工程实践
开题报告
题 目 智能交通系统 专 业 软件工程 成 员 江枫 张响响 王宗宝 李方琪 指导教师 白天
中国科学技术大学
2015 年
一、选题依据
1.1选题的来源及意义
随着人们生活质量的提高，汽车的普及率越来越高，然而在车库或停车场停车和高速公路入口，驾驶员要停车通过刷IC卡来计费，由于IC卡不够敏感而且识别距离较近给驾驶员带来了很多的麻烦，对管理统计也是一个难题。而通过车牌识别来计费，给驾驶员减少了麻烦，也可以缓解高峰期的拥堵状况，有利于车辆管理和车流量统计，同时也可以解放生产力。作为最有前途的方法之一是基于视频的检测，有以下几个优点[1]：
（1）能够提供高质量的图像信息，能高效、准确、可靠地完成道路交通的监视和控制工作。
（2）安装视频摄像机破坏性低、方便、经济。目前我国已经安装了视频摄像机，用于交通监视和控制。
（3）由视觉计算机得到的交通信息有利于联网工作，便于实现道路交通网的监视和控制。
1.2国内外概况和发展趋势
汽车牌照识别技术(Lieense Plate Recognition，LRP)在国外起步较早，一些实用的LRP 系统也开始应用于车流监控，出入控制，电子收费等场合。ARGUS 英国Alphatech 公司的图像部于80 年代中期开始研制名为RGUS 的车牌自动识别系。可处理黑白或彩色图像，ARGUS 的车牌识别时约为100 毫秒，通过ARGUS 的车速可达每小时100 英里；新加坡的Optasia 公司研制的VLPRS 系统，适合于新加坡的车牌；香港的亚洲视觉公司的车牌识别产品VECON 适用于香港制式的车牌。另外日本、加拿大、德国、意大利、英国等发达国家也都有适用本国车牌的车牌识别系统。从识别原理上有模板匹配，支持向量机的分类器，基于特征的分类器，人工神经网络分类器，粗糙集分类器，聚类分析等方法[2]。
国内不少学者也在进行车牌识别方面的研究，实验室方面，西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩。中国科学院自动化所的刘智勇等发表文章，他们在一个3180 的样本集中，车牌定位准确率为99.4%，切分准确率为94.5%。北航的胡爱明等利用模板匹配技术开发了一种应用于收费站的车牌识别系统，其识别正确率能达到97%以上。华南理工大学的骆雪超、刘桂雄等提出了一种基于车牌特征
信息的二值化方法，该系统对效果较好的车牌的识别率能够达到96%。清华大学的冯文毅等利用一种光电混合系统进行车牌识别，系统能够通过硬件来完成车牌识别的全过程。黄志斌等将基于串行分类器的字符识别应用于车牌识别系统中，对车牌识别系统中的分类器进行了详细的研究[3]。 1.3车牌识别的研究现状
车辆牌照在交通系统管理中有着重要的作用，通过它可以检索车辆的各项重要信息，从而给交通系统的管理提供极大的方便，随着智能化的发展，智能化的车牌识别和车流量统计渐渐的取代了人工。对于车牌识别从20世纪80年代已经开始研究，随着计算机视(ComputerVisionTchnology)的发展和计算机性能的提高，开始出现车牌识别的系统化研究。中国、美国、日本、法国等国家相继投入大量的人力、物力进行应用研究。近几年以来，计算机及其相关技术发达的一些国家开始探讨用人工神经网络技术和遗传算法解决车牌的自动识别问题，及智能蓝牙停车场系统·车牌识别系统登上历史舞台[4]。而基于视频图像大致分为三个部分：
车牌的精确定位； 车牌字符的分割； 车牌字符的识别。
