬架信号的提取,通过小波的分解与重构有效地去除了噪声信号,为油气悬架系统设计提供了理论依据.

作 者：田野 关英俊 金普胜 TIAN Ye GUAN Ying-jun JIN Pu-sheng  作者单位：田野,关英俊,TIAN Ye,GUAN Ying-jun(长春工业大学机电工程学院,吉林,长春,130012)

金普胜,JIN Pu-sheng(长春乾源房地产开发建设有限公司,吉林,长春,130022)

刊 名：长春工业大学学报（自然科学版） 英文刊名：JOURNAL OF CHANGCHUN UNIVERSITY OF TECHNOLOGY(NATURAL SCIENCE EDITION) 年，卷(期)：2009 30(2) 分类号：U463.33 关键词：油气悬架   神经网络   动态力   小波  

自动车辆识别 篇3

射频识别 (radio frequency identification, RFID) 技术是1种非接触式自动识别技术, 它通过射频信号自动识别目标对象并获取数据信息, 识别无须人工干预, 可工作于各种恶劣环境, 并可同时识别多个目标对象, 操作快捷方便。RFID技术具有远距离识别、可存储携带较多的信息、读取速度快、可应用范围广等优点[1,2]。目前, RFID技术已经被广泛地应用到道路交通运输方面, 可以收集到车辆流量、平均车速、车辆种类、车辆停止侦测及转向比等重要信息。此外还在门禁管制、隧道监测、火车管理、交通信号优先权、乘客信息系统、公交车站管理和火车定位等方面有着广泛的应用, 并且取得了良好的社会和经济效益。但该技术尚未在整个城市的车辆综合管理平台中得到应用, 鉴于此, 本文针对城市收费站交通拥堵、年票通行费征收管理难度大等问题, 提出建立并实现了基于RFID技术的车辆自动识别系统。

1 系统分析

1.1需求分析

随着社会经济的发展, 城市汽车保有量日益增多, 给路桥收费站带来交通拥堵、年票通行费征收管理难度大等问题, 靠传统的交通疏导和人工稽查, 已不能适应形势发展的需要。鉴于此, 本文结合实际情况, 提出建立基于RFID技术的车辆自动识别系统, 以提高收费站通行能力, 加强年票征收工作。

该系统的建设采取“一次规划, 分段实施”的思路分步实施, 即将系统定位于城市车辆综合管理的信息平台来规划设计, 首先满足年票通行费的查验管理, 同时为车辆养路规费征收、年度审验、运输管理等各种管理职能预留信息接入端口, 以后视情况共享信息平台, 未来将作为整个城市车辆管理的综合信息平台。

该系统结合车牌识别技术和RFID技术于一体, 对经过年票稽查站的车辆进行识别, 将识别到的电子标签信息和车牌号码与后台数据库中存放的信息等进行智能比对, 快速验证车辆身份及年票缴交情况, 根据识别结果控制车道设备进行放行或者拦截, 如果遇到非法车辆和未缴交年票的情况, 系统自动发出声光报警信号, 提示稽查人员对该车辆进行处理。

1.2系统总体指标

1) 大容量。

在标准服务器配置下系统可容纳容量必须满足未来5 a发展的需求, 支持50万辆机动车数据和100条自动稽查车道的容量。

2) 系统性能总体要求。

车辆射频电子标签自动识别系统建成后, 系统性能总体要求为当车辆 (速度为60 km/h左右) 通过自动稽查车道时的系统工作准确率不低于99.7%。

3) RFID识别率。

车辆速度约为60 km/h情况下RFID射频电子标签识别准确率不低于99.98%。

4) 数据读取查询的响应时间。

小于200 ms。

2 系统设计

2.1系统设计策略

本系统采用分布式组件方式进行架构, 将各个业务逻辑封装成组件在各级业务应用服务器上发布并提供服务;系统优先满足稽查车道中车辆的正常运行并能够及时发现异常通行车辆, 车道系统的逻辑控制及其数据处理即为整个系统的核心。

为系统业务管理范围内的每1个车辆正确安装电子标签是整个系统正常运行的基础。标签发行系统将通过离线发行、在线发行、批量发行等多种方式满足标签发行的工作需求。并在离线和批量发行后对已发行但尚未入库的数据进行判断和比对, 生成数据导入异常报告, 从而确保车辆信息与电子标签信息的完整与准确。

系统的安全控制统一部署在总控制中心, 并由总控制中心以参数的形式逐级向下发送 (总控制中心下发参数到站服务系统, 站服务系统根据总控制中心下发的参数生成新的用于车道的控制参数) 供下级系统使用;车道稽查系统获取并更新稽查参数后, 对通行车辆进行实时稽查, 并将稽查结果向站服务系统上报, 异常流水可由站服务系统向总控制中心服务系统上报, 有利于实现稽查流水的生成与处理等业务相分离——确保车道稽查系统能够独立运行, 而服务于业务管理需求的各种报表则可以在站级或总控制中心一级的系统中进行扩充和完善。

各级系统通过Remoting对象进行数据通信, 当系统之间的接口明确定义之后, 系统内部的业务逻辑变更并不会影响到其他系统的功能使用, 因此更新某个软件服务系统时可以独立更新。

车载式移动稽查系统作为车辆年票稽查的有益补充, 增加了车辆年票稽查的灵活性和机动性。

2.2系统基本原理

当安装有电子标签的车辆驶入收费站车道前的线圈A时, 微波天线被激活, 由休眠状态转为苏醒状态, 读取电子标签的ID号 (该ID号已与车辆的车牌号进行绑定) , 并将ID号传输给车道计算机;车道计算机依据该ID号在车辆信息数据库中查询, 确认该ID号所对应的车辆是否缴纳当年年票, 若已缴纳, 车道自动栏杆抬起, 车辆通过收费站的线圈B后, 栏杆落下, 完成自动识别过程。若未缴纳, 则车道自动栏杆紧闭, 如图1。

2.3系统结构

系统总体结构如图2所示。

1) 总控制中心子系统。

该子系统负责自身系统的权限管理与设置以及下级系统权限信息的下发, 实现自身系统参数的设置以及下级系统参数设置及其下发, 接受下级系统上传的业务流水数据并可实现各种业务查询、汇总和统计;可以从外界系统导入车辆初始化信息并存入本系统数据库;可以实现对下级系统的业务数据下发等。

2) 分站总控制中心子系统。

该子系统实现自身系统的权限管理和参数设置以及对车道系统的权限管理和参数设置与下发功能;实现分站业务流水数据的存储、查询、汇总和统计并生成统计报表;监控车道稽查系统中各种设备的运行状况并生成设备运行状况报告;实现总控制中心与车道稽查系统之间以及总控制中心与分站系统的数据通信功能。

3) 车道稽查子系统。

车道稽查子系统实现从分站系统接收稽查参数 (包括车辆年、次票数据表、数据设备控制权限等信息) ;该子系统能够自动识别电子标签, 与存储在车道上的年票缴交情况表进行智能比对, 快速验证车辆身份及年票缴交情况, 根据识别结果控制车道设备进行放行或者拦截。

2.4软件系统

软件系统分为总控制中心子系统、分站子系统、移动稽查模块、车道子系统等4个部分。如图3所示。

2.4.1 总控制中心各模块功能描述

1) 标签发行模块, 命名为:

TagEmit.exe。其功能为:标签发行程序实现电子标签与车辆资料的绑定功能, 是总控制中心系统向车道系统下发参数的基础, 是车道稽查系统对通行车辆进行稽查的主要依据;实现电子标签的发行、换卡、销卡以及维护, 电子标签的信息登记、复核, 电子标签信息查询统计以及数据备份与恢复。

2) 参数配置程序, 命名为:

CParameter.dll。其功能为:参数管理功能实现用户权限参数、车辆资料参数、黑名单参数、白名单参数以及各个站和车道系统运行参数等维护、调整的功能。

3) 统计分析功能, 命名为CAnalyse.dll, 其功能为:

统计分析功能支持用户自定义报表、报表打印等功能。

4) 车道监控功能, 命名为CControl.dll, 其功能为:

