欢迎登录中国视觉网!
应用案例频道
APPLICATION OF CASE
位置导航:首页 >> 应用案例 >> 汽车 >> 车牌识别系统助力交通智能化

车牌识别系统助力交通智能化


时间:2012-12-26

应用领域:


    智能交通系统(简称ITS)作为平安城市、智慧城市的重要组成部分,正在各大城市兴起并加速发展,ITS所管理的主要对象就是车辆,在目前车辆      管制体系下,汽车牌照号码即车牌是标识车辆的唯一身份识别(注:虽然RFID等技术也可以识别车辆,但尚未推广到整个车辆管理体系,且需要车辆加以改装,目前不具备普适性),车牌自动识别技术可以在汽车不作任何改动的情况下实现汽车身份的自动登记及验证,所以车牌识别系统是现代智能交通系统的重要组成部分之一。
    车牌识别系统目前在智能交通中的主要应用体现在公路车辆智能监测记录和违章自动记录(包括闯红灯、禁左、压线、逆行、超速等),用于记录下车辆的号牌,从而索引到车辆档案和车主档案,进行交通管理执法,并可以衍生到查假套牌车应用。除此外,车牌识别技术还可应用到公路收费、停车管理、称重系统、交通诱导、公路稽查、车辆调度、车辆检测等各种场合。
    车牌识别系统应用广泛,也会面对各种场景和特殊情况,车牌识别技术如何更好服务于这些应用,有没有面临新的问题,我们从车牌识别系统如何工作说起。
    车牌识别系统工作原理
    车牌识别是利用车辆的动态视频或静态图像进行车牌号码、车牌颜色自动识别的模式识别技术。技术的核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分。当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。车牌识别单元对图像进行处理,定位出车牌位置,再将车牌中的字符分割出来进行识别,然后组成车牌号码输出。
    车辆检测部分通常采用地感线圈或雷达,某些车牌识别系统还具有通过视频图像判断是否有车的功能,称之为视频车辆检测。
    由于道路上24小时都通车,车牌识别系统需要全天时、全天候工作,为保障夜间识别准确率,还会配备LED频闪灯或闪光灯来补光。
    一个典型的车牌识别系统组成结构如下图所示,前端设备通过传输网络连到后端平台上。
    而车牌识别系统通常会经过下列步骤完成识别输出的工作:
    车辆检测:可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式感知车辆的经过,并触发图像采集抓拍。
    图像采集:通过高清摄像抓拍主机对通行车辆进行实时、不间断记录、采集。
    预处理:噪声过滤、自动白平衡、自动曝光以及伽马校正、边缘增强、对比度调整等。
    车牌定位:在经过图像预处理之后的灰度图像上进行行列扫描,确定车牌区域。
    字符分割:在图像中定位出车牌区域后,通过灰度化、二值化等处理,精确定位字符区域,然后根据字符尺寸特征进行字符分割。
    字符识别:对分割后的字符进行缩放、特征提取,与字符数据库模板中的标准字符表达形式进行匹配判别。
    结果输出:将车牌识别的结果以文本格式输出。
    车牌识别系统功能与应用
    目前市场中车牌识别系统主要功能包括:
   
1)车辆牌照自动识别,信息包括完整的牌照信息,颜色、字符、汉字、数字;
    2)车速的自动检测;
    3)违法黑牌车辆的识别报警;
    4)车辆识别信息与车管所车辆信息的联动控制;
    5)车辆行驶方向判断监测。
    目前市场中车牌识别系统主要应用范围包括:
   
1)交通路口的智能化交通管理;
    2)交通信息的自动采集;
    3)警方及其它执法机关设立临时稽查站,对来往车辆实施稽查,优先识别待查车辆;
    4)路桥、隧道等卡口的自动收费系统;
    5)现代住宅小区、停车场、重要机关单位的汽车出入口管理;
    6)道路治安卡口抓拍识别,车流量监测。
    车牌识别系统的实现方案
   
车牌识别系统的实现方案通常有三类,一是抓拍相机+工控机,这是最早应用的一种方案,由摄像机(线圈、雷达触发或视频检测)抓拍车辆图像,由工控机中软件来识别车牌,一台工控机同时可以管理多台摄像机(多车道);二是抓拍相机+嵌入式分析主机,将可靠性较低的工控机改为嵌入式主机,而抓拍摄像机不用变,所以这种方式已逐渐替代第一种方案;三是嵌入式一体化抓拍相机,集抓拍、控制、识别、录像、压缩、传输于一体,大大简化管理终端设备和后端平台的工作,同时在可靠性、安全性、安装维护便利性、环境适应性等方面都得到提升,正成为最具前景的实现方案。
    这里谈一下目前市场上出现的集车辆视频检测与车牌识别一体化的高清抓拍相机产品,相对传统的线圈触发方式,采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支,可以更灵活地检测车辆的行为(如违章掉头、压线、左转等),而且更适合移动式、便携式应用的要求。但车牌识别系统要进行视频车辆检测,需要具备很高的处理速度并采用优秀的算法,在基本不丢帧的情况下实现图像采集、处理。若处理速度慢,则导致丢帧,使系统无法检测到行驶速度较快的车辆,同时也难以保证在有利于识别的位置开始识别处理,影响系统识别率。因此,将视频车辆检测与牌照自动识别相结合具备一定的技术难度,这也是目前出现的产品还不多的原因。
    一个车牌识别系统除了前端的抓拍机与分析主机,还应有对应的后台管理系统,而且它影响到这个车牌识别系统是否好用。后台管理系统的功能通常包括:
    1、识别结果和车辆图像数据的可靠存储,当多功能的系统操作使得网络出差错时能保护图像数据不会丢失,同时便于事后人工排查;
    2、有效的自动比对和查询技术,被识别的车牌照号码要同数据库中成千上万的车牌号码自动比对和提示报警,如果车牌照号码没有被正确读取时就要采用模糊查询技术才能得出相对“最佳”的比对结果;
    3、对于联网运行,提供实时通信、网络安全、远程维护、动态数据交换、数据库自动更新、硬件参数设置、系统故障诊断等功能。
    车牌识别系统的评价
   
