車牌視頻跟蹤識別系統的設計

摘 要： 車牌視頻自動跟蹤識別技術是智能交通系統（ITS）中的核心技術，是公路交通和城市交通管理的主要手段和發展方向。車牌識別系統可由車牌定位、車牌字符分割和車牌字符識別組成，在此使用DirectShow濾鏡截取視頻幀。采用中值濾波進行圖像的降噪和橫向的Sobel算子作邊沿檢測，利用測度函數計算車牌區域與一個車牌相似度的模板匹配法尋找車牌位置，設計了用于圖像臨界值選取的車牌定位算法，最后采用BP神經網絡對切割后的車牌文字進行識別。經過實際測試，系統在車牌跟蹤識別方面取得了較好的效果。

關鍵詞： 車牌識別； 模板匹配； 神經網絡； 車牌跟蹤； DirectShow濾鏡

中圖分類號： TN964?34 文獻標識碼： A 文章編號： 1004?373X（2013）10?0090?04

0 引 言

智能交通系統（Intelligent Transportation System，TSI）是目前世界各國競相研究和開發的熱點。它結合了最新的信息捕獲、傳輸、處理、自動控制、模式識別等技術，目標是使用計算機更加有效與科學地管理與監控交通。在智能交通系統中，車牌的跟蹤識別占有重要的地位。因為車牌是區分車輛的重要依據，對于管理與調度車輛具有重大意義。

1 車牌的跟蹤識別的整體結構

本系統采用DirectShow的濾鏡Filter，編譯生成一個.ax文件，用regsvr32進行系統注冊；利用DirectShow的功能，可以接收視頻流，并進行跟蹤與識別。整體結構如圖1所示，可分為3大部分：

（1）用DirectShow實現視頻播放，設計了一個DirectShow Filter，用于從播放的視頻流中截取視頻幀。

（2）車牌跟蹤，用于在視頻幀中找到車牌的位置，并截取出來。

（3）文字識別。使用（2）提取的車牌灰度圖像，識別出車牌上的文字。

2 車牌的跟蹤識別的算法

2.1 中值濾波和邊沿檢測

2.3 文字識別

車牌文字識別常用方法是提取文字的一定特征，然后使用分類器進行識別。主要包括參數化與非參數化兩類方法[5]，分類器多選擇使用神經網絡，如SVM[6?7]、BP和BM算法[10?11]等。

3 系統實現

3.1 視頻截取濾鏡的實現

DirectShow提供了一個專門用于視頻截取的接口IMediaDet[5]，可簡單實現視頻圖像的提取。本系統直接從CTransInPlaceFilter繼承子類，設計一種通用DirectShow Filter，處理各種格式的圖像。設車牌跟蹤部分系統的入口為DoProcess模板函數，當DirectShow Filter得到一幀圖像后，將調用此函數進行處理，并在CTransInPlaceFilter：：Transform中通過IMediaSample來確定剪輯格式，給出具體類型格式，DoProcess就可統一處理各種格式的RGB圖像信息，且由于模板函數在編譯中靜態生成各種類型對應的處理函數，因此可使用內聯進一步提高效率。由于實際車牌識別不需要逐幀處理，可把視頻的跟蹤與識別部分放在一個新線程中，采用跳幀處理，提取視頻幀，達到車牌圖像提取。

3.2 臨界值選取算法

首先將一個灰度圖像轉化為一個單色圖像即圖像二值化。單色圖像結構簡單，易于處理，占用的內存和處理資源少。并保留了系統需要的最基本的信息。

3.3 字符切割和識別

本文直接采用將所有像素點作為BP神經網絡的輸入的方案，訓練3個神經網絡，分別用于識別數字、字母及表示省份的幾個漢字。然后將字符縮放為10×10大小，輸入神經網絡進行訓練，訓練樣本應盡可能選擇有代表性的，可大幅度地提高識別率。

4 結 語

本系統在無障礙的情況下，實現了高速視頻幀截取、預處理、車牌跟蹤、臨界值選取算法和文字識別，車牌識別率和跟蹤成功率在95%以上，并在實際測試中取得了不錯的效果，在高速公路等車輛檢測方面具有較大的應用價值。

參考文獻

[1] HUANG T S. Two?dimensional digital signal processing II： transforms and median filters [M]. [S.l.]： Springer?Verlag， 1981.

[2] WEISS B. Fast median and bilateral filtering [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] TANAKA Y， KANAYAMA K， SUGIMURA H. Travel?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] 王曉光，王曉華.一種基于SVM的車牌漢字的有效識別方法[J].計算機工程與應用，2004，24（7）：208?222.

[7] 余棉水，黎紹發.基于邊緣與SVM的車牌自動定位與提取[J].計算機工程與應用，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] 王志偉，平玲娣，陸敏鋒.高效字符匹配算法的研究[J].計算機工程與應用，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] 向榮，周慧娟.一種基于數字圖像處理的精確車牌識別系統[J].武漢理工大學學報：交通科學與工程版，2013（1）：213?215.

[13] 朱顥東，李紅嬋.基于特征加權模糊模板匹配的字符識別[J].蘭州理工大學學報，2013（1）：68?71.