用户可以通过站、车道的树形图的方式指定需要监控的车道, 监控各个稽查站和车道的过车情况和运行状态, 处理异常情况和报警信息以及对通过的车辆情况进行记录、统计和查询。

5) 业务管理功能, 命名为CBusiness.dll, 其功能为:

业务管理功能主要包括参数的下发、稽查异常数据的处理等。

6) 数据服务模块, 命名为CService.dll, 其功能为:

为标签在线发行、站级数据上报、对外业务支持等提供数据服务。

7) 标签库存管理功能, 命名为CTagStock.exe, 其功能为:

标签库存管理功能提供标签出入库、盘点统计等功能。

8) 客户服务系统模块, 命名为CCustom.exe, 其功能为:

主要实现客户反映、投诉等问题的记录、跟踪处理、意见反馈等信息。

2.4.2 分站系统各模块的功能描述

1) 分站业务管理, 命名为:

SBusiness.dll, 其功能为:分站业务管理实现了参数配置、参数查询、系统维护等功能。

2) 统计分析功能, 命名为:

SAnalyse.dll, 其功能为:统计分析功能支持用户自定义报表、报表打印等功能。

3) 手持机管理功能, 命名为:

SHandManage.dll, 其功能为:提供手持机库存管理以及手持机数据的导入导出功能。

4) 数据服务功能, 命名为:

SService.dll, 其功能为:实现总控制中心与车道系统之间的数据交互, 实现手持机数据的导入导出等功能。

2.4.3 车道系统

1) 参数管理模块, 命名为:

LParameter.dll, 其功能为:该功能模块实现车道系统正常运行的各种参数的调试、配置功能。

2) 车道稽查模块, 命名为:

Lcheck.dll, 其功能为:提供对通过稽查车道的过往车辆进行身份识别、年费核查能操作, 确定车辆是否放行, 并生成稽查流水。

3) 手持机稽查模块, 命名为:

LHandCheck.dll, 其功能为:提供手持设备权限验证、对车辆进行稽查的功能。

3 结束语

该系统是利用无线传感技术、电子技术、计算机技术、通信和网络技术等高新技术设备和系统软件组成的1个先进的电子计算机管理系统技术。系统主要由车载电子标签、读写设备、数据中心3部分组成, 车载电子标签具备全球惟一标识, 不可复制、不可拆卸、可远距离快速识别的特点, 其识别速率比传统的车辆识别方法快5～10倍 (0.2 s以内) , 自动识别率达到99.95%以上。目前, 该系统已在广东省某些城市投入使用, 已缴纳年票并安装电子标签的车辆, 可快速、不停车通过收费站, 不仅能大大提高道路通行能力, 而且能够实现车辆自动识别、高效管理, 防止假牌、套牌车辆逃缴通行费, 对进一步加强路桥年票通行费征收管理工作, 改善交通环境等具有重要意义。

参考文献

[1]余峻彦.关于无线射频识别技术在智能交通管理中的应用探讨[J].中国公共安全:综合版, 2009, (1) :194-196

[2]郇鹏, 张仲义.基于射频技术的高速公路不停车收费系统[J].交通运输系统工程与信息, 2004, 4 (2) :121-124

[3]李毅, 李红波.基于RFID技术的车辆综合自动管理系统的设计研究[J].微计算机信息, 2005, 21 (10) :153-154

[4]张丽珍, 李欣.基于RFID技术的实时交通信息采集处理技术[J].交通标准化, 2007 (12) :44-47

[5]沈文超, 徐建闽.智能交通仿真系统的设计与实现[J].交通信息与安全, 2009, 1 (5) :43-47

中国自动识别产业工作总结 篇4

有关ISO/IEC18000系列标准中的第七部分，2006年已由射频工作组完成转化工作。至此，射频工作组在历经2年多时间完成了全部ISO/IEC18000系列标准的转化工作，为国标立项和标准的制定工作打下了良好的基础。目前，在ISO/IEC18000系列标准转化国标草案工作的基础上，国家标准委已批准立项，协会将参与6项国标的制定工作。

为落实“十五”计划纲要和国家科技中长期发展规划，实现“中国条码推进工程”的战略目标，将条码自动识别技术在更广域的范围得到深层次的应用。2006年启动了“中国条码推进工程”汽车专项，协会组织进行了大量的调研工作，撰写了数万字的调研报告呈交有关部门，起草了国标《汽车零部件用EAN.UCC系统编码与条码标识》。目前，汽车企业应用全球统一标识的试点工作正在积极开展中。以“汽车推进专项”为契机，继续拓展自动识别技术在广域的制造业的应用，加强与政府部门和行业主管的合作是协会发挥桥梁与纽带作用的具体体现，还将是年协会的重要工作。汽车专项的开展为开拓自动识别技术应用的新领域，承担相关技术标准的制定工作，与相关行业主管部门以及应用企业的合作，都进行了有益的探讨和尝试。

2006年是EPC、RFID技术发展的重要一年。经过20过热的炒作，人们开始密切关注国际上技术及应用的每个环节。中国自动识别技术协会继续组织“走出去，请进来”，分别到美国、日本、中国台湾等地参观考察，在北京举办的第三届中国国际EPC与RFID高层论坛，提供了解国际、借鉴经验、获得信息的交流平台。组织多种活动，广泛宣传，一年一度的.国际自动识别技术展览会及各项专题活动是协会对外宣传和推广自动识别技术的重要活动。2006年的展览会参展的自主产品多了，国际参展商多了，展览会的人气旺了，同期还举办了新产品/新技术发布会、2006国际RFID技术应用论坛，都显示出中国自动识别产业蒸蒸日上，走向成熟。2007年的展览会将在北京继续举办。

车辆颜色识别方法研究 篇5

目前, 对车辆颜色的识别主要有两种途径:对车辆整体颜色进行识别, 提取车辆感兴趣区域的颜色特征进行识别。所涉及到的机器学习理论主要有K最邻近法、人工神经网络和支持向量机。文献[1]首先通过目标分割获取车辆前景图像, 然后进行联通区域分析删除车轮、反光镜等干扰区域得到车辆颜色明显的区域。在分类阶段, 采用基于支持向量机的两层分类器成功将颜色分为黑、白、银、红、黄、绿、蓝等7种类型, 但是对黑、银、绿3种颜色的分类正确率较低。文献[2]通过在HSI的3个通道中提取车颜色每个像素的微观特性值, 定义了7种颜色的阈值范围与相互关系, 最后借助BP神经网络将颜色分为7类。文献[3]通过向量范本匹配和颜色归一化操作做预处理, 在HSI空间中采用相对误差匹配算法将颜色分为7类。

本文通过在正常光照条件下选取汽车引擎盖上方选取一块能够代表汽车颜色的区域, 研究颜色的表示方法, 提取车辆颜色特征, 使用特殊的颜色空间合并与分解, 借助支持向量机理论, 提出了一种新的汽车颜色识别的算法。本算法克服了车辆颜色识别过程中多种颜色产生混叠问题, 将车辆颜色分为黑、白、银白、红、蓝、绿、黄7种类型。实验结果表明, 本算法对车辆颜色分类的准确性和效率都有提高。

1 颜色表示

正确地表示颜色对车辆颜色的识别有非常重要的意义。通常把颜色的表示分为线性色彩空间和非线性色彩空间。

1.1 线性颜色空间

线性颜色命名系统是指能够通过制定原色, 或者通过制定颜色匹配函数实现。国际照明委员会CIE已对许多不同的系统实现了标准化。XYZ颜色空间是一种非常流行的标准。线性颜色空间允许以许多有效图形学方法进行构造, 但在三维空间中画出比在二维空间中画困难许多, 通常将XYZ空间同平面X+Y+Z=1相交并使用坐标画出结构图, 如图1所示, 并使用坐标

颜色空间通常根据实际需要发明, 所以彼此之间有很大不同。RGB颜色空间是线性颜色空间, 按正规使用单一波长原色 (R是645.16 nm, G是526.32 nm, B是444.44 nm) 。一般将显示器上所使用的磷光体作为RGB的原色, 可以把得到的颜色表示成一个立方体, 通常称为RGB立方体, 边缘代表R, G, B, 如图2所示。

