本发明涉及智能识别，具体为一种无线车牌车型识别语音播报摄像系统。
背景技术：
1、随着社会经济的发展，汽车数量急剧增加，对停车场地、收费管理、安全管理的要求也日益提高，运用电子信息技术和人工智能技术实现安全、高效的智能管理成为车辆管理的主要发展方向。在常规的车辆出入管理系统中，车牌识别方案基本为有线设备，并且没有做车型识别，出入停车场等监控场所，用户可以直接通过手机拍车牌照片或者打印其他的车牌轻松的骗过识别系统，安全性偏低，并且都是需要网线布置以及大屏显示，安装比较繁琐。因此，本发明是在识别的基础上加上车型等实物的检测判断，通过实际的车辆模型，经过ai算法分析计算是否使用了假车牌打印车牌等欺骗手段，通过精确识别车牌和车型，极大的提高实际的识别效率，有效杜绝了使用照片，图片等非真实车牌进行出入的问题，并且实时的实现远程无线警报以及语音播报，极大的提高了安全性。
技术实现思路
1、为了解决上述问题，本发明通过“极差二极化”通过一个卷积神经网络，将输入的图片分为车牌部分和非车牌部分，对比传统的车牌检测算法，速度更快准确率更高，并且通过“互相学习机制”让参数多的算法和参数小的算法互相学习，通过该机制可以使得参数小的算法拥有参数多的算法的准确率并同时拥有自身的速度，接着，对参数小的算法进行“模型瘦身”，去除一些影响较小的参数，进一步的提高识别速度，降低占用的资源，让车牌识别的设备成本降低并且可以使用各种各样的边缘计算设备来进行相应的计算，大大优化算法的性能与降低使用成本。
2、为实现上述目的，本发明提供如下技术方案：一种无线车牌车型识别语音播报摄像系统，包括以下步骤：
3、（1）识别设备的安装：在合适的位置安装摄像头支架，并安装好识别摄像头和补光灯设备；
4、（2）设备配置：车牌管理系统添加对应的摄像头设备，并进行相应的配置；
5、（3）拍摄车辆图像：在车辆通过出入口时，识别系统准确拍摄包含车辆车头图像、车牌的图像，并将图像和车辆通行信息传输给出入口控制终端，并可选择在图像中叠加车辆通行信息（如时间、地点等），准确记录车辆通行信息，系统采用的抓拍摄像机，具备智能成像和控制补光功能，能够在各种复杂环境（如雨雾、强逆光、弱光照、强光照等）下和夜间拍摄出清晰的图片；
6、（4）车牌检测：通过“极差二极化”通过一个卷积神经网络，将输入的图片分为车牌部分和非车牌部分；
7、（5）模型训练：通过“互相学习机制”让参数多的算法和参数小的算法互相学习；
8、（6）车辆信息匹配：将输入的车头图像、车牌的图像与后台数据库中保存的有牌车检测区域匹配并输出并进行语音播报；
9、优选的，所述步骤（4）中车牌检测的方法包括以下步骤；
10、（1）分割：将应用不同的滤波器，形态学算子，轮廓算法来验证图像中可能包含的车牌的部分；
11、（2）分类：将对每个图像块（特征）应用svm分类器进行分类。先训练两个不同的类：车牌和非车牌；
12、优选的，所述步骤（1）中分割的方法包括以下步骤；
13、（1）将彩色图像转换为灰度图像，并消除可能由相机或其他因素产生的噪点，利用5x5高斯模糊去噪；
14、（2）采用sobel滤波器对水平方向（x）求一阶导数，这个导数是一个数学导数，在图像上找到垂直边缘；
15、（3）采用阈值滤波器来获得二值图像，阈值通过otsu算法得到（otsu算法通过输入一个8位图像，自动获取图像的最优阈值）；
16、（4）通过使用一个闭形态学算子，可以去除每条垂直边缘线之间的空白区，并将边缘数目较多的区域连接在一起，定义形态学算子中使用的结构元素，定义具有17x3大小的结构矩形元素，其他图像可能元素尺寸不一样，在闭形态学算子中通过morphologyex函数使用这个结构元素；
17、（5）得到了包含车牌的区域，但是大多数区域并不包含插排，可以使用findcontours函数来拆分这些区域，然后获取二进制图像的轮廓，用minarearect函数对检测到的每一个轮廓，提取最小面积的边界矩形；
