CN109410594A - 一种车牌识别系统及方法 - Google Patents
一种车牌识别系统及方法 Download PDFInfo
- Publication number
- CN109410594A CN109410594A CN201811547321.8A CN201811547321A CN109410594A CN 109410594 A CN109410594 A CN 109410594A CN 201811547321 A CN201811547321 A CN 201811547321A CN 109410594 A CN109410594 A CN 109410594A
- Authority
- CN
- China
- Prior art keywords
- module
- license plate
- vehicle
- shooting
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Abstract
本发明公开了一种车牌识别系统及方法,该系统包括:传感模块,通过具有运动速度的车辆产生的多普勒效应来判断是否有车辆进入到可拍摄区域,以于监测到有车辆进入时发出工作触发信号并分成两路输出;补光模块,在工作触发信号的触发下提供红外辅助照明;光电触发控制模块,根据探测到的运动速度调整两路信号之间的时间延迟,保证补光模块与图像拍摄模块同步;图像拍摄模块,在光电触发控制模块的控制下,采用闭环序列触发的工作方式连续拍摄若干车牌图片;图像处理及识别模块,通过大量的实拍图片训练卷积神经网络,根据卷积神经网络进行图像识别,对图像拍摄模块所拍摄的图片实现在线图像识别判断;总控模块,进行系统的总体控制与通讯传输。
Description
技术领域
本发明涉及车牌识别技术领域,特别是涉及一种利用红外辅助照明的车牌识别系统及方法。
背景技术
车牌自动识别技术是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符、英文字母、阿拉伯数字)进行处理的技术,是现代智能交通的重要组成部分。
现有的车牌识别技术方案都是基于车辆慢速或静止状态(<15km/h)以及可见光闪光灯照明的基础之上的。一个完整的车牌识别系统一般包括车辆检测、图像采集、牌照识别等几部分。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,牌照识别单元对图像进行处理,定位出牌照位置,再将牌照中的字符分割出来进行识别,然后组成牌照号码输出。一般地,车辆检测可以采用埋地线圈检测、红外检测、雷达检测、视频检测等多种方式,其中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,而且更适合移动式、便携式应用的要求,具备视频车辆检测功能的车牌识别系统,首先对视频信号中的一帧(场)的信号进行图像采集,数字化,得到对应的数字图像;然后对其进行分析,判断其中是否有车辆;若认为有车辆通行,则进入到下一步进行牌照号码识别;否则继续采集视频信号,进行处理。牌照号码识别需要以下几个基本的步骤:牌照定位,定位图片中的牌照位置;牌照字符分割,把牌照中的字符分割出来;牌照字符识别,把分割好的字符进行识别,最终组成牌照号码,牌照识别过程中,牌照颜色的识别依据算法不同,可能在上述不同步骤实现,通常与牌照识别互相配合、互相验证。
在现有技术中,为了提高恶劣天气下识别率和夜晚环境工作的问题。传统方案一般都是依靠的强闪光光源作为识别系统的辅助光源,用来提高识别率。人的瞳孔会因为外界环境光线的强弱来放大或者缩小,目的是控制太多光线进入眼底而造成伤害。但是闪光灯的速度实在太快,瞳孔根本来不及收缩,所以闪光灯会对我们的眼底视觉细胞和视觉神经,造成暂时性损伤。虽然偶尔的闪光灯照射后,眼睛几分钟之后会得到恢复,但是这几分钟的“致盲”状态会对驾驶安全产生严重的潜在危害,特别在夜晚或在高速行驶状态下容易驾驶人员造成视觉上的严重干扰,造成严重的安全隐患。特别是开车司机,由于经常夜间开车,所以经常会被电子眼的闪光灯照射,由于卡车的体积大,载货量大,驾驶员被闪光等“闪瞎后”很容易出现交通安全问题。
环境是影响车牌识别的主要因素,在采集车辆图像时,由于环境光线变化剧烈,白天光较强、夜间较弱,面光与背光不同,上午和下午的光照方向也不一样,抓拍图像时受环境光线影响较大,车速过高、采集设备的动态范围等都使成像质量难以得到有效保证。
总的来说,现有技术对车牌的识别存在以下难题:①图片拍摄角度的差异导致车牌在图片中呈现的角度不同,从而导致定位难度增加;②复杂的背景环境对车牌定位和识别结果造成一定影响;③拍摄图片的质量不同,光线较强和夜间光线较差的情况所拍摄的图片的质量差异性较大。④个别车牌字符的相似度较大。比如京和琼的右半部分、B和8的右半部分、L和1的上半部分、E和F的上半部分、N和W的右半部分、P和F的左半部分等;⑤车牌识别系统升级难度较大。随着社会的发展,新型的车牌(新能源车牌-6位号牌)将导致传统的车牌识别系统无法识别。
