CN105825212A - 一种基于Hadoop的分布式车牌识别方法 - Google Patents

Abstract

本发明涉及一种基于Hadoop的分布式车牌识别方法，属于云计算、数字图像处理、模式识别与计算机视觉技术领域，特别涉及到车牌定位、车牌倾斜校正、车牌字符分割和车牌字符识别等车牌识别关键技术。本发明的综合面积、长宽比以及垂直投影特征值3个因素进行综合评价分析来定位车牌区域，可以消除仅用某一个参数进行评价所带来的误差。本发明基于模板匹配和关键域的车牌字符分割方法能够有效应对字符间粘滞的问题。本发明对不同的字符进行四个侧面扫描提取出字符骨骼累积统计特征，有效的解决了相近字符难以区分问题。本发明系统基于Hadoop平台开发，使用MapReduce编程模型，车牌识别系统的执行效率获得了大幅度提升。

Description

一种基于Hadoop的分布式车牌识别方法

技术领域

本发明涉及一种基于Hadoop的分布式车牌识别方法，属于云计算、数字图像处理、模式识别与计算机视觉技术领域，特别涉及到车牌定位、车牌倾斜校正、车牌字符分割和车牌字符识别等车牌识别关键技术。

背景技术

当前，随着经济的发展，人们的生活水平不断提高，各种机动车的数量快速增长，机动车大规模普及已经成为一种必然的趋势。智能交通系统能够更加安全、高效的管理车辆信息，在各种小区，厂区出入口车辆管理系统，收费站系统，道路治安卡口系统，超速、违停、闯红灯电子警察系统中，展现出强大的作用。

车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。通过一些后续处理手段可以实现停车场收费管理、交通流量控制指标测量、车辆定位、治安卡口、汽车防盗、高速公路超速自动化监管、闯红灯电子警察、公路收费站等功能。对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。

然而，随着车牌识别技术的日益成熟，针对车牌识别的应用也越来越多，规模越来越大，车牌识别要处理的数据及任务可能达到海量级别，传统的单机存储与计算的识别方法已经远远不能满足我们的需求。传统的各种车牌识别的研究都是基于小批量模型进行识别研究，所产生的各种车牌识别系统针对一些特定应用场景的有限的识别任务进行开发。而针对海量识别任务、大批量分类模式的识别，这些系统的识别效率就差强人意了。存在的问题有：

(1)单节点的计算能力有限，不满足海量数据下实时识别任务的需求；

(2)如果采用分布式实现，怎么样才能充分的使整个车牌识别过程并行，从而能够快速的返回结果。

Hadoop是目前应用最为广泛的分布式计算平台，利用它能够高速的处理海量数据。本发明提供了一种在Hadoop平台下，结合HDFS与MapReduce编程模型的车牌识别方法，能够分布式的处理车牌识别任务，并有效地提升车牌识别系统的执行效率。

发明内容

本发明为了克服上述缺陷，本发明的目的在于提供基于Hadoop的分布式车牌识别方法，解决现有技术无法快速识别出车牌号码并返回识别结果的问题。

本发明为了实现上述目的，采用如下技术方案：

一种基于Hadoop的分布式车牌识别方法，该方法的步骤：

1)客户端向网关发送车牌识别请求，请求中包含待识别的车牌图像；

2)网关收到请求后形成识别任务下发到主节点上；

3)主节点收到识别任务后，根据当前作业节点的状态将包含待识别车牌图像的识别子任务发送给作业节点；作业节点开始车牌识别任务，其主要步骤为：

①车牌图像预处理：对抓拍到的车牌图像进行高斯滤波处理，减小噪声的影响，然后作灰度化处理得到灰度图像；

②车牌定位：首先利用Sobel算子对包含车牌的图像进行边缘检测，然后进行二值化处理，再对二值图像进行形态学滤波，使车牌区域形成一个连通区域，然后根据车牌的先验知识：长宽比相对固定，在二值图像上字符呈现明暗交替变化，分别采用面积、长宽比、一级垂直投影特征进行加权综合来对所得到的连通区域进行筛选，选定一个最佳的区域作为牌照区域，并将其从图像中分隔出来；