车牌识别的难点是定位，有基于形态学的车牌定位[5]，可以从复杂的背景中定位车牌，具有较强的健壮性，但耗时较长。基于图像处理的车牌定位[6]，其受颜色光亮度的影响比较大。基于多信息融合的快速车牌定位[7]。它是基于边缘检测、图像处理及车牌特征的方法进行定位，整体效果较好。车牌字符分割的方法主要有对牌照字符进行二值化并分割出单个字符，经归一化后输入字符识别系统进行识别[8]。车牌字符的识别有神经网络对车牌字符的识别、基于SVM的车牌汉字识别、车牌数字字母部分字符识别。 1.4车牌识别难点
车牌本身：我国车牌由汉字、字母和数字组成，其中汉字的笔画结构更为复杂，识别难度更大。且我国牌照格式有多种。车牌悬挂位置不固定。车牌可能存在不同程度的磨损和污迹干扰。
外界因素：自然背景、车身背景复杂，光照、天气等的影响。 拍照影响：受摄像头分辨率影响，车牌区域可能不够清晰。且车牌可能倾斜、变形。车牌识别系统要求兼顾成本、识别正确率和实时性，所以需要取一个合适的折衷。
[2]
二、课题内容及具体方案
2.1 主要研究方法
对于视频图像目标的识别有很多种方法，但总体上可以划分为两大类[9]：一是相关匹配法，二是特征匹配法。相关匹配方法是通过计算当前图像与参考图像间的相关系数的大小，根据最大相关值所在的位置，从而确定目标在当前输入图像中的位置。相关法具有很强的噪声抑制能力，可以在很小噪声比条件下工作。它对有关目标的知识要求很少，而且计算形式简单，易于实现。但它对几何和灰度畸变十分敏感，计算量偏大，而且往往不能充分利用目标的几何特性，易产生累积误差。它比较适合于当前输入图像和参考图像的产生条件较为一致、目标的尺寸变化不大并且场景各部分的相关性不强的场合。特征匹配方法就是将目标的特征与输入图像中目标的特征来实现目标的辨识，它是目前研究较多的一类图像匹配方法。它先提取输入图像目标和参考目标的特征，如边缘、角点等，然后依照某种距离测度来比较输入图像与参考图像的特征集，如果输入图像中的目标的特征集与参考图像特征集在满足给定约束条件下，距离最小，则判定该目标被识别。特征匹配充分利用了目标图像的特征信息，对目标的几何、灰度畸变不敏感，因而可以保证较高的跟踪精度。对于图像目标的跟踪方法主要的以下几个方法
[10]
：
光流法：它的原理是在三维世界中，运动物体可以被描述，然而图像平面是
一个二维场，三维描述运动的物理量不再适用。空间中的运动场转移到图像上表示为光流场，光流不仅包含了观察物体的运动信息，而且同时携带了三维结构的丰富信息。
亮度中心法：它将已获得的目标图像的具有最高灰度的像素点或这个点的一个邻域作为跟踪点，只要确定了这个点即完成了定位。其计算简单、性能稳定、易于实现，工程上运用较多。根据它所使用的方法可以看出它主要适用于红外和其它放射性目标的跟踪，显然这种跟踪易受干扰。
最佳空间滤波法：在亮度中心法的基础上，设法将目标的大小、形状、运动特性等都加以利用，以提高跟踪性能。但目前这类方法还存在着计算量、精度和适用性方面的较大限制。
投影、行心法：它是通过目标的投影或形心来确定目标的位置和运动姿态，其计算量很小、便于硬件实现。但它的抗干扰性较差，主要用于均匀背景下孤立目标的跟踪。
2.2 技术路线
该思路初步如下：首先将摄像机采集到的视频以帧为单位以文件和图片的形式提取出来，然后对提取出来 的图形进行处理，比如二值化、边缘检测等，继而对车辆进行特征提取与量化，最后对识别出来的车辆进行统计。其流程如图1。
图1、技术路线
输出车流量统计算法车牌识别特征提取和量化输入视频预处理图像分割
2.3系统UML活动图
系统的用例图和活动图，如图2、图3
顶层包::驾驶员-端1*车牌定位与车流量统计系统-端2驾车经过*打开系统<
-端3查车牌号<
百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库工程实践开题报告题目智能交通系统专业软件工程成员江枫张响在线全文阅读。
相关推荐：