发明内容
为克服上述现有技术存在的不足,本发明之一目的在于提供一种车牌识别系统及方法,以解决采用可见光闪光灯辅助照明带来的人眼“致盲”,进而影响交通安全的问题。
本发明之另一目的在于提供一种车牌识别系统及方法,以解决夜晚极其弱光情况下的车牌拍摄问题。
本发明之再一目的在于提供一种车牌识别系统及方法,以解决拍摄图片背景环境复杂,进而需要复杂算法的问题。
本发明之又一目的在于提供车牌识别系统及方法,以解决高速(大于150km/h)行驶车辆车牌拍摄的问题。
为达上述及其它目的,本发明提出一种车牌识别系统,包括:
传感模块,用于通过具有运动速度的车辆产生的多普勒效应来判断是否有车辆进入到可拍摄区域,以于监测到有车辆进入可拍摄区域时发出工作触发信号,将所述工作触发信号分成两路输出给补光模块和光电触发控制模块;
补光模块,用于在工作触发信号的触发下提供红外辅助照明;
光电触发控制模块,用于根据所述传感模块所探测到的运动速度调整所述工作触发信号的两路信号之间的时间延迟,以保证所述补光模块与图像拍摄模块的同步;
图像拍摄模块,用于在所述光电触发控制模块的控制下,采用闭环序列触发的工作方式,进行连续若干车牌图片的拍摄;
图像处理及识别模块,用于通过大量的实拍图片训练基于深度机器学习的卷积神经网络,以利用该卷积神经网络进行图像识别,从所述图像拍摄模块所拍摄的图片中挑选出能够进行有效车牌号码的识别图片进行在线图像识别判断,从而有效的满足复杂情况的识别要求;
总控模块,用于进行系统的总体控制与数据的通讯传输。
优选地,所述补光模块采用808nm-850nm的红外LED照明灯进行所述车牌识别系统的辅助照明。
优选地,所述补光模块采用810nm的红外LED照明灯进行所述车牌识别系统的辅助照明,并针对所述810nm的红外LED照明灯于所述图像拍摄模块前配置中心波长为810nm的窄带滤光片,以滤除辅助照明波段之外的其他波段。
优选地,所述光电触发控制模块通过快速光耦与电磁继电器配合使用,控制所述图像拍摄模块的工作时间,以保证所述补光模块与图像拍摄模块的同步。
优选地,所述系统还包括电平转换模块,用于将所述传感模块输出的工作触发信号转换至其他模块的兼容模式。
优选地,所述电平转换模块为RS485转TTL电平模块。
优选地,所述传感模块通过微波发射和接收器,利用具有运动速度的车辆产生的多普勒效应来判断是否有车辆进入到可拍摄区域,其响应时间控制在<1ms。
优选地,所述图像拍摄模块通过所述传感模块,按照不同的全局电子快门时间和增益进行设置序列触发模式,以进行连续若干不同参数的车牌图片的拍摄并保存。
优选地,所述图像处理及识别模块将大量的车牌图片进行分割后,变成单个的汉字或者字符、数字的图片,并通过多组的卷积层、池化层和全连接层运算进行分类训练,从而达到最优化的识别效果。
为达到上述目的,本发明还提供一种车牌识别方法,包括如下步骤:
步骤S1,利用传感模块根据具有运动速度的车辆产生的多普勒效应来判断是否有车辆进入到可拍摄区域,以于监测到有车辆进入可拍摄区域时发出工作触发信号,并将所述工作触发信号分成两路输出给补光模块以及光电触发控制模块;
步骤S2,所述补光模块在工作触发信号的触发下提供红外辅助照明,所述光电触发控制模块根据所述传感模块所探测到的运动速度调整工作触发信号的两路信号之间的时间延迟,以保证补光模块与图像拍摄模块的同步;
步骤S3,所述图像拍摄模块在光电触发控制模块的控制下,采用闭环序列触发的工作方式,进行连续若干车牌图片的拍摄;
步骤S4,通过大量的实拍图片训练基于深度机器学习的卷积神经网络,以利用该卷积神经网络进行图像识别,从所述图像拍摄模块所拍摄的图片中挑选出能够进行有效车牌号码的识别图片进行在线图像识别判断,从而有效的满足复杂情况的识别要求。
与现有技术相比,本发明一种车牌识别系统及方法通过采用810nm的红外辅助照明解决了现有技术中由于采用可见光闪光灯辅助照明带来的人眼“致盲”,进而影响交通安全的问题,并且本发明采用红外辅助照明和窄带滤光片的方式从光源部分过滤了绝大部分背景噪声光源,且利用车牌和车身不同的反射特征,使得只有车牌在CMOS上清晰成像,能极大提高识别速率,同时本发明通过采用闭环序列工作模式,采用不同全局快门和增益的序列工作,根据特性算法从序列照片中自动挑选出满足自动车牌识别算法要求的图片进行后续操作,采用动态工作方式提高了识别,不仅解决了夜晚极其弱光情况下以及高速行驶车辆的车牌拍摄问题,而且解决了拍摄图片背景环境复杂,进而需要复杂算法的问题。
附图说明
图1为本发明一种车牌识别系统的结构示意图;
图2为本发明具体实施例中序列触发的模式图;
图3为本发明具体实施例中图像处理及识别模块的卷积神经网络的示意图;
图4为本发明具体实施例中技术方案示意图;
图5为本发明具体实施例中车牌识别系统的结构示意图;
图6为现有技术以干净车牌为目标,对比脏车牌的示意图;
图7为现有技术以脏车牌为目标,对比干净车牌的示意图;
图8为本发明一种车牌识别方法的步骤流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种车牌识别系统的结构示意图。如图1所示,本发明一种车牌识别系统,包括:
