PAGE2智能停車場管理系統(tǒng)的車牌識別功能軟件實現(xiàn)案例目錄TOC\o"1-3"\h\u31449智能停車場管理系統(tǒng)的車牌識別功能軟件實現(xiàn)案例 1274091.1汽車牌照的特征 1230131.2車牌識別的起源與發(fā)展 1321651.3車牌定位的原理 3301121.4基于紋理特性的車牌定位 320931.5車牌字符分割技術(shù)簡介 5134351.6車牌識別原理 5187841.6.1神經(jīng)元模型 6113151.6.2卷積神經(jīng)網(wǎng)絡 747071.6.3卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu) 767351.7車牌識別網(wǎng)絡優(yōu)化求解算法 7245201.7.1概述 745001.7.2梯度下降算法 7265531.7.3最小均方算法 81.1汽車牌照的特征汽車牌照作為車輛的唯一標識，其特征也就成為車牌定位的重要參考依據(jù)。車輛牌照的特征有形狀特征、字符特征和灰度變化特征等。車牌定位系統(tǒng)在處理這些特征時將會應用到計算機視覺處理技術(shù)。(1)形狀特征標準車牌的寬、高、以及寬高比一定。車牌邊緣為線段環(huán)繞的規(guī)則矩形，其大小的變化范圍確定。(2)字符特征對于一個標準的車牌，其第一位就是所在省份的簡稱，共計31個字符(不考慮軍、警車)；第二位是英文字母(排除“I”)總計為25個英文大寫字母，之后的兩位是英文字母或阿拉伯數(shù)字(字母不包括字母“I”以及“O”)，各有34個字符；最末三到四位均為數(shù)字。進行車牌圖像的拍攝通常處于比較復雜的情境下，而車牌因為充分融入較為復雜的車身背景，并且其在應用中會出現(xiàn)磨損以及灰塵的遮擋，另外還有進行拍攝的裝置的應用和拍攝角度的差異化，進而所得到的圖像中車牌通常會出現(xiàn)較大的變化，怎樣能夠在復雜背景下對車牌的位置進行精準以及快速的識別成為一個難題。1.2車牌識別的起源與發(fā)展相較于國內(nèi)，在很早的時候國外對于車牌識別產(chǎn)品的開發(fā)就已經(jīng)起步并且比我國早研究出一系列車牌識別產(chǎn)品，例如SeeCar系列產(chǎn)品在美國就有較為廣泛的進行應用，并且可以識別好幾個不同國家車牌，而這個系列就是由以色列Hi-TechSolutions公司研制出來的；還有同樣屬于以色列的Zamir開發(fā)的"All-in-One"產(chǎn)品LaneController，該產(chǎn)品集成了識別算法處理器、車輛檢測器、圖像傳感器與近紅外光LED照明于一體，這些優(yōu)秀的性能讓LaneController在歐洲許多國家得到應用；IMPS系統(tǒng)是一個綜合的多通道系統(tǒng)，這個系統(tǒng)在馬來西亞和新加坡是一個用以識別移民的關(guān)卡，而這道關(guān)卡則是由新加坡的Optasia公司研發(fā)設計而成。通過查找資料可以知道國外的車牌基本都有一個模板，而且這些模板基本上都大同小異沒有太大的區(qū)別，而這些基本上都是由字母與數(shù)字組合而成的車牌字符也非常容易被系統(tǒng)識別。但是相較于國外簡單統(tǒng)一的車牌我國由于國土遼闊從而導致我們的的車牌不僅有字母和數(shù)字的排律組合，甚至車牌組成的開頭還有著代表各個地區(qū)的漢字，這也是讓識別難度大幅度提升的原因。我國也有許多企業(yè)知難而上研究出各種系列產(chǎn)品，例如在國內(nèi)有能識別不同國家及地區(qū)的車牌號碼的慧光（VECON）系列產(chǎn)品，其中也包括車牌上帶有漢字的中國車牌，根據(jù)網(wǎng)絡了解到自從慧光投入并使用后協(xié)助警方查獲了大量位于中港邊境的被盜車輛。而慧光就是由亞洲視覺研發(fā)而成的的系列產(chǎn)品；另一款產(chǎn)品是位于北京的漢王科技利用了DSP嵌入式一體化結(jié)構(gòu)從而研發(fā)出了"漢王眼"，本地數(shù)據(jù)采集、識別、存儲在"漢王眼"看來是一項非常容易地工作，"漢王眼"系統(tǒng)會根據(jù)當時情況需求上傳相關(guān)數(shù)據(jù)，這樣不僅可以大大減少數(shù)據(jù)傳輸量，還能提高系統(tǒng)的實時性；最后昆明利普視覺提供的車牌識別通用軟件模塊能夠不依靠于某一個特定的硬件設備，從而可以由用戶或系統(tǒng)集成商根據(jù)自己的需求來自行購買，其軟件成本十分低廉，所以能夠在國內(nèi)得到了廣泛的應用。