1、基于視頻檢測技術的基于視頻檢測技術的違法變道監(jiān)測系統(tǒng)違法變道監(jiān)測系統(tǒng)李歡李歡 姚絨姚絨國內(nèi)外研究現(xiàn)狀國內(nèi)外研究現(xiàn)狀1 1、近年來，計算機技術和圖像處理技術取得的長足進步，推動了視頻檢、近年來，計算機技術和圖像處理技術取得的長足進步，推動了視頻檢測技術的高速發(fā)展。國內(nèi)外相關企業(yè)、科研院校對交通視頻檢測技術測技術的高速發(fā)展。國內(nèi)外相關企業(yè)、科研院校對交通視頻檢測技術進行了廣泛的研究，并在相關研究成果的基礎上開發(fā)了諸多視頻檢測進行了廣泛的研究，并在相關研究成果的基礎上開發(fā)了諸多視頻檢測系統(tǒng)。例如美國系統(tǒng)。例如美國Jet PropulsionJet Propulsion實驗室研發(fā)了實驗室研發(fā)了Auto

2、colorAutocolor、AutoscopeAutoscope、CMS MobilizerCMS Mobilizer、Nestor Traffic Vision Nestor Traffic Vision 和和 Roadwatch Roadwatch 五個視頻監(jiān)五個視頻監(jiān)控系統(tǒng)，其中控系統(tǒng)，其中Autoscope Autoscope 檢測系統(tǒng)，由于其研發(fā)時間較早技術較為成檢測系統(tǒng)，由于其研發(fā)時間較早技術較為成熟 ， 已 經(jīng) 廣 泛 應 用 于 機 動 車 視 頻 檢 測 領 域 ， 同 時 由 于 其 被熟 ， 已 經(jīng) 廣 泛 應 用 于 機 動 車 視 頻 檢 測 領 域 ， 同 時 由

3、 于 其 被SCATS(Sydney Coordinated Adaptive Traffic System)SCATS(Sydney Coordinated Adaptive Traffic System)交通控制系統(tǒng)交通控制系統(tǒng)采用而得到了拓展性應用。采用而得到了拓展性應用。2 2、法國的、法國的 Citilog Citilog 交通事件檢測系統(tǒng)采用車輛跟蹤等技術實現(xiàn)了許多交通事件檢測系統(tǒng)采用車輛跟蹤等技術實現(xiàn)了許多交通事件交通事件( (如檢測監(jiān)控區(qū)域發(fā)生交通擁堵、車輛排隊溢出等如檢測監(jiān)控區(qū)域發(fā)生交通擁堵、車輛排隊溢出等) )的自動檢的自動檢測，并能夠采集一定的機動車交通數(shù)據(jù)，對交通進行輔

4、助控制，現(xiàn)已測，并能夠采集一定的機動車交通數(shù)據(jù)，對交通進行輔助控制，現(xiàn)已廣泛地應用于全世界高速公路及公路隧道交通事件檢測中。此外，廣泛地應用于全世界高速公路及公路隧道交通事件檢測中。此外，TraficamTraficam、PEEK VideoTrakPEEK VideoTrak、CCATS CCATS 等交通視頻檢測器的研發(fā)也較為等交通視頻檢測器的研發(fā)也較為成熟并得到了廣泛的應用。成熟并得到了廣泛的應用。3 3、哈爾濱工業(yè)大學研發(fā)的、哈爾濱工業(yè)大學研發(fā)的VTD2000 VTD2000 系列和清華大學研發(fā)的系列和清華大學研發(fā)的VS3001 VS3001 監(jiān)控監(jiān)控系統(tǒng)都實現(xiàn)了機動車流量的檢測但并未

5、得到廣泛應用，因此其性能還系統(tǒng)都實現(xiàn)了機動車流量的檢測但并未得到廣泛應用，因此其性能還有待進一步檢驗。有待進一步檢驗。1、圖像處理、圖像處理2、目標檢測、目標檢測定位定位3、車牌識別、車牌識別技術技術+系統(tǒng)系統(tǒng)1、圖像采集、圖像采集2、違章車輛、違章車輛檢測檢測3、信息存儲、信息存儲通信通信圖像處理圖像處理常用顏色常用顏色模型介紹模型介紹圖像數(shù)字圖像數(shù)字化化圖像預處圖像預處理技術理技術123圖像數(shù)字化圖像數(shù)字化 計算機不能處理連續(xù)的模擬信號，而一幅二值化圖像計算機不能處理連續(xù)的模擬信號，而一幅二值化圖像中的灰度值一般采用它的位置坐標函數(shù)進行描述，該函數(shù)中的灰度值一般采用它的位置坐標函數(shù)進行描述

6、，該函數(shù)為二維連續(xù)函數(shù)，可以取無限多個值。因此計算機無法對為二維連續(xù)函數(shù)，可以取無限多個值。因此計算機無法對其直接進行處理，我們需要進行其直接進行處理，我們需要進行圖像數(shù)字化技術圖像數(shù)字化技術，將拍攝，將拍攝好的真實圖像數(shù)字化為計算機可以接受的存儲、顯示和處好的真實圖像數(shù)字化為計算機可以接受的存儲、顯示和處理格式。經(jīng)過數(shù)字圖像處理技術后，代表圖像的連續(xù)模擬理格式。經(jīng)過數(shù)字圖像處理技術后，代表圖像的連續(xù)模擬信號就可以轉(zhuǎn)變成離散的數(shù)字信號。如圖所示，是一幅視信號就可以轉(zhuǎn)變成離散的數(shù)字信號。如圖所示，是一幅視頻圖像經(jīng)過數(shù)字化處理后得到的圖像。長為頻圖像經(jīng)過數(shù)字化處理后得到的圖像。長為L L，寬為，寬

7、為W W的圖的圖像可以用一個像可以用一個L L* *W W的矩形網(wǎng)格表示，每個網(wǎng)格代表圖像中的的矩形網(wǎng)格表示，每個網(wǎng)格代表圖像中的一個像素，網(wǎng)格中的值表示該網(wǎng)格對應的像素的灰度值，一個像素，網(wǎng)格中的值表示該網(wǎng)格對應的像素的灰度值，取值范圍為取值范圍為0 0到到255255.圖像數(shù)字化圖像數(shù)字化 顏色模型顏色模型 計算顏色空間模型又稱為色度學顏色模型，一般用以進行有關色彩的純計算顏色空間模型又稱為色度學顏色模型，一般用以進行有關色彩的純理論研究和計算推導，以理論研究和計算推導，以RGBRGB顏色空間為代表。顏色空間為代表。RGBRGB顏色空間模型以紅、顏色空間模型以紅、綠、藍三個色光為三基色，可