传感模块101,用于通过具有运动速度的车辆产生的Doppler(多普勒)效应来判断是否有车辆进入到可拍摄区域,以于监测到有车辆进入可拍摄区域时发出工作触发信号,所述工作触发信号分成两路输出给补光模块102的控制电路和光电触发控制模块103。在本发明具体实施例中,传感模块101通过2.4GHz微波发射和接收器,利用具有运动速度的车辆产生的Doppler(多普勒)效应来判断是否有车辆进入到可拍摄区域。考虑到车辆的运动速度和能清楚拍摄区域的范围,其响应时间可控制在<1ms。
补光模块102,用于在工作触发信号的触发下提供808nm-850nm(具体可根据感光CCD的效率、大气环境的传输消光度、以及车牌油漆面不同颜色的反射率综合考虑)的红外辅助照明。具体地,补光模块101采用810nm红外LED照明灯进行车牌识别系统的辅助照明,当接收到工作触发信号后,启动其辅助照明。在本发明具体实施例中,采用的810nm的红外辅助照明,其波段在人眼响应谱段之外(人眼不可见即不存在致盲问题)。由于传统方案的拍摄过程都是借助自然光或可见光闪光灯的辅助照明,得到的车辆和车牌图像都是彩色的,其响应的软件识别算法也是基于RGB的算法,而在810nm红外辅助照明中,基于RGB的算法将不再适用,其所摄图片为黑白图片,其反射光只体现了强度信息,因此需要辅助照明光强具有很好的均匀性。LED发光二极管照明的均匀性起着关键的作用,目前在国内外关于LED照明均匀性的标准中只有关于彩色显示屏的2007年发布的《发光二极管(LED)显示屏测试方法》,在本发明具体实施例中,本发明采用了基于扩展810nmLED非轴旋转对称连续自由曲面照明的优化设计方法,根据实际测试条件设计了拍摄距离在10m-12m,视场范围在4m×4m(考虑车身车头)的均匀照度补光照明系统,根据照度均匀性公式:实际照度均匀性≤5%,能够满足拍照的均匀性要求。
表1车牌对应不同波段的反射率
从表1中可以看出,采用810nm的辅助照明对应于不同的车牌的反射光的反射率在CMOS上成像时的区分度明显,可以实现汉字、字符以及数字的轮廓的识别。
由于车牌和车身对光源的反射具有明显的差异特征,针对810nm的红外辅助照明光源,本发明还配置了中心波长为810nm,带宽为20nm的窄带滤光片,具体地,即在图像拍摄模块104的CCD前设置窄带滤光片,使得进入CCD的时候把干扰背景光(地面散射、汽车大灯等)滤除掉,提高信噪比,可以滤除辅助照明波段之外的其他波段,既解决了太阳光以及背景噪声问题(太阳光、散射光、汽车大灯在此波段的光强很小),也解决了后续识别算法中车牌定位问题(车牌拍摄系统只收到车牌的反射光信号,车身的发射光信号可以忽略)。
光电触发控制模块103,用于根据传感模块101所探测到的运动速度调整工作触发信号的两路信号之间的时间延迟,以保证补光模块102与图像拍摄模块104的同步。在本发明具体实施例中,针对夜晚的拍摄环境,补光模块102采用的810nm补光灯的功率约在40W量级,其连续工作需要风冷装置,给其他器件的工作环境以及系统集成的设计带来了很大的难度。考虑到实际的工作环境和高速车流的具体状况,本发明将810nm的补光灯设计在脉冲工作模式,并增加了光电触发控制模块,于接收到汽车进入拍照区域的视场之后再触发系统工作,每辆汽车的工作时间大约控制100ms,然后再等待下次的触发,补光灯的发热量就可以忽略,大大提高了系统的集成度。在本发明具体实施例中,光电触发控制模块103通过快速光耦(例如6N137)与电磁继电器配合使用,控制图像拍摄模块104的工作时间,以保证补光模块102与图像拍摄模块104的同步。
图像拍摄模块104,用于在光电触发控制模块103的控制下,采用闭环序列触发的工作方式(即根据图2的序列连续拍摄),进行连续若干车牌图片的拍摄。在本发明具体实施例中,图像拍摄模块104为CMOS拍摄系统,即该CMOS拍摄系统采用闭环序列触发的工作方式,针对复杂多变的环境因素(包括车牌脏的程度),通过传感模块101的Doppler雷达信号触发系统,按照不同的全局电子快门时间和增益进行预先设置(如图2所示为本发明具体实施例中序列触发的模式图),进行连续16张不同参数的车牌图片的拍摄并保存。
图像处理及识别模块105,用于通过大量的实拍图片数据训练机器学习算法,采用深度机器学习的卷积神经网络进行图像识别,从图像拍摄模块104所拍摄的所有拍摄图片中挑选出能够进行有效车牌号码的识别图片进行在线图像识别判断,从而有效的满足复杂情况的识别要求。具体地,图像处理及识别模块105将大量的车牌图片进行分割后,变成单个的汉字或者字符、数字的图片,然后通过多组的卷积层、池化层和全连接层运算进行分类训练,从而达到最优化的识别效果。
在本发明具体实施例中,图像处理及识别模块105在原有的深度学习模型框架基础之上,根据车牌的特征(标准尺寸,标准字符)建立了二值化的标准卷积参数层,极大了减少了学习矩阵的参数,降低机器学习所需的样本数量。卷积工作时,会有规律的扫描过输入特征。在卷积核尺寸内对输入特征做矩阵元素乘法求和并叠加偏差量。
