登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 外文翻译 > 理工学类 > 自动化 > 正文

基于OpenCV的数字图像设计车牌识别外文翻译资料

 2021-12-14 22:49:53  

英语原文共 11 页

基于OpenCV的数字图像设计车牌识别

Abdillah Komarudin, Ahmad Teguh Satria, Wiedjaja Atmadja

印度尼西亚雅加达比纳努桑塔拉大学计算机工程系

摘要

本研究的目的在于设计并分析以数位影像或自动车牌识别(ANPR)为媒介的车牌识别程序,特别之处是在于使用桌面外围设备。这样做时,在汽车上的车牌被实验器材捕获后的研究将是本研究的试验课题。ANPR已经在栅栏门停车场系统中应用。它能够记录进入车辆的数据,但它并不一定能识别或确认车辆上的车牌。ANPR程序本身的基本目标实际上是利用数字图像识别系统来识别通过栅栏门停车系统进出的每一辆车辆。从实验结果来看,ANPR能够在不到一秒钟的时间内检测到车牌并将其转换为文本形式,并达到高质量图像100%精度,中等质量图像82.6%,低质量图像44.5%。ANPR项目涉及到一系列分析:车牌比分析、车牌间距试验检测过程,使用自适应阈值和全局阈值的二进制计算方法之间的比较,以及总体系统检查。经过分析获得的结果可被视为ANPR系统的一部分。

关键词:数字图像;ANPR;自适应阈值;全局阈值

  1. 背景介绍

栅栏门停车系统是一种能够记录车辆进出停车区或建筑物的系统。在其发展过程中,障碍门停车系统在识别车辆时确实存在问题,因为它仍然需要人们实时在每辆车从停车位出来时识别其车牌。它减慢了识别过程,并创建了一条由试图离开停车场或建筑物的汽车组成的线。因此,自动车牌识别(ANPR)被设计用来识别车辆的车牌。ANPR允许程序识别车辆上的车牌。本研究的目标之一是研究、应用和利用ANPR来加快车辆识别过程。

在这项研究中,我们使用红外传感器来测量距离。根据G.Benet、F.Blanes、J.E.Simo和P.Perez于2002年的研究,红外传感器比超声波传感器便宜,响应时间更快,但由于红外传感器具有非线性行为,它取决于周围物体的反射比,因此我们从红外传感器得到的结果不太准确,因为还有许多其他因素影响红外传感器读数。影响红外传感器的因素很多,因此使用这种传感器构建的环境映射结果的质量较低,大多数传感器仅用于确定距离。

2.设计方案

图1 ANPR系统流程图

详细阐述了将要分析的系统的设计过程,包括系统的流程图和工作流程。同时提供了自动车牌识别程序设计过程中需要测量的参数。在ANPR程序的设计过程中,有三个特别的步骤,包括捕获、车牌检测和车牌识别。捕获是整个过程的第一步,它将对ANPR系统产生很大的影响。图像质量的好坏将影响车牌检测过程。它将对图像进行处理,直到去除多余部分,并保留实际车牌的图像。从而使车牌识别过程更加容易。

对于试验,分析的对象将是采用最新形式的印尼车辆牌照。它的物理尺寸为43.2厘米长乘以13.5厘米宽,边框为白色。

图2 新版车牌示意图

在图像处理模块实验中,有四个部分将要进行研究。每个部分都会影响车牌识别的算法和检测阈值。首先要检测的是图像的比例。此过程将检测到的斑点与其实际大小进行比较,作为候选牌照的要求相关。第二部分是图像旋转或对齐的测试。这个特殊的过程对于确定车牌的倾斜阈值非常重要,以便程序识别。这也是为了预测由于摄像机位置不当或车牌倾斜而导致图像倾斜的可能性。第三部分是距离测量。为了评估200万像素的摄像头,需要进行这种特殊的测量,以确定其准确识别和检测车牌所需的距离。第四部分是利用全局阈值和自适应阈值确定二进制阈值。自适应阈值的计算公式如(1)所示。