③车牌校正：由于车牌的上下沿是两条明显的平行线，所以结合Hough变换和特征投影法来检测车牌的倾斜角，然后对车牌图像进行倾斜校正；

④车牌字符分割：采用模板匹配，关键域和垂直投影法相结合的方式进行车牌字符分割；充分利用车牌自身的特征并结合模板匹配法对车牌进行分割，该方法分割速度快且能够有效应对字符粘连、模糊等情况；

⑤字符特征提取和归一化：对不同的字符进行四个侧面扫描提取出字符骨骼累积统计特征，包括笔画斜率累积特征、拐点幅度累积特征、轮廓深度累积特征；最后通过固定粗网格提取字符内部像素特征；

⑥字符识别：字符识别的基本思想是匹配分类，首先对待识别字符样本进行特征提取，将这些特征和预先存储在字符库中的一支字符模式集合逐一进行比对，将最接近输入字符模式的已知字符作为识别结果，本方案采用概率神经网络的识别方法；

作业节点完成任务后向主节点返回成功消息，消息中包含车牌字符串；

4)主节点将识别出来的车牌字符串返回给客户端。

本发明的有益效果

a)本发明的综合面积、长宽比以及垂直投影特征值3个因素进行综合评价分析来定位车牌区域，可以消除仅用某一个参数进行评价所带来的误差。

b)本发明基于模板匹配和关键域的车牌字符分割方法能够有效应对字符间粘滞的问题。

c)本发明对不同的字符进行四个侧面扫描提取出字符骨骼累积统计特征，有效的解决了相近字符难以区分问题。

d)本发明系统基于Hadoop平台开发，使用MapReduce编程模型，车牌识别系统的执行效率获得了大幅度提升。

附图说明

图1为本发明的基于Hadoop的分布式车牌识别方法架构图；

图2为本发明的车牌识别算法的主要流程；

图3为本发明的字符笔画斜率统计点；

图4为本发明的字符拐点定义；

图5为本发明的字符轮廓深度特征提取；

图6为本发明的字符内部像素特征提取。

具体实施方式

下面通过附图和具体实施方案对本发明作进一步的详细说明：

参见图1，以下为具体步骤：

(1)客户端向网关发送车牌识别请求(请求中包含待识别的车牌图像)；

(2)网关收到请求后形成识别任务下发到主节点上；

(3)主节点收到识别任务后，根据当前作业节点的状态将包含待识别车牌图像的识别子任务发送给作业节点；

(4)作业节点开始车牌识别任务，其主要步骤为：

①车牌图像预处理

对抓拍到的车牌图像利用高斯核进行高斯滤波处理，减小噪声的影响，然后作灰度化处理得到灰度图像。

②车牌定位

首先采用Sobel算子进行垂直边缘的提取，然后利用OSTU大律法对经过Sobel算子滤波后的图像进行二值化处理，再对车牌二值图像进行形态学滤波，具体步骤为：1)腐蚀，选取小模板，滤除点噪声；2)膨胀融合，通过膨胀使车牌融合会一个整体，使车牌区域形成一个连通区域，再根据车牌的先验知识(长宽比相对固定，在二值图像上字符呈现明暗交替变化)，分别采用面积、长宽比、一级垂直投影特征进行加权综合来对所得到的连通区域进行筛选。给每个特征值乘以一个影响权值，进行加权得出总的置信度值。

式中：λ_i表示各自不同的权值，C_i表示几种特征置信度，包括面积S、长宽比P以及垂直投影特征值H。

面积S是指各矩形区域内非0像素的数目，在二值图像上面积越大，为车牌的可能性越大，因此面积越大，赋予的特征置信度C_i就越大。

长宽比P是车牌的一个明显特征，虽然车牌反映在图像中的大小不同，由于我国车牌长宽比相对固定，一般在0.3～0.4之间，因此在图像中车牌区域的长宽比也相对固定，所以越接近真实车牌长宽比的区域的置信度C_i就越大。

垂直投影特征值H是根据在二值图像上车牌字符呈明显交替变化来确定的。特征值的计算方法如下：

其中特征值越大就越接近真实车牌，因此赋予的置信度C_i就越大。式中，L_U为垂直投影直方图中所有从波谷到波峰的路径总长度；L_D为直方图中所有从波峰到波谷的路径总长度；b_W为图像的宽度，可消除图像宽度不同对特征值的影响；1000为规范化因子。在实际处理时，设定了一个阈值，用于区分波峰和波谷，过滤掉一些过低的波峰。

