CN112071083B - 一种机动车牌接力识别系统及车牌接力识别方法 - Google Patents

Abstract

本发明为一种机动车牌接力识别系统及车牌接力识别方法，包括分布终端，卡口基站以及中心设备，所述分布终端，用于采集和处理图像信息；所述卡口基站，固定安装于各交通卡口，一方面用于采集和处理图像信息，另一方面用于分布终端和中心设备的信息中转；所述中心设备，一方面用于对系统中所有的分布终端和卡口基站进行管理和协调，另一方面根据接收到的车牌信息，对目标车牌的位置进行预测。该系统通过对目标车辆的跨镜位置进行预测计算，并循环执行车牌的接力识别过程，实现了机动车牌接力识别，可大大提高目标机动车牌识别和定位的实时性，具有广阔的实用前景。

Description

一种机动车牌接力识别系统及车牌接力识别方法

技术领域

本发明涉及计算机、智能识别领域，尤其涉及一种机动车牌接力识别系统及车牌接力识别方法。

背景技术

在交通系统的全过程实时准确的获得机动车车牌号，对于智能交通系统的实现及管理均具有重要意义。

目前，对于目标机动车牌号的图像识别主要依赖于建设于交通管理部门的城市监控系统，如果要跟踪某个机动车，需要定位目标机动车牌时，只能输入目标机动车牌号信息，然后主要依赖数据中心的计算资源从海量图像中识别和搜索，由于从海量的图像中进行识别目标车牌，因而需要很长的时间才可以搜索到，而目标车辆在搜索的时间段依旧在行驶，故当搜索到目标车牌机动车上一位置信息后，目标机动车已经驶离搜到的上一位置有很远的距离了，故目前的车牌识别系统以及方法无法做到实时高效的跟踪目标车辆。同时现有的监控卡口密度也难以支撑高频率车牌信息获取的要求。

发明内容

本发明公开了一种基于跨镜位置预测的机动车牌接力识别系统及车牌接力识别方法，目的解决现有的监控卡口密度也难以支撑高频率车牌信息获取的要求以及目前无法实时高效的定位目标机动车牌的技术问题，以实现实时对目标机动车牌进行识别和定位的技术效果。

本发明的技术方案如下：

一种机动车牌接力识别系统，包括分布终端，卡口基站以及中心设备，所述分布终端，用于采集和处理图像信息；所述卡口基站，固定安装于各交通卡口，一方面用于采集和处理图像信息，另一方面用于分布终端和中心设备的信息中转；所述中心设备，一方面用于对系统中所有的分布终端和卡口基站进行管理和协调，另一方面根据接收到的车牌信息，对目标车牌的位置进行预测。

进一步，第一摄像头、第一时钟模块、第一存储器、第一定位芯片、第一处理器、第一GPU、第一通信模块；

所述第一摄像头，用于采集图像信息，所述第一摄像头与第一处理器通信连接；

所述第一时钟模块，用于系统校时及精准计时，时钟模块与第一处理器通信连接，可以互通数据；

所述第一存储器，用于存储数据信息，存储器与第一处理器数据连接，可以互通数据；

所述第一定位芯片，用于产生和记录分布终端的位置信息，定位芯片与第一处理器数据连接，可以互通数据；

所述第一处理器，运行有处理程序，用于处理数据和通信，处理器与第一GPU数据连接，可以互通数据；

所述第一GPU，运行有车牌识别所用的图像处理程序，可以识别图像中的车牌号；

所述第一通信模块，用于通信处理，通信模块与第一处理器具有数据连接，可以互通数据。

进一步，所述卡口基站包括，第二摄像头、第二时钟模块、第二存储器、第二定位芯片、第二处理器、第二GPU、第二通信模块；

所述第二摄像头，用于采集图像信息；所述第二摄像头与第二处理器具有通信连接；

所述第二时钟模块，用于系统校时及精准计时，所述第二时钟模块与第二处理器具有通信连接，可以互通数据；

所述第二存储器，用于存储数据信息，所述第二存储器与第二处理器具有数据连接，可以互通数据；

所述第二定位芯片，用于产生和记录分布终端的位置信息，所述第二定位芯片与第二处理器具有数据连接，可以互通数据；

所述第二处理器，运行有处理程序，用于处理数据和通信，所述第二处理器与第二GPU具有数据连接，可以互通数据；

所述第二GPU，运行有车牌识别所用的图像处理程序，可以识别图像中的车牌号；

所述第二通信模块，用于通信处理，所述第二通信模块与第二处理器具有数据连接，可以互通数据。

进一步，所述中心设备包括第三通信模块、时钟协调器、存储模块、第三处理器、第四通信模块、接口模块、第四处理器；

所述第三通信模块，用于中心设备与卡口基站进行数据通信，所述第三通信模块与第三处理器具有数据连接，可以互通数据；

所述时钟协调器，用于精确计时并与卡口基站的第二时钟模块进行校时；所述时钟协调器与第三处理器具有数据连接，可以互通数据；

所述存储模块，用于存储各类识别结果数据；所述存储模块与所述第三处理器具有数据连接，可以互通数据；

所述第三处理器，运行有处理程序，一方面接收第四通信模块或接口模块传来的目标车牌信息，并将车牌信息处理后，发送给第四处理器；另一方面所述第三处理器调用所述第四处理器的处理结果，用于快速接力识别；所述第三处理器与第四通信模块和接口模块都具有数据连接，可以互通数据；

