本发明涉及车辆自动识别技术领域,具体涉及一种车牌识别装置。
背景技术:
目前,在停车场的进出口都安装有车牌识别装置,以方便自动采集进出停车场的车辆信息。通常情况下,进出口车辆识别相机安装在行车道的边缘上,通过立柱安装起来,对行车道内行驶的车辆牌照并识别车牌。
现有技术存在如下缺陷:
第一,是没有办法做到相机拍摄方向和行车道在一个方向上,不能保证拍摄到的车牌处于水平方向,出现倾斜角度,造成车牌识别率低。
第二,是现场环境导致安装比较麻烦,施工费用比较高。
技术实现要素:
针对上述问题,本发明提供一种车牌识别装置,易于安装,车牌识别高。
本发明的目的采用以下技术方案来实现:
一种车牌识别装置包括道闸立柱、道闸栏杆、图像采集相机、图像识别主机和控制器;图像采集相机设置于道闸栏杆上;图像识别主机设置于道闸立柱上;图像采集相机与图像识别主机通信连接;道闸栏杆与道闸立柱机械连接并沿固定的轴转动。
图像采集相机用于获取待过闸车辆的车牌图像。
图像识别主机用于对车牌图像进行处理,并将处理处理结果发送至控制器,控制器用于控制道闸立柱内部电机的开闭,电机用于驱动道闸栏杆的升落。
本发明的有益效果为:
将图像采集相机与图像识别主机分开设置,安装上充分利用进出口现有道闸,避免打孔动土施工,在实际应用总不用为现场环境而影响到安装,给现场施工带来了便利,同时提升了实际的使用效果,现场安装便捷,降低现场施工成本,同时拍摄的车牌图像水平,无倾斜角度,提高了车牌识别率。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明车牌识别装置结构示意图;
图2是本发明图像识别主机的框架结构图。
附图标记:道闸立柱1;道闸栏杆2;图像采集相机3;图像识别主机4;预处理模块41;特征提取模块42;特征识别模块43;灰度化单元411;拉伸单元412;去噪单元413;分割单元414。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,一种车牌识别装置包括道闸立柱1、道闸栏杆2、图像采集相机3、图像识别主机4和控制器;图像采集相机3设置于道闸栏杆2上;图像识别主机4设置于道闸立柱1上;图像采集相机3与图像识别主机4通信连接;道闸栏杆2与道闸立柱1机械连接并沿固定的轴转动。
图像采集相机3用于获取待过闸车辆的车牌图像。
图像识别主机4用于对车牌图像进行处理,并将处理处理结果发送至控制器,控制器用于控制道闸立柱内部电机的开闭,电机用于驱动道闸栏杆的升落。
优选地,图像采集相机3与图像识别主机4为有线连接或无线连接。
优选地,图像采集相机3与道闸栏杆2为活动连接,图像采集相机3能够沿道闸栏杆2方向或垂直方向移动。
优选地,图像识别主机4和电机设置于道闸立柱1箱体内部,且图像识别主机4与电机电连接。
优选地,参见图2,图像识别主机4包括预处理模块41、特征提取模块42和特征识别模块43。
优选地,预处理模块41用于对图像采集相机获取的车牌图像进行预处理,特征提取模块42用于从预处理后的车牌图像中提取表征车牌信息的特征参数,特征识别模块43用于对提取的车牌信息进行处理,并将处理结果发送至控制器。
优选地,预处理模块41包括灰度化单元411、拉伸单元412、去噪单元413和分割单元414。
优选地,灰度化单元411用于对车牌图像进行灰度化处理;拉伸单元412用于对经灰度化处理后的车牌图像进行拉伸;去噪单元413用于去除拉伸后的车牌图像中的随机噪声;分割单元414是采用fcm算法从去噪后的车牌图像进行分割处理。