式中,b为偏差量,Zl和Zl+1表示第l+1层的卷积输入和输出,Ll+1为Zl+1的尺寸,这里假设特征图长宽相同,Z(i,j)对应特征图的像素,K为特征图的通道数,f,s0,p是卷积参数,对应卷积核大小,卷积步长和填充层数。
具体地,图像处理及识别模块105的学习及识别过程如下:
(1)根据车牌的具体特征,例如中国有23个省、4个直辖市、2个特别行政区、5个自治区,字符A-Z(剔除字母O、I),数字0-9,专用标识(警,学)等极其有限个汉字、字母和数字,对于车牌尺寸、颜色、具体字符的分布,国家也有明确的标准,根据上述约束条件建立卷积层的标准参数,即根据公式(1)建立卷积层的标准参数。
(2)实际拍摄图像(Image Input)输入进行线性插值处理后与标准卷积层(Standard Image部分)进行卷积运算,经过如图3所示的卷积神经网络进行python算法学习(卷积层、池化层、连接层),采用1×1、3×3、7×7,步长分别为1、2进行卷积及池化操作来优化算法参数,该卷积神经网络采用1×1,5×5,7×7是基于输入图像的像素为单元的,例如5×5,即取5×5=25个像素作为一个矩阵做卷积运算,基于python的神经网络算法指的是,根据卷积层,池化层和连接层来做运算,从最终的识别率来判断学习的成熟程度,不能提取中间过程,可以通过不断的改变像素矩阵的点的顺序和连接层的层数来提高识别率,通过不同的情况进行反复的尝试,调整相应的参数。由于卷积神经网络的架构为现有技术,在此不予赘述。
(3)根据学习之后的参数进行对图像拍摄模块104所拍摄的图片的识别,获得车牌识别结果。理论上来说样本参数越多,计算参数越多,采用层数越多,其识别率越高,但是计算工作量也越大,最终采用方式根据实际情况和识别率进行调整。
总控模块106,用于进行系统的总体控制与数据的通讯传输,也就是说,总控模块106用于对其他模块进行总体控制及数据的通讯传输。
优选地,本发明之车牌识别系统还包括电平转换模块107,用于将Doppler传感模块101输出的工作触发信号转换至其他模块的兼容模式。在本发明具体实施例中,电平转换模块107为RS485转TTL电平模块,也就是说,为增加触发信号的传输距离,Doppler传感模块采用RS485的通讯协议,其他模块都工作在TTL电平模式,因此增加了RS485转TTL电平模块将Doppler传感模块的工作触发信号转换至至TTL兼容模式,以满足各模块之间的通讯和匹配。
以下将通过一具体实施例来说明本发明的车牌识别系统:
在本发明具体实施例中,采用810nm红外LED照明灯进行车牌识别系统的辅助照明,高速高灵敏度工业CMOS进行拍摄以及闭环序列快门时间工作方式实现了全天候高速运动车辆车牌的自动识别,其示意图如图4所示。
本发明目标车辆最大速度设定:180km/hour=50m/s,红外增强相机拍摄时间≈8ms(USB3.0几乎是高速相机的极限值),Doppler传感模块101采用Doppler雷达实现,Doppler雷达在测速系统中已经得到了很好的应用,得益于电磁波的传播速度,Doppler雷达在响应时间上有着得天独厚的优势(ms量级),可以实现设计速度的车牌拍摄。
如图5所示,在本发明具体实施例中,该车牌识别系统包括:
(1)Doppler传感模块。通过24GHz微波发射和接收器,利用具有运动速度的车辆产生的Doppler效应来判断是否有车辆进入到可拍摄区域。考虑到车辆的运动速度和能清楚拍摄区域的范围,其响应时间可控制在<1ms。
(2)通讯协议RS485转TTL电平模块。为提高系统安装的便利性,信号的通讯及传输过程Doppler传感模块都采用了RS485通讯协议,其他模块都工作在TTL电平模式,因此增加了RS485转TTL电平模块来满足各模块之间的通讯和匹配。
(3)可控光电脉冲触发模块。针对夜晚的拍摄环境,本发明采用的810nm补光灯的功率约在40W量级,其连续工作需要风冷装置,给其他器件的工作环境以及系统集成的设计带来了很大的难度。考虑到实际的工作环境和高速车流的具体状况,把810nm的补光灯设计在脉冲工作模式,系统中增加了触发控制模块,接收到汽车进入拍照区域的视场之后再触发系统工作,每辆汽车的工作时间大约控制100ms,然后再等待下次的触发。补光灯的发热量就可以忽略,大大提高了系统的集成度。
(4)810nm补光模块,即采用810nm红外LED照明灯进行车牌识别系统的辅助照明。
(5)CMOS图像拍摄模块。针对复杂多变的环境因素(包括车牌脏的程度),通过Doppler雷达信号触发系统,按照不同的全局电子快门时间和增益进行预先设置,进行连续16张不同参数的车牌图片的拍摄并保存,拍摄并保存图像。