所述第四通信模块，用于与现有的交通卡口监控系统对接，可向交通卡口监控系统发送数据请求，并接收交通卡口监控系统返回的数据；

所述接口模块，用于与第三方系统对接，接收第三方系统发送来的图像数据及车牌接力识别请求；

所述第四处理器，运行有基于图像识别的目标机动车位置预测程序，可根据目标机动车的图片和时间，预测下一时间周期目标机动车的位置；所述第四处理器和所述第三处理器数据连接，可以互通数据。

进一步，所述通信连接方式包括数据总线、数据线、电缆、网线、wifi、蓝牙。

一种基于上述机动车牌接力识别系统的车牌接力识别方法，包括以下步骤，所述中心设备通过第四通信模块或接口模块接收现有交通卡口监控系统的图像数据或第三方系统发来的图像数据及车牌接力识别请求，所述图像数据包括目标机动车牌的图片IMG^s、车牌文本信息Num^s、拍摄时间t^s及位置信息l^s，记图像数据完整数据包为TC^s＝{IMG^s，Num^s，t^s，l^s}，第四通信模块或接口模块将接收到的数据包TC^s发送至第三处理器，第三处理器一方面将接收到的TC^s发送至存储模块存储，另一方面将TC^s发送给第四处理器，第四处理器接收到TC^s信息后，进行跨镜位置预测计算，得到预测的卡口基站地址集合，第四处理器将预测的卡口基站地址集合发送给第三处理器，同时发送给存储模块存储；

所述第三处理器接收到卡口基站的地址集合后，向集合中所包含的所有卡口基站发送目标车牌文本，卡口基站中的第二通信模块接收到目标车牌文本后，将目标车牌文本信息发送给第二处理器，第二处理器一方面将目标车牌文本信息发送到第二存储器中存储，另一方面将文本信息发送至第二GPU中，所述第二GPU中运行有车牌识别算法，根据第二摄像头采集到的图像信息，实时识别车牌文本信息，并判断是否是目标车牌；

所述第二处理器还将目标车牌文本信息通过第二通信模块广播到所属卡口基站附近的所有分布终端，所述分布终端接收到目标车牌文本信息后，第一处理器一方面将目标车牌文本信息发送到第一存储器中存储，另一方面将文本信息发送至第一GPU中，所述第一GPU中运行有车牌识别算法，根据第一摄像头采集到的图像信息，实时识别车牌文本信息，并判断是否是目标车牌，若判断到目标车牌，则将相关图像信息包括但不限于时间、图像信息、分布终端或卡口基站的地理信息发送给卡口基站；

当卡口基站识别到目标车牌或得到附近分布终端返回的目标车牌相关信息后，所述卡口基站将相关图像信息发送给中心设备。

进一步，所述跨镜位置预测计算具体处理包括以下步骤：

S1确定跨镜位置预测的图像采样周期；

S2按采样周期对目标识别图像进行采样，并对跨镜位置信息进行预测计算。

进一步，所述步骤S1中，确定合理的图像采样周期，采用如下方法：

中心设备将存储模块中最近一条图片信息通过第三通信模块向系统中所有的卡口基站广播作为心跳信息，然后等待卡口基站的应答信号；卡口基站收到心跳信息后一方面立即向中心设备回复应答信号A，另一方面卡口基站向分布终端广播心跳信息，并等待所述分布终端的应答信号，收到分布终端的应答信号B后，卡口基站再次向中心设备回复应答信号B；

在每次系统心跳过程中，记中心设备向卡口基站广播心跳信息的时刻为计时原点，中心设备收到应答信号A的时刻为

1≤i≤m₁，

表示接收到第i个卡口基站的应答信号A，m1表示一个周期内中心设备接收到的卡口基站应答信号A的数量，1≤m1≤n₂，n₂为系统中卡口基站的数量；中心设备收到应答信号B的时刻为