③车牌校正

由于车牌的上下沿是两条明显的平行线，所以结合Hough变换和特征投影法来检测车牌的倾斜角，然后采用图像旋转来对车牌图像进行水平校正，图像旋转所采用的空间坐标变换表达式如式(3)所示，设水平倾斜角为α：

其中，(a，b)为原图像像素点在新图像中的坐标。

④车牌字符分割

对内地车牌本身的特征进行分析，可以发现车牌第二个字符与第三个字符之间的间距为34cm，而其他字符之间的间距为12cm，仅为前者的1/3。也就是说，第二个与第三个字符之间的间隔明显大于其他间隔，所以可以对此间距加以利用，本文将该间隔称为关键域。通过关键域来分割车牌字符可以分为3步：

第一步：通过垂直投影法确定关键域所在位置。

在垂直投影曲线图上画直线y＝thr(其中thr为阈值，按照车牌图像高度的百分比给出，本发明中设为10％)，直线与投影曲线相交，得到一组交点。对交点进行配对：若两个交点的相邻，且两个交点之间是“波谷”(Gap)，则将这两个交点分为一组，设配对结果为[a1,b1]，[a2,b2]，[a3,b3]，…，[an,bn]，配对完成后删除孤立的交点。比较bi-ai的大小，在取最大值时记录下标i的值k，这样相应的分组为[ak，bk]，从坐标ak，bk分别向右和向左搜索“谷底”得到[Ak,Bk]即为关键域。最后，对其他Gap搜索“谷底”得到[A1,B1]，[A2,B2]，…，[An,Bn]。

第二步：定位关键域之前两个字符。

根据各Gap的值，先估算出字符的宽度W和Gap的宽度G。由于图像已经去除上下边框已经铆钉，所以W，G可以根据图像的高度H来估算，估算表达式如式(4)、(5)：

其中，45为标准车牌中字符宽度，90为高度，12为字符间距(除关键域外)。

关键域前面存在两个字符即第一位的汉字字符和第二位的字母字符，理想情况下两个字符的位置容易确定，根据垂直投影的结果分别为[Bk-2,Ak-1]，[Bk-1,Ak]。如果碰到汉字“川”或者字符相粘的情况那么上述的方法就行不通了。本发明在垂直投影法的基础上结合模板匹配，有效的解决了上述的问题。

如果关键域在所有Gap中排在第一个，则采用模板匹配法对前两个字符进行分割，第二个字符(字母位)区间为[Ak-W,Ak],第一个字符(汉字位)区间为[Ak-2×W-G,Ak-W-G]。

如果关键域之前仅存在一个字符，判断该字符(即字母位)是否已通过垂直投影法正确分割，如果字符宽度W_c满足式(6)，则字母位分割正确区间为[Bk-1,Ak]。接着采用模板匹配法分割汉字位，汉字位区间为[Bk-1-W-G,Bk-1-G]。

如果关键域存在多个(2个或2个以上)字符，仅有字母位字符满足式(6)，则上述相同的方法进行分割。

如果关键域存在两个字符，且两个字符都满足式(6)，则表示理想情况，采用垂直投影法的分割结果。字符区间分别为[Bk-2,Ak-1]，[Bk-1,Ak]。

如果上述情况均不符合则直接采用模板匹配法进行分割，两个字符区间分别为[Ak-2×W-G,Ak-W-G]，[Ak-W,Ak]。

W_c∈[0.8×W，1.2×W](6)

第三步：定位关键域之后的五个字符。

因为需要涉及到多个字符粘连的情况，后5个字符的分割相对复杂。这5个字符从左至右考虑，先分割出第三位、接着第四位，…，直到第七位。先设定字符计数器c＝0，每分割出一个c加1，直到c＝5停止分割。垂直投影法分割出的字符由于粘连可能会出现一个字符中实际包含了两个或多个字符。

从左至右依次对通过垂直投影法分割出的字符依次考虑其宽度W_c

上式用来估计是否存在字符粘连的情况，其中n是通过W_c，W，G估计出的当前字符中包含的字符的个数。如果n≥2，则根据当前n的值基于模板匹配法可以对当前字符进行分割，原理同Step2，否则，采用垂直投影法的分割结果。本次分割完成，字符计数器c＝c+n。直到c＝5，整个分割过程结束。