8、以按不同比例混合成自然界中的各種顏色。綠、藍三個色光為三基色，可以按不同比例混合成自然界中的各種顏色。因此在空間中，一個顏色可以表示為如下式因此在空間中，一個顏色可以表示為如下式： 其中，其中，C C表示一種具體的顏色，表示一種具體的顏色，( ( ）表示在三原色）表示在三原色R R、G G、B B下的下的比例系統(tǒng)，稱為三刺激值。比例系統(tǒng)，稱為三刺激值。 RGB RGB顏色空間可以用一個正方體來表示，如圖所示，原點代表黑色，顏色空間可以用一個正方體來表示，如圖所示，原點代表黑色，距離黑色最遠的點代表白色，正方體中各點對應的顏色可以用從原點到距離黑色最遠的點代表白色，正方體中各點對應的顏色可以用從

9、原點到該點的矢量來表示，其顏色數(shù)量可以達到種該點的矢量來表示，其顏色數(shù)量可以達到種BGRKKK 圖像預處理技術圖像預處理技術 由于受到光照、氣候、攝像頭、傳感器的影響，攝像由于受到光照、氣候、攝像頭、傳感器的影響，攝像頭采集到的圖像會帶有各種各樣的噪聲，其質(zhì)量會受到一頭采集到的圖像會帶有各種各樣的噪聲，其質(zhì)量會受到一定的損傷，因此必須在圖像采集與數(shù)字化處理后進行圖像定的損傷，因此必須在圖像采集與數(shù)字化處理后進行圖像預處理，來提高目標檢測的準確性預處理，來提高目標檢測的準確性. . 圖像預處理技術主要包括：圖像預處理技術主要包括： 灰度變換法灰度變換法：最大值法、平均法、加權(quán)平均法：最大值法、平

10、均法、加權(quán)平均法 平滑濾波法平滑濾波法：中值濾波法、均值濾波法：中值濾波法、均值濾波法 邊緣檢測邊緣檢測：RobertsRoberts微分算子、微分算子、sobelsobel微分算子、微分算子、prewittprewitt微分算子微分算子 圖像增強處理圖像增強處理灰度變化法灰度變化法 有時系統(tǒng)對實時性要求很高，而對彩色圖像直接處理十分復雜，為有時系統(tǒng)對實時性要求很高，而對彩色圖像直接處理十分復雜，為了提高實時性，可以先將彩色圖像灰度化，這樣既能降低每個像素的了提高實時性，可以先將彩色圖像灰度化，這樣既能降低每個像素的BITBIT數(shù)量，縮短處理時間，也不會影響處理效果。因此圖像灰度化是圖像預數(shù)量

11、，縮短處理時間，也不會影響處理效果。因此圖像灰度化是圖像預處理過程中的一個重要步驟。灰度化其實就是使彩色圖像的處理過程中的一個重要步驟。灰度化其實就是使彩色圖像的RGBRGB三個分量三個分量的值相等的過程，灰度級別只有的值相等的過程，灰度級別只有256256級，因此灰度圖像只能表示級，因此灰度圖像只能表示256256種顏種顏色（灰度）。圖像轉(zhuǎn)換為灰度圖的方法很多，下面介紹最常用的色（灰度）。圖像轉(zhuǎn)換為灰度圖的方法很多，下面介紹最常用的3 3種。種。 最大值法最大值法：使：使RGBRGB的值等于的值等于3 3個中最大的一個，可以表示為：個中最大的一個，可以表示為： 平均值法平均值法：使灰度值等于

12、：使灰度值等于RGBRGB三值的平均值：三值的平均值： 加權(quán)平均法加權(quán)平均法：根據(jù)某些性能指標給：根據(jù)某些性能指標給R R，G G，B B賦予不同的權(quán)值，并使灰度值賦予不同的權(quán)值，并使灰度值等于三值的加權(quán)平均值：等于三值的加權(quán)平均值： 由于人眼對綠色最為敏感，藍色最不敏感，所以一般使由于人眼對綠色最為敏感，藍色最不敏感，所以一般使 這這樣得到的灰度圖像最為合理。實驗證明當樣得到的灰度圖像最為合理。實驗證明當 時，時，能得到較為理想的灰度圖像。能得到較為理想的灰度圖像。 灰度變化法灰度變化法 如圖所示為三個灰度化方法處理后的結(jié)果，其中如圖所示為三個灰度化方法處理后的結(jié)果，其中a a為原為原圖像，

13、圖圖像，圖b b是最大值法處理后的結(jié)果，可以看出該方法得到是最大值法處理后的結(jié)果，可以看出該方法得到的灰度圖像亮度是最高的。圖的灰度圖像亮度是最高的。圖c c為平均值法產(chǎn)生的灰度圖，為平均值法產(chǎn)生的灰度圖，與最大值法相比亮度明顯降低，但是圖像更加柔和。圖與最大值法相比亮度明顯降低，但是圖像更加柔和。圖d d是是加權(quán)平均值法得到的圖像，與其他兩種方法相比，效果最加權(quán)平均值法得到的圖像，與其他兩種方法相比，效果最為理想，且可以根據(jù)需要設置相應的加權(quán)值。為理想，且可以根據(jù)需要設置相應的加權(quán)值。運動目標檢測技術運動目標檢測技術1背景減背景減法法3光流法光流法2幀差法幀差法基于概率密度基于概率密度模型的

14、跟蹤模型的跟蹤基于子空間基于子空間模型的跟蹤模型的跟蹤運動目標跟蹤技術運動目標跟蹤技術運動跟蹤的運動跟蹤的方法方法基于圖像模板基于圖像模板模型的跟蹤模型的跟蹤基于主動表觀基于主動表觀模型的跟蹤模型的跟蹤經(jīng)典的目標跟蹤算法基于基于Mean-Shift的跟蹤方的跟蹤方法法基于粒子濾波的運動目標基于粒子濾波的運動目標跟蹤跟蹤基于分類思想的目標跟蹤基于分類思想的目標跟蹤基于貝葉斯分類的實時運動目標跟蹤算法基于貝葉斯分類的實時運動目標跟蹤算法 將目標跟蹤問題看成是兩類分類問題的思想將目標跟蹤問題看成是兩類分類問題的思想, ,提出一種提出一種基于貝葉斯分類的實時運動目標跟蹤算法。以最小二乘分基于貝葉斯分類

