基本信息
- 項目名稱：
- TrackerNerv道路車輛識別跟蹤系統(tǒng)
- 小類：
- 信息技術
- 大類：
- 科技發(fā)明制作A類
- 簡介：
- TrackerNerv道路車輛識別跟蹤系統(tǒng)， 主要用于智能交通管理方面，針對現(xiàn)在國內的智能識別技術缺陷以及我們掌握的關于圖像識別的有關內容， 綜合我們各自的能力，自主開發(fā)了一套實用性和功能性更強車輛識別跟蹤系統(tǒng)，將計算機和圖像處理技術應用于實際，解決現(xiàn)實交通管理中的諸多問題。本系統(tǒng)的實時性、適應性和抗干擾特性等都能達到一個令人滿意的效果。具有很大的社會價值和應用前景。
- 詳細介紹：
- 車輛部分：主要包括視頻流讀取，提取背景與更新背景，前景檢測，分析數(shù)據(jù)。 車牌部分： 讀取靜態(tài)圖片，進行車牌定位與矯正，對字符庫進行訓練，對車牌區(qū)域進行分割，將分割后的二值化圖片轉換成15*25的數(shù)組，輸入到神經網絡中，得到在此模塊主要采用基于背景減除的算法提取運動車輛。 現(xiàn)在主要的運動前景算法有幀差法、背景減除法、光流法，大致說明如下： 幀差法利用時間序列圖像中兩幀或三幀圖像相減，得到差分圖像，然后再通過閾值選取得到運動目標的信息，這種方法簡單，容易實現(xiàn)，但一般難以獲取運動目標的完整輪廓，易在目標中產生“雙影”及“空洞”現(xiàn)象，導致檢測的目標不準確，也難以處理“抖動”及“陰影”等復雜情況。 背景減除法的基本思想是先構建一個背景，然后利用當前幀與背景幀相減。根據(jù)差分圖像提取運動目標輪廓。這種方法簡單，易于實現(xiàn)，能夠較好的提取目標的特征數(shù)據(jù)，但對外界環(huán)境的變化較敏感（如少許抖動）。 光流分割法利用運動目標隨時間變化的矢量特征在圖像序列中檢測的運動區(qū)域。在攝像機存在運動的情況下其性能較好，但算法復雜，運算量較大，難于滿足視頻的實時處理的要求。 人工神經網絡方法是采用模糊的概念，對輸入數(shù)據(jù)進行模糊識別，然后輸入相應的感興趣結果。 基于以上算法的特點本項目在考慮在特定的交通環(huán)境下，我們決定采用背景減除法。在這個算法中我們實現(xiàn)了背景提取、背景更新、前景更新、抖動處理、陰影剪除、前景輪廓提取，車牌定位，字符分割與識別等算法。得到車牌號結果。 程序主要內容：1)背景提取2)背景更新3) 前景更新4)抖動處理5)陰影剪除6) 輪廓提取7)輪廓精確8)車牌定位9)字符分割10)字符識別
作品圖片
作品專業(yè)信息
設計、發(fā)明的目的和基本思路、創(chuàng)新點、技術關鍵和主要技術指標
- 作品設計、發(fā)明的目的： 車輛識別與跟蹤技術是計算機視覺、圖像處理與模式識別等技術的融合，是智能交通系統(tǒng)中重要的研究課題，對于實現(xiàn)更加快速化、智能化的交通管理具有巨大的經濟價值和現(xiàn)實意義。然而，目前大多數(shù)車輛識別跟蹤引擎具有運算量大、對硬件要求高、識別率低等缺點，為此，我們希望自主研發(fā)一套更具功能性和實用性的車輛識別跟蹤系統(tǒng)，更好地將計算機和圖像處理技術應用于實際，以解決現(xiàn)實中交通管理方面的諸多問題。 