一种智能车牌识别系统的制作方法

本发明涉及车牌识别技术领域，具体涉及一种智能车牌识别系统。

背景技术：

车牌识别技术是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符、英文字母、阿拉伯数字及号牌颜色)进行处理的技术。车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。通过一些后续处理手段可以实现停车场收费管理，交通流量控制指标测量，车辆定位，汽车防盗，高速公路超速自动化监管、闯红灯电子警察、公路收费站等功能。因此，有必要提供一种处理效率高、检测精度高、智能化的车牌识别系统。

技术实现要素：

针对上述问题，本发明提供一种智能车牌识别系统。

本发明的目的采用以下技术方案来实现：

提供了一种智能车牌识别系统，包括相连接的车牌识别控制装置和阻挡装置，所述车牌识别控制装置包括用于拍摄车辆的摄像模块、用于补充摄像的光照亮度的光源模块、用于识别车牌信息的车牌识别模块和用于根据车牌信息控制阻挡装置动作的控制模块。

本发明的有益效果为：通过在车牌识别系统中提供光源模块，从而在获取车牌图像的过程中提供辅助光源，调节车牌图像的清晰度；能够自动清晰地识别车牌来记录车辆信息，而不需要用人工记录车牌信息，智能高效。

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是本发明车牌识别控制装置的框图示意图；

图3是本发明车牌识别模块的框图示意图。

附图标记：

车辆检测装置1、车牌识别控制装置2、阻挡装置3、摄像模块10、光源模块20、车牌识别模块30、控制模块40、车牌图像采集单元100、车牌图像检测单元200、车牌图像处理单元300、车牌信息存储单元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、图2，本实施例提供的一种智能车牌识别系统，包括相连接的车牌识别控制装置2和阻挡装置3，所述车牌识别控制装置2包括用于拍摄车辆的摄像模块10、用于补充摄像的光照亮度的光源模块20、用于识别车牌信息的车牌识别模块30和用于根据车牌信息控制阻挡装置3动作的控制模块40。

优选地，所述智能车牌识别系统还包括用于检测车辆信息的车辆检测装置1，所述车辆检测装置1在检测到车辆信息时触发车牌识别控制装置2工作。

优选地，所述光源模块20配合所述摄像模块10设置，以增加摄像模块10的光照亮度。

本发明上述实施例，通过在车牌识别系统中提供光源模块20，从而在获取车牌图像的过程中提供辅助光源，调节车牌图像的清晰度；能够自动清晰地识别车牌来记录车辆信息，而不需要用人工记录车牌信息，智能高效。

优选地，如图3所示，所述车牌识别模块30包括依次连接的车牌图像采集单元100、车牌图像检测单元200、车牌图像处理单元300、车牌信息存储单元400，其中车牌图像处理单元300还与控制模块40连接；所述车牌图像采集单元100用于采集摄像模块10所摄的视频图像中带有车牌信息的车牌图像；所述车牌图像检测单元200用于对采集的车牌图像进行质量检测，删除质量检测结果不合格的车牌图像；所述车牌图像处理单元300用于对车牌图像检测单元200输出的车牌图像进行图像处理，获取车牌图像的车牌信息，并对车牌信息进行分析，将分析结果发送至控制模块40，将车牌信息发送至车牌信息存储单元400设置的车牌信息数据库中。

优选地，对采集的车牌图像进行质量检测时，定义质量检测公式为：

式中，ρi为第i张车牌图像的灰度直方图的概率最大的灰度值，ψi为第i张车牌图像的灰度直方图的均方差，m为车牌图像的数量，d1、d2为设定的阈值；

若zi＞0，则表示该车牌图像的质量检测结果为合格，若zi≤0，则表示该车牌图像的质量检测结果为不合格，删除该车牌图像。

本优选实施例设置车牌图像检测单元200，通过定义质量检测公式，对车牌图像进行图像质量检测计算，简单快捷，且删除车牌图像质量检测不合格的图像，能够大大节约系统存储空间，提高车牌图像处理的速度。

所述对车牌图像检测单元输出的车牌图像进行图像处理，包括：对车牌图像进行滤波处理，减弱车牌图像的图像噪声的影响；对滤波后的车牌图像进行图像分割，提取车牌图像的车牌信息。

