简析车牌车牌视频跟踪识别系统设计学位

论文导读：
摘 要： 车牌视频自动跟踪识别技术是智能交通系统（ITS）中的核心技术，是公路交通和城市交通管理的主要手段和发展方向。车牌识别系统可由车牌定位、车牌字符分割和车牌字符识别组成，在此使用DirectShow滤镜截取视频帧。采用中值滤波进行图像的降噪和横向的Sobel算子作边沿检测，利用测度函数计算车牌区域与一个车牌相似度的模板匹配法寻找车牌位置，设计了用于图像临界值选取的车牌定位算法，最后采用BP神经网络对切割后的车牌文字进行识别。经过实际测试，系统在车牌跟踪识别方面取得了较好的效果。
关键词： 车牌识别； 模板匹配； 神经网络； 车牌跟踪； DirectShow滤镜
1004?373X（2013）10?0090?04
0 引 言
智能交通系统（Intelligent Transportation System，TSI）是目前世界各国竞相研究和开发的热点。它结合了最新的信息捕获、传输、处理、自动控制、模式识别等技术，目标是使用计算机更加有效与科学地管理与监控交通。在智能交通系统中，车牌的跟踪识别占有重要的地位。因为车牌是区分车辆的重要依据，对于管理与调度车辆具有重大意义。
1 车牌的跟踪识别的整体结构
本系统采用DirectShow的滤镜Filter，编译生成一个.ax文件，用regsvr32进行系统注册；利用DirectShow的功能，可以接收视频流，并进行跟踪与识别。整体结构如图1所示，可分为3大部分：
（1）用DirectShow实现视频播放，设计了一个DirectShow Filter，用于从播放的视频流中截取视频帧。
（2）车牌跟踪，用于在视频帧中找到车牌的位置，并截取出来。
（3）文字识别。使用（2）提取的车牌灰度图像，识别出车牌上的文字。
2 车牌的跟踪识别的算法

2.1 中值滤波和边沿检测

2.3 文字识别

车牌文字识别常用方法是提取文字的一定特征，然后使用分类器进行识别。主要包括参数化与非参数化两类方法[5]，分类器多选择使用神经网络，如SVM[6?7]、BP和BM算法[10?11]等。
3 系统实现

3.1 视频截取滤镜的实现

DirectShow提供了一个专门用于视频截取的接口IMediaDet[5]，可简单实现视频图像的提取。本系统直接从CTransInPlaceFilter继承子类，设计一种通用DirectShow Filter，处理各种格式的图像。设车牌跟踪部分系统的入口为DoProcess模板函数，当DirectShow Filter得到一帧图像后，将调用此函数进行处理，并在CTransInPlaceFilter：：Tranorm中通过IMediaSample来确定剪辑格式，给出具体类型格式，DoProcess就可统一处理各种格式的RGB图像信息，且由于模板函数在编译中静态生成各种类型对应的处理函数，因此可使用内联进一步提高效率。由于实际车牌识别不需要逐帧处理，可把视频的跟踪与识别部分放在一个新线程中，采用跳帧处理，提取视频帧，达到车牌图像提取。

3.2 临界值选取算法

首先将一个灰度图像转化为一个单像即图像二值化。单像结构简单，易于处理，占用的内存和处理资源少。并保留了系统需要的最基本的信息。

3.3 字符切割和识别

本文直接采用将所有像素点作为BP神经网络的输入的方案，训练3个神经网络，分别用于识别数字、字母及表示省份的几个汉字。然后将字符缩放为10×10大小，输入神经网络进行训练，训练样本应尽可能选择有代表性的，可大幅度地提高识别率。
4 结 语
本系统在无障碍的情况下，实现了高速视频帧截取、预处理、车牌跟踪、临界值选取算法和文字识别，车牌识别率和跟踪成功率在95%以上，并在实际测试中取得了不错的效果，在高速公路等车辆检测方面具有较大的应用价值。
参考文献
HUANG T S. Two?dimensional digital signal processing II： tranorms and median filters [M]. [S.l.]： Springer?Verlag， 1981.
WEISS B. Fast median and bilateral filt论文导读：匹配算法的研究.计算机工程与应用，2010，30（1）：28?31.BOYERRS，MOOREJS.Afaststringsearchingalgorithm.CommunicationsoftheACM，1977，20（10）：762?772.向荣，周慧娟.一种基于数字图像处理的精确车牌识别系统.武汉理工大学学报：交通科学与工程版，2013（1）：213?21

5.朱颢东，李红婵.基于特征加权模

ering [C]// International Conference on Computer Graphics and Interactive Techniques. USA： SIGGRAPH， 2006： 11?15.
[3] PERREAULT Simon， HEBERT Patrick. Median filtering in constant time [J]. IEEE Transactions on Image Processing， 2007， 16（9）： 2389?2394.
[4] TANA Y， KANAYAMA K， SUGIMURA H. Trel?time data provision system using vehicle license number recognition devices [C]// Proceedings of ′92 Symposium on Intelligent Vehicles. Detroit， MI， USA： SIV， 1992： 353?358.
[5] FU Jian?xin， HUANG Lian?fen， YAO Yan. Application of BP neural network in wireless network security evaluation [C]// Proceedings of 2010 IEEE International Conference on Wireless Communications， Networking and Information Security. Beijing， China： IEEE， 2010： 592?596.
[6] 王晓光，王晓华.一种基于SVM的车牌汉字的有效识别方法[J].计算机工程与应用，2004，24（7摘自：学术论文格式www.7ctime.com
）：208?222.
[7] 余棉水，黎绍发.基于边缘与SVM的车牌自动定位与提取[J].计算机工程与应用，2003，23（10）：31?33.
[8] COWELL J R. Syntactic pattern recognizer for vehicle identification numbers [J]. Image and Vision Computing， 1995（13）： 13?19.
[9] JAIN R， KASTURI R， SCHUNCK B G. Machine vision [M].
[S.l.]： [s.n.]， 2003： 76?86.
[10] 王志伟，平玲娣，陆敏锋.高效字符匹配算法的研究[J].计算机工程与应用，2010，30（1）：28?31.
[11] BOYER R S， MOORE J S. A fast string searching algorithm [J]. Communications of the ACM， 1977， 20（10）： 762?772.
[12] 向荣，周慧娟.一种基于数字图像处理的精确车牌识别系统[J].武汉理工大学学报：交通科学与工程版，2013（1）：213?215.
[13] 朱颢东，李红婵.基于特征加权模糊模板匹配的字符识别[J].兰州理工大学学报，2013（1）：68?71.