优选地,对经灰度化处理后的车牌图像进行拉伸,具体为:
(1)设置一个大小为n×n的扫描窗口;
(2)利用下方拉伸公式计算扫描窗口内每一个像素点的灰度值;其中,拉伸公式为:
式中,g(x,y)为扫描窗口内像素点(x,y)处的灰度值,gnew(x,y)为扫描窗口内经拉伸处理后的像素点(x,y)的灰度值,gmin为扫描窗口内像素点(x,y)所在行的最小灰度值,gmax为扫描窗口内像素点(x,y)所在行的最大灰度值;a为设定的最小阈值,b为设定的最大阈值;
有益效果:利用拉伸公式对灰度化的车牌图像进行拉伸操作,该算法能够根据各个像素点的灰度值的大小关系自适应选择不同的拉伸公式进行拉伸,该算法能够增强灰度化后的车牌图像的明暗对比程度,进而提高车牌图像的边缘特征的对比度,实现对经灰度化处理后的车牌图像的精确拉伸。
同时该扫描窗口能够根据扫描窗口内像素点的灰度值调整上述拉伸公式中的相关参数,进一步增强了车牌图像的拉伸效果。
优选地,去除拉伸后的车牌图像中的随机噪声,具体是采用下述平滑公式对经拉伸后的车牌图像中所有像素点进行平滑处理,其中对像素点(x,y)进行平滑处理的公式为:
式中,h(x,y)为去噪后像素点(x,y)处的灰度值,gnew(x,y)为去噪后的车牌图像中像素点(x,y)处的灰度值,
有益效果:采用上述平滑公式对经拉伸处理后的车牌图像进行平滑处理,该公式能够对车牌图像进行选择性的平滑处理,在滤波过程中,能够根据区域m内像素点的灰度值自动更新滤波模板函数,在噪声区域内进行平滑处理,在非噪声区域内则不进行平滑处理,此算法能够使得车牌图像的模糊程度降到最低,有效去除车牌图像中的随机噪声,提高了车牌图像的清晰度,有利于提高后续对车牌图像的分割操作和车牌图像特征提取的精确度。
优选地,采用fcm算法从去噪后的车牌图像进行分割处理,具体为:
(1)设定聚类数目c、模糊加权指数m和迭代终止阈值λ,并设置初始迭代次数r=0,其中2≤c≤n,m≥2,n是聚类空间的样本数;
(2)初始化聚类中心矩阵v(0)=[vk],其中,k=1,2,…,c,vk为第k个聚类中心;
(3)根据聚类中心矩阵,利用下式,计算隶属度矩阵u(r)=[uki],其中,k=1,2…,c;i=1,2,…,n,n为去噪后的图像中像素点的个数:
式中,xi为去噪后的车牌图像中第i个像素点的灰度值,uki表示第i个像素点属于第k个类的隶属度值,dji表示第i个像素点与聚类中心vj之间的欧式距离,dkj表示聚类中心vk与聚类中心vj之间的欧式距离,且满足k≠j,j=1,2…,c,vk表示第k个聚类中心;
遍历所有像素点,所有像素点的隶属度值构成的矩阵即为隶属度矩阵u(r);
(4)对于
式中,vk表示第k个聚类中心,xi表示去噪后的车牌图像中第i个像素点的灰度值,
(5)根据得到的v(r+1)和步骤(3)中的公式,更新隶属度矩阵u(r+1);
(6)比较v(r)和v(r+1),如果||v(r+1)-v(r)||<λ,则停止迭代,其中,λ为迭代终止阈值;否则,转至步骤(4),重复迭代直至收敛;迭代终止后,根据得到聚类中心矩阵,采用最大隶属度去模糊化算法将模糊分类的结果转化为确定分类,从而实现对去噪后的车牌图像的分割操作。
有益效果:采用上述公式对去噪后的车牌图像进行分割操作,该算法充分考虑了像素点和聚类中心之间的约束关系,同时也考虑中心像素点的灰度均值对中心像素点隶属度值的影响,该做法可以准确表述这种约束关系对中心像素点的影响,进而提高了算法的分割精度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。