(6)图像识别模块。根据拟定的算法进行车牌的有效识别。目前现有的算法都是依据的彩色车牌进行,先经过RGB多通道转为R,G,B单通道模式(具体需要根据车牌的颜色来选定,例如蓝底白字,黄底黑字和黑底白字等),此时由彩色图像转化为灰度值,再采用二值化处理实现字符区域分割,再和字符库进行比较从而得到识别字符。此种识别算法在天气情况良好且车牌干净的情况下的识别效率几乎是100%,如图6所示:而对于恶劣天气及比较脏的车牌具有很高的错误率。本发明中拍摄图像是利用红外810nm补光灯拍摄而成,所以呈现的是黑白图像,与由多通道转单通道之后的图像比,其锐度要低的多,无法直接进行二值化处理。需要先经过锐化处理再进行字符分割。针对由于外界环境原因导致的拍摄模糊或者有缺陷的脏图像,如图7所示。此模糊车牌用常规处理方法已经不能实时有效的完成字符的分割及识别。针对上述情况,本发明采用了以机器学习算法(AI)为基础的图像识别算法,通过大量的实拍图片数据训练机器学习算法,采用深度机器学习的卷积神经网络进行图像识别,系统将大量的车牌图片进行分割后,变成单个的汉字或者字符、数字的图片,然后通过多组的卷积层、池化层和全连接层运算进行分类训练,从而达到最优化的识别效果。保证夜晚车牌的正确识别率提高到98%以上。
(7)通讯总控模块。进行系统的总体控制与数据的通讯传输。
上述各模块的工作流程如下:Doppler雷达探测到汽车的运动速度后发出系统工作触发信号,为增加触发信号的传输距离,采用RS485的通讯协议,经过通讯协议RS485转TTL电平模块将工作触发信号转换至TTL兼容模式;该工作触发信号分成两路同时输出给810nm补光灯的控制电路和可控光电脉冲触发模块,根据实际Doppler雷达模块所探测到的运动速度调整这两路信号之间的时间延迟保证补光灯与CMOS图像拍摄模块的同步。可控光电脉冲触发模块通过快速光耦6N137与电磁继电器配合使用,控制CMOS图像拍摄模块的工作时间,把通过1次触发后的闭环序列工作模式得到的不同曝光和增益的多张图片上传到图像识别模块进行基于AI算法的处理与识别,最后由总控计算机(通讯总控模块)进行所有模块工作的统筹和上位机的处理。
图8为本发明一种车牌识别方法的步骤流程图。如图8所示,本发明一种车牌识别方法,包括如下步骤:
步骤S1,利用传感模块根据具有运动速度的车辆产生的Doppler(多普勒)效应来判断是否有车辆进入到可拍摄区域,以于监测到有车辆进入可拍摄区域时发出工作触发信号,并将所述工作触发信号分成两路输出给补光模块以及光电触发控制模块。在本发明具体实施例中,传感模块通过2.4GHz微波发射和接收器,利用具有运动速度的车辆产生的Doppler(多普勒)效应来判断是否有车辆进入到可拍摄区域。考虑到车辆的运动速度和能清楚拍摄区域的范围,其响应时间可控制在<1ms。
步骤S2,补光模块在工作触发信号的触发下提供808nm-850nm(具体可根据感光CCD的效率、大气环境的传输消光度、以及车牌油漆面不同颜色的反射率综合考虑)的红外辅助照明,所述光电触发控制模块根据所述Doppler传感模块所探测到的运动速度调整工作触发信号的两路信号之间的时间延迟,以保证补光模块与图像拍摄模块的同步。在本发明具体实施例中,补光模块采用810nm红外LED照明灯进行车牌识别系统的辅助照明,当接收到工作触发信号后,启动其辅助照明。
在本发明中,考虑到实际的工作环境和高速车流的具体状况,本发明将810nm的补光灯设计在脉冲工作模式,并增加了光电触发控制模块,于接收到汽车进入拍照区域的视场之后再触发系统工作,每辆汽车的工作时间大约控制100ms,然后再等待下次的触发,补光灯的发热量就可以忽略,大大提高了系统的集成度。
步骤S3,所述图像拍摄模块在光电触发控制模块的控制下,采用闭环序列触发的工作方式,进行连续若干车牌图片的拍摄。在本发明具体实施例中,图像拍摄模块为CMOS拍摄系统,即该CMOS拍摄系统采用闭环序列触发的工作方式,针对复杂多变的环境因素(包括车牌脏的程度),通过传感模块的Doppler雷达信号触发系统,按照不同的全局电子快门时间和增益进行预先设置,进行连续16张不同参数的车牌图片的拍摄并保存。
步骤S4,通过大量的实拍图片数据训练机器学习算法,采用深度机器学习的卷积神经网络进行图像识别,从所述图像拍摄模块所拍摄的图片中挑选出能够进行有效车牌号码的识别图片进行在线图像识别判断,从而有效的满足复杂情况的识别要求。具体地,将大量的车牌图片进行分割后,变成单个的汉字或者字符、数字的图片,然后通过多组的卷积层、池化层和全连接层运算进行分类训练,从而达到最优化的识别效果。
在本发明具体实施例中,图像处理及识别模块在原有的深度学习模型框架基础之上,根据车牌的特征(标准尺寸,标准字符)建立了二值化的标准卷积参数层,极大了减少了学习矩阵的参数,降低机器学习所需的样本数量。卷积工作时,会有规律的扫描过输入特征。在卷积核尺寸内对输入特征做矩阵元素乘法求和并叠加偏差量。
式中,b为偏差量,Zl和Zl+1表示第l+1层的卷积输入和输出,Ll+1为Zl+1的尺寸,这里假设特征图长宽相同,Z(i,j)对应特征图的像素,K为特征图的通道数,f,s0,p是卷积参数,对应卷积核大小,卷积步长和填充层数。
具体地,步骤S4进一步包括:
步骤S400,根据约束条件建立卷积层的标准参数。在本发明具体实施例中,根据车牌的具体特征,例如中国有23个省、4个直辖市、2个特别行政区、5个自治区,字符A-Z(剔除字母O、I),数字0-9,专用标识(警,学)等极其有限个汉字、字母和数字,对于车牌尺寸、颜色、具体字符的分布,国家也有明确的标准,根据上述约束条件建立卷积层的标准参数。