其中，对滤波后的车牌图像进行图像分割，具体包括：

(1)按照设定的图像尺寸调整比例将车牌图像的像素降低到400×600；

(2)采用otsu算法对车牌图像进行全局分割阈值估计，得到优选全局分割阈值，为获得更好的分割效果，对优选全局分割阈值进行调整，使用调整后的优选全局分割阈值对车牌图像进行分割，获得含有车牌字符区域的分割图像，将该分割图像平均划分为4个子图像；

(3)采用otsu算法对子图像进行局部分割阈值估计，获得各子图像的优选局部分割阈值；

(4)对不同的子图像使用不同的分割阈值进行分割，定义子图像的分割阈值的计算公式为：

式中，qi为第i个子图像的分割阈值，qi为第i个子图像的优选局部分割阈值，γ表示整个车牌图像的灰度方差，γi表示第i个子图像的灰度方差，δi表示第i个子图像的灰度均值，δ表示整个车牌图像的灰度均值，ω为设定的权重因子，0＜ω＜1；

(5)抽取各子图像分割得到的车牌字符区域的坐标，并按设定的图像尺寸调整比例将车牌字符区域坐标还原到原始图像坐标；

(6)拼接各子图像分割得到的车牌字符区域，结束当前车牌图像的分割。

在众多的图像分割算法中，阈值法是一种最常用图像分割方法，阈值选取方法多达十几种，最具代表的是p-tile法、双峰法、最大类间方差法、最小误差法、最大熵方法和梯度统计法等。最大类间方差法(otsu)算法是1979年由ostu提出的动态阈值分割算法，它依据图像的灰度直方图，依据类间距离极大准则来确定区域分割门限，其对单峰和双峰图像均有较好的效果。最大类间方差法(otsu)算法对图像进行分割的原理是，根据图像的灰度特性，将图像分为目标区域和背景区域两部分，这两部分之间的类间方法最大的值就是图像的分割阈值。

本优选实施例对车牌图像进行分割时，采用两步分割的方式进行处理，第一步先减小图像尺寸，然后采用otsu算法对车牌图像进行全局阈值分割，获取车牌图像的大致车牌字符区域，然后对前一步获得的大致车牌字符区域进行划分，形成4个子图像后再进行分割，相对于全局直接分割而言，预先分割后得到的子图像具有较好的二项分布特性，各子图像的尺寸和内容有了较大的降低，从而降低了车牌图像分割的难度，进一步提高了车牌图像处理的速度。

优选地，所述对优选全局分割阈值进行调整，具体为：设定优选全局分割阈值为t，调整因子为ξ，ξ∈[0.90,1.10]，则调整后的优选全局分割阈值为ξt，调整因子的最优取值按照下述方式进行选取：

(1)设定调整因子ξ的几个优选值，优选值的范围为[0.90,1.10]；

(2)采用sobel边界检测算子对车牌图像进行处理，得到车牌图像的车牌字符区域边界e(p)；

(3)根据设定的调整因子ξ的优选值，得到对应的调整后的优选全局分割阈值，使用调整后的优选全局分割阈值对车牌图像进行分割，得到对应于各调整因子的车牌图像的车牌字符区域边界eξ＝x(p)；

(4)计算两车牌字符区域边界e(p)和eξ＝x(p)的边界重合度，选取边界重合度最大时所对应的调整因子值作为调整因子的最优取值，定义边界重合度的计算公式为：

式中，rξ＝x表示调整因子为ξ＝x时对应得到的车牌图像的车牌字符区域边界与车牌字符区域边界e(p)的边界重合度，“∩”表示交集运算，x为设定的调整因子的优选值，

本优选实施例中，sobel边界检测算子能够有效的检测到灰度变化较大区域边界，按照其检测的车牌字符区域边界与采用调整后的优选全局分割阈值分割得到的车牌字符区域边界进行边界重合度计算，选用较大边界重合度对应的调整因子取值作为最终取值，完成了对优选全局分割阈值的修正，从而使用调整后的优选全局分割阈值对车牌图像进行分割，能够获得较为准确的车牌字符区域的轮廓，提高对车牌图像分割的准确性和稳定性。

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。