1≤j≤m₂，

表示中心设备接收到第j个卡口基站的应答信号B，m2表示一个周期内中心设备接收到的卡口基站应答信号B的数量，1≤m2≤m1；

以在周期T₁中心跳正常的m1个卡口基站为基准，系统中卡口基站总数量为n₂，取其设备心跳正常率

再从周期T₂中按照

的比率取心跳正常的卡口设备来确定周期T₂内的设备心跳正常数

取图像采样周期

其中，μ为分割系数，取值μ≥1，μ越大预测结果越准确，但μ取值越大对计算资源要求越高，d为累加计算的计数。

进一步，第四处理器从存储模块含有目标车牌的图像中按照T_X采样周期进行采样，记每一帧采样图像中车牌的像素坐标为(x，y)，将集合X_i＝(x_i，y_i)(i＝1，2，...，n)作为训练样本输入目标检测器中，n为目标车牌的像素数，目标检测器对训练样本进行学习，对目标样本向量X进行循环移位可得循环矩阵X′，即：

根据循环矩阵的性质可将其离散傅里叶变换矩阵对角化为

其中，F是用来计算傅里叶变换的常量矩阵，H表示矩阵共轭转置，

表示向量X的傅里叶变换，diag是对角矩阵；

设立训练样本的线性回归函数为f(x_i)＝ω^Tx_i，其中ω是权重系数，可通过最小二乘法

求解，δ用于控制系统的结构复杂性，得到ω＝(x^Hx+δ)^{- 1}x^Hy，其中x＝{x₁，x₂，...，x_n}^T，T表示转置计算；

在非线性回归的情况下引入核函数，把低维空间的计算映射到高维核空间，设立样本的非线性映射函数为

得到岭回归的最优解

α_i为岭回归系数，

其中，α是α_i的向量，I是单位矩阵，由于

是循环矩阵，可得岭回归的解为

是核相关矩阵

的第一行，检测样本是由上一帧图像中的车牌坐标及其循环转移得到的样本集合z_j＝P^jz，其中，P为置换矩阵，z为上一帧车牌坐标像素矩阵；

对于输入的车牌图像，跟踪器响应为

由跟踪器输出最大值的样本坐标作为新目标坐标Y＝minf(z_j)，即预测下一帧车牌的位置坐标；通过训练样本不断进行学习，将新目标坐标Y与实际下一帧车牌坐标Y’进行比对，并更新岭回归系数，

迭代更新，直至新目标坐标Y与实际下一帧车牌坐标Y’的误差小于预先设立的误差阈值为止；

根据图像预测结果，查询卡口基站的位置字典，就可以得到下一周期目标车辆可能出现的跨镜位置及地理位置对应卡口基站的地址集合。

本发明的有益效果是：

该系统通过对目标车辆的跨镜位置进行预测计算，并循环执行车牌的接力识别过程，实现了机动车牌接力识别，可大大提高目标机动车牌识别和定位的实时性，实现非基于数据库查询的从海量图像信息中实时识别和定位目标机动车牌的目的。

附图说明

图1本发明所述一种机动车牌接力识别系统框图；

图2本发明所述分布终端系统框图；

图3本发明所述卡口基站系统框图；

图4本发明所述中心设备系统框图；

图中：10-分布终端，101-第一摄像头、102-第一时钟模块、103-第一存储器、104-第一定位芯片、105-第一处理器、106-第一GPU、107-第一通信模块；20-卡口基站，201-第二摄像头、202-第二时钟模块、203-第二存储器、204-第二定位芯片、205-第二处理器、206-第二GPU、207-第二通信模块；30-中心设备，301-第三通信模块、302-时钟协调器、303-存储模块、304-第三处理器、305-第四通信模块、306-接口模块、307-第四处理器。

具体实施方式

本发明公开了一种机动车牌接力识别系统，包括分布终端，卡口基站以及中心设备，在所述识别系统的基础之上，提供了一种基于跨镜位置预测技术的车牌接力识别方法，主要步骤为：中心设备接收到想要接力识别的车牌号信息，即TC^s＝{IMG^s，Num^s，t^s，l^s}(包括：目标车牌车辆的图像、车牌号、时刻及地理位置)后，对目标车牌(车辆)进行位置预测。具体过程如下：

首先，中心设备根据接收到的想要接力识别的车牌号信息TC^s，进行预测目标车牌可能出现在哪个位置的摄像头下，并预测出一组位置(即跨镜位置预测，缩小了目标车牌要搜索的数据范围)；然后，根据预测的位置，将想要识别的目标车牌号广播到处于这些位置的卡口基站设备；接下来，卡口基站设备一方面自身对拍摄到的车牌信息进行识别，同时将想要识别的车牌号广播给附近的分布终端，分布终端进行车牌信息的识别，并将目标车牌车辆的图片、车牌文本、时刻和位置信息发送给中心设备，这样就完成了一次接力识别，完成对目标车牌当前位置的跟踪；中心设备根据当前位置，重复上述步骤并进入下一次接力识别，实现实时跟踪。

