一种基于云计算平台的车辆管理系统的制作方法

本发明涉及车辆管理技术领域，具体涉及一种基于云计算平台的车辆管理系统。

背景技术：

相关技术中的机动车管理模式大多采用现场的清单或拍照，后续由人工完成数据纳入与操作，这样十分繁琐，车辆信息无法实时更新。

技术实现要素：

针对上述问题，本发明提供一种基于云计算平台的车辆管理系统。

本发明的目的采用以下技术方案来实现：

提供了一种基于云计算平台的车辆管理系统，包括车辆信息获取子系统、车辆信息管理子系统和云计算平台；所述车辆信息获取子系统用于实时获取车辆信息；所述车辆信息管理子系统用于处理车辆信息获取子系统所获取到的车辆信息并根据处理结果发送数据操作指令至云计算平台；所述云计算平台用于根据所述数据操作指令完成对车辆信息的实时处理与存储。

本发明的有益效果为：通过车辆信息获取子系统、车辆信息管理子系统获取车辆信息，并对车辆信息处理，相对于人工完成数据操作的方式更加智能化，通过云计算平台实现对车辆信息数据的实时处理和存储，保证了数据的实时性与一致性。

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本发明的框图示意图；

图2是本发明车辆信息获取子系统的框图示意图；

图3是本发明车牌识别模块的框图示意图。

附图标记：

车辆信息获取子系统1、车辆信息管理子系统2、云计算平台3、车牌识别模块10、车辆信息打包模块20、车辆图像采集单元100、车辆图像去噪单元200、车辆图像分割单元300、车牌信息提取单元400。

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，本实施例提供的一种基于云计算平台的车辆管理系统，包括车辆信息获取子系统1、车辆信息管理子系统2和云计算平台3；所述车辆信息获取子系统1用于实时获取车辆信息；所述车辆信息管理子系统2用于处理车辆信息获取子系统1所获取到的车辆信息并根据处理结果发送数据操作指令至云计算平台3；所述云计算平台3用于根据所述数据操作指令完成对车辆信息的实时处理与存储。

优选地，所述车辆信息管理子系统2包括通信模块；所述通信模块用以实现车辆信息管理子系统2与云计算平台3之间的双向通信。

优选地，所述车辆信息管理子系统2还包括车辆信息加密模块，所述车辆信息加密模块用以对所获取的车辆信息进行加密，以防止信息的泄密与外部侵入。

本发明上述实施例中，通过车辆信息获取子系统1、车辆信息管理子系统2获取车辆信息，并对车辆信息处理，相对于人工完成数据操作的方式更加智能化，通过云计算平台3实现对车辆信息数据的实时处理和存储，保证了数据的实时性与一致性。

优选地，如图2所示，所述车辆信息获取子系统1包括车牌识别模块10、车辆信息打包模块20，所述车牌识别模块10用于采集包含车牌的车辆图像，并对包含车牌的车辆图像进行识别处理，获取车牌号信息；所述车辆信息打包模块20用于将该车牌号信息、对应于该车牌号信息的车辆位置和采集时间打包成车辆信息，发送至车辆信息管理子系统2。

本优选实施例实现了车辆信息的实时获取。

优选地，参见图3，所述车牌识别模块10包括依次连接的车辆图像采集单元100、车辆图像去噪单元200、车辆图像分割单元300和车牌信息提取单元400；所述车辆图像采集单元100用于采集包含车牌的车辆图像；所述车辆图像去噪单元200用于对采集的车辆图像进行滤波处理；所述车辆图像分割单元300用于对滤波后的车辆图像进行分割处理，获取车牌区域；所述车牌信息提取单元400用于提取车牌区域中的车牌号信息。