步骤S401,将实际拍摄图像输入进行线性插值处理后与标准卷积层进行卷积运算,再经过卷积神经网络python算法学习(卷积层、池化层、连接层),采用1×1、3×3、7×7,步长分别为1、2进行卷积及池化操作来优化算法参数。具体地,该卷积神经网络采用1×1,5×5,7×7是基于输入图像的像素为单元的,例如5×5,即取5×5=25个像素作为一个矩阵做卷积运算,基于python的神经网络算法指的是,根据卷积层,池化层和连接层来做运算,从最终的识别率来判断学习的成熟程度,不能提取中间过程,可以通过不断的改变像素矩阵的点的顺序和连接层的层数来提高识别率,通过不同的情况进行反复的尝试,调整相应的参数
步骤S402,根据学习之后的参数利用该卷积神经网络对所述图像拍摄模块所拍摄的图片的识别,获得车牌识别结果。理论上来说样本参数越多,计算参数越多,采用层数越多,其识别率越高,但是计算工作量也越大。最终采用方式根据实际情况和识别率进行调整。
与现有技术相比,本发明具有如下优点:
(1)本发明采用810nm红外辅助照明。现有的技术方案采用气体闪光灯和LED频闪灯,虽然这两种灯在使用寿命和成本上都能满足要求,但是发射波段都在可见光(360nm-780nm),瞬间的闪光会对人眼造成短暂的致盲,会带来极大的安全隐患。810nm红外辅助照明工作在红外波段,人眼不可见,其工作过程中对人眼没有影响,极大的提高了安全性,同时也减少了光污染,符合环保要求和人性化设计要求;
(2)本发明采用红外辅助照明和窄带滤光片的方式从光源部分过滤了绝大部分背景噪声光源,且利用了车牌和车身不同的反射特征,使得只有车牌在CMOS上清晰成像,在识别算法上容易实现,且能极大提高识别速率。现有的自动车牌识别技术方案在CMOS成像包含了车牌、汽车本身、环境光、车灯光灯多项光强信息,软件识别算法需要从各种复杂信息中完成车牌定位、字符分割以及字符识别等操作过程才能实现车牌的识别,给软件算法带来了极大的困难;
(3)本发明采用闭环序列工作模式解决了除(2)意外的干扰因素(例如天气和车牌脏的程度)带来的影响,采用不同全局快门和增益的序列工作,根据特性算法从序列照片中自动挑选出满足自动车牌识别算法要求的图片进行后续操作,采用动态工作方式提高了识别率,而目前静态技术方案针对特别脏的车牌与恶劣多变的天气环境基本是无能无力的。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种车牌识别系统,包括:
传感模块,用于通过具有运动速度的车辆产生的多普勒效应来判断是否有车辆进入到可拍摄区域,以于监测到有车辆进入可拍摄区域时发出工作触发信号,将所述工作触发信号分成两路输出给补光模块和光电触发控制模块;
补光模块,用于在工作触发信号的触发下提供红外辅助照明;
光电触发控制模块,用于根据所述传感模块所探测到的运动速度调整所述工作触发信号的两路信号之间的时间延迟,以保证所述补光模块与图像拍摄模块的同步;
图像拍摄模块,用于在所述光电触发控制模块的控制下,采用闭环序列触发的工作方式,进行连续若干车牌图片的拍摄;
图像处理及识别模块,用于通过大量的实拍图片训练基于深度机器学习的卷积神经网络,以利用该卷积神经网络进行图像识别,从所述图像拍摄模块所拍摄的图片中挑选出能够进行有效车牌号码的识别图片进行在线图像识别判断,从而有效的满足复杂情况的识别要求;
总控模块,用于进行系统的总体控制与数据的通讯传输。
2.如权利要求1所述的一种车牌识别系统,其特征在于:所述补光模块采用808nm-850nm的红外LED照明灯进行所述车牌识别系统的辅助照明。
3.如权利要求2所述的一种车牌识别系统,其特征在于:所述补光模块采用810nm的红外LED照明灯进行所述车牌识别系统的辅助照明,并针对所述810nm的红外LED照明灯于所述图像拍摄模块前配置中心波长为810nm的窄带滤光片,以滤除辅助照明波段之外的其他波段。
4.如权利要求2所述的一种车牌识别系统,其特征在于:所述光电触发控制模块通过快速光耦与电磁继电器配合使用,控制所述图像拍摄模块的工作时间,以保证所述补光模块与图像拍摄模块的同步。
5.如权利要求1所述的一种车牌识别系统,其特征在于:所述系统还包括电平转换模块,用于将所述传感模块输出的工作触发信号转换至其他模块的兼容模式。
6.如权利要求1所述的一种车牌识别系统,其特征在于:所述电平转换模块为RS485转TTL电平模块。
7.如权利要求1所述的一种车牌识别系统,其特征在于:所述传感模块通过微波发射和接收器,利用具有运动速度的车辆产生的多普勒效应来判断是否有车辆进入到可拍摄区域,其响应时间控制在<1ms。
8.如权利要求1所述的一种车牌识别系统,其特征在于:所述图像拍摄模块通过所述传感模块,按照不同的全局电子快门时间和增益进行设置序列触发模式,以进行连续若干不同参数的车牌图片的拍摄并保存。