本发明通过跨镜位置预测，筛选出了可能性最大的一组卡口基站，并由卡口基站及其周围的分布终端来完成识别和信息上报，可大大提高车牌持续跟踪识别的实时性和识别效率，克服了传统交通卡口车牌识别，需要依赖数据中心进行海量数据搜索，由于搜索的数据非常多，耗时长，因此不能进行实时跟踪机动车的缺点。

具体的，跨镜位置预测，是指在多个摄像头系统中，预测目标可能出现在哪一个摄像头的画面中，是视觉处理领域中跨镜识别技术(ReID)的一种。

以下结合附图及实施例对本申请技术方案进行详细叙述，参照图1，所述机动车牌接力识别系统由以下部分构成：

分布终端10，卡口基站20以及中心设备30。

所述分布终端10，安装于各种车辆上或户外安装点，用于采集和处理图像信息。分布终端10包括第一摄像头101、第一时钟模块102、第一存储器103、第一定位芯片104、第一处理器105、第一GPU106、第一通信模块107。

所述第一摄像头101，用于采集图像信息。摄像头与第一处理器105具有通信连接，所述通信连接包括但不限于数据总线、数据线、电缆、网线、wifi、蓝牙等有线和无线连接方式，可以互通数据；

所述第一时钟模块102，用于系统校时及精准计时，时钟模块与第一处理器105具有通信连接，可以互通数据；

所述第一存储器103，用于存储图像和处理结果等数据信息，存储器与第一处理器105具有数据连接，可以互通数据；

所述第一定位芯片104，用于产生和记录分布终端的位置信息，定位芯片与第一处理器105具有数据连接，可以互通数据；

所述第一处理器105，运行有处理程序，用于处理数据和通信，处理器与第一GPU106具有数据连接，可以互通数据；

所述第一GPU106，为图像处理模块，运行有车牌识别所用的图像处理程序，可以识别图像中的车牌号；

所述第一通信模块107，用于通信处理，通信模块与第一处理器105具有数据连接，可以互通数据。

第一摄像头101采集图像信息发送给第一处理器105，经处理器压缩处理后发送至第一存储器103存储，所述压缩处理包括但不限于H.263/264/265视频编码等。第一处理器105从第一存储器103中读取图像信息发送给第一GPU106，GPU从接收到的图像中识别出车牌号码后，将有效图像IMG、车牌号文本信息Nc打包发送给第一处理器105，第一处理器105从第一时钟模块102和第一定位芯片104中读取当前时间Te和位置信息L后，将信息处理成完整数据包后，发送至第一储器13中存储。

所述卡口基站20，固定安装于各交通卡口，一方面用于采集和处理图像信息，另一方面用于分布终端10和中心设备30的信息中转。参照图3，卡口基站包括：第二摄像头201、第二时钟模块202、第二存储器203、第二定位芯片204、第二处理器205、第二GPU 206、第二通信模块207。

所述第二摄像头201，用于采集图像信息。所述第二摄像头201摄像头与第二处理器205通信连接，所述通信连接包括但不限于数据总线、数据线、电缆、网线、wifi、蓝牙等有线和无线连接方式，可以互通数据；

所述第二时钟模块202，用于系统校时及精准计时，所述第二时钟模块202与第二处理器205具有通信连接，可以互通数据；

所述第二存储器203，用于存储图像和处理结果等数据信息，所述第二存储器203与第二处理器205具有数据连接，可以互通数据；

所述第二定位芯片204，用于产生和记录分布终端的位置信息，所述第二定位芯片204片与第二处理器205具有数据连接，可以互通数据；

所述第二处理器205，运行有处理程序，用于处理数据和通信，所述第二处理器205与第二GPU206具有数据连接，可以互通数据；

所述第二GPU206，为图像处理模块，运行有车牌识别所用的图像处理程序，可以识别图像中的车牌号；

所述第二通信模块207，用于通信处理，所述第二通信模块207与第二处理器205具有数据连接，可以互通数据。

卡口基站20采集和处理图像信息的处理过程如下：

第二摄像头201采集图像信息发送给第二处理器205，经处理器压缩处理后发送至第二存储器203存储，所述压缩处理包括但不限于H.263/264/265视频编码等。第二处理器205从第二存储器203中读取图像信息发送给第二GPU206，GPU从接收到的图像中识别出车牌号码后，将有效图像IMG2、车牌号文本信息Nc2打包发送给第二处理器205，第二处理器205从第二时钟模块202和第二定位芯片204中读取当前时间Te2和位置信息L2后，将信息处理成完整数据包后，发送至第二存储203中储。