15、的實時運動目標跟蹤算法。以最小二乘分類器作為弱分類器類器作為弱分類器, ,采用集成學習機制把多個弱分類器構(gòu)成采用集成學習機制把多個弱分類器構(gòu)成一個強分類器一個強分類器, ,用來判斷下一幀的樣本點。采用貝葉斯分類用來判斷下一幀的樣本點。采用貝葉斯分類器對目標和背景進行分類器對目標和背景進行分類, ,以此實現(xiàn)運動目標跟蹤的功能。以此實現(xiàn)運動目標跟蹤的功能。這個算法主要思想是采用貝葉斯分類器將目標和背景分類。這個算法主要思想是采用貝葉斯分類器將目標和背景分類。在初始幀中根據(jù)初始化信息分別對前景目標及背景建模后在初始幀中根據(jù)初始化信息分別對前景目標及背景建模后續(xù)幀中先采用卡爾曼濾波預測目標位置續(xù)幀中先

16、采用卡爾曼濾波預測目標位置, ,然后以預測值為中然后以預測值為中心心, ,對周圍區(qū)域內(nèi)的樣本點進行貝葉斯分類對周圍區(qū)域內(nèi)的樣本點進行貝葉斯分類, ,并對每個樣本并對每個樣本點賦予不同的權(quán)重點賦予不同的權(quán)重, ,得到置信圖得到置信圖, ,再通過均值漂移算法找到再通過均值漂移算法找到該置信圖的峰值該置信圖的峰值, ,即為目標的中心位置最后根據(jù)基于雙閉值即為目標的中心位置最后根據(jù)基于雙閉值的自適應尺度調(diào)整策略改變窗口尺度的自適應尺度調(diào)整策略改變窗口尺度, ,并將當前幀信息加入并將當前幀信息加入到模型中到模型中, ,不斷進行模型參數(shù)的更新。具體算法流程圖如圖不斷進行模型參數(shù)的更新。具體算法流程圖如圖所

17、示。所示。 基于貝葉斯分類的實時運動目標跟蹤算法基于貝葉斯分類的實時運動目標跟蹤算法 對于一個兩類的分類問題對于一個兩類的分類問題, ,已知狀態(tài)先驗概率已知狀態(tài)先驗概率, ,類條件概率密度類條件概率密度, ,利用貝利用貝葉斯公式葉斯公式: : 得到的條件概率得到的條件概率 稱為狀態(tài)的后驗概率。因此稱為狀態(tài)的后驗概率。因此, ,貝葉斯貝葉斯公式實質(zhì)上是通過觀察公式實質(zhì)上是通過觀察x x把狀態(tài)的先驗概率轉(zhuǎn)化為狀態(tài)的后驗概率。這把狀態(tài)的先驗概率轉(zhuǎn)化為狀態(tài)的后驗概率。這樣樣, ,基于最小錯誤率的貝葉斯決策規(guī)則為基于最小錯誤率的貝葉斯決策規(guī)則為: :如果如果 則把則把x x歸類于狀態(tài)歸類于狀態(tài) , ,反

18、之反之 , , ,則說明該樣本點屬于目標則說明該樣本點屬于目標, ,賦予該點在置信圖中賦予該點在置信圖中的值為的值為L,L,若若 thr2,thr2,thr1thr2,然后通過對然后通過對raterate和閥值和閥值thr1thr1、thr2thr2的比較的比較來改變對應的局部邊界位置來改變對應的局部邊界位置, ,具體流程如圖所示。每個子塊具體流程如圖所示。每個子塊都計算過后都計算過后, ,可以根據(jù)一定原則來確定整體的邊界位置。其可以根據(jù)一定原則來確定整體的邊界位置。其中對于不含有任何目標邊界的子塊（標號為中對于不含有任何目標邊界的子塊（標號為5 5的子塊）的子塊）, ,由于由于它處于目標內(nèi)部

19、它處于目標內(nèi)部, ,對尺度影響不大對尺度影響不大, ,所以不需要對它進行計算。所以不需要對它進行計算。跟蹤窗的自適應尺度分析跟蹤窗尺度的自適應分析跟蹤窗尺度的自適應分析模型參數(shù)的更新模型參數(shù)的更新 運動目標不是一個確定不變的信號運動目標不是一個確定不變的信號, ,而是在跟蹤過程中而是在跟蹤過程中會發(fā)生位移、形變等變化會發(fā)生位移、形變等變化, ,并且它還經(jīng)常受到噪聲、遮擋等并且它還經(jīng)常受到噪聲、遮擋等環(huán)境因素的影響環(huán)境因素的影響 , ,因此對模型進行合理的更新是跟蹤的關鍵。因此對模型進行合理的更新是跟蹤的關鍵。選擇合適的模型更新策略選擇合適的模型更新策略, ,可以在一定程度上克服這些因素可以在一

20、定程度上克服這些因素對目標跟蹤所造成的影響。分類器的更新策略為每幀丟掉若對目標跟蹤所造成的影響。分類器的更新策略為每幀丟掉若干個性能較差的弱分類器干個性能較差的弱分類器, ,然后通過當前幀的訓練學習然后通過當前幀的訓練學習, ,補充補充相同數(shù)量的弱分類器來重新構(gòu)造一個強分類器相同數(shù)量的弱分類器來重新構(gòu)造一個強分類器, ,這樣存在的這樣存在的一個不足就是弱分類器只含有訓練該分類器時所采用幀的信一個不足就是弱分類器只含有訓練該分類器時所采用幀的信息息, ,而不是所有幀而不是所有幀, ,當目標發(fā)生遮擋時當目標發(fā)生遮擋時, , 一般的算法則不能取一般的算法則不能取得很好的效果。為解決上述問題得很好的效

21、果。為解決上述問題, ,使得算法更具有魯棒性使得算法更具有魯棒性, ,本本文采用的模型更新策略如下：文采用的模型更新策略如下：模型參數(shù)的更新模型參數(shù)的更新在在k=2k=2L L幀中，目標（背景）模型中均值和方差的更新幀中，目標（背景）模型中均值和方差的更新公式為：公式為：均值：均值： 方差：方差：在第在第k=L+1k=L+1幀中，模型的參數(shù)更新公式為：幀中，模型的參數(shù)更新公式為：均值：均值： 方差：方差：其中其中 。 、 為判斷第為判斷第K K幀中目標（背景）幀中目標（背景）樣本點所用高斯模型的均值和方差，樣本點所用高斯模型的均值和方差， 、 為第為第k k幀中目標（背景）點幀中目標（背景）點

22、的統(tǒng)計均值和方差，的統(tǒng)計均值和方差， 為屬于目標（背景）的樣本點數(shù)，為屬于目標（背景）的樣本點數(shù)， 為每個樣本為每個樣本點的灰度值，點的灰度值， 為學習率。為學習率。kk2kNjIk2k模型參數(shù)的更新模型參數(shù)的更新 在跟蹤過程中采用兩種不同的更新方式主要是考慮在在跟蹤過程中采用兩種不同的更新方式主要是考慮在前前L L幀中幀中, ,模型剛剛建立模型剛剛建立, ,關于目標和背景的信息較少關于目標和背景的信息較少, ,參數(shù)估參數(shù)估計可能存在較大誤差計可能存在較大誤差, ,將已獲得的目標和背景信息都進行統(tǒng)將已獲得的目標和背景信息都進行統(tǒng)計計, ,能夠使得模型參數(shù)估計更準確能夠使得模型參數(shù)估計更準確:

23、:在在L L幀之后幀之后, ,模型的參數(shù)估模型的參數(shù)估計己經(jīng)較為準確計己經(jīng)較為準確, ,只需采用一定的權(quán)值將當前幀的信息加入只需采用一定的權(quán)值將當前幀的信息加入到模型中。采用這種更新策略到模型中。采用這種更新策略, ,不完全丟失以前的信息不完全丟失以前的信息, ,同時同時又將新獲得信息加入到統(tǒng)計中又將新獲得信息加入到統(tǒng)計中, ,提高了模型的可靠性提高了模型的可靠性。實驗結(jié)果和分析實驗結(jié)果和分析Thr1=1/4,thr2=1/8,L=11, =0.1Thr1=1/4,thr2=1/8,L=11, =0.1 序列一跟蹤目標為行駛中的汽車序列一跟蹤目標為行駛中的汽車, ,初始目標大小為初始目標大小為

24、1616* *23,23,經(jīng)過窗口自經(jīng)過窗口自適應分析后其它各幀的目標窗口尺度如表所示適應分析后其它各幀的目標窗口尺度如表所示, ,處理速度為處理速度為65fps,65fps,部分跟部分跟蹤結(jié)果如圖所示。由表可以看出蹤結(jié)果如圖所示。由表可以看出, ,目標跟蹤窗口尺度沒有變化目標跟蹤窗口尺度沒有變化, ,這主要是這主要是因為目標本身變化不大因為目標本身變化不大, ,同時由于采用雙閡值機制對窗口尺度自適應分析同時由于采用雙閡值機制對窗口尺度自適應分析, ,避免了背景中和灰度值相近的像素點對窗口尺度的影響避免了背景中和灰度值相近的像素點對窗口尺度的影響, ,能夠防止窗口的能夠防止窗口的過度擴大或縮小

25、過度擴大或縮小。實驗結(jié)果和分析實驗結(jié)果和分析實驗結(jié)果和分析實驗結(jié)果和分析 序列二跟蹤目標為行駛中的汽車。初始目標大小為序列二跟蹤目標為行駛中的汽車。初始目標大小為3333* *22,22,經(jīng)過窗口自適應分析后其它各幀的目標窗口尺度如表經(jīng)過窗口自適應分析后其它各幀的目標窗口尺度如表所示所示, ,處理速度為處理速度為58fps,58fps,部分跟蹤結(jié)果如圖所示。可以看出部分跟蹤結(jié)果如圖所示。可以看出, ,盡管序列中目標和背景灰度值非常相近盡管序列中目標和背景灰度值非常相近, ,但是本文提出的算但是本文提出的算法能夠準確對樣本點進行分類法能夠準確對樣本點進行分類, ,取得了較好的跟蹤效果。取得了較好

26、的跟蹤效果。實驗結(jié)果和分析實驗結(jié)果和分析實驗結(jié)果和分析實驗結(jié)果和分析 序列三跟蹤目標仍為行駛中的汽車序列三跟蹤目標仍為行駛中的汽車, ,但目標在第但目標在第1212幀至幀至2525幀中受到短時遮擋。初始目標大小為幀中受到短時遮擋。初始目標大小為5757* *23,23,經(jīng)過窗口自適經(jīng)過窗口自適應分析后其它各幀的目標窗口尺度如表所示應分析后其它各幀的目標窗口尺度如表所示, ,處理速度為處理速度為53fps,53fps,部分跟蹤結(jié)果如圖所示。實驗結(jié)果表明部分跟蹤結(jié)果如圖所示。實驗結(jié)果表明, ,采用采用kalmankalman濾波預測目標位置濾波預測目標位置, ,并選擇合適的模型更新策略可以有效的并

27、選擇合適的模型更新策略可以有效的解決目標的短時遮擋問題解決目標的短時遮擋問題, ,保證了跟蹤算法的魯棒性。保證了跟蹤算法的魯棒性。實驗結(jié)果和分析實驗結(jié)果和分析 在這三個測試序列中在這三個測試序列中, ,本文提出的算法運算速度有較大不本文提出的算法運算速度有較大不同同, ,主要是因為各圖像序列中的目標大小不同。如果目標較主要是因為各圖像序列中的目標大小不同。如果目標較大大, ,在估計模型參數(shù)時統(tǒng)計的樣本點數(shù)以及下一幀中需要進在估計模型參數(shù)時統(tǒng)計的樣本點數(shù)以及下一幀中需要進行分類的樣本點數(shù)急劇增長行分類的樣本點數(shù)急劇增長, ,因此增加了計算量因此增加了計算量, ,運算速度有運算速度有所降低。如果實

28、際跟蹤目標過大所降低。如果實際跟蹤目標過大, ,可以采用降采樣等預處理可以采用降采樣等預處理方法來保證跟蹤的方法來保證跟蹤的違法變道行為檢測違法變道行為檢測 違法變道是目前造成交通事故的主要原因之一，車輛在違法變道是目前造成交通事故的主要原因之一，車輛在變道時通常車速會比較快，因此在不允許變道的地方強行變變道時通常車速會比較快，因此在不允許變道的地方強行變道極易導致與相鄰車輛或者后方車輛發(fā)生碰撞而產(chǎn)生交通事道極易導致與相鄰車輛或者后方車輛發(fā)生碰撞而產(chǎn)生交通事故，造成人員傷亡。考慮到違法變道的高危害性，交警部門故，造成人員傷亡。考慮到違法變道的高危害性，交警部門正想方設法加大對違法變道行為的檢測

29、。但是由于技術上的正想方設法加大對違法變道行為的檢測。但是由于技術上的限制，常用的檢測技術，如地感線圏檢測、微波檢測等都不限制，常用的檢測技術，如地感線圏檢測、微波檢測等都不能應用在違法變道行為檢測上，而人工檢測又耗費大量人力、能應用在違法變道行為檢測上，而人工檢測又耗費大量人力、物力，且檢測精度低。因此需要尋找其他的技術手段來解決物力，且檢測精度低。因此需要尋找其他的技術手段來解決該問題，隨著視頻檢測技術的不斷完善，使基于視頻檢測的該問題，隨著視頻檢測技術的不斷完善，使基于視頻檢測的違法變道檢測成為可能。根據(jù)檢測的方式不同可以分為兩種，違法變道檢測成為可能。根據(jù)檢測的方式不同可以分為兩種，一