当分割完成字符计数器C的值仍小于5，说明最后5-c个字符还未分割出来。那么剩下的5-c个字符采用模板匹配法进行分割，原理同Step2。

⑤字符特征提取和归一化

对不同的字符进行四个侧面扫描提取出字符骨骼累积统计特征，包括笔画斜率累积特征、拐点幅度累积特征、轮廓深度累积特征；最后通过固定粗网格提取字符内部像素特征。

笔画斜率累积特征提取字符笔画是字符的一个非常具有代表性的特征，不同字符在笔画数量，笔画长短，笔画形态是不同的。因此，我们对字符笔画的斜率累积特征进行了提取。首先，将笔画斜率定义为正斜率k_positive，负斜率k_positive和零斜率k_zero，分别统计正斜率和负斜率的斜率累积值和零斜率点的累积数量。这种方法的好处，可以较好地表征字符的骨架笔画形态和笔画长短的特性。

首先定义笔画斜率特征统计点，当且仅当当前扫描点为像素点并且前一扫描行检测到像素点，则当前扫描点为斜率特征统计点，如图3所示。假设当前扫描点p_i(x_i,y_i)为斜率统计点，前一扫描行检测到的像素点是p_i-1(x_i-1,y_i-1)，那么点p_i的斜率k计算由式(8)得到。正负斜率累积值或零斜率点累积数量满足式(9)。

分别提取了字符4个侧面的笔画斜率累积特征。这里共获得了12个特征向量，分别是笔画正斜率累积值笔画负斜率累积值和笔画零斜率累积数量

拐点幅度累积特征提取：

在字符识别中，字符拐点含义非常丰富的特征信息，在多数情况下拐点的数量和位置直接关系到字符结构形状。为了弥补上述笔画斜率累积特征无法全面地表征字符骨骼的结构信息，我们引入了拐点幅度累积特征提取。这里给出拐点的定义：假设当前斜率统计点p_i(x_i,y_i)和前一斜率统计点p_i-1对应的斜率k_i和k_i-1数值符号不同时，则p_i为一个拐点，并且该拐点的幅度ω_i，可由式(10)计算得到：

ω_i＝|k_i-k_i-1|(10)

拐点幅度累积δ可由式(11)计算得到，其中T表示所检测到的拐点的集合。这里共获得字符图片4个侧面的拐点幅度累积值，共4个特征向量，分别为δ^left,δ^top,δ^right,δ^down。

侧面轮廓深度特征提取

不同字符在其轮廓上存在明显的差异，如字符“S”和“U”，字符“S”在左右侧面具有明显的凹特征，顶部和底部都比较平缓；而字符“U”的顶部有明显的凹特征，其它3个侧面轮廓均比较平缓，只从轮廓特征可以很容易地区分字符“S”和“U”。因此字符轮廓的凹凸信息可以作为字符识别的一种有效信息。这里用侧面轮廓深度累积值D表示字符轮廓凹凸程度信息。以字符右侧面为例，在第i行，从右边界向左边界扫描，当遇到第一个像素点时，计算右边界到像素点之间的空点数量d_i。通过对字符4个侧面的扫描。可以提取字符4个侧面的轮廓深度累积值，共获得4个特征向量，分别为D^left,D^right,D^top,D^botton。

字符内部像素统计特征提取

只对字符外围和骨架或轮廓的特征扫描提取，往往无法很好地区分一些外围特征类似而内部特征差异较大的字符。如字符“B”和“D”，这两个字符的外围轮廓累积特征是非常接近的，但是其字符内部特征有明显的差异。这里引入字符内部像素统计特征提取。如图6所示，在字符图片中划分两个粗网格；并计算两个网格分别包含的像素数量，共获得2个特征向量，分别为P₁，P₂。

⑥字符识别

首先对待识别字符样本进行特征提取，将这些特征和预先存储在字符库中的一支字符模式集合逐一进行比对，采用概率神经网络的方法将最接近输入字符模式的已知字符作为识别结果。