所述中心设备30，一方面用于对系统中所有的分布终端10和卡口基站20进行管理和协调，另一方面根据接收到的车牌信息，对目标车牌的位置进行预测，以更快速指导相关分布终端和卡口基站，识别到目标车牌。中心设备30包括：第三通信模块301、时钟协调器302、存储模块303、第三处理器304、第四通信模块305、接口模块306、第四处理器307。

所述第三通信模块301，用于中心设备30与卡口基站20进行数据通信。所述第三通信模块301与第三处理器304具有数据连接，可以互通数据；

所述时钟协调器302，用于精确计时并与卡口基站20的第二时钟模块202进行校时。所述时钟协调器302与第三处理器304具有数据连接，可以互通数据；

所述存储模块303，用于存储各类识别结果数据；所述存储模块303与所述第三处理器304具有数据连接，可以互通数据；

所述第三处理器304，运行有处理程序，一方面接收第四通信模块305或接口模块306传来的目标车牌信息，并将车牌信息处理后段送给第四处理器307；另一方面所述第三处理器304调用所述第四处理器307的处理结果，用于快速接力识别；所述第三处理器304与第四通信模块305和接口模块306都具有数据连接，可以互通数据；

所述第四通信模块305，用于与现有的交通卡口监控系统对接，可向交通卡口监控系统发送数据请求，并接收交通卡口监控系统返回的数据；

所述接口模块306，用于与第三方系统对接，接收第三方系统发送来的图像数据及车牌接力识别请求；

所述第四处理器307，运行有基于图像识别的目标机动车位置预测程序，可根据目标机动车的图片和时间，预测下一时间周期目标机动车的位置。所述第四处理器307和所述第三处理器304具有数据连接，可以互通数据。

中心设备30通过第四通信模块305或接口模块306接收现有交通卡口监控系统的图像数据或第三方系统发来的图像数据及车牌接力识别请求，所述图像数据包括目标机动车牌的图片IMG^s、车牌文本信息Num^s、拍摄时间t^s及位置信息l^s，记图像数据完整数据包为TC^s＝{IMG^s，Num^s，t^s，l^s}，第四通信模块305或接口模块306将接收到的数据包TC^s发送至第三处理器304，第三处理器304一方面将接收到的TC^s发送至存储模块303存储，另一方面将TC^s发送给第四处理器307，第四处理器307接收到TC^s信息后，进行跨镜位置预测计算，具体处理过程如下：

S1确定跨镜位置预测的图像采样周期；

合理的图像采样周期是确保跨镜位置预测计算准确度和识别系统整体识别效率的基础，为了结合本发明所述识别系统的实际工况，确定合理的图像采样周期，采用如下方法：

中心设备30将存储模块303中最近一条图片信息通过第三通信模块301向系统中所有的卡口基站20广播作为心跳信息，然后等待卡口基站20的应答信号。卡口基站20收到心跳信息后一方面立即向中心设备30回复应答信号A，另一方面卡口基站20向分布终端10广播心跳信息，并等待所述分布终端10的应答信号，收到分布终端10的应答信号后，卡口基站20再次向中心设备30回复应答信号B。在每次系统心跳过程中，记中心设备30向卡口基站20广播心跳信息的时刻为计时原点，中心设备收到应答信号A的时刻为

表示接收到第i个卡口基站的应答信号A，mi表示一个周期内中心设备接收到的卡口基站应答信号A的数量，1≤m1≤n₂，n₂为系统中卡口基站的数量，中心设备收到应答信号B的时刻为

(

表示中心设备30接收到第j个卡口基站的应答信号B，m2表示一个周期内中心设备接收到的卡口基站应答信号B的数量，1≤m2≤m1)。

为了在确保系统响应效率的前提下，跨镜位置预测的采样周期应当在一次心跳周期T₂内，提供充足的预测数据基础，这样可使得中心设备30发送的心跳信息即是目标识别信息，同时又有准确的跨镜预测信息。在本发明所述识别系统是典型的分布式系统，卡口基站20数量众多，在确定图像采样周期时，无需百分百覆盖，只需关注到大多数心跳正常的卡口基站来确定采样周期，就能在系统实际工况中获得良好效果。本发明以在周期T₁中心跳正常的m1个卡口基站为基准，系统中卡口基站总数量为n₂，取其设备心跳正常率

再从周期T₂中按照

的比率取心跳正常的卡口设备来确定周期T₂内的设备心跳正常数

取图像采样周期

其中，μ为分割系数，取值μ≥1，μ越大预测结果越准确，但μ取值越大对计算资源要求越高，d为累加计算的计数。

S2按采样周期对目标识别图像进行采样，并对跨镜位置信息进行预测计算。

第四处理器307从存储模块303含有目标车牌的图像中按照T_X采样周期进行采样，记每一帧采样图像中车牌的像素坐标为(x，y)(图像左下角为坐标原点)。将集合X_i＝(x_i，y_i)(i＝1，2，...，n)作为训练样本输入目标检测器中，n为目标车牌的像素数，目标检测器对训练样本进行学习，对目标样本向量X进行循环移位可得循环矩阵X′，即：