(1)

3.实验结果

表1、表2和表3列出了用于研究的软件和硬件清单。我们用不同规格的硬件进行了几个不同条件和形式的牌照测试。在比率实验中,我们建立了几个不同的情况,在每个场景中,我们试图使用我们的程序来确定实验对象的长度和宽度,以便计算汽车牌照候选的比率。我们发现,观察到的比率包含了一个范围从15%到35%的值。

表1 计算机硬件规格

处理器

:AMD-C60 APU 1GHz

芯片组

:Radeon(TM)

内存

:2GB

图解

:Gallium 0.4 on AMD PLM

表2 相机硬件规格

品牌

罗技C615

分辨率

最高1920*1080

推荐操作系统

Windows 7, Windows 8, Windows Vista, Windows XP(SP2 ), Mac OS X10.5-10.6x

内存

2GB

表3 软件规格

操纵

Linux Ubuntu 13.10内核3.11.0-26-通用64位

集成电路设备

Qt Creator 2.7.1 , Qt Version 5.0.2 64 位

数据库

OpenCV 2.4.3, Tesseract 3.0.3 dan Leptonica 1.81

图3 在一团图像中搜寻(感应区)

图4 旋转车牌

在第二个实验中,我们对车牌倾斜水平进行了测试。本实验旨在确定车牌上的倾斜或弯曲是否会影响识别过程。试验结果表明,车牌倾斜对识别过程有影响。我们还发现,在0到15度和0到-15度时,应用程序无法识别对象。

在第三个实验中,我们对摄像机之间的距离进行了另一个测试,因此涉及到了硬件和实验对象即车牌。使用两百万像素的相机,我们发现检测的最小阈值从40厘米到310厘米不等。我们还直接对距离物体155厘米的自动泊车门进行了实验,发现它也能检测到车牌。

图5 距离实验中的结果

在第四个测试中,使用了两种类型的阈值,它们都是全局阈值和自适应阈值。每种类型的阈值在确定每幅图像的二进制值时具有不同的框架。结果表明,与全局阈值相比,自适应阈值能够更好地识别目标。下表将显示比较:

表4 全局阈值与自适应阈值的比较

图像分类

全局

自适应

高质量(15图像)

93.4

100

中质量(23图像)

56.5

82.6

低质量(9图像)

55.6

44.5

总合(47图像)

68.1

80.9

在第五次和最后一次检查中,我们采用了所有已进行的方法,建立了一个全面的系统评价。我们还与类似系统进行了比较。结果见表5。

表5 总体评价结果及与同类系统的比较

ANPR

ANPR Patel

ANPR Sajjad

图像

高质量

(15图像)

中质量

(23图像)

低质量

(9图像)

135图像

100图像

成功率

100%

82.60%

44.50%

90%

92%

4.结论

本文以车牌数字投影过程中出现的问题为研究对象,阐述了我们在不同条件下进行的一系列实验。我们的系统结果显示,高质量图像的准确率为100%,中质量图像的准确率为82.6%,低质量图像的准确率为44.5%,这一结果仍低于以往的工作,需要改进。

基于车辆视频轨迹提取的

车辆交叉口交通冲突识别技术

摘要

利用opencv软件建立地面坐标系,得到实际坐标,并将其转换为各像素点的车辆坐标,得到位置、速度等参数。我们开发的mfcplatform软件可以直接输出与TTC时间对应的车辆轨迹、速度和交通冲突。在冲突分布点的地图上标出了不同的颜色等级。采用累积频率曲线法对采集到的冲突样本进行处理,得到用于定义严重冲突和非严重冲突的TTC值。同时,我们加入了跟车干扰,丰富了我们的研究内容。

关键词:交通事故;TTC值;OPENCV软件;道路安全检测

1 背景介绍以及国内外研究

以往的研究大多依靠分析历史数据来评估道路交通安全,但事故统计收集过程耗时,缺乏对事故多发点和事故原因的描述。本研究采用了TTC(碰撞时间)的概念,即两辆车保持在当前速度和同一路径时的预期碰撞时间,作为交叉口安全评价的定量指标。

近年来,对视频图像的交通冲突问题的研究也引起了学者们的关注。Tarek Sayed和Nicolas Sanier开发了基于视频图像处理的道路交叉口交通冲突安全自动分析系统。2008年,张方芳首次尝试将视频检测技术应用于交通冲突检测的交叉口。然而,航空摄影所拍摄的交叉口视频导致冲突涉及的电机参数估计精度较低,离实际应用还有相当的距离。另一个问题是,现有的研究没有对交通冲突的位置进行描述,但实际上交叉口的交通冲突分布与交通设施、交通管制等有关,为了提高交叉口的安全性,我们应该把重点放在改善严重交通事故的位置上,通过交通冲突热图可以更直观地反映出交叉口冲突的严重位置,然后采取相应的改进措施。

通过对南京市不同类型交叉口的统计分析,采用TTC指标对交叉口安全性进行评价。所开发的软件可以得到交叉口交通冲突的数量和严重程度,并对交叉口的安全性进行定量评价。本研究还以热图的形式直观地展示了交叉口冲突的分布。

2 本文的交通算法

2.1 调查方法

1.在OpenCV的帮助下,利用背景差分法、形态梯度法、特征点轨迹分析、颜色分割和块形态阈值判断对车辆进行识别和分割。

2.采集各种形式交叉口的视频,分析实际情况,为算法拟合数据。

3.建立地面坐标系,得到每帧车辆的像素坐标,并将其转换为实际坐标,得到车辆的轨迹、速度等参数。

4.根据车辆的速度和位置,调整TTC算法的门限,增加跟车情况下的交通冲突,编写程序。

5.使用85%位累积频率对应的TTC值作为严重冲突和非严重冲突的截止值,并通过交通冲突频率图定义该值。

6.搭建MFC平台,将程序植入软件中。同步识别交通冲突,输出所有TTC时间值小于2秒的冲突及其对应的TTC时间值。

2.2 基于TTC算法的研究

在确定交通冲突的严重性之前,需要以下参数:冲突的距离、冲突车辆的初始速度以及观察员对冲突严重性的初步判断。根据数据采集过程中的相关内容,可以完成碰撞距离和冲突初始速度的采集,间接获得TTC值。数据采集的困难在于对冲突严重程度的初步判断。当车辆遇到紧急制动、减速或突然转弯时,这种冲突是一种严重的冲突。当这些现象比较温和时,冲突是中等严重的冲突。当它们很小时,车辆受到的横向干扰相对较小,而这种冲突是一种普遍的冲突。根据以上冲突严重程度的描述,在数据采集完成后,得到以下指标:每个冲突样本对应一个TTC值,分为严重冲突、中等严重冲突和一般冲突等不同的冲突类型。

图1 TTC值频率分布

我们利用图像处理程序获取交通数据,包括位置、速度、速度方向、运动轨迹等。

为了得到TTC值,第一步是延长测试飞行器的轨迹并寻找其他可能与之冲突的车辆。轨迹的交点可以是潜在的冲突点。根据车的速度和到冲突点的距离,我们可以得到距离除以速度的反应时间。碰撞的时间是通过将它们的时间减去冲突点得到的。

具体公式如下:

在移动汽车的过程中,驾驶员意识到危险,对其反应,刹车或改变方向,这是一个过程。在这个过程中,由于两车行驶方向和速度都在变化,时间到冲突值也在变化,从这些时间差中选择最小值,这就是最容易发生冲突的时间

资料编号:[5280]

您需要先支付 20元 才能查看全部内容!立即支付

微信号:bysjorg

Copyright © 2010-2022 毕业论文网 站点地图