1.2 非线性颜色空间

线性空间的颜色坐标可能并不是必要的编码属性, 虽然其在常用语言或者实际应用中是非常重要的颜色属性。颜色的3种属性分别为色调、饱和度和亮度。色调可以区分不同的颜色种类, 表示红色过渡到绿色过程中颜色的变化, 是颜色所属类别的反应;饱和度表示从红过渡到粉红的过程中颜色性质的改变;亮度表示从黑过渡到白的过程中颜色性质的改变。因此, 可以通过色调来确定一种颜色是否在特定红色区域内感兴趣。

非线性颜色空间可以弥补线性颜色空间坐标不符合人类对颜色的拓扑直觉。通常情况下色调的变化为“红→橙→黄→绿→青→蓝→紫→红”, 从这个变化过程也可以看到它们的局部色彩关系, 形成一个圆状。但是从这个过程可以看到在线性颜色空间坐标的最大值和最小值差别很远, 不能模拟色调。

构建非线性颜色空间是处理此问题的一个途径, 这可以通过使用一个到RGB空间的非线性变换而得到。HSI (色调、饱和度和亮度) 空间便是一个非线性颜色空间, 通过沿RGB立方体中心轴往下看即可得到, 如图3所示。

RGB到HIS的颜色空间转换方法为:假设给定一幅RGB格式图像, 每一个RGB像素和H分量为

饱和度为

亮度分量为

假定RGB值归一化为[0, 1]范围内, 色调可以用式 (2) 得到的值除以360°归一化到[0, 1]范围内, 而其他2个HIS分量已经在[0, 1]范围之内。

国际照明委员会Lab是现在最通用的均匀颜色空间[4,5]。这种模式与设备无关, 它弥补了RGB颜色模型必须依赖设备颜色特性的不足;此外, 自然界中任何色彩都可在Lab颜色空间中表达出来, 这意味着RGB所能描述的颜色信息在Lab中都能得以映射。之所以考虑Lab空间是因为该空间实质上是均匀的。在一些应用中, Lab坐标能够很好地帮助观察颜色区别。Lab中颜色坐标是通过对XYZ坐标的非线性变换得到, 即

2 颜色识别过程

本文用于车辆颜色识别的样本来自于室外高清监控视频中, 图片均为在正常光照下获得, 并且颜色种类在人眼可识别的范围内, 排除由于光照原因造成颜色畸变的样本。车辆颜色识别颜色特征提取流程为:首先, 在车辆引擎盖上方按照一定比例选取车脸区域作为车辆颜色特征提取识别区域, 如图4所示。然后将特征区域由RGB空间分别转换到HSI和Lab颜色空间, 在各个颜色空间中分别对每一个颜色分量取平均值, 最终结果如表1所示, 然后提取特征值进行分类, 分类过程步骤如下:

1) 对于蓝色, 样本空间的分解和分类都在Lab中进行。分类难点是如果按照常规方法, 在Lab空间中根据b的值进行蓝色与其他颜色的分类识别, 后果是可能把某些白、银白和黑色识别为蓝色。本文通过两种途径来克服这个问题:第一, 当b分量小于某个阈值b1时, 在Lab空间中把颜色分为两个部分———蓝色和少量的可能被误识别为蓝色的白、银白和黑色组成的混合色;第二, 在HSI空间中利用支持向量机对蓝色和混合色进行分类, 从而识别出蓝色。

2) 在表1中可以得在Lab空间中, 当a小于某个阈值a1时, 在Lab空间中构建分类器可以识别出所有的绿色, 但是出现的问题是可能把某些黄色误识为绿色。经过大量的实验数据分析表明, 此时错误分类的黄色, 可以通过联合HSI和Lab空间, 进行分类识别。因此本文采取的方法是此时构建两个分类器用于将绿色完全识别出来, 同时可以识别出一部分黄色。

3) 在Lab空间中构建分类器, 可以识别出红色。

4) 联合HSI和Lab空间, 构建分类器是被出黄色。

5) 在联合HSI空间构建分类器中进行黑色、白色和银白色的分类识别。

3 实验结果与分析

为了证明上述方法的有效性, 实验中在天网场景中的正常光照条件下分别采集各个样本50张, 用支持向量机方法训练7个分类器, 检测结果如表2所示, 本文方法与文献[6]的方法相比较, 对这7种颜色的总体正确率有所提高, 原因有以下几点:首先与文献相比, 本文中仅仅对7种车辆颜色进行识别, 分类车辆颜色数目较少;其次, 本文通过构建特殊分类器, 例如对蓝色和绿色的分类, 是在大量实验基础上进行特殊的约束条件与颜色类型合并, 利用多个分类器进行识别, 在准确识别出蓝色和绿色的同时也提升了对其他几种颜色的识别率, 最后, 本文用于车辆颜色分类的特征, 根据不同颜色种类进行适当调整, 使用能够稳定性表示分类的具有代表性的特征, 对分类准确率的增加具有一定的影响。由于银白色和黑色在两个空间中都存在重叠部分, 这些重叠区域不能用类似于识别蓝色和绿色的方法区分, 因此对黑色和银白色的错误率较高。对于黑色和银白色的区分, 下一步结合其他智能算法进行识别。

4 结论

光照环境和样本分布对车辆颜色的准确识别产生极大影响。本文通过对颜色表示方法的研究, 在正常室外光照条件下提取具有代表性的车辆颜色样本特征, 通过特殊的颜色空间合并与分解, 克服了光照和样本分布不均对车辆颜色识别结果的影响, 成功实现了利用支持向量机对7种车辆颜色的分类, 实验结果表明, 本算法对车辆颜色识别的效率和准确率都有所提高。

摘要：车辆颜色识别对车辆的识别与搜索、完善和增强智能交通系统功能具有重要意义。通过对颜色表示方法的深入研究, 使用特殊的颜色空间合并与分解方法, 提出了在室外正常光照条件下基于支持向量机的车辆颜色识别的方法。该方法克服了车辆颜色识别过程中多种颜色产生的混叠问题, 将车辆颜色分为7个种类, 解决了样本分布不均及光照对车辆颜色的影响, 提高了车辆颜色识别的准确率和效率。

关键词：颜色表示,支持向量机,车辆颜色识别

参考文献

[1]WU Y T, KAO J H, YU M.A vehicle color classification method for video surveillance system concerning model-based background subtraction[C]//Proc.Pacific Rim Conference on Multimedia.Shanghai:[s.n.], 2010:369-380.

[2]FANG Jing, YUE Hengjun, LI Xiuzhi.Color identifying of vehicles based on color container and BP network[C]//Proc.IEEE Conference on Business Management and Electronic Information.[S.l.]:IEEE Press, 2011:226-229.

[3]LI X Z, ZHANG G M, JING F.Vehicle color recognition using vector matching of template[C]//Proc.2010 Third International Symposium on Conference on Electronic Commerce and Security (ISECS) .Guangzhou:[s.n.], 2010:189-193.

[4]胡威捷, 杨顺青, 朱正芳.现代颜色技术原理及应用[M].北京:北京理工大学出版社, 2007.

[5]李贵俊, 刘正熙, 游志胜, 等.一种基于色差和彩色归一化的车身颜色识别算[J].计算机应用, 2004, 24 (9) :47-49.