根据循环矩阵的性质可将其离散傅里叶变换矩阵对角化为

其中，F是用来计算傅里叶变换的常量矩阵，H表示矩阵共轭转置，

表示向量X的傅里叶变换，diag是对角矩阵。

设立训练样本的线性回归函数为f(x_i)＝ω^Tx_i，其中ω是权重系数，可通过最小二乘法

求解，δ用于控制系统的结构复杂性，得到ω＝(x^Hx+δ)^{- 1}x^Hy，其中x＝{x₁，x₂，...，x_n}^T，T表示转置计算。

在非线性回归的情况下引入核函数，把低维空间的计算映射到高维核空间，设立样本的非线性映射函数为

得到岭回归的最优解

α_i为岭回归系数，

其中，α是α_i的向量，I是单位矩阵，由于

是循环矩阵，可得岭回归的解为

是核相关矩阵

的第一行。检测样本是由上一帧图像中的车牌坐标及其循环转移得到的样本集合z_j＝P^jz，其中，P为置换矩阵，z为上一帧车牌坐标像素矩阵。对于输入的车牌图像，跟踪器响应为

由跟踪器输出最大值的样本坐标作为新目标坐标Y＝min f(z_j)，即预测下一帧车牌的位置坐标。通过训练样本不断进行学习，将新目标坐标Y与实际下一帧车牌坐标Y′进行比对，并更新岭回归系数，

迭代更新，直至新目标坐标Y与实际下一帧车牌坐标Y’的误差小于预先设立的误差阈值为止。根据图像预测结果，查询卡口基站的位置字典，就可以得到下一周期目标车辆可能出现的跨镜位置及地理位置对应卡口基站的地址集合。

至此便完成了跨镜位置的预测计算。

第四处理器307将预测的卡口基站地址集合发送给第三处理器304，同时发送给存储模块303存储。所述第一处理器接收到卡口基站的地址集合后，向集合中所包含的所有卡口基站20发送目标车牌文本，卡口基站20中的第二通信模块207接收到目标车牌文本后，将目标车牌文本信息发送给第二处理器205，第二处理器205一方面将目标车牌文本信息发送到第二存储器203中存储，另一方面将文本信息发送至第二GPU206中。所述第二GPU206中运行有车牌识别算法，所述车牌识别算法为现有技术，在此不做详细阐述，根据第二摄像头201采集到的图像信息，实时识别车牌文本信息，并判断是否是目标车牌。

所述第二处理器205还将目标车牌文本信息通过第二通信模块207广播到所属卡口基站20附近的所有分布终端10，所述分布终端接收到目标车牌文本信息后，第一处理器105一方面将目标车牌文本信息发送到第一存储器103中存储，另一方面将文本信息发送至第一GPU106中。所述第一GPU106中运行有车牌识别算法，所述车牌识别算法为现有技术，在此不做详细阐述，根据第一摄像头101采集到的图像信息，实时识别车牌文本信息，并判断是否是目标车牌，若判断到目标车牌，则将相关图像信息包括但不限于时间、图像信息、分布终端或卡口基站的地理信息发送给卡口基站。

当卡口基站识别到目标车牌或得到附近分布终端返回的目标车牌相关信息后，所述卡口基站将相关图像信息发送给中心设备30。

至此便完成了一次车牌的接力识别。

中心设备30得到目标车牌图像相关信息后，按照S1-S2所述方法，对目标车辆的跨镜位置进行预测计算，并循环执行车牌的接力识别过程，便实现了本发明所述的机动车牌接力识别。采用本发明所述的机动车牌接力识别系统，可大大提高目标机动车牌识别和定位的实时性。

可以理解的是，以上仅是本发明的较佳实施例，凡基于本发明或本发明的技术思路所做的改动，都应包含在本发明的保护范围。

Claims (6)