优选地，对车辆图像进行滤波处理时，选取3×3滤波窗口对车辆图像进行中值滤波，具体包括：

(1)确定滤波的初始位置(i,j)，设ρ(i,j)表示车辆图像的灰度值矩阵中(i,j)处像素的灰度值，则滤波窗口在(i,j)处的灰度值表示为：

(2)移动滤波窗口，从而将滤波窗口原第二列对应行的灰度值赋给第一列，原第三列对应行的灰度值赋给第二列，读取车辆图像对应移动前滤波窗口后一列像素的灰度值作为移动后的滤波窗口的第三列灰度值；

(3)将第三列灰度值按从小到大的顺序进行排列，计算当前位置滤波窗口的中间灰度值，并将计算得到的中间灰度值赋给所述的对应移动前滤波窗口后一列像素，定义当前位置滤波窗口的中间灰度值的计算公式为：

式中，表示当前位置滤波窗口的中间灰度值，max(ρ₁)表示当前位置滤波窗口中第一行灰度值的最大值，mid(ρ₂)表示当前位置滤波窗口中第二行灰度值的中值，min(ρ₃)表示当前位置滤波窗口中第三行灰度值的最小值；

(4)重复步骤(2)和(3)，直至完成车辆图像的设定滤波处理范围内的所有像素被赋值。

本优选实施例采用上述方式对车辆图像进行去噪，能够快速地确定赋给处理像素的中间灰度值，减少中值滤波算法中像素灰度值排序的次数，相对于传统的中值滤波算法，滤波速度更快，从而可以在保留车牌区域边缘信息的前提下提高去噪处理的速度，从整体上提高了车辆信息获取的速度，保证车辆管理系统的效率。

优选地，所述对滤波后的车辆图像进行分割处理，具体包括：

(1)采用改进的Sobel边缘检测算法对车辆图像进行边缘检测；

(2)基于数学形态学，采用5×5方形结构元素对边缘检测得到的车牌区域进行腐蚀处理，采用5×5圆形结构元素对车牌区域进行膨胀处理。

本优选实施例结合Sobel边缘检测算法和数学形态学对车辆图像进行处理，能够在保证不会产生全局几何失真的前提下将车牌区域中被边缘检测断开的区域重新连通，细化车牌区域的边缘，便于车辆图像中车牌号信息的获取和识别，为车辆管理系统有效获取车辆信息奠定了良好的基础。

优选地，所述采用改进的Sobel边缘检测算法对车辆图像进行边缘检测，具体包括：

(1)采用0°、45°、90°、135°四个方向的模板对车辆图像进行卷积运算，计算车辆图像中各像素的灰度梯度值，定义灰度梯度值的计算公式为：

式中，M(i,j)表示车辆图像中像素(i,j)的灰度梯度值，ρ(i,j)表示车辆图像的像素(i,j)的灰度值，*表示卷积运算，J_k(k＝1,2..,4)为边缘算子，其中J₁为0°边缘算子、J₂为45°边缘算子、J₃为90°边缘算子、J₄为135°边缘算子，

(2)将各个像素的灰度梯度值与设定的阈值进行比较，若像素的灰度梯度值大于设定的阈值，将该像素作为检测点；

(3)对检测点进行过滤处理，采用20×20的矩形滤波窗口对各检测点进行处理，得到各检测点对应矩形滤波窗口中最大梯度值，若检测点(α,β)满足下列判定公式，则将该检测点置为背景点：

M(α,β)<0.8max(M_α,β)

式中，M_α,β表示检测点(α,β)对应矩形滤波窗口中的最大梯度值；

(4)将剩余的检测点作为边缘点。

一方面，本优选实施例采用四个方向的模板对车辆图像进行卷积处理，并重新定义了灰度梯度值的计算公式，能够在保证边缘检测效果的前提下，减少Sobel边缘检测的运算量，提高对车辆图像进行分割处理的速度，同时对车辆图像的噪声具有较好的抑制能力，为后续的车牌号提取打下基础。

另一方面，本优选实施例对采用Sobel边缘检测算法处理后得到的检测点进行过滤处理，去除边缘检测可能形成的伪边缘，从而细化了车辆图像车牌号的边缘特征，能够进一步提高车辆图像分割的精度。

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。