通過觀察以上列舉出的國內(nèi)外車牌識別產(chǎn)品并進行總結(jié)，我們不難看出這些車牌識別產(chǎn)品和方法可以分為三種類型：第一種類型、成像的光學條件不同。它可以分為兩種不同的模式：自然光和紅外光成像；第二種類型，來自軟件和硬件架構(gòu)的差異。一個是軟件和硬件的集成，另一個是開放的軟件和硬件系統(tǒng)；第三種類型、車牌識別系統(tǒng)的觸發(fā)方法。一種觸發(fā)方式是外圍觸發(fā)，另一種觸發(fā)方式是視頻觸發(fā)。綜上所述我們不難發(fā)現(xiàn)國內(nèi)外所有車牌識別產(chǎn)品，不管這些產(chǎn)品如何分類，它們都有一個共同的特點：都是通過識別算法來處理車牌圖像最后根據(jù)自身的特點來完成最后的識別車牌圖像功能。因此，我們就獲得了一個非常的重要發(fā)現(xiàn)，即整個自動識別系統(tǒng)的核心就是識別算法。隨著世界科技不斷地進步，目前全世界各個國家都已經(jīng)開發(fā)出許多用于自己國內(nèi)或者出口到國外的用于定位車輛牌照或其他牌照的方法，其中比較典型的方法有：自適應邊界搜索法、基于Hough變換和反變換尋求車牌邊框的方法、基于二值圖像的數(shù)學形態(tài)學方法、基于矩形特征的adaboost算法、基于圖像彩色信息的方法、基于紋理分析的方法、基于水平或垂直方向的邊緣圖像投影的方法等。這些多種多樣的方法都是吸取前人的經(jīng)驗和自身的需求從而研發(fā)出來的適合自己的車牌定位方法，每種車牌定位方法都有著自己的適用性與不足之處。但是通過在網(wǎng)上的搜尋，我找到了一個新型車牌定位方法。該方法擁有兩個步驟：步驟一、進行牌照區(qū)域的粗定位。在牌照區(qū)域粗定位階段，該方法利用了紋理分析法和灰度垂直投影法并綜合了這兩個方法的優(yōu)點，也就是說，首先利用車牌區(qū)域中字符紋理豐富化的獨特特征，從這獨特特征中提取若干個車牌候選區(qū)域，然后利用車牌區(qū)域的垂直投影特征，進一步分析車牌候選區(qū)域從而提取出真正的車牌區(qū)域；步驟二、車牌區(qū)域粗定位完成之后就會進行拍照區(qū)域的精確定位。在車牌區(qū)域精確定位階段，該車牌定位方法為了修正牌照邊界專門設計了一個基于閉環(huán)負反饋結(jié)構(gòu)的算法，其中紋理分析中閾值參數(shù)選取的尋優(yōu)問題可以在反饋回路中的自校正器中得到解決，從而提高牌照定位的精度降低不必要的錯誤率。作者通過嚴謹?shù)膶嶒炞C明，這種方法對于在各種光照條件下，車牌本身很臟或車牌傾斜或扭曲等特殊情況下所收集的車輛車牌都能取得較好的車牌圖像定位效果。[33]應宏微,宋加濤,楊忠秀,任小波.車牌定位算法研究[J].電視技術(shù),2007(01):79-82.1.3車牌定位的原理車牌識別過程中常用的算法如下(1)特征提取：提取水平灰度跳變特征。對經(jīng)過了水平平滑的灰度圖像，選取適當閾值T，將每一行各像素與其前一像素比較，若灰度差絕對值超過T，則記為l，否則記為0，從而完成對灰度圖像進行水平方向灰度跳變特征的提取。(2)水平方向粗定位：關(guān)于所形成的二值圖像，基于先驗知識，也就是圖像中車牌位置以下部分相較以上部分干擾較小，從而對從下往上的行搜索方法進行應用。(3)垂直方向粗定位：設由(2)切割出來的圖像為A，對A進行除噪處理后。先用1個與A等高度、寬度與高度相同的矩形框體B對A從左至右遍歷搜索，若B中1值像素之和與B中全部像素之比大于一定閾值時，記錄此時列位置為y1，然后用同樣方式從右之左搜索，獲得列位置y2。用y1與y2對A切割，完成垂直方向的粗定位。(4)精確定位：在以往的車牌識別方法中，Hough變換線檢測一般只用于車牌矯正，實際上Hough變換線檢測更可用來做車牌定位。1.4基于紋理特性的車牌定位圖像邊緣均為灰度不連續(xù)的點，或是灰度值或色彩急劇變化之處，所以能夠通過微分運算開展圖像邊緣的測驗工作，即通過相關(guān)的銳化模板來開展圖像的卷積運算，進而對圖像邊緣進行檢測。因為車輛圖像中的背景區(qū)域邊緣并不多，但是車牌區(qū)域邊緣信息較多，因此基于這一特征，在對車輛區(qū)域和背景區(qū)域進行分離時能夠通過邊緣檢測算法來達成。下圖即為幾類比較常見的微分算子模板以及相應的算子特點。由分析可以得出，Sobel算子由于不像普通算子那樣用兩個像素的差值，而是引人了加權(quán)平均因素，對圖像中的隨機噪聲起到了一定的平滑作用，而且它是相隔兩行或者兩列的差分，故邊緣兩側(cè)元素得到了增強，邊緣顯得粗而亮，其對邊緣定位的精度相對較高。