1.一种机动车牌接力识别系统，其特征在于，包括分布终端，卡口基站以及中心设备，所述分布终端，用于采集和处理图像信息；所述卡口基站，固定安装于各交通卡口，一方面用于采集和处理图像信息，另一方面用于分布终端和中心设备的信息中转；所述中心设备，一方面用于对系统中所有的分布终端和卡口基站进行管理和协调，另一方面根据接收到的车牌信息，对目标车牌的位置进行预测；具体的，包括以下步骤，所述中心设备通过第四通信模块或接口模块接收现有交通卡口监控系统的图像数据或第三方系统发来的图像数据及车牌接力识别请求，所述图像数据包括目标机动车牌的图片IMG^s、车牌文本信息Num^s、拍摄时间t^s及位置信息l^s，记图像数据完整数据包为TC^s＝{IMG^s,Num^s,t^s,l^s}，第四通信模块或接口模块将接收到的数据包TC^s发送至第三处理器，第三处理器一方面将接收到的TC^s发送至存储模块存储，另一方面将TC^s发送给第四处理器，第四处理器接收到TC^s信息后，进行跨镜位置预测计算，所述跨镜位置预测是指在多个摄像头系统中，预测目标可能出现在哪一个摄像头的画面中，得到预测的卡口基站地址集合，第四处理器将预测的卡口基站地址集合发送给第三处理器，同时发送给存储模块存储；

所述第三处理器接收到卡口基站的地址集合后，向集合中所包含的所有卡口基站发送目标车牌文本，卡口基站中的第二通信模块接收到目标车牌文本后，将目标车牌文本信息发送给第二处理器，第二处理器一方面将目标车牌文本信息发送到第二存储器中存储，另一方面将文本信息发送至第二GPU中，所述第二GPU中运行有车牌识别算法，根据第二摄像头采集到的图像信息，实时识别车牌文本信息，并判断是否是目标车牌；

所述第二处理器还将目标车牌文本信息通过第二通信模块广播到所属卡口基站附近的所有分布终端，所述分布终端接收到目标车牌文本信息后，第一处理器一方面将目标车牌文本信息发送到第一存储器中存储，另一方面将文本信息发送至第一GPU中，所述第一GPU中运行有车牌识别算法，根据第一摄像头采集到的图像信息，实时识别车牌文本信息，并判断是否是目标车牌，若判断到目标车牌，则将相关图像信息包括时间、图像信息、分布终端或卡口基站的地理信息发送给卡口基站；

当卡口基站识别到目标车牌或得到附近分布终端返回的目标车牌相关信息后，所述卡口基站将相关图像信息发送给中心设备；

所述跨镜位置预测计算具体处理包括以下步骤：

S1确定跨镜位置预测的图像采样周期；

S2按采样周期对目标识别图像进行采样，并对跨镜位置信息进行预测计算；

所述步骤S1中，确定合理的图像采样周期，采用如下方法：

中心设备将存储模块中最近一条图片信息通过第三通信模块向系统中所有的卡口基站广播作为心跳信息，然后等待卡口基站的应答信号；卡口基站收到心跳信息后一方面立即向中心设备回复应答信号A，另一方面卡口基站向分布终端广播心跳信息，并等待所述分布终端的应答信号，收到分布终端的应答信号B后，卡口基站再次向中心设备回复应答信号B；

在每次系统心跳过程中，记中心设备向卡口基站广播心跳信息的时刻为计时原点,中心设备收到应答信号A的时刻为

表示接收到第i个卡口基站的应答信号A，m₁表示一个周期内中心设备接收到的卡口基站应答信号A的数量，1≤m₁≤n₂,n₂为系统中卡口基站的数量；中心设备收到应答信号B的时刻为

表示中心设备接收到第j个卡口基站的应答信号B，m₂表示一个周期内中心设备接收到的卡口基站应答信号B的数量，1≤m₂≤m₁；

以在周期T₁中心跳正常的m₁个卡口基站为基准，系统中卡口基站总数量为n₂，取其设备心跳正常率

再从周期T₂中按照

的比率取心跳正常的卡口设备来确定周期T₂内的设备心跳正常数

取图像采样周期

其中，μ为分割系数，取值μ≥1，μ越大预测结果越准确，但μ取值越大对计算资源要求越高，d为累加计算的计数。

2.如权利要求1所述的机动车牌接力识别系统，其特征在于，所述分布终端包括第一摄像头、第一时钟模块、第一存储器、第一定位芯片、第一处理器、第一GPU、第一通信模块；

所述第一摄像头，用于采集图像信息，所述第一摄像头与第一处理器通信连接；所述第一时钟模块，用于系统校时及精准计时，时钟模块与第一处理器通信连接，可以互通数据；

所述第一存储器，用于存储数据信息，存储器与第一处理器数据连接，可以互通数据；

所述第一定位芯片，用于产生和记录分布终端的位置信息，定位芯片与第一处理器数据连接，可以互通数据；

所述第一处理器，运行有处理程序，用于处理数据和通信，处理器与第一GPU数据连接，可以互通数据；

所述第一GPU，运行有车牌识别所用的图像处理程序，可以识别图像中的车牌号；

所述第一通信模块，用于通信处理，通信模块与第一处理器具有数据连接，可以互通数据。

3.如权利要求2所述的机动车牌接力识别系统，其特征在于，所述卡口基站包括，第二摄像头、第二时钟模块、第二存储器、第二定位芯片、第二处理器、第二GPU、第二通信模块；