作品設計的基本思路： 本作品采用模塊化分階段進行處理，各模塊及其處理次序如下：首先，系統(tǒng)從車輛視頻中讀取相應的視頻流數(shù)據(jù)；然后通過運動檢測模塊對視頻流數(shù)據(jù)進行分析，隔一定幀數(shù)從視頻流中提取圖片，以得到待處理背景信息；進而通過車輛跟蹤模塊，不斷更新背景信息，并對提取的圖片進行相應的數(shù)學運算，得到變化的區(qū)域，將變化的區(qū)域用四邊形輪廓標記；最后再通過車輛特征分析模塊智能地對所檢測定位到的車輛進行編號(系統(tǒng)編號或車牌號)，得出車輛行駛的相關信息，在界面接口模塊中顯示出來。 作品創(chuàng)新點： 本項目采用了一系列全新原創(chuàng)的算法模型，確保系統(tǒng)的實時性，良好的性和抗干擾性，實現(xiàn)車輛的識別和跟蹤，以及車輛動態(tài)信息的獲取。 技術關鍵： 1)隔幀背景更新策略 2)基于區(qū)域的自適應動態(tài)權值的背景更新算法 3)基于原創(chuàng)陰影消除算法進行運動物體提取 4)基于區(qū)域相似的抖動處理策略 主要技術指標： 1)真實應用中的自適應性 2)資源消耗 3)實時處理能力 4)可擴展性 5)可移植性
科學性、先進性
- 1.對復雜環(huán)境具有自適應能力。目前車輛跟蹤識別技術的難點，大部分是由實際環(huán)境因素的影響造成的。本系統(tǒng)能夠根據(jù)不同的道路交通環(huán)境，通過內部一系列自適應動態(tài)算法自動進行判別并做出相應調整，更好地適應于真實場景中的復雜環(huán)境。 2.采用隔幀掃描的方式采集圖像進行處理，在基本不影響處理正確率的前提下，識別的速度要比普通的的逐幀連續(xù)掃描識別方式快幾倍。 3.在白天陽光直射的情況下，采用基于表面紋理分析的物體陰影消除與物體分割算法，消除因為光照因素導致的車輛陰影干擾，使得車輛識別的輪廓更加精確，能夠很好地減少陰影對車輛提取的影響。 4.采用無回溯算法進行車輛特征分析，性能更佳，識別速度更快，更適合本系統(tǒng)所適用的視頻觸發(fā)類應用。 5.采用基于隔行掃描線的車牌定位技術，比傳統(tǒng)的基于邊緣圖像灰度跳變次數(shù)統(tǒng)計算法處理效率更高。 6.使用神經網絡算法作為車牌字符識別算法，相對于傳統(tǒng)的模板匹配方法，運算速率更快，識別率更高。 7.系統(tǒng)界面使用成熟的Qt技術，具有界面友好，可移植性強等優(yōu)點。
獲獎情況及鑒定結果
- 2010年9月，參加由工業(yè)和信息化部軟件服務業(yè)司和江蘇省經濟和信息化委員會組織的“江蘇軟件杯”全國大學生軟件設計大賽獲三等獎，本次比賽中一等獎一名，二等獎兩名，三等獎三名，參賽者包括全國一百多所重點高校和普通高校。
作品所處階段
- 中試階段
技術轉讓方式
- 無
作品可展示的形式
- 現(xiàn)場演示
使用說明,技術特點和優(yōu)勢,適應范圍,推廣前景的技術性說明,市場分析,經濟效益預測
- 本項目采用了一系列全新原創(chuàng)的算法模型，確保系統(tǒng)的實時性、好的適應性、和抗干擾性，實現(xiàn)車輛動態(tài)信息的獲取，車輛的識別和跟蹤。能夠自動調整，實現(xiàn)對不同環(huán)境的適應能力，識別的速度要比正常的識別快，能消除陰影對本系統(tǒng)的影響。以Qt為界面開發(fā)工具，界面友好，可移植性強，適合windows，嵌入式，服務器等多種系統(tǒng)。在車牌識別方面，采用基于隔行掃描的車牌定位技術，人工神經網絡(開源的FANN神經網絡庫)進行字符識別等方法，實現(xiàn)車牌的快速定位與識別，相對于其他的系統(tǒng)，對車牌識別的精度方面有很大的改善。