智能交通個人課程設(shè)計報告

1、課程名稱：智能交通學(xué)生姓名：聶宇學(xué)生學(xué)號：2014141461017智能交通課程報告二號黑體，居中課題名稱： 復(fù)雜天氣條件下的車牌信息識別課題負責(zé)人名（學(xué)號）：聶宇（2014141461017）指導(dǎo)教師： 呂學(xué)斌 盧曉春 評閱成績： 評閱意見： 提交報告時間：2015 年 12 月 21 日四號宋體 居中有顏色的字為格式說明。打印正文時需刪除。復(fù)雜天氣條件下的車牌信息識別物聯(lián)網(wǎng)工程 專業(yè)學(xué)生 聶 宇 指導(dǎo)老師 呂學(xué)斌 盧曉春摘要 在復(fù)雜天氣條件下，由于大霧或者強光照射造成車牌成像的失真，使傳統(tǒng)基于圖像的車牌識別方法難以準(zhǔn)確識別車牌信息。文中基于Dark Channel Prior和直方圖均衡方

2、法能有效消除天氣帶來的干擾。并通過形態(tài)學(xué)方法對被噪聲影響的圖像進行復(fù)原、修正，最后通過基于BP神經(jīng)網(wǎng)絡(luò)對車牌信息進行識別。關(guān)鍵詞：圖像增強 二值形態(tài)學(xué) 圖像分割 BP神經(jīng)網(wǎng)絡(luò) 車牌識別車牌識別是智能交通系統(tǒng)的一個重要組成部分，是車輛跟蹤檢測等其他智能交通管理領(lǐng)域的技術(shù)基礎(chǔ)。天氣對車牌識別的效果有著很大的影響，尤其是當(dāng)車牌因路況等原因造成車牌表面附著泥土等污漬時，影響效果更大。此外，由于攝像機的拍攝角度及曝光過程造成的圖像上產(chǎn)生的噪點也會影響識別的準(zhǔn)確度。因此，在對車牌識別前期的圖像預(yù)處理顯得很重要。這里，我們對車牌識別采用的一般步驟如下所示(已經(jīng)捕獲到車牌的圖像信息)：1. 復(fù)雜天氣條件下的圖

3、像增強1. 圖像去霧1.1.1基于Dark Channel Prior的去霧在實際應(yīng)用中，因為大霧帶來的設(shè)備對車牌識別問題難以解決。一種基于暗原色先驗的單一圖像去霧方法，可以有效地解決戶外環(huán)境下由霧造成的成像不清、對比度降低等問題。這種方法來自對戶外無霧圖像數(shù)據(jù)庫的統(tǒng)計規(guī)律，它基于觀察得到這一關(guān)鍵事實:絕大多數(shù)戶外無霧圖像的每個局部區(qū)域都存在至少一個顏色通道的強度值較低的像素。利用這些像素的信息，通過一定的方法就可以估計出霧的濃度和去霧后的圖像。McCarney大氣散射模型，廣泛用于計算機視覺和圖形學(xué)領(lǐng)域中1。McCarney大氣擴散模型所用公式如下：I(x)=J(x)t(x)+A(x)(1-

4、t(x) (1)J(x)=Ix-AMAXtx,t0+A (2)整個復(fù)原過程主要依賴于大氣光A和透射率t(x)的確定?；诎翟闰灥脑?，利用暗原色值和霧天圖像退化模型，可以估計出成像時刻的霧濃度和透射率t(x) 2假設(shè)大氣光A已知并且在一個局部區(qū)域內(nèi)，在透射率保持一致的條件下，可求得帶霧圖像的大氣透射率。對于大氣光A的求取，可以采用通過暗原色來提高大氣光的估測精確度。一般估測大氣光的方法會直接采用最大強度值的像素作為大氣光，但實際情況中，最亮的像素可能并非是大氣光而是發(fā)光物體或光滑的反光物體。利用暗原色方法，首先選取暗原色中亮度最大的0. 1%像素。在以上像素中，輸人圖像中強度最大的像素點被

5、選定為大氣光3。它們并不一定是整幅圖像里最亮的點。這一基于暗原色先驗的簡單方法與“最明亮像素”方法相比，更準(zhǔn)確地描述了真實大氣光的情況。1.1.2基于直方圖均衡的圖像增強Dark Channel Prior:是一種去霧方法，但這種算法固有的缺陷是無法處理強光下曝光過度和雨天由于雨水、反光引起的模糊。通常情況下，因為陰霆雨雪、沙塵等惡劣天氣造成的圖像退化都是由于對比度降低、顏色失真4。 直方圖均衡是一種快速有效的圖像處理手段，是經(jīng)典的圖像信息增強算法之一，它是依據(jù)各灰度值在被處理圖像中的出現(xiàn)頻率確定直方圖分布，并對出現(xiàn)頻率高的灰度值對應(yīng)的區(qū)域作灰度拉伸以達到增加亮度和對比度的目的。全局的灰度變化