30、種是利用灰度直方圖比較背景中車道線區(qū)域的灰度值與當一種是利用灰度直方圖比較背景中車道線區(qū)域的灰度值與當前幀車道線區(qū)域的灰度值，但是由于噪聲、陰影等不利因素前幀車道線區(qū)域的灰度值，但是由于噪聲、陰影等不利因素的存在，導致檢測的準確性十分低。另一種方法是通過對目的存在，導致檢測的準確性十分低。另一種方法是通過對目標車輛跟蹤，根據(jù)車輛的軌跡進行檢測，方法雖然比第一種標車輛跟蹤，根據(jù)車輛的軌跡進行檢測，方法雖然比第一種方法復雜，但是其檢測準確性遠遠高于第一種方法。本文采方法復雜，但是其檢測準確性遠遠高于第一種方法。本文采用基于目標跟蹤的方法進行違法變道行為檢測，其流程圖如用基于目標跟蹤的方法進行違法變

31、道行為檢測，其流程圖如圖所示。圖所示。違法變道行為檢測違法變道行為檢測車道線檢測車道線檢測由于我們檢測的是違法變道由于我們檢測的是違法變道違章行為，所以我們首先需要知道車道違章行為，所以我們首先需要知道車道實線在視頻圖像中位置坐標。實線在視頻圖像中位置坐標。HoughHough變變化就是一種直線檢測算法，該算法計算化就是一種直線檢測算法，該算法計算簡單，效果理想，因此經(jīng)常用在需要檢簡單，效果理想，因此經(jīng)常用在需要檢測直線的系統(tǒng)中。如圖測直線的系統(tǒng)中。如圖a a所示為直角坐所示為直角坐標系中的一條直線，設其到原點的距離標系中的一條直線，設其到原點的距離為為 ，垂線與，垂線與x x軸的夾角為軸的夾

32、角為 ，那么，那么我們可以將這條直線唯一的表不為：我們可以將這條直線唯一的表不為：而在極坐標空間中該直線則僅為一個而在極坐標空間中該直線則僅為一個點點 ，HoughHough變化就是將直角坐標系變化就是將直角坐標系中的一條直線映射到極坐標空間中的一中的一條直線映射到極坐標空間中的一個點個點。sincosyx，車道線檢測車道線檢測 由由HoughHough變換可知在直角坐標系中通過（變換可知在直角坐標系中通過（x,y)x,y)處的所有處的所有直線映射到極坐標中就是一條通過直線映射到極坐標中就是一條通過 點的正弦曲線如圖點的正弦曲線如圖b b所示，而在極坐標中位于這條正弦曲線上的點對應于直角坐所示

33、，而在極坐標中位于這條正弦曲線上的點對應于直角坐標系中過某一點的直線。因此，直角坐標系中的若干點映射標系中過某一點的直線。因此，直角坐標系中的若干點映射到極坐標中就是若干正弦曲線，如果這些點在直角坐標系中到極坐標中就是若干正弦曲線，如果這些點在直角坐標系中構(gòu)成一條直線，那么極坐標中的若干正弦曲線必定相交于一構(gòu)成一條直線，那么極坐標中的若干正弦曲線必定相交于一點，設為點，設為 ，這些點對應的直線方程是就是：，這些點對應的直線方程是就是：，sincosyx車道線檢測車道線檢測 這就是變換檢測直線的原理。雖然這就是變換檢測直線的原理。雖然HoughtHought變化對直線的變化對直線的檢測率較高，但

34、是由于視頻中一般還存在其他的直線，所以檢測率較高，但是由于視頻中一般還存在其他的直線，所以會干擾對車道線的檢測。考慮到我們應用的場景中，攝像頭會干擾對車道線的檢測。考慮到我們應用的場景中，攝像頭一般固定不動，因此車道線在視頻中的位置也幾乎保持不變，一般固定不動，因此車道線在視頻中的位置也幾乎保持不變，為了避免其他直線的干擾，提高車道線檢測的準確性，有時為了避免其他直線的干擾，提高車道線檢測的準確性，有時候采用直接手動繪制的方法對車道實線進行檢測，確定直線候采用直接手動繪制的方法對車道實線進行檢測，確定直線的空間位置坐標。的空間位置坐標。違法變道行為判斷違法變道行為判斷 正常行駛的車輛其運動軌跡

35、通常與車道線平行，因此車輛質(zhì)心與車正常行駛的車輛其運動軌跡通常與車道線平行，因此車輛質(zhì)心與車道線的距離波動較小。而發(fā)生變道的車輛由于需要從一個車道變更到另道線的距離波動較小。而發(fā)生變道的車輛由于需要從一個車道變更到另一車道，其車輛質(zhì)心與車道線的距離顯然會出現(xiàn)較大的波動。基于這個一車道，其車輛質(zhì)心與車道線的距離顯然會出現(xiàn)較大的波動。基于這個特性，我們可以通過目標運動軌跡與車道線之間距離的離散程度來判斷特性，我們可以通過目標運動軌跡與車道線之間距離的離散程度來判斷車輛是否變道。算法具體步驟為：車輛是否變道。算法具體步驟為：第一步：設置禁止變道車道線為第一步：設置禁止變道車道線為Forbidden(

36、N)Forbidden(N)；第二步：計算車輛跟蹤軌跡第二步：計算車輛跟蹤軌跡Pos(M)Pos(M)上所有的點與其對應車道線的距離上所有的點與其對應車道線的距離d d；第三步：計算距離的離散程度，也就是車輛與車道線距離的方差第三步：計算距離的離散程度，也就是車輛與車道線距離的方差S S來判斷來判斷是否發(fā)生了變道行為，即是否發(fā)生了變道行為，即違法變道行為判斷違法變道行為判斷 當車輛距離的離散度當車輛距離的離散度S S大于閥值大于閥值T1T1時，將時，將Ch-EventCh-Event置為置為1,1,代表發(fā)生了變道行為，反之代表發(fā)生了變道行為，反之Ch-EventCh-Event為為0 0代表未

37、發(fā)生變道行代表未發(fā)生變道行為。圖中為。圖中a a、b b、c c、d d四幅圖像顯示的是一輛進行變道的車輛，四幅圖像顯示的是一輛進行變道的車輛，我們假設第一條車道與第二條車道間的白色車道線是禁止發(fā)我們假設第一條車道與第二條車道間的白色車道線是禁止發(fā)生變道行為的，紅色線表示車輛的運動軌跡。生變道行為的，紅色線表示車輛的運動軌跡。違法變道行為判斷違法變道行為判斷 分別計算出車道軌跡線上各個點與車道線的距離，表為分別計算出車道軌跡線上各個點與車道線的距離，表為其中個點的坐標與相應的距離。其中個點的坐標與相應的距離。最后可以求出軌跡到車最后可以求出軌跡到車道線距離的方差為道線距離的方差為300多，這遠

38、遠大于我們所多，這遠遠大于我們所設定的闊值，說明車輛設定的闊值，說明車輛在運行時與車道線的距在運行時與車道線的距離變化十分大，我們可離變化十分大，我們可以判斷其發(fā)生了變道行以判斷其發(fā)生了變道行為為車牌識別技術車牌識別技術 車牌識別忮術就是通過圖像處理技術、模式識別技術、車牌識別忮術就是通過圖像處理技術、模式識別技術、計算機視覺等技術自動將車牌信息提取出來，它是現(xiàn)代智能計算機視覺等技術自動將車牌信息提取出來，它是現(xiàn)代智能交通系統(tǒng)的重要組成部分，應用十分廣泛。可以將其安裝在交通系統(tǒng)的重要組成部分，應用十分廣泛。可以將其安裝在各道路出入口實現(xiàn)車輛出入自動管理；對發(fā)生違章行為車輛各道路出入口實現(xiàn)車輛出

39、入自動管理；對發(fā)生違章行為車輛進行識別；對小區(qū)進行車輛進出自動管理；對停車場進行自進行識別；對小區(qū)進行車輛進出自動管理；對停車場進行自動放行和自動計時收費等等。本文將車脾識別應用在違章行動放行和自動計時收費等等。本文將車脾識別應用在違章行為車輛信息識別上，若系統(tǒng)判定車輛發(fā)生違法變道行為就對為車輛信息識別上，若系統(tǒng)判定車輛發(fā)生違法變道行為就對車輛進行抓拍，然后對抓拍到的車輛進行車牌識別提取車輛車輛進行抓拍，然后對抓拍到的車輛進行車牌識別提取車輛信息，最后將車牌信息與發(fā)生的違法行為記錄數(shù)據(jù)庫，方便信息，最后將車牌信息與發(fā)生的違法行為記錄數(shù)據(jù)庫，方便交警進行處理。車牌識別算法流程如圖所示，主要包括圖

40、像交警進行處理。車牌識別算法流程如圖所示，主要包括圖像預處理、車牌定位、字符分割、字符識別四個步驟。預處理、車牌定位、字符分割、字符識別四個步驟。車牌定位車牌定位車牌定位就是根據(jù)車牌的一些先驗知識如顏色、文理、幾何特征等，通車牌定位就是根據(jù)車牌的一些先驗知識如顏色、文理、幾何特征等，通過相應算法從汽車圖像中找出車牌對應區(qū)域，并將其準確提取出來。車過相應算法從汽車圖像中找出車牌對應區(qū)域，并將其準確提取出來。車牌定位是進行字符分割和字符識別的前提，對整個車牌識別系統(tǒng)至關重牌定位是進行字符分割和字符識別的前提，對整個車牌識別系統(tǒng)至關重要。雖然我國車輛眾多，但是汽車車牌種類不外乎如下表所示的四種。要。

41、雖然我國車輛眾多，但是汽車車牌種類不外乎如下表所示的四種。車牌中字符總寬度大約為車牌中字符總寬度大約為410mm410mm，每個字符的寬度均為，每個字符的寬度均為45mm45mm，字符間的距，字符間的距離為離為12mm12mm，第二個字符與第三個字符間由于存在一個小圓點，因此距離，第二個字符與第三個字符間由于存在一個小圓點，因此距離為為34mm(1234mm(12* *2mm2mm加上小圓點寬度加上小圓點寬度10mm)10mm)。每個字符的髙度均為。每個字符的髙度均為90mm90mm。車牌定位技術車牌定位技術基于紋理特基于紋理特征的車牌定征的車牌定位算法位算法基于邊緣檢基于邊緣檢測的車牌定測的

42、車牌定位算法位算法基于神經(jīng)網(wǎng)基于神經(jīng)網(wǎng)絡的車牌定絡的車牌定位算法位算法車牌定位技術車牌定位技術 目前，存在很多常用的車牌定位算法，有基于紋理特征的，有基于小目前，存在很多常用的車牌定位算法，有基于紋理特征的，有基于小波變換的等等。波變換的等等。（1 1）基于紋理特征的車牌定位算法，該算法首先提取車牌字符區(qū)域的紋理）基于紋理特征的車牌定位算法，該算法首先提取車牌字符區(qū)域的紋理特征，其次用邊緣檢測算子進行圖像紋理特征二次提取，算法雖然計算簡特征，其次用邊緣檢測算子進行圖像紋理特征二次提取，算法雖然計算簡單，但是受噪聲影響較大。單，但是受噪聲影響較大。（2 2）基于邊緣檢測的車牌定位算法，由于車牌區(qū)

43、域存在大量的灰度跳變邊）基于邊緣檢測的車牌定位算法，由于車牌區(qū)域存在大量的灰度跳變邊緣，因此可以采用邊緣檢測算子對車牌區(qū)域進行定位。常用的邊緣檢測算緣，因此可以采用邊緣檢測算子對車牌區(qū)域進行定位。常用的邊緣檢測算子有：子有：RobertsRoberts邊緣檢測算子、邊緣檢測算子、SobelSobel邊緣檢測算子、邊緣檢測算子、PrewittPrewitt邊緣檢測算子邊緣檢測算子等等。不同的算子對邊緣的提取效果不同，需要根據(jù)具體場景選擇。該算等等。不同的算子對邊緣的提取效果不同，需要根據(jù)具體場景選擇。該算法運算速度快，定位準確率高，而且能有效抑制噪聲的干擾。但是對于車法運算速度快，定位準確率高，

44、而且能有效抑制噪聲的干擾。但是對于車牌存在嚴重污染、退色的情況，由于字符的邊緣特性不明顯，會出現(xiàn)定位牌存在嚴重污染、退色的情況，由于字符的邊緣特性不明顯，會出現(xiàn)定位錯誤。錯誤。（3 3）基于神經(jīng)網(wǎng)絡的車牌定位算法該算法首先選取一些訓練樣本圖像，采）基于神經(jīng)網(wǎng)絡的車牌定位算法該算法首先選取一些訓練樣本圖像，采用人工定位的方式將車牌區(qū)域提取出來，然后通過神經(jīng)網(wǎng)絡對圖像進行訓用人工定位的方式將車牌區(qū)域提取出來，然后通過神經(jīng)網(wǎng)絡對圖像進行訓練，從而得到更高精度的車牌區(qū)域。我們可以采用不同的神經(jīng)網(wǎng)絡進行樣練，從而得到更高精度的車牌區(qū)域。我們可以采用不同的神經(jīng)網(wǎng)絡進行樣本訓練，包括離散時間細胞神經(jīng)網(wǎng)絡、神

45、經(jīng)網(wǎng)絡以及時延神經(jīng)網(wǎng)絡等。該本訓練，包括離散時間細胞神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡以及時延神經(jīng)網(wǎng)絡等。該算法對于固定大小的圖像效果較好，但是當圖像的車牌大小發(fā)生改變時，算法對于固定大小的圖像效果較好，但是當圖像的車牌大小發(fā)生改變時，就必須對神經(jīng)網(wǎng)絡重新訓練，否則會定位失敗。就必須對神經(jīng)網(wǎng)絡重新訓練，否則會定位失敗。初定為初定為Text in here 由于車牌包括由于車牌包括7個字符，因個字符，因此車牌區(qū)域的垂直邊緣特征是此車牌區(qū)域的垂直邊緣特征是十分明顯。我們可以采用邊緣十分明顯。我們可以采用邊緣檢測算子突出車牌區(qū)域的垂直檢測算子突出車牌區(qū)域的垂直邊緣，邊緣一般位于灰度跳變邊緣，邊緣一般位于灰度跳變處，

46、我們可以逐行掃描圖像，處，我們可以逐行掃描圖像，統(tǒng)計每一行的灰度跳變個數(shù)。統(tǒng)計每一行的灰度跳變個數(shù)。考慮到車牌一般位于圖像底部，考慮到車牌一般位于圖像底部，本文對圖像進行從下到上掃描，本文對圖像進行從下到上掃描，如果某一行灰度跳變個數(shù)大于如果某一行灰度跳變個數(shù)大于所設定的閾值，就將其設為疑所設定的閾值，就將其設為疑似車牌區(qū)域，繼續(xù)向上掃面，似車牌區(qū)域，繼續(xù)向上掃面，待疑似車牌區(qū)域的高度累積到待疑似車牌區(qū)域的高度累積到與實際車牌高度接近時，就將與實際車牌高度接近時，就將這個區(qū)域標記為候選車牌區(qū)域。這個區(qū)域標記為候選車牌區(qū)域。由初定位得到的候選車牌區(qū)域中由初定位得到的候選車牌區(qū)域中可能包括某些非車

47、牌區(qū)域，比如可能包括某些非車牌區(qū)域，比如車身上存在字符的區(qū)域或者存在車身上存在字符的區(qū)域或者存在其他圖像的區(qū)域，因此我們需要其他圖像的區(qū)域，因此我們需要通過精定位排除非車牌區(qū)域，提通過精定位排除非車牌區(qū)域，提取實際車牌區(qū)域。在精定位中本取實際車牌區(qū)域。在精定位中本文將車牌的顏色特征和長寬比結(jié)文將車牌的顏色特征和長寬比結(jié)合起來。由表可以看出我國車牌合起來。由表可以看出我國車牌顏色有以下四種情況，即黑底白顏色有以下四種情況，即黑底白字（黑牌）、藍底白字（藍牌）、字（黑牌）、藍底白字（藍牌）、白底黑字（白牌）和黃底黑字白底黑字（白牌）和黃底黑字（黃牌（黃牌)。因此，我們可以通過顏。因此，我們可以通過

48、顏色特征對精定位車牌區(qū)域，以藍色特征對精定位車牌區(qū)域，以藍底白字車牌為例，該車牌中字符底白字車牌為例，該車牌中字符為白色，背景為藍色，那么我可為白色，背景為藍色，那么我可以這樣定義顏色特征對：以這樣定義顏色特征對：車牌定位技術車牌定位技術初定位初定位精定位精定位 如果（如果（x,y)x,y)處的像素點呈現(xiàn)藍色特征，則掃描其右鄰域處的像素點呈現(xiàn)藍色特征，則掃描其右鄰域像素點（像素點（x+1,y)x+1,y)和上鄰域像素點（和上鄰域像素點（x,y+1)x,y+1)，只要其中一個像，只要其中一個像素點呈現(xiàn)白色特征，我們就將（素點呈現(xiàn)白色特征，我們就將（x,y)x,y)，處的像素點看成是藍，處的像素點

49、看成是藍白特征對。同樣如果（白特征對。同樣如果（x,y)x,y)，處的像素點呈現(xiàn)白色特征，則，處的像素點呈現(xiàn)白色特征，則掃描其右鄰域像素點（掃描其右鄰域像素點（x+1,y)x+1,y)，和上鄰域像素點，和上鄰域像素點(x,y+1)(x,y+1)只只要其中一個像素點呈現(xiàn)藍色特征，我們就將（要其中一個像素點呈現(xiàn)藍色特征，我們就將（x,y)x,y)處的像素處的像素點看成是藍白特征點。車牌圖像中藍白特征對集中的區(qū)域肯點看成是藍白特征點。車牌圖像中藍白特征對集中的區(qū)域肯定在藍白車牌上，在掃描出所有藍白特征對集中的區(qū)域后結(jié)定在藍白車牌上，在掃描出所有藍白特征對集中的區(qū)域后結(jié)合車牌固定長寬比精定位車牌區(qū)域，

50、將初定位中的非車牌區(qū)合車牌固定長寬比精定位車牌區(qū)域，將初定位中的非車牌區(qū)域排除。如圖所示為本文車牌定位實驗圖，對三輛顏色不同域排除。如圖所示為本文車牌定位實驗圖，對三輛顏色不同的車輛進行車牌定位實驗，定位結(jié)果在原圖中用紅色矩形框的車輛進行車牌定位實驗，定位結(jié)果在原圖中用紅色矩形框出并在下方顯示車牌定位截圖，由實驗看出，本文采用的車出并在下方顯示車牌定位截圖，由實驗看出，本文采用的車牌定位算法效果理想，為后續(xù)的識別奠定了基礎，可以迖到牌定位算法效果理想，為后續(xù)的識別奠定了基礎，可以迖到實際應用效果。實際應用效果。字符分割技術字符分割技術 車牌定位提取出的車牌區(qū)域一般還會包括柳丁和邊框，而這兩者的