9.如权利要求1所述的一种车牌识别系统,其特征在于:所述图像处理及识别模块将大量的车牌图片进行分割后,变成单个的汉字或者字符、数字的图片,并通过包括多组卷积层、池化层和全连接层的卷积神经网络进行分类训练,从而达到最优化的识别效果。
10.一种车牌识别方法,包括如下步骤:
步骤S1,利用传感模块根据具有运动速度的车辆产生的多普勒效应来判断是否有车辆进入到可拍摄区域,以于监测到有车辆进入可拍摄区域时发出工作触发信号,并将所述工作触发信号分成两路输出给补光模块以及光电触发控制模块;
步骤S2,所述补光模块在工作触发信号的触发下提供红外辅助照明,所述光电触发控制模块根据所述传感模块所探测到的运动速度调整工作触发信号的两路信号之间的时间延迟,以保证补光模块与图像拍摄模块的同步;
步骤S3,所述图像拍摄模块在光电触发控制模块的控制下,采用闭环序列触发的工作方式,进行连续若干车牌图片的拍摄;
步骤S4,通过大量的实拍图片训练基于深度机器学习的卷积神经网络,以利用该卷积神经网络进行图像识别,从所述图像拍摄模块所拍摄的图片中挑选出能够进行有效车牌号码的识别图片进行在线图像识别判断,从而有效的满足复杂情况的识别要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547321.8A CN109410594A (zh) | 2018-12-18 | 2018-12-18 | 一种车牌识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811547321.8A CN109410594A (zh) | 2018-12-18 | 2018-12-18 | 一种车牌识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109410594A true CN109410594A (zh) | 2019-03-01 |
Family
ID=65460573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811547321.8A Pending CN109410594A (zh) | 2018-12-18 | 2018-12-18 | 一种车牌识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410594A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
CN110111583A (zh) * | 2019-06-17 | 2019-08-09 | 湖南电气职业技术学院 | 一种便携式车牌识别装置 |
CN112329769A (zh) * | 2020-10-27 | 2021-02-05 | 广汽本田汽车有限公司 | 一种车辆铭牌识别方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246648A (zh) * | 2007-12-28 | 2008-08-20 | 北京航空航天大学 | 一种固定式卡口电子警察抓拍装置 |
CN101751781A (zh) * | 2008-12-02 | 2010-06-23 | 无锡市恒通智能交通设施有限公司 | 一种高清电子警察装置 |
CN104966071A (zh) * | 2015-07-03 | 2015-10-07 | 武汉烽火众智数字技术有限责任公司 | 一种基于红外补光的夜间车牌检测和识别方法以及装置 |
CN105608904A (zh) * | 2016-02-17 | 2016-05-25 | 成都融创智谷科技有限公司 | 一种公路路况违章实时防雷监控装置 |
CN205541427U (zh) * | 2016-01-26 | 2016-08-31 | 浙江中盈在线互联网科技有限公司 | 车辆车牌记录装置 |
CN106297308A (zh) * | 2016-09-30 | 2017-01-04 | 广西大学 | 一种智能电子车牌识别系统 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及系统 |
CN106448189A (zh) * | 2016-11-02 | 2017-02-22 | 南京慧尔视智能科技有限公司 | 基于微波的多车道测速和卡口触发的方法与装置 |
CN108538059A (zh) * | 2017-04-13 | 2018-09-14 | 合肥圣博瑞科技有限公司 | 电子警察补光系统的控制方法 |
-
2018
- 2018-12-18 CN CN201811547321.8A patent/CN109410594A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246648A (zh) * | 2007-12-28 | 2008-08-20 | 北京航空航天大学 | 一种固定式卡口电子警察抓拍装置 |