6、往往不能取得滿意的結(jié)果，為突出感興趣的口標(biāo)或灰度區(qū)間，抑制相對不感興趣的灰度區(qū)間，實際操作中，文中對彩色圖像的RGB3個通道分別進行分段線性直方圖均衡操作，將最亮和最暗部分的值削弱，中間部分增強。之后再將3個通道疊加還原出修正后的彩色圖像。1.1.3圖像的合并 考慮到實際應(yīng)用中需要兼顧各種天氣對成像帶來的影響，最終無霧的圖像是將原有霧圖像經(jīng)Dark Channel Prior處理的結(jié)果和通過線性直方圖均衡處理的結(jié)果，按照一定的比例疊加所得到的，這樣可以保證圖像在整體無霧的前提下細節(jié)和曝光得到良好的控制。2. 圖像還原1.2.1閾值分析和開閉運算由于天氣帶來的影響，一般車牌上的數(shù)字會殘缺不全或部

7、分信息不清晰，而由于環(huán)境因素對車牌造成的污染使得識別和圖像分割難以進行。針對這樣的情況首先需要進行閾值分析，將環(huán)境因素對車牌識別帶來的影響降到最低。實際操作中通過計算全圖像所有像素灰度值均值A(chǔ)，然后使用相關(guān)公式進行二值處理。在識別前，為保證識別能夠高效正確地進行，需要用圖像形態(tài)學(xué)的方法對車牌不清晰或者缺失的部分進行圖像還原，為保證還原能夠盡可能真實地反映原圖像信息，先對原圖像取輪廓，求取輪廓運算使用的是文獻【7】的方法。之后對輪廓進行二值形態(tài)學(xué)處理。二值形態(tài)學(xué)中最基本的兩種運算膨脹和腐蝕運算【8】。2. 圖像的分割處理1. 簡介我國標(biāo)準(zhǔn)汽車牌照是由漢字、英文字母和阿拉伯?dāng)?shù)字組成，漢字識別與字母

8、和數(shù)字的識別有很大的區(qū)別，漢字的識別增加了識別的難度；我國根據(jù)不同車輛、車型、用途規(guī)定了多種牌照格式，分為普通車轎車、使館車、警車、軍車等，并且通常汽車牌照中也分大車和小車，這些都給車牌分割識別帶來一定困難?，F(xiàn)在主要有投影法、粗切割法、連通域提取車牌字符分割法等分割方法。這里只是簡單介紹一下投影法和粗切割法。2. 投影法分割字符這是一種傳統(tǒng)的字符分割方法。字符的圖像二值化后，以像素為單位逐列掃描圖像，累加該列值為1的像素點，累計的結(jié)果為該列的垂直投影。對圖像的所有列掃描完畢即得到整個圖像的垂直投影。在垂直投影直方圖中字符的分界處灰度為1的像素點很少，投影后該處變現(xiàn)為很低的波谷，將統(tǒng)計值等于0的

9、列作為字符分割的界限，據(jù)此來分割字符。但此方法有很大的缺陷，必須通過改進或者選取其他方法分割字符。3. 粗切割方法我國的車牌上字符排列序列一般情況下為：漢字、英文字母、點、英文字母、阿拉伯?dāng)?shù)字、阿拉伯?dāng)?shù)字、阿拉伯?dāng)?shù)字、阿拉伯?dāng)?shù)字，其他樣式的車牌數(shù)量少，基本可以忽略。分析這7個字符和一個點可以發(fā)現(xiàn)，他們是以第四字符，即倒數(shù)第四個阿拉伯?dāng)?shù)字為對稱的，且他們都位于車牌的同一高度?；谶@種思想，可以采用粗切割法切割字符。步驟如下：1) 七等分圖像粗切割2) 去掉車牌圖像上字符（上一步得到的單個字符所在的粗切割塊）的多余空間3. 基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別1. BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練BP( Back Prop

10、agation)神經(jīng)網(wǎng)絡(luò)，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸人層各神經(jīng)元負責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸人層逐層反傳。周而復(fù)始信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止【9】。參考文獻1 TAN R. Visibility in bad weather from a single imageC.Korea:CVPR,2008.2 嵇曉強，戴明，孫麗娜，等.暗原色先驗圖像去霧算法研究J.光電子·激光，2011（6）: 926-930.3 HE Kaiming，SUN Jian，TANGXiaoou .Single image Haze removal using dark channel prior J.4 趙曉霞，王汝琳，張莉莉.惡劣天氣下降質(zhì)圖像增強算法研究J.微計