改进的光流法用于车辆识别与跟踪 篇6

图像序列中检测运动目标, 主要有图像差分法 (帧间差分和背景差分) 、光流场的方法、统计模型的方法、运动能量的方法、小波变换的方法、神经网络的方法[1]等。运动可以分为四种模式:摄像机和目标都静止, 摄像机静止但目标运动, 摄像机运动且目标也运动, 摄像机运动但目标静止。其中, 摄像机静止物体运动是一类非常重要的场景分析, 包括运动目标检测、目标运动特性估计;主要用于预警、监视、统计、目标跟踪与估计。本文主要研究摄像机静止目标运动的情况。通过基于特征点改进的光流算法实现运动目标的检测估计与跟踪。

1 光流算法原理

光流是指图像中模式运动的速度, 它是一种二维瞬时速度场, 其二维速度矢量是可见的三维速度矢量在成像平面上的投影。给图像中的每一个像素点赋予一个速度矢量, 这就形成了一个图像运动场。在运动的一个特定时刻, 图像上的点与三维物体上的点一一对应, 这种对应关系可由投影关系得到。根据各个像素点的速度矢量特征, 可以对图像进行动态分析。如果图像中没有运动目标, 则光流矢量在整个图像区域是连续变化的, 当物体和图像背景存在相对运动时, 运动物体所形成的速度矢量其大小和方向必然和邻域背景速度矢量不同, 从而检测出运动物体的位置和形状, 对于背景与目标均运动的情形, 可以利用光流很好地区分前进的目标和后退的背景, 得到它们各自的三维运动信息。光流计算基于物体移动的光学特性的两个假设[2]:运动物体的灰度在很短的间隔时间内保持不变;给定邻域内的速度向量场变化是缓慢的。对在同一个运动目标上, 可以认为它有刚体特性, 同一物体每个像素任意时刻其运动速度的大小和方向是一致的, 根据这个特性可以检测出目标的形状。光流最初由Horn和Schunck提出[5], 假定时刻t处于图像坐标 (x, y) 位置的点由于物体的运动在t+dt时刻出现在图像坐标的 (x+dx, y+dy) , 在t时刻该像素的灰度值为I (x, y, t) , 在t+dt时刻的灰度值为I (x+dx, y+dy, t+dt) , dt很小, 根据假设认为此点在移动过程中像素灰度值不变。即I (x+dx, y+dy, t+dt) =I (x, y, t) 左边用泰勒公式展开可得:其中是ydttdtxytdtdtdt (x, y) 出该像素点在t时刻沿横纵坐标的移动速度, 所有像素的速度矢量 (u, v) 构成了运动物体的光流场, 令得光流方程v) +It=0, 光流场U= (u, v) T有两个变量, 约束方程只有一个, 只能求出光流沿梯度方向的值, 加入不同的附加约束条件就构成了不同的光流算法。Lucas-Kanade非迭代光流算法计算两帧在时间t到dt之间每个像素点位置的移动, 光流估计误差为 (x, y) ∑∈RW 2 (x) (Ixu+Iyv+It) 2, W 2 (x) 为窗口权重函数, 突出窗口中心点的坐标, 可有高斯函数得到, 由最小二乘解得U= (ATW 2A) -1ATW 2B, 其中A=[I (X1) , ..., I (Xn) ]T, W=diag[W (X1) , .., W (Xn) ], B=-[It (X1) , .., It (Xn) ]T[3]

其中光流的可靠值由矩阵的特征值来估计, 若特征值都大于给定阈值, 这计算的光流是可靠的。

2 基于帧间差分与特征点的光流

本文获取的图像序列是背景静止目标运动的图像, 首先利用连续帧间差方法发现运动目标和定位区域, 由帧间差分阈值法获取差值图像, 然后计算差值图像中特征点处的光流。针对差值图像中不为0特征点出光流场分布比计算整个运动物体的光流畅要可靠得多, 它们对应于梯度较大的点, 使得计算出的光流长分布更为可靠和精确, 同时减少计算量 (计算的是局部特征点光流) 。而且对已经检测到的目标存在的区域再运用光流法进行运动估计, 得到目标的运动信息, 可以缩小运动目标检测时的感兴趣检测区域, 减少运动目标的检测时间。文中选取的特征点是图像角点, 角点[4]是灰度变化突出边缘曲率较大的点, 能反映物体的形状信息, 角点信息是目标特征的不变性表述, 是特征光流跟踪的基础。本文对变化程度和运动区域变化比较接近的地方采用连通和聚类的方法, 能够较好地提取运动区域, 计算出特征点光流后利用聚类来实现目标与背景的分离, 通过目标特征点在相邻两帧或多帧间的匹配来实现目标的跟踪。梯度阈值的选取:在复杂场景运动目标驾车中, 由于场景和运动目标的灰度梯度可能相差不大, 使得运动目标轮廓处于模糊状态, 计算的轮廓处光流不准确, 再次引入梯度的约束条件, 设定灰度梯度阈值, 在灰度梯度大于阈值的像素点计算光流。

本文算法流程如图1。

其中帧间差分原理如图2。

原始序列某帧图像如图3, 由帧间差分得到的运动目标二值图像如图4。

在光流计算部分, 寻找前一帧的特征点在后一帧中的匹配点位置坐标。为了得到光流矢量图, 采用匹配特征点间划线的方法, 为便于直观检测光流及克服某些特征点运动位移比较小的缺点, 用两段颜色不一的线段来代替箭头, 其中颜色交界处点的坐标取两匹配点的中点。

图5为初始计算的光流, 由图可知, 有些光流矢量箭头比较短, 不能很好的表示特征点位移的大小, 用上述改动后的方法能够很好地标注出相对移动比较小的光流, 如图6所示。对于由于外部环境的干扰如阴影、风动、树叶动等[3]造成的背景也有光流矢量的干扰, 通过光流矢量的大小和方向来判断, 根据经验设定阈值对于光流矢量小于一定长度或不在某一方向的不标注, 可以得到比较好的光流矢量。

3 实验结果

图7为在设定的感兴趣区域内目标车辆的跟踪与标号 (可用于车流量检测) , 图8为利用特征点匹配坐标的移动算出运动车辆的相对速度。

4 结论

本文基于opencv的光流算法能够很好地提取运动目标, 实现目标跟踪定位, 在差分及梯度阈值处理后, 再用基于特征的方法不断地对目标主要特征进行定位和跟踪, 对大目标的运动和亮度变化具有鲁棒性, 计算量相对较小, 对大车辆能够实时跟踪更新, 相邻目标能够很好分割开来。它也有一些不足, 光流通有些稀疏, 特征提取和精确匹配也存在难度, 需要近一步改进。

摘要：利用帧间差分获取运动区域, 采用梯度阈值获取二值图像, 再提取运动区域目标特征点的光流, 对光流矢量采取分段标注, 设置感兴趣区域。利用光流特性实现目标的识别, 定位与跟踪, 对于运动目标的跟踪具有实时性和鲁棒性, 能够用于车流量统计, 对车辆辅助行驶研究起到一定的铺垫作用, 实验结果证明该算法的有效性和实用性。

关键词：差分,光流矢量,目标跟踪,辅助驾驶

参考文献

[1]杨国亮, 王志良, 牟世堂.一种改进的光流算法.人工智能及识别技术, 2006;32 (15) :187—189

[2]段先华.基于光流和水平集模型的运动目标自动跟踪方法.江苏科技大学学报, 2007;21 (5) :59—63

[3]李宏, 杨廷梧, 任朴舟.基于光流场技术的复杂背景下的运动目标跟踪.光电工程, 2006;33 (10) :13—17

[4]万文静.基于光流的图像目标跟踪方法研究.西安:西北工业大学, 2006

自动车辆识别 篇7

随着我国经济的迅速发展, 汽车数量的快速增长引发了汽车的管理问题, 将射频识别 (RFID) 技术应用在此领域便可有效地解决这一问题。基于RFID的远距离车辆出入管理系统处于市场前沿, 技术含量高, 其通过对车辆进行远距离信息采集处理, 实现对出入车辆的快速识别和管理[1]。

1 车辆出入管理系统组成及原理

本设计的车辆出入管理系统是以某小区停车场为案例, 大门宽度为5m, 属于单通道进出型, 其系统组成如图1所示, 由车辆门禁控制器、读卡器、道闸、地感线圈、摄像机以及管理计算机、管理软件等组成。

系统采用超高频射频识别技术, 给小区内每辆车配备一张已在管理计算机中注册好的有源感应卡, 该卡会不断发射信号。当位于入口的地感线圈检测到有车辆进出时, 会通知附近远距离阅读器接收感应卡的信号, 并进行判断。若合法, 控制器上的继电器动作, 驱动道闸开放, 放行车辆;若不合法, 说明是临时用户, 由语音提示器提示车主取临时卡, 取完临时卡后, 开启闸道放行, 并开始计时, 否则不予放行。当车辆离开小区时, 同样进行检测, 若为有效的有源RFID用户 (小区用户) , 则快速自动放行;若为临时用户, 则提醒交卡, 并计算收费。在门卫处设置一台计算机, 用于实时监控车辆出入记录, 包括车辆牌照、司机姓名、卡内费用以及照片。

本系统读卡距离可达几十米, 如果为固定用户, 无须车主靠近刷卡或在制定区域等待通过, 能够实现远距离自动识别, 避免在某些恶劣条件下车主还要下车窗靠近阅读器才能刷卡通行等问题, 并在车辆出入高峰时段有效缓解车辆过多导致的排队刷卡堵塞问题, 真正实现了远距离自动控制, 提高了车辆的出入效率。

2 射频识别系统

2.1 射频识别系统的组成及工作流程

射频识别系统由射频标签、阅读器和计算机数据管理系统组成, 如图2所示。

在射频识别系统中承载着数据信息的载体是射频标签, 由标签天线和标签芯片组成了射频标签。每个射频标签都有唯一与其对应的电子编码, 附着在目标物体对象上。从概念上讲, 射频识别与条形码扫描比较相似, 对于条形码技术而言, 它是将已编码的条形码附着于目标物上, 并使用阅读器通过光信号将条形码信息传输出去;而RFID技术则是利用射频信号将物品的相关信息由射频标签传送至阅读器[2]。

在所有的射频识别应用系统中, 其工作流程是大体一致的, 简单地总结为发射信号—接收信号—处理信号—发送指令—执行指令[3]。

2.2 射频频段的选择

RFID产品的工作频率有低频、高频和超高频3种, 不同频段的RFID产品会有不同的特性。其中感应器有无源和有源两种方式, 有源感应器相较于无源感应器具有感应频率高、灵敏度高的优点, 因在小区车辆管理系统中感应器需要感应的距离长, 故选用有源感应器以增加感应强度。

超高频感应器的工作频率按不同地区划分定义在868MHz~956MHz之间, 波长大概为30cm左右。本停车场管理系统中, 采用有源感应器效果更佳, 具有很高的传输速率, 短时间内即可读取大量电子标签的信息。

3 数据库系统设计

Microsoft SQL Server 2000中文版 (简称SQL Server 2000或称为SQL Server) 是新一代大型关系数据库管理系统 (DBMS) [4], 在各领域都有着广泛的应用, 它所具备的强大功能可以方便、快捷地管理数据信息, 还可对数据信息的完整性及安全性做出相当可靠的技术保障。

3.1 数据概念模型设计

从现实世界中的客观存在到计算机中的数字代码, 中间必须有一个过渡, 这个过渡称为数据概念模型。该过程主要有以下几个步骤:首先把现实世界抽象为信息世界, 即把现实世界中的客观存在抽象成由各种信息架构起来的一个信息结构, 这个信息结构与计算机世界的关系是有联系但不依赖[5], 然后再把信息世界转换为计算机世界。信息结构是一种概念级的模型, 这样设计者就可以很容易地将其表达出来, 而且能够使使用者透彻地理解。其抽象过程流程见图3。

3.2 数据逻辑模型设计

实体-联系图是概念结构设计最常使用的表现形式, 也就是通常说的E-R图, 它是用来描述某一组织 (单位) 的实体、属性和联系的方法。实体是指客观存在并可相互区分的事物;属性是指实体所具有的每一个特性;实体内部的联系是指组成实体的各属性之间的联系。

本系统的实体-联系图如图4所示, 其给出了一个说明性的结构和能够理解与识别系统要求的框架。

我们已经用E-R图描述了车辆出入管理系统中实体集与实体集间的联系, 其目的就是以E-R图为基础, 设计出关系型的数据库。

4 应用程序设计

4.1 应用程序框架设计

应用程序包括以下模块: (1) 车辆用户基本信息管理; (2) 车辆管理; (3) 射频标签管理。

车辆出入管理系统的主要功能为: (1) 车辆信息的增减及修改; (2) 用户信息的增减、修改及查询; (3) 射频标签信息的增减、修改、查询及挂失; (4) 出入车辆的收费管理等。

4.2 应用程序中的函数模块设计

该车辆管理系统中自定义了3个函数:连接数据库函数、执行SQL语句函数和断开数据库函数。

(1) DB_Connect () 函数是一个连接函数, 可应用在此模块中, 其代码如下:

(2) 使用SQLExt () 函数来实现执行SQL数据库系统操作, 其代码如下:

(3) 使用Disconnect () 函数来实现断开数据库的连接, 其代码如下:

5 结语

本系统采用非接触式的远距离无线射频技术 (RFID) , 通过信息采集对合法车辆进行识别核对, 采用智能化技术对车辆进行有效管理, 满足管理需求, 已在某小区停车场测试、运行, 状态良好。虽然在射频识别的容错率方面存在着一定的问题, 但采用双机交叉识别可有效降低错识、误识的概率。

摘要：介绍了基于射频识别技术的小区车辆管理系统。首先分析了整个系统的构成和工作原理, 并对射频识别技术进行了理论研究;后对射频识别系统中的数据库系统和应用程序进行了设计, 其运行良好。

关键词：射频识别,门禁控制,车辆管理

参考文献

[1]林晸.不停车车辆出入管理系统设计与实现[J].电子世界, 2012 (3) :109-111.

[2]史新宏, 蔡伯根, 穆建成.智能交通系统的发展[J].北方交通大学学报, 2002, 26 (1) :29-34.

[3]Robert A Kleist, Theodore A Chapman, David A Sakai.RFID贴标技术:智能贴标在产品供应链中的概念和应用[M].深圳市远望谷信息技术股份有限公司, 译.北京:机械工业出版社, 2007.

[4]李江全, 汤智辉, 朱东芹.Visual Basic数据采集与串口通信测控应用实战[M].北京:人民邮电出版社, 2010.

自动车辆识别 篇8

近年来智能交通［1］迅速发展,车辆牌照识别系统作为智能交通的重要组成部分也得到了迅速发展。由于车辆牌照号码是汽车唯一的身份标识,已经被广泛地应用在汽车检测、汽车追踪定位、停车场管理、路费缴纳等领域。车辆牌照字符识别［2］系统已成为国内外研究的热点之一。

从1988年开始,国内外对车辆牌照识别技术就进行了广泛的研究。通常车辆牌照识别主要包含车辆图像获得、车辆牌照定位、车辆牌照字符分割、车辆牌照字符识别四部份。目前车辆图像获得主要使用CMOS来获得。车辆牌照定位算法主要分为基于灰度图像［3］和基于彩色图像［4］的算法两大类。车辆牌照字符分割又有基于聚类分析［4］的、利用Hough变换［6］的、先验知识的和基于数字形态学的车辆牌照字符分割算法; 而字符识别有基于字符特征和基于BP神经网络［7］的字符识别方法。这些方法又都各有优缺点。

目前车辆牌照自动识别系统大都是基于PC或者工控机的传统计算机系统。这样的系统成本高,体积庞大。本文针对便携式的嵌入式设备提出了一种车辆拍照自动识别方案。该方案优化了车牌定位、字符分割的算法,并且改进了轮廓和统计特征的算法,使其能够在嵌入式设备上使用。

1图像采集与预处理

1. 1系统硬件平台的搭建

S3C2416是32 /16bitRISC指令集、低成本、低功耗、高性能的微处理器。S3C2416提供了一个低成本,高性能的嵌入式解决方案。

系统结构框图如图1所示。

1. 2 CMOS图像传感器模块

系统采集到的图像质量的好坏将直接影响系统的识别准确率。在本文设计的系统中,图像采集模块由红外LED补光灯、 COMS图像传感器、广角镜头、 光敏电阻、控制电路等组成。示意如图2所示。系统通过光敏电阻检测周围环境光照强度并适时调节红外LED补光灯。