通過外接高速攝像頭、設置參數(shù)，實現(xiàn)自動的交通控制。 由于目前的車輛處理技術受到多方面的限制，其技術還存在著很多不足，現(xiàn)代交通監(jiān)控和管理對車輛處理技術又具有迫切要求，使其具有巨大的應用潛力和商業(yè)價值。本系統(tǒng)作為一個同時具有探索算法功能和形成自動化識別方案能力的車輛處理系統(tǒng)，若能繼續(xù)系統(tǒng)地得到支持和發(fā)展，必將具有廣闊的市場前景，甚至還有可能極大地推動車牌識別技術的發(fā)展與成熟，經濟效益樂觀。
同類課題研究水平概述
- 關于車牌識別系統(tǒng)的研究國外起步比較早，國外學者關于汽車牌照識別技術發(fā)表了大量的論文和文獻。從20世紀90年代，國外的研究人員就開始了對車牌自動識別系統(tǒng)的研究，其主要途徑就是對車牌的圖像進行分析，自動提取車牌信息，確定汽車牌號。在識別過程中，也出現(xiàn)了許多技術方法，有人使用模糊數(shù)學理論，也有人用神經元網絡的算法來識別車牌中的字符，但由于外界環(huán)境光線變化、光路中有灰塵、季節(jié)環(huán)境變化、以及車牌本身比較模糊等條件的限制和影響，使得LPR系統(tǒng)一直是一個有解但一直都不能解決得很好的問題，而且很多的方法都需要大量的數(shù)值計算，并沒有考慮到實時處理的環(huán)境問題。 各國學者通過對LPRS展開進行的一系列的研究，取得了很大進步，當前主要采用IC卡識別、條形碼識別、數(shù)字圖像處理、傳統(tǒng)模式識別和人工神經網絡等技術來實現(xiàn)系統(tǒng)要求。 進入90年代，由于計算機視覺技術的發(fā)展，開始對車牌識別進行系統(tǒng)化的研究。1990年A.S.Johnson等運用計算機視覺技術開發(fā)了出一套LPRS；近幾年來，一些發(fā)達國家開始探討用人工神經網絡解決車牌識別問題。它具有并行計算，分布式信息存儲，容錯能力強以及具備自適應學習功能等一系列優(yōu)點，但是它常常將初始權值取為零或隨機數(shù)，從而增加網絡的訓練時間或陷入非要求的局部最小值。目前，西方發(fā)達國家的車牌識別系統(tǒng)已經進入了實用化階段，全世界已有多家廠商推出此類產品。 上個世紀90年代以來，我國也開始對車牌識別系統(tǒng)進行深入的研究，并取得了一定的成效。比較好的識別算法有基于車牌文字變化特點的自動掃描識別算法；基于特征的車輛牌照定位算法；基于變換函數(shù)提取車牌的算法；基于視覺的車輛牌照檢測；基于字符串的車輛牌照分割方法。這些算法都是基于車牌的特征來研究車牌的定位與識別，因而具有一定的針對性和局限性。對一些復雜圖像應用某些數(shù)學工具不僅可以加快處理速度而且可以改善和優(yōu)化處理結果。另外，一些學者們從一些數(shù)學工具著手，利用數(shù)學形態(tài)學、小波分析、遺傳算法等方法對一些傳統(tǒng)定位方法進行改進，提出了基于屬性開運算的汽車牌照區(qū)域定位算法，通過對灰度圖像采用屬性開運算，削去滿足特定屬性的峰部，確定出目標以及少量非目標區(qū)域，然后計算出圖像的傾斜角及目標區(qū)域所在范圍；提出了基于小波與形態(tài)學的車牌圖像分割方法等。上述車牌識別方法具有一定的實用性和參考價值，然而也都有不完善的方面，有待進一步完善。
