題-1_100_100.jpg)
基本信息
- 項(xiàng)目名稱(chēng)：
- TrackerNerv道路車(chē)輛識(shí)別跟蹤系統(tǒng)
- 來(lái)源：
- 第十二屆“挑戰(zhàn)杯”省賽作品
- 小類(lèi)：
- 信息技術(shù)
- 大類(lèi)：
- 科技發(fā)明制作A類(lèi)
- 簡(jiǎn)介：
- TrackerNerv道路車(chē)輛識(shí)別跟蹤系統(tǒng)， 主要用于智能交通管理方面，針對(duì)現(xiàn)在國(guó)內(nèi)的智能識(shí)別技術(shù)缺陷以及我們掌握的關(guān)于圖像識(shí)別的有關(guān)內(nèi)容， 綜合我們各自的能力，自主開(kāi)發(fā)了一套實(shí)用性和功能性更強(qiáng)車(chē)輛識(shí)別跟蹤系統(tǒng)，將計(jì)算機(jī)和圖像處理技術(shù)應(yīng)用于實(shí)際，解決現(xiàn)實(shí)交通管理中的諸多問(wèn)題。本系統(tǒng)的實(shí)時(shí)性、適應(yīng)性和抗干擾特性等都能達(dá)到一個(gè)令人滿(mǎn)意的效果。具有很大的社會(huì)價(jià)值和應(yīng)用前景。
- 詳細(xì)介紹：
- 車(chē)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(cè)，分析數(shù)據(jù)。 車(chē)牌部分： 讀取靜態(tài)圖片，進(jìn)行車(chē)牌定位與矯正，對(duì)字符庫(kù)進(jìn)行訓(xùn)練，對(duì)車(chē)牌區(qū)域進(jìn)行分割，將分割后的二值化圖片轉(zhuǎn)換成15*25的數(shù)組，輸入到神經(jīng)網(wǎng)絡(luò)中，得到在此模塊主要采用基于背景減除的算法提取運(yùn)動(dòng)車(chē)輛。 現(xiàn)在主要的運(yùn)動(dòng)前景算法有幀差法、背景減除法、光流法，大致說(shuō)明如下： 幀差法利用時(shí)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(guò)閾值選取得到運(yùn)動(dòng)目標(biāo)的信息，這種方法簡(jiǎn)單，容易實(shí)現(xiàn)，但一般難以獲取運(yùn)動(dòng)目標(biāo)的完整輪廓，易在目標(biāo)中產(chǎn)生“雙影”及“空洞”現(xiàn)象，導(dǎo)致檢測(cè)的目標(biāo)不準(zhǔn)確，也難以處理“抖動(dòng)”及“陰影”等復(fù)雜情況。 背景減除法的基本思想是先構(gòu)建一個(gè)背景，然后利用當(dāng)前幀與背景幀相減。根據(jù)差分圖像提取運(yùn)動(dòng)目標(biāo)輪廓。這種方法簡(jiǎn)單，易于實(shí)現(xiàn)，能夠較好的提取目標(biāo)的特征數(shù)據(jù)，但對(duì)外界環(huán)境的變化較敏感（如少許抖動(dòng)）。 光流分割法利用運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的矢量特征在圖像序列中檢測(cè)的運(yùn)動(dòng)區(qū)域。在攝像機(jī)存在運(yùn)動(dòng)的情況下其性能較好，但算法復(fù)雜，運(yùn)算量較大，難于滿(mǎn)足視頻的實(shí)時(shí)處理的要求。 人工神經(jīng)網(wǎng)絡(luò)方法是采用模糊的概念，對(duì)輸入數(shù)據(jù)進(jìn)行模糊識(shí)別，然后輸入相應(yīng)的感興趣結(jié)果。 基于以上算法的特點(diǎn)本項(xiàng)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(gè)算法中我們實(shí)現(xiàn)了背景提取、背景更新、前景更新、抖動(dòng)處理、陰影剪除、前景輪廓提取，車(chē)牌定位，字符分割與識(shí)別等算法。得到車(chē)牌號(hào)結(jié)果。 程序主要內(nèi)容：1)背景提取2)背景更新3) 前景更新4)抖動(dòng)處理5)陰影剪除6) 輪廓提取7)輪廓精確8)車(chē)牌定位9)字符分割10)字符識(shí)別