所述第二摄像头，用于采集图像信息；所述第二摄像头与第二处理器具有通信连接；

所述第二时钟模块，用于系统校时及精准计时，所述第二时钟模块与第二处理器具有通信连接，可以互通数据；

所述第二存储器，用于存储数据信息，所述第二存储器与第二处理器具有数据连接，可以互通数据；

所述第二定位芯片，用于产生和记录分布终端的位置信息，所述第二定位芯片与第二处理器具有数据连接，可以互通数据；

所述第二处理器，运行有处理程序，用于处理数据和通信，所述第二处理器与第二GPU具有数据连接，可以互通数据；

所述第二GPU，运行有车牌识别所用的图像处理程序，可以识别图像中的车牌号；

所述第二通信模块，用于通信处理，所述第二通信模块与第二处理器具有数据连接，可以互通数据。

4.如权利要求3所述的机动车牌接力识别系统，其特征在于，所述中心设备包括第三通信模块、时钟协调器、存储模块、第三处理器、第四通信模块、接口模块、第四处理器；

所述第三通信模块，用于中心设备与卡口基站进行数据通信，所述第三通信模块与第三处理器具有数据连接，可以互通数据；

所述时钟协调器，用于精确计时并与卡口基站的第二时钟模块进行校时；所述时钟协调器与第三处理器具有数据连接，可以互通数据；

所述存储模块，用于存储各类识别结果数据；所述存储模块与所述第三处理器具有数据连接，可以互通数据；

所述第三处理器，运行有处理程序，一方面接收第四通信模块或接口模块传来的目标车牌信息，并将车牌信息处理后，发送给第四处理器；另一方面所述第三处理器调用所述第四处理器的处理结果，用于快速接力识别；所述第三处理器与第四通信模块和接口模块都具有数据连接，可以互通数据；

所述第四通信模块，用于与现有的交通卡口监控系统对接，可向交通卡口监控系统发送数据请求，并接收交通卡口监控系统返回的数据；

所述接口模块，用于与第三方系统对接，接收第三方系统发送来的图像数据及车牌接力识别请求；

所述第四处理器，运行有基于图像识别的目标机动车位置预测程序，可根据目标机动车的图片和时间，预测下一时间周期目标机动车的位置；所述第四处理器和所述第三处理器数据连接，可以互通数据。

5.如权利要求2至4中任意一项所述的机动车牌接力识别系统，其特征在于，所述通信连接方式包括数据总线、数据线、电缆、网线、wifi或蓝牙。

6.如权利要求5所述的机动车牌接力识别系统，其特征在于，第四处理器从存储模块含有目标车牌的图像中按照T_X采样周期进行采样，记每一帧采样图像中车牌的像素坐标为(x,y)，将集合X_i＝(x_i,y_i)(i＝1,2,…,n)作为训练样本输入目标检测器中，n为目标车牌的像素数，目标检测器对训练样本进行学习，对目标样本向量X进行循环移位可得循环矩阵X′，即：

根据循环矩阵的性质可将其离散傅里叶变换矩阵对角化为

其中，F是用来计算傅里叶变换的常量矩阵，H表示矩阵共轭转置，

表示向量X的傅里叶变换，diag是对角矩阵；

设立训练样本的线性回归函数为f(x)＝ω^Tx_i，其中ω是权重系数，可通过最小二乘法

求解，δ用于控制系统的结构复杂性，得到ω＝(x^Hx+δ)^{- 1}x^Hy，其中x＝{x₁,x₂,…,x_n}^T，T表示转置计算；

在非线性回归的情况下引入核函数，把低维空间的计算映射到高维空间，设立样本的非线性映射函数为

得到岭回归的最优解

α_i为岭回归系数，

其中，α是α_i的向量，I是单位矩阵，由于

是循环矩阵，可得岭回归的解为

是核相关矩阵

的第一行，检测样本是由上一帧图像中的车牌坐标及其循环转移得到的样本集合z_j＝P^jz，其中，P为置换矩阵，z为上一帧车牌坐标像素矩阵；

对于输入的车牌图像，跟踪器响应为

由跟踪器输出最大值的样本坐标作为新目标坐标Y＝min f(z_j)，即预测下一帧车牌的位置坐标；通过训练样本不断进行学习，将新目标坐标Y与实际下一帧车牌坐标Y′进行比对，并更新岭回归系数，

迭代更新，直至新目标坐标Y与实际下一帧车牌坐标Y′的误差小于预先设立的误差阈值为止；

根据图像预测结果，查询卡口基站的位置字典，就可以得到下一周期目标车辆可能出现的跨镜位置及地理位置对应卡口基站的地址集合。

Images