Sobel算子的缺點是得到的邊緣不連續(xù)，封閉性不好并且對噪聲敏感，其缺點可以運用形態(tài)學運算進行彌補。卷積運算如下：若，說明像素點處有垂直方向的邊緣通過，反之則為有水平方向的邊緣通過。如果像素點處的像素值滿足下面兩個條件組之一時，則判斷它為邊緣像素點，該點在輸出的邊緣圖像中用“0”表示；否則判斷該點為非邊緣像素點，在輸出的邊緣圖像中用“1”表示。條件組一：①②③④條件組二：①②③④假設圖像的行數(shù)和列數(shù)分別為和，為邊緣圖像中點的值。其中基于以下式子進行計算，進而能夠?qū)崿F(xiàn)在原本的灰度圖像中進行其邊緣的取出以及表達。1.5車牌字符分割技術(shù)簡介字符分割就是把牌照上的字符分割成一個個單個的字符，傳統(tǒng)的字符分割方法有投影法。投影法是指：先自下由上對圖像進行掃描，遇到第一個白色點，記錄下來。在自上由下進行逐行掃描，這樣就得到圖像的大致高度，再從左至右掃描，當碰到第一個白色點時，作為字符起點，繼續(xù)掃描直到?jīng)]有白色象素點時作為第一個字符的終點，然后繼續(xù)按這種方法掃描，直至全部掃描完畢。求垂直投影的最小值求垂直投影的最小值計算字符上升點計算谷寬度取閾值求垂直投影的平均值輸出分割字符計算字符距離找到字符中心位置圖4-1車牌分割的opencv算法流程圖1.6車牌識別原理深度學習作為機器學習的新發(fā)展方向，他的神經(jīng)結(jié)構(gòu)模擬人腦的學習來處理數(shù)據(jù)，而深度則是從輸入層至輸出層的路徑長短。單體神經(jīng)元含有三種信號，如圖2-1所示。其中左上至左下的x是輸入數(shù)據(jù)，它右邊的w是權(quán)值，求和下方的b叫偏置項。然后將求和后的結(jié)果由激活函數(shù)f得到結(jié)果y，因此輸出值：（2-2）圖4-2神經(jīng)元結(jié)構(gòu)圖圖4-2即為深層的神經(jīng)網(wǎng)絡結(jié)構(gòu)圖，其中最左、右列對應為輸入層和輸出層，其余均為隱藏層。因此，更多的隱藏層可以幫助我們設計更多的對數(shù)據(jù)處理的方式，更具有實際應用價值。圖4-3深層神經(jīng)網(wǎng)絡結(jié)構(gòu)1.6.1神經(jīng)元模型在神經(jīng)網(wǎng)絡中，神經(jīng)元即為其基礎單元，可以進行信息的處理，并且包含三種基本模型:激勵單元:約束神經(jīng)元，讓輸出值處于[0.1]之間。求和單元:開展突觸加權(quán)累加，通常對輸入信號以及神經(jīng)元所對應的突出權(quán)重。突出單元:由權(quán)重參數(shù)作為基本組成。1.6.2卷積神經(jīng)網(wǎng)絡基于人類視覺神經(jīng)感知系統(tǒng)，卷積神經(jīng)網(wǎng)絡的前饋類型神經(jīng)網(wǎng)絡模型產(chǎn)生。1.6.3卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)對于卷積神經(jīng)網(wǎng)絡來說，其為前饋網(wǎng)絡結(jié)構(gòu)，應用到一般的框架，然而對于多層感知器的結(jié)構(gòu)基礎進行了完善，此外其主要對圖像的測試以及辨識提供幫助。其整體結(jié)構(gòu)如圖4-4所示。圖4-4卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)圖1.7車牌識別網(wǎng)絡優(yōu)化求解算法1.7.1概述在對網(wǎng)絡優(yōu)化最小值的相關(guān)問題進行深層的學習過程中，總期望由某一點出發(fā)，進行一個能夠使目標函數(shù)值下降最快的方向的選定，之后通過最快的速度到達極小值點。按照這樣的思路，在1847年，法國數(shù)學家柯西（Cauchy）進行了梯度下降法的提出，之后Curry等人針對其進行了進一步的探討，并收獲頗多。現(xiàn)今科研人員進行優(yōu)化求解時對于這一方法的應用也最多。1.7.2梯度下降算法最速下降方向考慮無約束問題其中，函數(shù)一階連續(xù)可微。函數(shù)在點處沿方向的變化率用方向梯度來描述，方向梯度等于梯度與方向的內(nèi)積，即因此，優(yōu)化函數(shù)在點處的下降最快的方向，可以概括為求解如下非線性規(guī)劃問題：由Schwartz不等式，可得去掉絕對值符號可得有上式可得，當成立時，目標函數(shù)在處的方向變化率最小，即負梯度方向為最速下降方向。特別地，在不同尺度下的最速下降方向是不同的，上述是向量的歐式范數(shù)不大于1的約束條件下推出的，其屬于歐式度量意義下的最速下