18、（6）根据区域面积和纵横比，对检测到的区域进行基本验证，若纵横比约为520/110=4.727272，那么认为该区域是个车牌，误差范围位40%，车牌区域高度误差在15~125个像素；
19、（7）使用漫水填充算法来获取旋转的矩形，用利用图像掩码来得到一个最小面积的矩形，并再次检查他的有效大小，将所有的图像都缩放至相同的尺寸，并用光照直方图来调整所有的图像，将裁剪后的检测图像以及位置存储到一个向量中；
20、优选的，所述步骤（2）中分类的方法包括以下步骤；
21、（1）使用图像像素特征来训练分类器算法，需要用detectregions类来创建用于训练的图像系统，并将savingregions变量设置为true保存图像，用脚本文件segmentallfiles.sh对文件夹中的所有文件图像重复处理；
22、（2）将准备的所有图像训练数据存储为xml文件，以便直接与svm函数一起使用，trainsvm.cpp通过指定的文件夹和图像文件编号来创建xml文件，opencv通过filestorage类管理xml和yaml格式的数据文件，使用该函数，可用读取训练数据矩阵和类标签，并将信息保存在svm_trainingdata和svm_classes中；
23、（3）在svm_trainingdata变量中存储了训练数据，在svm_classes中存储了标签，接着，只需要创建训练数据对象，链接数据和标签就可以在机器学习算法中使用了；
24、（4）对获取的车牌图像用直方图均衡进行处理，将其作为ocr函数的输入，然后，应用阈值滤波器对图像进行处理，并将处理后的图像作为查找轮廓算法的输入；
25、优选的，所述步骤（5）中通过“互相学习机制”让参数多的算法和参数小的算法互相学习的方法包括以下步骤：
26、（1）为每个任务生成子网络，通过迭代数量级剪枝方法实现；
27、（2）对模型结构中的liner层进行修改，添加mask这个变量，将weight转换为可学习的变量，初始化mask的值为1，并转换为可学习的变量，对bias进行初始化；
28、（3）对模型每一层学习到的参数进行处理，将参数的值为0的，梯度也更新为0；
29、（4）统计每一层参数的非零数量，可用于展示剪枝的效果，用numpy中的函数统计tensor中非0值的数量；
30、（5）得到每个任务的子网络之后，将其合并也就得到了多任务稀疏共享结构，接着使用多个任务的数据进行联合训练；
31、（6）随机挑选一个任务，为任务 随机采样一个batch数据，将该batch数据输入到任务 对应的子网络中，使用该batch数据的梯度更新子网络的参数；
32、与现有技术相比，本发明的有益效果如下：
33、本发明基于一种人员跟踪定位识别的管理方法，对人员进行跟踪定位和识别，采用了多维混合，整合多种信息对人员进行精准定位与识别，并绘制完整运动路径，首先，采取高效二维的神经网络，对目标人物的面部、姿态、步伐、体征等多维进行分别提取，得到多维度的人员信息特征，然后针对这些特征，使用自动调节关注度机制对其权重进行重新分配与结合，最终得到准确的人员信息识别，同时根据人员所在目标点的位置、录像设备的位置，通过连续不同时刻的位置，计算其速度、运动轨迹等信息，实时预测人员接下来可能出现的位置来实现跟踪，并通过上一步提取的人员信息特征，进一步提升跟踪的准确率，使得就算在目标人员隐秘人群之中也能很好的进行跟踪。
34、参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。
35、针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。
36、应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。