作品圖片
作品專(zhuān)業(yè)信息
設(shè)計(jì)、發(fā)明的目的和基本思路、創(chuàng)新點(diǎn)、技術(shù)關(guān)鍵和主要技術(shù)指標(biāo)
- 作品設(shè)計(jì)、發(fā)明的目的： 車(chē)輛識(shí)別與跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)、圖像處理與模式識(shí)別等技術(shù)的融合，是智能交通系統(tǒng)中重要的研究課題，對(duì)于實(shí)現(xiàn)更加快速化、智能化的交通管理具有巨大的經(jīng)濟(jì)價(jià)值和現(xiàn)實(shí)意義。然而，目前大多數(shù)車(chē)輛識(shí)別跟蹤引擎具有運(yùn)算量大、對(duì)硬件要求高、識(shí)別率低等缺點(diǎn)，為此，我們希望自主研發(fā)一套更具功能性和實(shí)用性的車(chē)輛識(shí)別跟蹤系統(tǒng)，更好地將計(jì)算機(jī)和圖像處理技術(shù)應(yīng)用于實(shí)際，以解決現(xiàn)實(shí)中交通管理方面的諸多問(wèn)題。 作品設(shè)計(jì)的基本思路： 本作品采用模塊化分階段進(jìn)行處理，各模塊及其處理次序如下：首先，系統(tǒng)從車(chē)輛視頻中讀取相應(yīng)的視頻流數(shù)據(jù)；然后通過(guò)運(yùn)動(dòng)檢測(cè)模塊對(duì)視頻流數(shù)據(jù)進(jìn)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(jìn)而通過(guò)車(chē)輛跟蹤模塊，不斷更新背景信息，并對(duì)提取的圖片進(jìn)行相應(yīng)的數(shù)學(xué)運(yùn)算，得到變化的區(qū)域，將變化的區(qū)域用四邊形輪廓標(biāo)記；最后再通過(guò)車(chē)輛特征分析模塊智能地對(duì)所檢測(cè)定位到的車(chē)輛進(jìn)行編號(hào)(系統(tǒng)編號(hào)或車(chē)牌號(hào))，得出車(chē)輛行駛的相關(guān)信息，在界面接口模塊中顯示出來(lái)。 作品創(chuàng)新點(diǎn)： 本項(xiàng)目采用了一系列全新原創(chuàng)的算法模型，確保系統(tǒng)的實(shí)時(shí)性，良好的性和抗干擾性，實(shí)現(xiàn)車(chē)輛的識(shí)別和跟蹤，以及車(chē)輛動(dòng)態(tài)信息的獲取。 技術(shù)關(guān)鍵： 1)隔幀背景更新策略 2)基于區(qū)域的自適應(yīng)動(dòng)態(tài)權(quán)值的背景更新算法 3)基于原創(chuàng)陰影消除算法進(jìn)行運(yùn)動(dòng)物體提取 4)基于區(qū)域相似的抖動(dòng)處理策略 主要技術(shù)指標(biāo)： 1)真實(shí)應(yīng)用中的自適應(yīng)性 2)資源消耗 3)實(shí)時(shí)處理能力 4)可擴(kuò)展性 5)可移植性
科學(xué)性、先進(jìn)性
- 1.對(duì)復(fù)雜環(huán)境具有自適應(yīng)能力。目前車(chē)輛跟蹤識(shí)別技術(shù)的難點(diǎn)，大部分是由實(shí)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(guò)內(nèi)部一系列自適應(yīng)動(dòng)態(tài)算法自動(dòng)進(jìn)行判別并做出相應(yīng)調(diào)整，更好地適應(yīng)于真實(shí)場(chǎng)景中的復(fù)雜環(huán)境。 2.采用隔幀掃描的方式采集圖像進(jìn)行處理，在基本不影響處理正確率的前提下，識(shí)別的速度要比普通的的逐幀連續(xù)掃描識(shí)別方式快幾倍。 3.在白天陽(yáng)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?yàn)楣庹找蛩貙?dǎo)致的車(chē)輛陰影干擾，使得車(chē)輛識(shí)別的輪廓更加精確，能夠很好地減少陰影對(duì)車(chē)輛提取的影響。 4.采用無(wú)回溯算法進(jìn)行車(chē)輛特征分析，性能更佳，識(shí)別速度更快，更適合本系統(tǒng)所適用的視頻觸發(fā)類(lèi)應(yīng)用。 5.采用基于隔行掃描線(xiàn)的車(chē)牌定位技術(shù)，比傳統(tǒng)的基于邊緣圖像灰度跳變次數(shù)統(tǒng)計(jì)算法處理效率更高。 6.使用神經(jīng)網(wǎng)絡(luò)算法作為車(chē)牌字符識(shí)別算法，相對(duì)于傳統(tǒng)的模板匹配方法，運(yùn)算速率更快，識(shí)別率更高。 7.系統(tǒng)界面使用成熟的Qt技術(shù)，具有界面友好，可移植性強(qiáng)等優(yōu)點(diǎn)。
獲獎(jiǎng)情況及鑒定結(jié)果
- 2010年9月，參加由工業(yè)和信息化部軟件服務(wù)業(yè)司和江蘇省經(jīng)濟(jì)和信息化委員會(huì)組織的“江蘇軟件杯”全國(guó)大學(xué)生軟件設(shè)計(jì)大賽獲三等獎(jiǎng)，本次比賽中一等獎(jiǎng)一名，二等獎(jiǎng)兩名，三等獎(jiǎng)三名，參賽者包括全國(guó)一百多所重點(diǎn)高校和普通高校。
作品所處階段
- 中試階段
技術(shù)轉(zhuǎn)讓方式
- 無(wú)
作品可展示的形式
- 現(xiàn)場(chǎng)演示
使用說(shuō)明,技術(shù)特點(diǎn)和優(yōu)勢(shì),適應(yīng)范圍,推廣前景的技術(shù)性說(shuō)明,市場(chǎng)分析,經(jīng)濟(jì)效益預(yù)測(cè)
- 本項(xiàng)目采用了一系列全新原創(chuàng)的算法模型，確保系統(tǒng)的實(shí)時(shí)性、好的適應(yīng)性、和抗干擾性，實(shí)現(xiàn)車(chē)輛動(dòng)態(tài)信息的獲取，車(chē)輛的識(shí)別和跟蹤。能夠自動(dòng)調(diào)整，實(shí)現(xiàn)對(duì)不同環(huán)境的適應(yīng)能力，識(shí)別的速度要比正常的識(shí)別快，能消除陰影對(duì)本系統(tǒng)的影響。以Qt為界面開(kāi)發(fā)工具，界面友好，可移植性強(qiáng)，適合windows，嵌入式，服務(wù)器等多種系統(tǒng)。在車(chē)牌識(shí)別方面，采用基于隔行掃描的車(chē)牌定位技術(shù)，人工神經(jīng)網(wǎng)絡(luò)(開(kāi)源的FANN神經(jīng)網(wǎng)絡(luò)庫(kù))進(jìn)行字符識(shí)別等方法，實(shí)現(xiàn)車(chē)牌的快速定位與識(shí)別，相對(duì)于其他的系統(tǒng)，對(duì)車(chē)牌識(shí)別的精度方面有很大的改善。通過(guò)外接高速攝像頭、設(shè)置參數(shù)，實(shí)現(xiàn)自動(dòng)的交通控制。 由于目前的車(chē)輛處理技術(shù)受到多方面的限制，其技術(shù)還存在著很多不足，現(xiàn)代交通監(jiān)控和管理對(duì)車(chē)輛處理技術(shù)又具有迫切要求，使其具有巨大的應(yīng)用潛力和商業(yè)價(jià)值。本系統(tǒng)作為一個(gè)同時(shí)具有探索算法功能和形成自動(dòng)化識(shí)別方案能力的車(chē)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(chǎng)前景，甚至還有可能極大地推動(dòng)車(chē)牌識(shí)別技術(shù)的發(fā)展與成熟，經(jīng)濟(jì)效益樂(lè)觀(guān)。
同類(lèi)課題研究水平概述