CN101751781A (zh) * | 2008-12-02 | 2010-06-23 | 无锡市恒通智能交通设施有限公司 | 一种高清电子警察装置 |
CN104966071A (zh) * | 2015-07-03 | 2015-10-07 | 武汉烽火众智数字技术有限责任公司 | 一种基于红外补光的夜间车牌检测和识别方法以及装置 |
CN205541427U (zh) * | 2016-01-26 | 2016-08-31 | 浙江中盈在线互联网科技有限公司 | 车辆车牌记录装置 |
CN105608904A (zh) * | 2016-02-17 | 2016-05-25 | 成都融创智谷科技有限公司 | 一种公路路况违章实时防雷监控装置 |
CN106297308A (zh) * | 2016-09-30 | 2017-01-04 | 广西大学 | 一种智能电子车牌识别系统 |
CN106448189A (zh) * | 2016-11-02 | 2017-02-22 | 南京慧尔视智能科技有限公司 | 基于微波的多车道测速和卡口触发的方法与装置 |
CN106407981A (zh) * | 2016-11-24 | 2017-02-15 | 北京文安智能技术股份有限公司 | 一种车牌识别方法、装置及系统 |
CN108538059A (zh) * | 2017-04-13 | 2018-09-14 | 合肥圣博瑞科技有限公司 | 电子警察补光系统的控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059751A (zh) * | 2019-04-19 | 2019-07-26 | 南京链和科技有限公司 | 一种基于机器学习的胎码和轮胎状态识别方法 |
CN110111583A (zh) * | 2019-06-17 | 2019-08-09 | 湖南电气职业技术学院 | 一种便携式车牌识别装置 |
CN112329769A (zh) * | 2020-10-27 | 2021-02-05 | 广汽本田汽车有限公司 | 一种车辆铭牌识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diaz-Cabrera et al. | Suspended traffic lights detection and distance estimation using color features | |
CN105354530B (zh) | 一种车身颜色识别方法及装置 | |
CN102156862B (zh) | 一种反遮改车牌识别系统及识别方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN101882034B (zh) | 触摸装置的触摸笔颜色识别装置及方法 | |
CN1867954B (zh) | 用于显示车辆环境的方法和装置 | |
CN101344988B (zh) | 图像获取和处理装置及方法、车辆监测和记录系统 | |
CN109410594A (zh) | 一种车牌识别系统及方法 | |
CN101919246A (zh) | 非后向反射牌照成像系统 | |
CN102556021B (zh) | 一种汽车防闯红灯的控制装置 | |
CN103345766A (zh) | 一种信号灯识别方法及装置 | |
CN104574960A (zh) | 一种交通灯识别方法 | |
CN102314600A (zh) | 用于畅通路径检测的去除由基于车辆的相机捕获的图像中的阴影 | |
CN109460715A (zh) | 一种基于机器学习的交通灯自动识别实现方法 | |
CN107038420A (zh) | 一种基于卷积网络的交通信号灯识别算法 | |
CN102314601A (zh) | 使用非线性光照恒定核去除由基于车辆的相机捕获的图像中的阴影 | |
CN107092876A (zh) | 基于Retinex与S‑SIFT特征结合的低照度车型识别方法 | |
CN107065871A (zh) | 一种基于机器视觉的自走餐车识别定位系统及方法 | |
CN109859519A (zh) | 一种停车位状态检测系统及其检测方法 | |
CN103679194B (zh) | 一种基于滤光片的红绿灯识别方法 | |
CN109934108A (zh) | 一种多目标多种类的车辆检测和测距系统及实现方法 | |
CN105677206A (zh) | 一种基于视觉的抬头显示器控制系统及方法 | |
CN101937505B (zh) | 一种目标检测方法和设备及其使用的图像采集装置 | |
CN109886086A (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN110363070A (zh) | 智能识别道路状态的方法、装置及计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |