展會(huì)信息港展會(huì)大全

關(guān)于車(chē)牌識(shí)別過(guò)程中的工作流程框架分析
來(lái)源:互聯(lián)網(wǎng)   發(fā)布日期:2012-10-19 08:32:36   瀏覽:104783次  

導(dǎo)讀:車(chē)輛檢測(cè)跟蹤模塊 車(chē)輛檢測(cè)跟蹤模塊主要對(duì)視頻流進(jìn)行分析,判斷其中車(chē)輛的位置,對(duì)圖像中的車(chē)輛進(jìn)行跟蹤,并在車(chē)輛位置最佳時(shí)刻,記錄該車(chē)輛的特寫(xiě)圖片,由于加入了跟蹤模塊,系統(tǒng)能夠很好地克服各種外界的干擾,使得到更加合理的識(shí)別結(jié)果,可以檢測(cè)無(wú)牌車(chē)輛...

  車(chē)輛檢測(cè)跟蹤模塊

  車(chē)輛檢測(cè)跟蹤模塊主要對(duì)視頻流進(jìn)行分析,判斷其中車(chē)輛的位置,對(duì)圖像中的車(chē)輛進(jìn)行跟蹤,并在車(chē)輛位置最佳時(shí)刻,記錄該車(chē)輛的特寫(xiě)圖片,由于加入了跟蹤模塊,系統(tǒng)能夠很好地克服各種外界的干擾,使得到更加合理的識(shí)別結(jié)果,可以檢測(cè)無(wú)牌車(chē)輛并輸出結(jié)果。

  車(chē)牌定位模塊

  車(chē)牌定位模塊是一個(gè)十分重要的環(huán)節(jié),是后續(xù)環(huán)節(jié)的基礎(chǔ),其準(zhǔn)確性對(duì)整體系統(tǒng)性能的影響巨大。車(chē)牌系統(tǒng)完全摒棄了以往的算法思路,實(shí)現(xiàn)了一種完全基于學(xué)習(xí)的多種特征融合的車(chē)牌定位新算法,適用于各種復(fù)雜的背景環(huán)境和不同的攝像角度。

  車(chē)牌矯正及精定位模塊

  由于受拍攝條件的限制,圖像中的車(chē)牌總不可避免存在一定的傾斜,需要一個(gè)矯正和精定位環(huán)節(jié)來(lái)進(jìn)一步提高車(chē)牌圖像的質(zhì)量,為切分和識(shí)別模塊做準(zhǔn)備。使用精心設(shè)計(jì)的快速圖像處理濾波器,不僅計(jì)算快速,而且利用的是車(chē)牌的整體信息,避免了局部噪聲帶來(lái)的影響。使用該算法的另一個(gè)優(yōu)點(diǎn)就是通過(guò)對(duì)多個(gè)中間結(jié)果的分析還可以對(duì)車(chē)牌進(jìn)行精定位,進(jìn)一步減少非車(chē)牌區(qū)域的影響。

  車(chē)牌切分模塊

  車(chē)牌系統(tǒng)的車(chē)牌切分模塊利用了車(chē)牌文字的灰度、顏色、邊緣分布等各種特征,能較好地抑制車(chē)牌周?chē)渌肼暤挠绊,并能容忍一定傾斜角度的車(chē)牌。這一算法有利于類(lèi)似移動(dòng)式稽查這種車(chē)牌圖像噪聲較大的應(yīng)用。

  車(chē)牌識(shí)別模塊

  在車(chē)牌識(shí)別系統(tǒng)中,通常采用多種識(shí)別模型相結(jié)合的方法來(lái)進(jìn)行車(chē)牌識(shí)別,構(gòu)建一種層次化的字符識(shí)別流程,可有效地提高字符識(shí)別的正確率。另一方面,在字符識(shí)別之前,使用計(jì)算機(jī)智能算法對(duì)字符圖像進(jìn)行前期處理,不僅可盡可能保留圖像信息,而且可提高圖像質(zhì)量,提高相似字符的可區(qū)分性,保證字符識(shí)別的可靠性。

  車(chē)牌識(shí)別結(jié)果決策模塊

  識(shí)別結(jié)果決策模塊,具體地說(shuō),決策模塊利用一個(gè)車(chē)牌經(jīng)過(guò)視野的過(guò)程留下的歷史記錄,對(duì)識(shí)別結(jié)果進(jìn)行智能化的決策。其通過(guò)計(jì)算觀測(cè)幀數(shù)、識(shí)別結(jié)果穩(wěn)定性、軌跡穩(wěn)定性、速度穩(wěn)定性、平均可信度和相似度等度量值得到該車(chē)牌的綜合可信度評(píng)價(jià),從而決定是繼續(xù)跟蹤該車(chē)牌,還是輸出識(shí)別結(jié)果,或是拒絕該結(jié)果。這種方法綜合利用了所有幀的信息,減少了以往基于單幅圖像的識(shí)別算法所帶來(lái)的偶然性錯(cuò)誤,大大提高了系統(tǒng)的識(shí)別率和識(shí)別結(jié)果的正確性和可靠性。

  車(chē)牌跟蹤模塊

  車(chē)牌跟蹤模塊記錄下車(chē)輛行駛過(guò)程中每一幀中該車(chē)車(chē)牌的位置以及外觀、識(shí)別結(jié)果、可信度等各種歷史信息。由于車(chē)牌跟蹤模塊采用了具有一定容錯(cuò)能力的運(yùn)動(dòng)模型和更新模型,使得那些被短時(shí)間遮擋或瞬間模糊的車(chē)牌仍能被正確地跟蹤和預(yù)測(cè),最終只輸出一個(gè)識(shí)別結(jié)果。

  在線學(xué)習(xí)模塊

  在以上各個(gè)模塊中,使用了大量基于學(xué)習(xí)的算法,系統(tǒng)特別添加在線學(xué)習(xí)模塊,采用最新的反饋型學(xué)習(xí)模型,利用決策模塊和跟蹤模塊得到的車(chē)牌質(zhì)量、車(chē)輛軌跡、速度等反饋信息,智能化地更新一些算法參數(shù),使得系統(tǒng)能快速適應(yīng)新的應(yīng)用環(huán)境。該算法作為已有算法的一個(gè)有力補(bǔ)充,將進(jìn)一步提高系統(tǒng)性能。

贊助本站

相關(guān)內(nèi)容
AiLab云推薦
展開(kāi)

熱門(mén)欄目HotCates

Copyright © 2010-2024 AiLab Team. 人工智能實(shí)驗(yàn)室 版權(quán)所有    關(guān)于我們 | 聯(lián)系我們 | 廣告服務(wù) | 公司動(dòng)態(tài) | 免責(zé)聲明 | 隱私條款 | 工作機(jī)會(huì) | 展會(huì)港