英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

基于道路图像的车牌识别实时车辆跟踪机制

摘要

道路上的车辆信息对于当前复杂交通状况下的交通管理维护非常重要。车辆图像由车载摄像机捕获。本文提出了一种使用车牌识别技术的车辆跟踪机制，对于道路上的车辆信息至关重要。所提出的方法是使用多步图像处理的实时处理系统，以及来自2D和3D图像的识别和跟踪过程。显示了使用提出的方法识别和跟踪的实际环境图像的实验结果。

关键词：车牌识别 智能交通系统 车辆跟踪

1、引言

每天，在复杂的交通状况下，车辆的最新信息不仅需要高效安全的交通流量，还要抓住违反道路规则的人员。车辆信息可以通过汽车车牌识别获得。实时车牌识别（RLPR）具有非常多的应用，如定位空闲停车位[1]，控制限制区域的安全性[2]，执行交通法[3]，估计交通管制成本[ 4]，自动收集费用[5]，并支持智能交通系统（ITS）[6,7]。

大多数以前的研究在某种程度上处理了车牌识别系统的应用，并且已经提出了许多分割方法[8,9]。检测图像边缘的边缘，图像边缘的形态转换和计算连续进行，直到找到图像中的检测区域。自动拍摄的车辆图像具有较多的细节，但是检测图像的所有边缘的计算并不能完全实时发生。此外，如果扰动区域的大小与车辆图像上部的号牌的大小相同，则将发生错误识别。

在[10-12]中可以找到有关ITS各个方面以及基于视觉的ITS的更为一般的概述。车辆跟踪有许多应用，包括排队，停止和控制，以及自主驾驶。

通常，RLPR车辆图像研究有两个主要阶段：（1）从输入图像中检测牌照的位置，（2）从车牌图像中识别牌照号码。在第一阶段，车牌候选人是根据车牌的特征确定的。牌照的特征是从牌照格式和许可证号码中的字母数字字符得出。 车牌格式包括尺寸，对称性，颜色，高宽比，空间频率和强度值。字符特征包括线，字体，字符数，斑点，字符间隔的分布以及字符的对齐。

定位车牌的方法分为两种流行的算法，一种使用强度值的方差[10]，一种使用分段颜色信息[13]。在使用强度值方差的算法中，从车辆输入图像获取二进制边缘图像后，从垂直和水平方差中提取垂直和水平面积。所提取的区域或牌照候选人被集体地确定为具有牌照信息和验证的车牌区域。然而，该算法对头灯区域或车牌区域中的噪声非常敏感，包括几个不同的噪声，并且由于检测到整个图像的边缘而对处理时间有限。在使用分割色波的算法中，从RGB颜色模型转换后，使用HIS颜色模型的H部分来检测牌照区域。这种计算车牌分割的方法是昂贵的，并且如果存在类似于牌照的颜色区域，则可能会发生一些准确的识别。

在各种研究中已经报道了大量的字符识别技术。它们包括人造神经网络[14,15]，支持向量机[16]，模式向量[17]，字符模板[18]和模糊c均值[19]。使用真实环境图像的二进制图像处理可能由于车牌颜色信息，噪音条件和车牌的形状而导致不同的结果。Yu和Kim [18]提出了韩国车牌识别方法，其使用平均和标准推导来指定阈值，以通过二值化过程来区分普通车辆与商用车辆。对于字符识别，它们使用两个字符模板集：一个字符模板集和一组数字模板。该方法的优点在于它具有详细的二进制图像。然而，它可能丢失可以帮助它确定字符的信息，导致字符匹配期间字符识别不正确。

基于视觉的方法中对象（车辆）跟踪的最常见方法是使用平均偏移[20]和凸轮移位[21,22]算法。在平均偏移算法中，计算模块是特征空间分析的极其通用的工具，可为许多视觉工作提供可靠的解决方案。在凸轮移位算法中，序列的每个图像相对于被跟踪对象的直方图被转换成概率分布图像。从该图像，通过使用凸轮移位算法确定对象的中心和大小。然而，这两种算法的局限性在跟踪对象中，如在闭塞和闭塞的情况下。