我国公安部对道路交通与车辆行驶监测有明确的技术规范和管理条例,主要包括《闯红灯自动记录系统通用技术条件》(GA/T496-2009)、《公路车辆智能监测记录系统通用技术条件》(GA/T497-2009)、《道路交通安全违法行为图像取证技术规范》(GA/T832-2009)、《机动车号牌图像自动识别技术规范》(GA/T833-2009)等。
    从技术上评价一个车牌识别系统,主要有两个指标,即识别准确率、识别速度。
    识别准确率
   
一个车牌识别系统是否实用,最重要的指标是识别率和识别准确率。根据GA/T497-2004和GA/T497-2009中定义:
    识别率=号牌被自动识别的车辆数/号牌信息有效的车辆总数。
    识别准确率=号牌信息识别正确的车辆数/号牌信息有效的车辆总数。
    (注:号牌信息有效是指车辆号牌完整、清晰、安装规范,且无遮挡、无污损。)
    在新颁发的GA/T497-2009中,号牌识别率指标评价被取消,只保留号牌识别准确率,且规定白天车辆号牌识别准确率应不小于90%;夜间车辆号牌识别准确率应不小于80%。
    由于对号牌信息有效这一结论需要人工判定,所以还需要将车辆号牌图像和识别结果都存储下来,以便调取查看。然后,通过对实际通过的车辆图像以及正确的人工识别结果进行数量统计,以得到识别率和识别准确率,以及可信度、误识率这些中间结果。
    为了测试一个车牌识别系统识别率,需要将该系统安装在一个实际应用环境中,全天候运行24小时以上,采集至少1000辆自然车流通行时的车牌照进行识别。
    识别速度
   
识别速度决定了一个车牌识别系统是否能够满足实时实际应用的要求。一个识别率很高的系统,如果需要几秒钟,甚至几分钟才能识别出结果,那么这个系统就会因为满足不了实际应用中的实时要求而毫无实用意义。例如,在高速公路收费中车牌识别应用的作用之一是减少通行时间,速度是这一类应用里减少通行时间、避免车道堵车的有力保障。
    根据GA/T833-2009中要求,识别时间≤(A/B)×(K×100)(ms)。
    上述式子中的A表示用于识别的图像分辨率;B为固定常数,其值为768×576=442368;K为图像中存在的车牌数量。
    即车牌图像为768×576像素点时,当图像中存在一个号牌时,其识别时间≤100ms;当图像中存在二个号牌时,其识别时间≤200ms;当图像中存在三个号牌时,其识别时间≤300ms;当图像中存在四个号牌时,其识别时间≤400ms。
    车牌识别系统的问题与新技术应用
 从上文可知,车牌识别系统的识别率和识别准确率越高越好,但我们必须清楚地认识到识别率达到100%是不可能的,一方面因为车牌污损、模糊、遮挡,或者糟糕的天气(下雪﹑冰雹﹑大雾等等)都会严重影响识别的效果,另一方面一些中英文字符的分割与识别本身难度较大,比如“川”字易错误分割,以及“0-Q”、“2-Z”、“4-A”、“5-S”、“7-T”、“8-B”、“O-D”等易混淆字符。因为识别率的统计是以号牌信息有效的车辆总数为基础的,所以,如果考虑了各种环境、情况下的车牌,车牌识别系统在实际应用中的识别率会大打折扣,在无法识别时仍依赖人工进行判断、识别。
    针对传统车牌识别算法中字符识别率偏低的缺点,目前出现了一种基于卷积神经网络的识别方法,通过对车牌字符图像的样本学习,优化神经网络每层的权值参数,从而在很大程度上提高车牌的字符识别率。仿真结果表明,采用卷积神经网络的识别方法对车牌照中的字符进行识别,正确识别率可以到达99%,识别率和抗干扰性明显优于结构特征法、模板匹配法等传统识别方法(后两者分别只有94%、95%)。
    利用神经网络的优势,采用一种改进的基于卷积神经网络的识别机制对车牌照中的字符进行识别。该识别方法通过对理想预处理条件下的车牌字符图片的学习,优化了网络系统中各层的权值参数,大大提高了车牌照中的字符识别率。在实际应用中,对于前期预处理出现的车牌定位不清、字符分割错误等缺点,如果进一步优化网络结构,则可以识别预处理较差条件下的车牌字符。