- 關(guān)于車(chē)牌識(shí)別系統(tǒng)的研究國(guó)外起步比較早，國(guó)外學(xué)者關(guān)于汽車(chē)牌照識(shí)別技術(shù)發(fā)表了大量的論文和文獻(xiàn)。從20世紀(jì)90年代，國(guó)外的研究人員就開(kāi)始了對(duì)車(chē)牌自動(dòng)識(shí)別系統(tǒng)的研究，其主要途徑就是對(duì)車(chē)牌的圖像進(jìn)行分析，自動(dòng)提取車(chē)牌信息，確定汽車(chē)牌號(hào)。在識(shí)別過(guò)程中，也出現(xiàn)了許多技術(shù)方法，有人使用模糊數(shù)學(xué)理論，也有人用神經(jīng)元網(wǎng)絡(luò)的算法來(lái)識(shí)別車(chē)牌中的字符，但由于外界環(huán)境光線(xiàn)變化、光路中有灰塵、季節(jié)環(huán)境變化、以及車(chē)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(gè)有解但一直都不能解決得很好的問(wèn)題，而且很多的方法都需要大量的數(shù)值計(jì)算，并沒(méi)有考慮到實(shí)時(shí)處理的環(huán)境問(wèn)題。 各國(guó)學(xué)者通過(guò)對(duì)LPRS展開(kāi)進(jìn)行的一系列的研究，取得了很大進(jìn)步，當(dāng)前主要采用IC卡識(shí)別、條形碼識(shí)別、數(shù)字圖像處理、傳統(tǒng)模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)等技術(shù)來(lái)實(shí)現(xiàn)系統(tǒng)要求。 進(jìn)入90年代，由于計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，開(kāi)始對(duì)車(chē)牌識(shí)別進(jìn)行系統(tǒng)化的研究。1990年A.S.Johnson等運(yùn)用計(jì)算機(jī)視覺(jué)技術(shù)開(kāi)發(fā)了出一套LPRS；近幾年來(lái)，一些發(fā)達(dá)國(guó)家開(kāi)始探討用人工神經(jīng)網(wǎng)絡(luò)解決車(chē)牌識(shí)別問(wèn)題。它具有并行計(jì)算，分布式信息存儲(chǔ)，容錯(cuò)能力強(qiáng)以及具備自適應(yīng)學(xué)習(xí)功能等一系列優(yōu)點(diǎn)，但是它常常將初始權(quán)值取為零或隨機(jī)數(shù)，從而增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間或陷入非要求的局部最小值。目前，西方發(fā)達(dá)國(guó)家的車(chē)牌識(shí)別系統(tǒng)已經(jīng)進(jìn)入了實(shí)用化階段，全世界已有多家廠(chǎng)商推出此類(lèi)產(chǎn)品。 上個(gè)世紀(jì)90年代以來(lái)，我國(guó)也開(kāi)始對(duì)車(chē)牌識(shí)別系統(tǒng)進(jìn)行深入的研究，并取得了一定的成效。比較好的識(shí)別算法有基于車(chē)牌文字變化特點(diǎn)的自動(dòng)掃描識(shí)別算法；基于特征的車(chē)輛牌照定位算法；基于變換函數(shù)提取車(chē)牌的算法；基于視覺(jué)的車(chē)輛牌照檢測(cè)；基于字符串的車(chē)輛牌照分割方法。這些算法都是基于車(chē)牌的特征來(lái)研究車(chē)牌的定位與識(shí)別，因而具有一定的針對(duì)性和局限性。對(duì)一些復(fù)雜圖像應(yīng)用某些數(shù)學(xué)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(jié)果。另外，一些學(xué)者們從一些數(shù)學(xué)工具著手，利用數(shù)學(xué)形態(tài)學(xué)、小波分析、遺傳算法等方法對(duì)一些傳統(tǒng)定位方法進(jìn)行改進(jìn)，提出了基于屬性開(kāi)運(yùn)算的汽車(chē)牌照區(qū)域定位算法，通過(guò)對(duì)灰度圖像采用屬性開(kāi)運(yùn)算，削去滿(mǎn)足特定屬性的峰部，確定出目標(biāo)以及少量非目標(biāo)區(qū)域，然后計(jì)算出圖像的傾斜角及目標(biāo)區(qū)域所在范圍；提出了基于小波與形態(tài)學(xué)的車(chē)牌圖像分割方法等。上述車(chē)牌識(shí)別方法具有一定的實(shí)用性和參考價(jià)值，然而也都有不完善的方面，有待進(jìn)一步完善。