本文提出了一种新的RLPR系统，解决了在获取的图像中读取许可证号码的问题，并在真实环境图像下追踪向前移动的车辆。RLPR系统表示使用颜色和形状信息的牌照识别，并使用多步图像处理将表示适配到适当的特征空间。在每个特征空间中采用几个步骤来导出目标车牌的潜在位置并识别牌照中的字符。进行最后的测试以从一系列移动的车辆图像跟踪车辆。即使RLPR系统是专为韩国车牌设计的，也可以适用于国外车牌。

本文的组织结构如下。 第一部分介绍目前的研究背景。第二部分描述牌照检测，其次是多级图像处理算法第三部分讨论许可证号码识别，并涵盖车辆追踪程序。第四部分实验环境图像的实验结果和采用该方法的识别方法见表1。最后，给出了结论和未来研究方向。

2牌照的定位检测

有三个步骤，从输入图像的车牌定位检测。图1描述了车牌定位检测的过程。

（1）从输入图像中选择车牌候选

（2）验证候选位置的车牌位置

（3）不包括车牌边界线从它的位置

输入图像

检测候选区域

验证下部

验证失败

验证上部

验证成功

验证垂直边缘

成功搜索

图1.车牌定位检测的过程

2.1选择车牌候选模块

为了检测牌照候选，从输入图像的底部到顶部检查每条检测线的边缘。由于一般来说，车牌位于图像的下部，因此从下到上检测，这样可以减少计算时间。检测线之间的间隔不超过车牌中字符的大小，以免错过车牌的位置。在这种方法中使用的边缘是垂直边缘，因为与水平边缘相比，凸缘提供了关于车辆的更多信息。利用检测到的边缘，使用（1）计算阈值，并且使用（2）将检测到的行进行二值化。

在（1）中，W是图像的水平宽度，Pi，Pm和Psigma;分别是当前像素值，以及总像素值的平均和标准方差。

在对边缘进行二值化之后，它们以这样的方式分组，以便满足车牌字符的最小水平宽度。为了找到类似于车牌边缘的边缘，必须检查分组在一起的边缘数量。因此，所选择的边缘组引出许多边缘在最小和最大边缘之间。确定车牌候选人的y轴是否满足最小宽度条件和边缘条件条件。

图2是检测到的线的示例和检测到的线的边缘分布。如图2所示，线A具有与车牌相似的边缘分布。但是，如果其他地区和车牌区域的边缘分布相似，也可能是候选人。在找到候选人的y轴之后，确定区域的x轴以进行准确的检测。在图 3，我们决定车牌的水平宽度，并通过使用左向右扫描来检查车牌区域的起点和终点。

图2.检测边缘分布

图3.寻找X轴

2.2验证车牌候选模块

验证车牌候选人的原因是确保候选人具有正确的车牌位置，并掌握确切的位置坐标。验证车牌候选人的程序遵循以下三个步骤。图4显示了三步过程。

（1）验证较低的牌照区域

首先，我们验证较低的车牌面积。 由于检测是从底部到顶部执行的，所以可以确定车牌是较低的牌照。

（2）验证上牌照区域

通过对下部的验证，可以通过上下坐标计算上部位置。

（3）验证水平边框边缘

为了减少不正确的车牌位置检测的发生，测量检测区域中垂直边缘的长度。

图4.长度条件检查过程

2.3不包括车牌边框线模块

要在处理前识别车牌中的事物，排除车牌边界线非常重要。实际上，检测到的车牌包括车身的一小部分。为了消除车牌的冗余部分，我们通过检查从内到外的边缘的进度来找到最长的边缘，如图5所示。该方法在四个方向上执行，左，右，上，下四个方向，以检测四条边界线。

3牌照号码识别

车牌位置检测后，车牌分类，车牌二值化处理，字符识别过程发生。

3.1车牌的分类

韩国车牌有几种不同的色板。绿色和白色的一般车辆，商业车辆黄色，特殊目的车辆的红色，蓝色或绿色。为了区分一般车辆和商业车辆，使用两个不同的阈值。此外，车牌下部的直方图用于对两种车辆进行分类。阈值使用（3），理论为T =mu; sigma;，对于商业车来说T =mu;-sigma;，其中mu;和sigma;平均像素的标准偏差。分别使用（4）和（（5））计算。