51、車牌定位提取出的車牌區(qū)域一般還會包括柳丁和邊框，而這兩者的存在會極大的影響字符分割的效果，因此在字符分割前必須將柳丁和邊存在會極大的影響字符分割的效果，因此在字符分割前必須將柳丁和邊框去除。在車牌二值化圖像中水平方向上存在以下規(guī)律：框去除。在車牌二值化圖像中水平方向上存在以下規(guī)律：車牌兩個柳丁從黑到白或者從白到黑的跳變?yōu)檐嚺苾蓚€柳丁從黑到白或者從白到黑的跳變?yōu)? 4次。次。車牌邊框為水平直線，跳變次數(shù)為車牌邊框為水平直線，跳變次數(shù)為0 0次。次。車牌字符區(qū)域黑白跳變次數(shù)為車牌字符區(qū)域黑白跳變次數(shù)為1414次。次。根據(jù)以上規(guī)律，我們可以很方便的去除柳丁和邊框的影響。在字符分割根據(jù)以上規(guī)律，我們可

52、以很方便的去除柳丁和邊框的影響。在字符分割過程中我們首先采用垂直投影法對字符進行分割。垂直投影法利用圖像過程中我們首先采用垂直投影法對字符進行分割。垂直投影法利用圖像在垂直方向上的投影在字符間達到局部最小值的特性進行字符分割。其在垂直方向上的投影在字符間達到局部最小值的特性進行字符分割。其具體步驟為：具體步驟為：1.1.首先統(tǒng)計車牌二值化圖像中每一列中像素值為首先統(tǒng)計車牌二值化圖像中每一列中像素值為255255的個數(shù)，并將結(jié)果存的個數(shù)，并將結(jié)果存在在數(shù)組在在數(shù)組nCountnCount（w)w)中，中，w w表示圖像的總列數(shù)。若某一列中像素值為表示圖像的總列數(shù)。若某一列中像素值為255255的

53、個數(shù)小于一個閾值，在此取為的個數(shù)小于一個閾值，在此取為3 3則代表該列位于字符間。用則代表該列位于字符間。用StartStart表示表示字符開始位置，字符開始位置，EndEnd表示字符結(jié)束位置，表示字符結(jié)束位置，i i代表當且掃描列。代表當且掃描列。2.2.如果如果i i小于小于w w，表示圖像還未完全掃描完，則轉(zhuǎn)至第三步；反之，若，表示圖像還未完全掃描完，則轉(zhuǎn)至第三步；反之，若i i大大于于w w表示整幅圖像掃描結(jié)束，推出循環(huán)。表示整幅圖像掃描結(jié)束，推出循環(huán)。字符分割技術字符分割技術3.3.如果如果nCountnCount（i)i)小于小于T T，表示第，表示第i i列不在字符區(qū)域，轉(zhuǎn)至第四

54、步；反之列不在字符區(qū)域，轉(zhuǎn)至第四步；反之轉(zhuǎn)至第五步轉(zhuǎn)至第五步4.4.如果如果StartStart為為0 0，表明字符開始位置還沒到，將，表明字符開始位置還沒到，將i i自加自加1 1并轉(zhuǎn)至第二步；并轉(zhuǎn)至第二步；若若StartStart不為不為0 0，代表此列為字符分界，記錄下該字符結(jié)束位置，代表此列為字符分界，記錄下該字符結(jié)束位置End=i,End=i,并并轉(zhuǎn)至第二步分割下一個字符。轉(zhuǎn)至第二步分割下一個字符。5.5.若若StartStart為為0 0，表明該列是字符開始的位置，將，表明該列是字符開始的位置，將StartStart置為置為i i，轉(zhuǎn)至第二，轉(zhuǎn)至第二步；反之，表明該列仍在字符內(nèi)，將

55、步；反之，表明該列仍在字符內(nèi)，將i i自加自加1 1，轉(zhuǎn)至第二步。，轉(zhuǎn)至第二步。由以上由以上5 5個步驟我們可以將字符分割出來，但是有時候字符間存在枯連或個步驟我們可以將字符分割出來，但是有時候字符間存在枯連或者斷裂問題，會導致分割得到的字符個數(shù)不為者斷裂問題，會導致分割得到的字符個數(shù)不為7 7個，因此在進行完垂直投個，因此在進行完垂直投影后我們需要采取進一步措施保證字符分割的準確性。采用如圖的流程影后我們需要采取進一步措施保證字符分割的準確性。采用如圖的流程保證字符分割準確性。保證字符分割準確性。字符分割技術字符分割技術 在完成垂直投影分割后統(tǒng)計分割得到的結(jié)果，若在完成垂直投影分割后統(tǒng)計分割

56、得到的結(jié)果，若7 7個數(shù)為直接輸出分個數(shù)為直接輸出分割結(jié)果。若字符個數(shù)不為割結(jié)果。若字符個數(shù)不為7 7，表明字符分割出錯，將垂直分割得到的各個，表明字符分割出錯，將垂直分割得到的各個字符進行從小到大排序，取中間值作為標準字符寬度對車牌進行字符寬字符進行從小到大排序，取中間值作為標準字符寬度對車牌進行字符寬度分割，得到最后的分割結(jié)果。如圖為本文字符分割結(jié)果實驗圖，圖度分割，得到最后的分割結(jié)果。如圖為本文字符分割結(jié)果實驗圖，圖a a中中的圖像為車牌定位結(jié)果，圖的圖像為車牌定位結(jié)果，圖b b為車牌二值化圖像，圖為車牌二值化圖像，圖c c為字符分割結(jié)果，為字符分割結(jié)果，由圖可以看出本文算法能較好的對字

57、符進行分割。由圖可以看出本文算法能較好的對字符進行分割。字符識別技術字符識別技術 字符識別是車牌識別中的最后一步，經(jīng)過字符識別后我字符識別是車牌識別中的最后一步，經(jīng)過字符識別后我們就可以得到車輛的車牌信息，采用們就可以得到車輛的車牌信息，采用k k近鄰法對字符進行識近鄰法對字符進行識別，其具體流程如圖所示：別，其具體流程如圖所示：字符歸一化字符歸一化 由于分割出來的字符大小可能不同，和字符標準庫內(nèi)的字符大小也由于分割出來的字符大小可能不同，和字符標準庫內(nèi)的字符大小也不一定相同，因此在進行特征提取前需要將字符進行歸一化處理，本文不一定相同，因此在進行特征提取前需要將字符進行歸一化處理，本文通過線性插值技術將字符歸一化為通過線性插值技術將字符歸一化為2020* *4040像素大小的圖像。線性插值是一像素大小的圖像。線性插值是一種簡單有效的歸一化算法，設原圖像的寬度和高度分別為種簡單有效的歸一化算法，設原圖像的寬度和高度分別為widthwidth和和heightheight原圖像原圖像(x,y)(x,y)坐標處的像素經(jīng)過歸一化處理后，變成坐標處的像素經(jīng)過歸一化處理后，變成2020* *4040圖像中圖像中 ，坐標處的像素