1. 3图像预处理

在摄像头获取图像的过程中,受多种原因的影响,图像较原来的质量都会降低。同样,在车辆牌照识别系统中,车辆图像获取时,图像质量不可避免的也会降低,造成对车辆拍照信息提取的干扰。所以本文要对图像进行预处理。图像的预处理,就是对图像的灰度化、二值化［8］处理。

摄像头采集到的图像是采用YUV色彩空间存储的,图像空间中的Y分量就是图像的亮度分量,提取出图像中的Y分量组成新的图像就完成了对图像的灰度化处理,就可以生成图像的灰度图了。然后用大津算法对灰度图进行二值化处理,二值化处理后整幅图像内只有黑、白两种颜色的图像。在黑白之间不存在其他灰度层次的变化。二值化后的图像将影响后面车牌定位和字符分割,所以二值化处理非常重要。

图像预处理前后图片对比如图3所示。

二值化处理后,用1代表图像的白色,0代表黑色进行存储,后续的处理都将基于二值化处理后存储的数据。

2车辆图像中车牌字符的提取

2. 1车辆牌照定位

车辆牌照自身的特征已经在众多定位方法中被充分利用, 本系统不单利用了车辆牌照自身的特点还结合了车辆牌照与周围环境的联系。通过观察发现车辆牌照位置之下的部分比车辆牌照位置之上的部分干扰要小的多。这主要是因为车辆牌照位置下面大部分是特性比较单一的路面,而车辆牌照的上方却包含了很多干扰的因素,如车灯、中网、玻璃等。综合考虑这些因素,本系统采用对经过二值化处理后的车辆牌照图像进行由下至上的搜索方法,因为车辆牌照处的黑白跳变次数较其他地方多且有规律。

搜索时由下往上逐行计算每行的黑白跳变次数,当某行的跳变次数大于一定的阈值时就记下这一行,记作行位置Y1,此时假定Y1是车牌的下边界,然后继续往上搜索,当找到某一行的黑白跳变次数小于一定阈值时就记下这一行记作位置Y2,此时就假定Y2是车牌的上边界。若Y1与Y2的距离小于或大于一个高度时就排除此Y1、Y2继续向上搜索,在图片分辨率固定的情况下车辆牌照占的像素个数有一定的范围,图片分辨率为320 × 240时一般在10行左右,如果在这个范围内就确定其为车辆牌照水平方向的坐标上下值。

在确定了车辆牌照水平位置的上下坐标后,就要对已经确定水平位置的车辆牌照进行垂直方向的定位。在进行垂直方向的定位时,本文采用的方法是用一个与车辆牌照宽度和高度相同的矩形滑块从左到右进行滑动遍历搜索。找到滑块内某个位置1个数最多的位置,记录下此时滑块的列位置,左边为X1右边为X2,X1、X2为车辆牌照坐标的列边界。经过上述过程后就完成了对车辆牌照的定位。定位后的牌照如图4所示。

2. 2车辆牌照字符分割

我国现行的车辆牌照都具有统一的格式。车辆牌照有7个字符和一个点组成。车辆牌照的尺寸和牌照上的字符大小、间距都具有统一的格式。

因为车辆牌照是一串字符,直接识别一串字符难度很大,所以要对车辆牌照字符进行分割。分割后对每个字符进行识别。 分割后的字符区域必须包含完整的单个字符。在切分时,区域要尽可能的小并且准确。如果切分时稍微偏移一点就会对后面的识别造成很大的困难。

在嵌入式系统中资源是有限的,在众多的字符分割算法中投影法是最简单有效的一种算法,对资源的消耗最小,所以本文选用了分隔法。就是将车辆牌照看成是一个平面,往垂直方向投影。这样有字符的地方投影值就高,没字符的地方投影值就低。即沿水平方向计算每列字符像素1的个数。这样,在水平方向上,就形成了一个个的波峰波谷,波谷的位置就是两个字符间隔的位置,在此处对字符进行分割。

但是在实际测试时,会出现很多原因影响到图像的质量从而影响字符的分割,比如车辆牌照受到了污损、光照条件不好等都可能造成车辆牌照字符的模糊。因此,本系统在使用投影法时做了改进。经分析,在理想情况下,车辆上的字符除了汉字外,每个字符的像素都会构成一个独立的连通。这个连通的范围就是包含字符的最小范围。这个最小范围就形成了一个类。 由于汉字的特性,对汉字进行聚类分析会形成多个连通域。通过比较已经得到的连通域大小,就可以换算出第一个字符的连通域范围。这样就引入了聚类分析的思想很好地解决了干扰的问题。车辆牌照分割后的图片如图5所示。

3算法分析

车牌字符分割后就是一个个的小图片,将这些小图片上的字符识别出组合在一起就形成了车牌。模板匹配是字符识别中最具代表性的算法之一。但是传统的模板匹配算法在车牌字符识别中的效果并不是很理想。为此,本文提出了一种基于模板匹配的改进算法,改进后的算法具有需求资源少,识别速度快的特点。本文提出的算法对汉字、英文字母和数字分别建立了模板库。在对英文和数字字符进行处理时,将相同颜色的像素进行了合并处理。在对汉字进行识别时,传统的识别方法是仅对笔划数目进行匹配,但是这种方法对笔划数目一样的汉字就不能很好识别出来。本文提出的算法不但统计笔划数目,还引入了笔划位置、顺序相结合的识别方法。

3. 1建立字符识别模板库

因为车辆牌照由汉字、英文字母和数字组成。利用对车牌信息的先验知识,可以对车牌字符的汉字、英文字母和数字分开识别,以降低字符匹配的时间。所以本文对汉字建立了一个模板识别库,对英文字母和数字建立了一个模板识别库。

首先建立英文字母和数字的模板库。26个英文字母加上10个数字,一共有36类样本空间,每类样本空间取100个样本进行处理,把样本特征值存为模板库。这100个样本包含字符左斜、右斜、尺寸大、 尺寸小等不同的形态,这些样本图片的来源都是在车库实地拍摄后提去的图片,图片大小统一为320 × 240的分辨率。并且这些样本都统一为40 × 60的像素点阵。再把每个样本分成20 × 30的小格子。以字母A为例,如图6所示。

如果顺着图6中的线条来分析字符,点为白色记为1,点为黑色记为0,如果有连续多个颜色相同的点则记为一个点,那么横向可以得的: 0,010,010,01010,01010,01010,01010,01010, 01010,01010,01010,01010,010,010,01010,01010,01010, 01010,01010,0。竖向可以得到: 0,0,010,010,010,010,010, 01010,01010,01010,01010,01010,01010,010,010,010,010, 010,0,0。然后再统计下字符每行和每列白点的个数,存储起来作为模板库中的一个样本。再选择字符样本时,会用实拍的各种形态的A提取出特征存入模板库。对其他字符也采取相同方法存入模板库,共同构成数字和英文字母的识别模板库。

然后建立汉字的识别模板库。因为车辆牌照上的汉字只有全国各省市、直辖市的简称共34个。所以汉字的识别模板库有34类样本空间,每类样本空间也是取100个样本,包含左斜、右斜、字体大、字体小等不同的形态。从结构特征上分析,汉字是由基本的笔划结构组成的。通过对一个汉字的笔划组成和笔划顺序的分析就可以区别出一个汉字。所以汉字模板库的样本空间就存储汉字的笔划组成和笔划顺序。通过样本点阵分析,可以提取出汉字的横( —) 、竖( 丨) 、撇( 丿) 、捺( 乁) 四种基本的笔划。其他的汉字笔划和可以由这四种基本的笔划组合成,这样对于样本只识别这四种笔划就可以了,其他复杂笔划结构识别时分开识别,比如笔划折( 乛) 就识别为一个横和一个短撇。 一个笔划在点阵中可以用起点坐标( X1,Y1) 和终点坐标( X2, Y2) 两个坐标来表示。设M12表示一个笔划坐标段。

