一种基于距离和环境的动态车牌识别方法与流程

本发明涉及车牌信息采集和识别领域，尤其涉及一种基于距离和环境的动态车牌识别方法。

背景技术：

车牌识别技术产生于20世纪60年代，而真正引起研究人员的高度重视是在20世纪80年代。当时，西方国家进入了高速发展的经济时代，由于车辆数量大幅度提升，城市交通问题越来越严重，因此引起了美国及欧洲很多国家研究人员的重视，这些国家开始大量投入资金去建立一个智能交通系统，来缓解交通问题带来的一系列问题。在西方发达国家智能交通系统的推动下，其他各个国家也纷纷建立适用于自己国家的智能交通系统。

车牌识别的主要问题是如何提高识别准确率和识别速度。随着计算机软硬件的快速发展，识别速度可以得到很大的提高，但是识别准确率依然是一个存在的重大问题。影响车牌识别准确与否的因素主要有三个，第一个是其所处环境条件，第二个是其车牌自身字符组成形式相关，第三个是国内车况条件的影响。从车辆所处环境条件的角度来考虑，在全天候条件下，车辆图像背景的复杂、天气的阴晴变化、光照的强弱变化、车辆的高速行驶等很多实际因素都会导致采集到的图像质量不高，例如图像模糊、噪声干扰大等，这直接导致了识别系统识别率的低下。传统的车牌采集装置无论在白天、黑夜、距离以及不同光强度下，车牌采集时的闪光的亮度都是相同的，造成了光强时能耗不必要的浪费，远距离以及光弱时车牌采集不清晰的问题。

技术实现要素：

基于上述现有技术的缺陷和不足，本发明提出了一种基于距离和环境的动态车牌识别装置，目的是为了解决传统车牌收集装置的能耗高，寿命低和采集数据效率低、不清晰以及识别率低的问题。

本发明技术方案如下：一种基于距离和环境的动态车牌识别方法，包括采用车牌的采集装置、信息处理系统和识别模块；所述采集装置包括摄像头、距离传感器，所述采集装置还包括光强传感器；工作时首先距离传感器和光强传感器分别检测摄像头与车牌的距离和当时环境的光照强度，将检测到的距离和光照强度信息传输到训练好的bp神经网络，根据事先训练好的bp神经网络系统得出一个光强最优值，将该最优值传输给摄像头，摄像头根据该最优值启动闪光灯并控制闪光强度，摄像头进行拍照，然后将携带当前光照强度信息的车牌图片发送到车牌的信息处理系统，经过处理后的车牌信息发送给识别模块，最终识别提取出车牌号码。

进一步的，所述bp神经网络的训练方法为：选择x个摄像头与车牌的不同距离作为距离样本，每个距离样本选取100张图片，共计100*x个距离训练样本；选择y个光照强度等级作为光强样本，每个光强样本选取100张图片，共计100*y个光强训练样本；以100*（x+y）张图片作为神经网络的训练样本，在神经网络的输入层设置3600个神经元，即每个样本作为一组输入数据，输出设置为1个神经元，将此作为神经网络的输入输出，选取sigmoid函数作为激励函数进行格式化输出，即可获取光强最优解来指导后面的任务。

进一步的，所述x为15，即15个不同距离，分别为3、4、5、6、7、8、9、10、11、12、13、14、15、16、17，单位为米m；所述y为21，即21个不同光强等级，分别为0.5、1、3、5、10、15、20、30、50、75、100、150、200、300、500、750、1000、1500、2000、3000、5000，单位为勒克斯lx。

进一步的，所述车牌的信息处理系统以当前的光照强度为参考，对车牌图片进行滤波、二值化、归一化等图像预处理，突出加强图像的有用部分作为参考依据。

进一步的，所述距离传感器采用红外测距的方法进行检测。

本发明的有益效果：本发明根据车牌的15个不同距离和光照的21个等级组成3600个样本作为bp神经网络的输入，训练出光照强度和距离的最优值来指导车牌采集的闪光度，可以明显节省能耗提高闪光灯的寿命；通过采集的车牌图片携带当前的光强信息，有利于提高车牌图片的信息处理效率，节省时间，并且可以明显提升车牌识别的准确性。

附图说明

图1为本发明的基于距离和环境的动态车牌识别装置示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明做进一步详细说明。

参见图1为本发明实施例提供的基于距离和环境的动态车牌识别装置示意图，该装置包括：车牌的信息采集模块、信息处理系统、车牌识别模块和电源模块。其中信息采集模块在原有摄像头设备的基础上，安装红外距离传感器和光敏传感器，感知车牌距离摄像头的距离以及当前环境的光强度，把感知的光强度和距离，传输到训练好的bp神经网络，根据事先训练好的bp神经网络系统，得出一个光强的最优值，把该值传输到摄像头中，摄像头根据这个值来进行闪光强度的控制并拍照，并把当前的光强信息携带到采集的车牌图片信息中，为后续的车牌识别过程提供信息。

bp神经网络的训练过程为，首先选取15个不同车牌距离摄像头的样本，分别设置3、4、5、6、7、8、9、10、11、12、13、14、15、16、17，单位为米的距离，每个样本选取100张样本进行训练，针对15个距离一共包含1500个训练样本。21个等级的光照强度作为神经网络的样本，分别是0.5、1、3、5、10、15、20、30、50、75、100、150、200、300、500、750、1000、1500、2000、3000、5000lx等级，每个等级选取100张样本进行训练，针对21个光强度一共包含2100个训练样本，也即是选取这3600张图片作为神经网络的训练样本。因此神经网络的输入层设置3600个神经元，即每个样本作为一组输入数据；输出设置为1个神经元。将此作为神经网络的输入输出，选取的激励函数为sigmoid函数进行格式化输出，就可以获取光强最优的解来指导后面的任务。

车牌信息的处理过程为，首先把车牌采集装置的光照强度携带到图片中，这样在处理的过程中，可以参考这个光照强度进行车牌的滤波、二值化、归一化等图像预处理，突出加强图像的有用部分作为参考依据，节省时间，提高效率。

车牌信息经过预处理以后传入到车牌的识别模块，可明显提高识别准确率，整个装置和过程都有电源模块来提供能量，通过优化的硬件和软件算法的结合，可合理的使用能耗、缩短识别时间，提高识别准确度。

本发明也可用于其他模板匹配的算法中，适用于识别在车牌、字符及科学研究等领域中，也适用于其他需要识别文本的各种场合。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以采用本发明中的模板匹配算法进行优化，然后在商业、企业中对本发明进行应用，不脱离本发明的精神和范围。

技术特征：

技术总结
本发明公开了一种基于距离和环境的动态车牌识别方法，包括车牌的采集装置和车牌的处理过程，根据光照的21个等级和车牌的15个不同距离，结合BP神经网络，训练出光照强度和距离的最优值来指导车牌采集的闪光度。通过采集的车牌携带光照信息进行不同程度的预处理，这样既保证了识别系统的准确性，提高了效率，又可以节省能耗提高闪光灯的寿命。

技术研发人员：王伟;付卫红;储泽楠;石玉;朱尊伟;李源;常庆丽
受保护的技术使用者：安阳工学院
技术研发日：2019.01.21
技术公布日：2019.05.17