概率神经网络是1990年由Specht提出的一种径向基函数(RBF：RadialBasicFunction)网络的重要变形。它采用多变量Parzen窗估计不同类的概率密度函数，以贝叶斯后验概率作为输出，与传统多层前向网络相比，无需用BP算法进行反向误差计算，是完全前向的计算过程。因此其训练时间短、结构稳定，具有强大的非线性识别能力，且不易收敛到局部最小点，特别适合求解模式识别问题。

PNN的学习算法及步骤：

1)确定隐含层神经元径向基函数中心

不失一般性，设训练集样本输入矩阵P和输出矩阵T分别为：

其中，p_ij表示第j个训练样本的第i个输入变量；t_ij表示第j个训练样本的第i个输出变量；R为输入变量的维数；K为输出变量的维数，对应K个类别；Q为训练集样本数。

与GRNN相同，隐含层的每个神经元对应一个训练样本，即Q个隐含层神经元对应的径向基函数中心为：

C＝P^T(13)

2)确定隐含层神经元阈值

为了简便起见，Q个隐含层神经元对应的阈值为：

b₁＝[b₁₁,b₁₂,…,b_1Q]^T(14)

其中，spread为径向基函数的扩展速度。

3)确定隐含层与输出层间的权值

当隐含层神经元的径向基函数中心及阈值确定后，隐含层神经元的输出层便可由下式计算：

aⁱ＝exp(-||C-p_i||²b₁),i＝1,2,…,Q(15)

其中，p_i＝[p_i1,p_i2,…,p_iR]^T为第i个训练样本向量。

与RBF神经网络不同的是，PNN中隐含层与输出层之间的连接权值W取为训练集输出矩阵，即：

W＝t(16)

4)输出层神经元输出计算

当隐含层与输出层神经元间的连接权值确定后，根据PNN的结构图便可以计算出输出层神经元的输出，即:

nⁱ＝LW_2,1aⁱ,i＝1,2,…,Q(17)

yⁱ＝compet(nⁱ),i＝1,2,…,Q(18)

作业节点完成任务后向主节点(名称节点)返回成功消息(消息中包含车牌字符串)；

(5)主节点将识别出来的车牌字符串返回给客户端。

Claims (1)

1.一种基于Hadoop的分布式车牌识别方法，其特征在于该方法的步骤：

1）客户端向网关发送车牌识别请求，请求中包含待识别的车牌图像；

2）网关收到请求后形成识别任务下发到主节点上；

3）主节点收到识别任务后，根据当前作业节点的状态将包含待识别车牌图像的识别子任务发送给作业节点；作业节点开始车牌识别任务，其主要步骤为：

①车牌图像预处理：对抓拍到的车牌图像进行高斯滤波处理，减小噪声的影响，然后作灰度化处理得到灰度图像；

②车牌定位：首先利用Sobel算子对包含车牌的图像进行边缘检测，然后进行二值化处理，再对二值图像进行形态学滤波，使车牌区域形成一个连通区域，然后根据车牌的先验知识：长宽比相对固定，在二值图像上字符呈现明暗交替变化，分别采用面积、长宽比、一级垂直投影特征进行加权综合来对所得到的连通区域进行筛选，选定一个最佳的区域作为牌照区域，并将其从图像中分隔出来；

③车牌校正：由于车牌的上下沿是两条明显的平行线，所以结合Hough变换和特征投影法来检测车牌的倾斜角，然后对车牌图像进行倾斜校正；

④车牌字符分割：采用模板匹配，关键域和垂直投影法相结合的方式进行车牌字符分割；充分利用车牌自身的特征并结合模板匹配法对车牌进行分割，该方法分割速度快且能够有效应对字符粘连、模糊等情况；

⑤字符特征提取和归一化：对不同的字符进行四个侧面扫描提取出字符骨骼累积统计特征，包括笔画斜率累积特征、拐点幅度累积特征、轮廓深度累积特征；最后通过固定粗网格提取字符内部像素特征；

⑥字符识别：字符识别的基本思想是匹配分类，首先对待识别字符样本进行特征提取，将这些特征和预先存储在字符库中的一支字符模式集合逐一进行比对，将最接近输入字符模式的已知字符作为识别结果，本方案采用概率神经网络的识别方法；

作业节点完成任务后向主节点返回成功消息，消息中包含车牌字符串；

4）主节点将识别出来的车牌字符串返回给客户端。