用U表示一个汉字的所有的笔划坐标段的集合。

汉字识别模板库就是记录下汉字的笔划坐标段组成和笔划的位置。以沪为例,如图7所示。

对于样本沪,如图7所示有2个横、1个竖、2个撇、3个捺组成。记录下汉字笔划统计特征后在记录汉字的轮廓特征。按照从左往右,从上往下的顺序遍历各个笔划的位置。 左边为2个捺和1个撇,横坐标起始位置大概相同,竖坐标为2个捺在上面,1个撇在下面。再往右为1个撇,继续往右为1个捺和2个横,捺在上面,横在下面,最右面为1个竖。 那么沪字的笔划顺序就为: 捺( 乁) 、捺( 乁) 、撇( 丿) 、撇( 丿) 、横( —) 、横( —) 、竖( 丨) 、横( —) 。 设Q为笔顺的集合。

式3中N为汉字笔划的数目。Q中存放的笔划顺序就为汉字笔划的顺序,。模板库里就包含不同形态的样本沪的上述信息。对其他汉字也提取相同的特征组成汉字识别模板库。

3. 2字符预处理

因为在照片采集过程中,采集到的照片有大有小,并且车牌的颜色也有不同。字符分割后每个字符占据的像素点阵可能和模板里的样本占据的像素点阵不一致。所以要对分割后的字符进行归一化预处理。把每个待识别的字符都线性放大或缩小为40 × 60的像素点阵。在二值化后,车牌可能会黑底白字也可能为白底黑字,在这里将归一化处理为黑底白字。

3. 3字符识别

对于字母和数字进行识别时,对待识别的字符进行特征处理,处理方法和构建识别模板时的方法一样。然后在模板库中进行匹配,匹配时把每行每列的特征作为主要匹配特征,然后再用每行和每列的白点的个数作为辅助特征用来区分行和列特征相同的字符,比如D和O。最后找出匹配度最高的样本就为识别出的字符。

对于汉字的识别就是对笔划结构的组合和顺序的匹配。先把待识别的汉字进行笔划数目、位置、顺序进行提取,然后在模板库中查找和待识别汉字笔划数统计特征一样的样本,然后对笔划的顺序进行匹配。匹配度最高的样本就为识别出的汉字。

4系统实现与验证

4. 1针对S3C2416平台的系统移植

系统移植包含三大部分即Bootloader移植、系统内核移植和根文件系统构建。本文Bootloader选用UBOOT,系统内核选用Linux内核,文件系统使用yaffs文件系统。

本系统要对UBOOT针对S3C2416进行裁剪,UBOOT能够运行后才裁剪Linux内核,然后编写摄像头等外围设备的驱动, 再构建yaffs文件系统,编写应用程序。经实验测试,该系统能够在S3C2416上稳定运行。

4. 2测试内容与方法

为了验证本文提出的系统的性能,分别从牌照定位成功率、 牌照识别成功率以及光照影响、牌照倾斜、牌照遮挡等方面对系统进行测试。

4. 3牌照定位和识别成功率测试

分别将文献[9]和文献[10]提出的算法移植到本文提出的嵌入式硬件平台上,与本文提出的系统进行对比测试。文献[9]提出了一种利用车牌字符集特征来优化字符骨骼处理、改进骨骼变长编码的方法［9］。文献[10]提出一种K - L变换和最小二乘支持向量机相结合的车牌字符识别方法［10］。牌照定位成功率测试结果如表1所示。

由表1可以看出本文提出的算法具有很高的定位成功率。 相比于文献[9]和文献[10]提出的算法具有更高的成功率。

整牌识别率测试结果如表2所示。

通过表2的对比试验可以看出本系统在牌照识别成功率上高于文献[9]和文献[10]提出的算法。

4. 4光照影响测试

环境亮度的变化对牌照成相具有很大的影响,本文选用了100勒克司度的弱光环境和1000勒克司度的强光环境对本文提出的系统分别进行了光照影响测试实验。100勒克司度的弱光环境实验结果如表3所示。1000勒克司度的强光环境实验结果如表4所示。

通过表3可以看出本文提出的系统在100勒克司度的弱光环境下仍然具有很高的成功识别率。

表4反映出本文提出的系统在强光环境下也具有很高的成功识别率。

通过表3和表4可以看出本系统不论是在弱光环境还是在强光环境下都具有很好的表现。识别成功率都达到了商业化产品级的要求。

4. 5牌照倾斜测试

在实际车牌识别中,拍到的车牌不可能全为正面的牌照。所以系统对倾斜牌照的识别效果非常重要。牌照倾斜测试结果如表5所示。

4. 6牌照部分遮挡测试

在实际车牌识别中,经常会出现车牌被部分遮挡。牌照部分遮挡测试结果如表6所示。

4. 7稳定性测试

为了测试系统的稳定性,本系统被安装在了室外停车场,连续工作两周的时间。在这两周的时间里本系统工作稳定,没有出过死机等问题。可以看出本系统具有高可靠性。

4. 8算法比较测试

为了测试性能,又用200组样本用本文提出的算法与文献[9]和文献[10]提出的算法在本文提出的硬件平台上做了对比。对比结果见表7所示。

通过表5说明本文算法与目前常用的车牌识别算法( 参考文献[9]、参考文献[10]) 相比缩短了车牌识别时间,在嵌入式等资源有限的硬件平台上有更好的表现。

5结语

本文基于S3C2416处理器实现了嵌入式系统下的车辆牌照识别系统。相对于传统的车辆牌照识别系统,本系统降低了成本,减小了体积。实现了车辆牌照识别系统的小型化,低功耗化和低成本化,因此以嵌入式为平台的车辆牌照自动识别系统将是未来车辆牌照自动识别系统发展趋势。

摘要：嵌入式系统下的车辆牌照自动识别是图像识别的难点。针对便携式设备提出一种在嵌入式系统下的车辆牌照自动识别方案。本方案结合并优化了字符模板匹配和字符的轮廓特征和结构上的统计特征算法对字符进行有效地识别。此方案的设计能大幅度降低车辆牌照自动识别系统的成本。实验证明这种识别方案在嵌入式系统下具有很好的识别性能。

关键词：嵌入式系统,车辆牌照识别,字符识别

参考文献

[1]Zhenlin Wei,Peng Zhao,Shulin Ai.Efficiency Evaluation of Beijing Intelligent Traffic Management System Based on super-DEA[J].Journal of Transportation Systems Engineering and Information Technology,2012,12(3):19-23.

[2]李永霞,王亚辉,牛瑞燕,等.车牌尾号自动识别系统[J].计算机应用,2013(S1):227-229,264.

[3]Yang Xing,Huang Chaochao,Qin Min.Research on Acquiring Binarized Vertical Edge Image for Texture-Based Adapting License Plate Location[J].International Journal of Systems and Control,2008,3:192-198.

[4]Yingjun Wu,Shouxun Liu,Xuan Wang.License plate location method based on texture and color[C]//Software Engineering and Service Science(ICSESS),2013 4th IEEE International Conference on.IEEE,2013:361-364.

[5]Peter Trebuňa,Jana Halcnova.Mathematical Tools of Cluster Analysis[J].Applied Mathematics,2013,4(5):814-816.

[6]Rozhentsov A A,Morozov K V,Baev A A.Modified generalized Hough transform for 3D image processing with unknown rotation and scaling parameters[J].Optoelectronics,Instrumentation and Data Processing,2013,49(2):131-141.

[7]Longqin Xu,Shuangyin Liu.Study of short-term water quality prediction model based on wavelet neural network[J].Mathematical and Computer Modelling,2013,58(3):807-813.

[8]Bilal Bataineh,Siti Norul Huda Sheikh Abdullah,Khairuddin Omar.An adaptive local binarization method for document images based on a novel thresholding method and dynamic windows[J].Pattern Recognition Letters,2011,32(14):1805-1813.

[9]平源,李慧娜.快速精确识别车牌字符的方法[J].计算机工程与设计,2008,29(9):2410-2412.

深度图像处理在车辆识别中的应用 篇9

在复杂环境中,由于背景光照、阴影的影响,传统相机采集的彩色图像景物灰度差较小以及噪声的存在,难以准确检测到目标对象边缘,造成图形处理识别计算量大,识别速度慢等问题。随着微软的深度图像采集设备Kinect的出现,图像识别技术可以有效利用深度图像信息和彩色图像信息的各自优势从而提高图像中目标识别效率。本文所介绍的内容便是通过Kinect设备采集车辆深度图像信息,根据先验知识提取深度图像感兴趣区域并映射到彩色图像中达到快速分割目标车辆目的,从而提高软件对图像中车辆快速识别能力。

1深度相机Kinect简介

深度相机Kinect 2.0如图1所示是微软公司2014年10月发布的一款低成本的图像信息采集设备。它可以每秒钟获取30帧512*424的11位深度信息和1920*1080的8位彩色图像信息。其深度探测范围0m到8m,有效范围0.5m到5m,深度相机和彩色相机的视角范围都是纵向角度60°,横向70°。

根据Prime Sense公司对深度信息采集原理的描述,相机运用结构光(structured light)技术获取深度图像,即将红外光源照射到磨砂玻璃(不均匀的透明介质)和红外滤光片后在物体表面形成随机衍射斑点,这些斑点在空间的不同位置产生随机散斑图案,通过红外摄像机捕捉物体表面的散斑图案,再与事先标定的散斑图案依次对比从而获取深度信息。如图2所示,相机通过处理深度信息生成深度图像,该深度图像为位图图像,其每个像素占16位,其中高13位表示最近的物体到深度相机的距离,单位为mm。

由以上的介绍可知,深度相机可以获取深度图像,图像的每个像素保存了最近物体到深度相机的距离信息。在应用深度信息之前,我们需要对Kinect for Windows SDK的功能及其特点进一步了解。Kinect for Windows SDK是由微软公司推出的软件开发包,允许开发人员通过Visual Studio 2015访问从深度相机上传输的数据流,通过使用C#等编程语言对彩色和深度数据进行处理并开发相关应用。SDK目前可以提供基本的API,包括彩色图像数据API、深度数据API及音频数据API。

深度相机Kinect的主要优势有以下几个方面:

(1)高性能。

Kinect深度图像系统采用的是的是PS1080系统级芯片。该芯片使得深度相机可以准确的控制红外光源,对图像进行编码并主动投射红外光谱,并可以将CMOS图像传感器接受到的散斑进行处理并生成深度图像。彩色摄像机可以获取高质量彩色图像,准确表达图像中详细的纹理特征和光谱数据。

(2)高鲁棒性。

由于深度相机Kinect获取的深度图像是由红外光源编码成像,因此与环境光线无关,在弱光、夜晚和不良环境等情况下,测量结果都不会受到干扰。

(3)兼容性。

软件开发包提供了一些与诸如Emgu CV、open NI、Unity3D等其他应用环境的接口,Kinect提供的原始数据可以方便的被开发人员调用。

2处理深度图像并完成车辆识别功能

通过以上的介绍我们了解到,在Kinect的开发包中,我们可以调用Emgu CV图像处理库处理Kinect提供的原始深度图像和彩色图像,让程序对图像中车辆的识别更加准确,效率更高。下面具体介绍在Windows10系统下,在VS2015中部署开发环境并使用深度图像和彩色图像完成图像识别功能的应用。如图3所示,基于深度图像处理过程可简要概括为如下步骤:深度图像的采集及预处理,特征提取,目标识别,映射转换,输出。

2.1配置开发环境

安装Kinect for Windows SDK 2.0及Emgu CV 3.0到系统中,将Kinect SDK和Emgu CV文件夹中的动态链接库添加到系统环境变量中,在VS2015中新建WPF工程,并添加相应的动态链接数据库文件到工程的引用目录中,这样就可以通过声明相关的命名空间来调用Kinect SDK和Emgu CV中提供的方法去处理图形图像。

2.2车辆识别方法

2.2.1深度图像采集

使用相机采集深度图像,需要首先对Kinect设备初始化,然后通过Bitmap Frame类对Bitmap Source中捕获到的深度数据流转换为Bitmap图形数据,并使用Bitmap Encoder类中的Save()方法保存为bmp文件,从而实现深度图像的获取及保存功能,部分代码如下:

2.2.2深度图像预处理

深度图像预处理是将深度图像进行影像增强,并且依据先验知识将深度图像中的前景(感兴趣区域)从图像中分割出来。目前图像分割常用的三种方法有:阈值分割,边缘分割,区域分割。阈值分割分为全局阈值化分割和局部自适应阈值分割,由于深度图像的灰度值具有明显的分层性,灰度较高的图像区域的二值化阈值通常会较高,而灰度较低的图像区域的二值化阈值则会相适应地变小。不同的局部图像区域将会拥有相对应的局部二值化阈值,所以本文利用Emgu CV实现局部自适应阈值分割,通过调节block Size值,快速地区分图像中感兴趣的前景目标和背景。在解决方案中加入Kinect和Emgu CV的引用,并声明使用命名空间:

通过调用Cv Invoke.cv Adaptive Threshold()方法对深度图像局部自适应阈值分割,从而剔除图像中背景干扰,提取出的前景目标可以进行下一步处理。

2.2.3特征提取

根据深度图像的预处理得到目标图像,提取其外部轮廓特征。对于查找轮廓我们一般要对图像Canny检测,但是实现较为复杂,在本文中采用Find Contours()方法直接对由深度图像二值化的图像进行轮廓的提取,部分代码如下:

得到目标轮廓。

2.2.4目标识别

目标识别技术主要有简单参数分类法和模板匹配法两种。简单参数分类法需要事先建立车辆参数数据库,主要以车辆几何特征作为参数,优点是识别较为准确,但是对图像中目标的拍摄角度要求较高,实用性较差;模板匹配法是事先建立一个模板数据库,主要记录车辆的外部轮廓特征,将目标图像与库中的模板进行匹配,优点是车辆特征简单,容易提取,鲁棒性高,本文选用模板匹配法进行目标轮廓的识别,并显示识别结果:

2.2.5映射转换

通过目标特征识别,已经车辆目标保留在深度图像中,但是Kinect相机中红外摄像头和彩色摄像头位于设备内的不同位置,因此深度图像中的像素和彩色图像的同一位置的像素点并不能一一对应。如图4所示,Kinect SDK中包含彩色图像二维坐标、深度图像空间坐标,需要在Coordinate Mapper类中通过调用Map Depth Points To Color Space()方法实现坐标映射转换,将深度图像空间坐标映射为对应的彩色图像二维坐标。

2.2.6车辆识别实验与结果

深度相机采集的图像如图5所示。

对深度图像进行处理后图6所示。

经过对比,基于深度图像处理的车辆识别技术在实际使用过程中,识别率较高,且当采集图像时的环境噪声较多时,本方法识别所需的时间更加明显小于传统识别方法,有较高的实用性。

3结语

本文提出一种基于深度图像处理的车辆识别方法,介绍了深度相机Kinect的特点和优势,并以一款车辆识别软件的设计为背景,说明了深度相机的图像信息的采集和处理过程,详细叙述了运用Emgu CV图像处理库和Kinect SDK对深度图像和彩色图像完成具体的图像处理及车辆识别任务,最后通过实验来验证识别的效果,并对比传统识别方法,在图像背景较复杂的条件下,本方法的优势更加明显,具有较好的应用前景。

参考文献

[1]余涛.Kinect应用开发实战[M].北京:机械工业出版社,2012.

[2]冯伟兴,唐墨,贺波,等.Visual C++数字图像模式识别技术相机[M].北京:机械工业出版社,2010.

[3]刘瑞祯,于仕琪.Open CV教程——基础篇[M].北京:航空航天大学出版社,2007.

[4]吴国斌,李斌,阎骥洲.Kinect人体交互开发实践[M].北京:人民邮电出版社,2013.

[5]余亚玲,张华,刘桂华,等.基于不确定度评价的Kinect深度图预处理[J].计算机应用,2016.

[6]J.R.Parker.Algorithms for Image Processing and Computer Vesion[M].2nd ed,Wiley Publishing,Inc,2012.

[7]Christian Nagel,Bill Evjen,Jay Glynn,et al.Professional C#5.0 and NET 4.5.1[M].9th ed,Wiley Publishing,Inc,2014.