服务热线:
您所在的位置是:首页>>道闸机新闻 >> 用于运动目标摄取的车牌识别
用于运动目标摄取的车牌识别
发布时间:2018/10/15 10:08:21 发布人:原创

  在交通场景中实时检测车辆物体是基于视频的交通监控系统中最重要和最基本的步骤。它是视频检测方法的核心。检测的正确性直接关系到智能交通系统的正确性。感兴趣的区域(Rcpon Of Interestinl;,ROI)是交通场景的视频图像中的车辆的粗略分段。车牌识别系统可能将车辆区域与复杂的交通场景分开,以便进行后续的检测和跟踪操作。一个像素的检测主要利用视频图像序列中相同位置的像素信息,而不是仅使用一帧中像素的周围像素信息,这主要由视频图像的特征决定。 ROI的提取主要包括光流法、帧差分方法、背景差分法等方法。

  (I)光流法

  检测运动物体的最直接的想法是分析图像序列中每个点的运动场,即,找到由空间运动引起的图像平面上的对应点的运动。然而,图像中可测量的仅是图像的辐照度的变化。由图像辐照度的变化反射的运动称为视运动,表观运动的记录称为光流,而光流场则不是必须反映物体的实际运动,而是在我们处理的情况下,为简单起见,可以忽略物体的衰落运动和实际运动之间的差异,使用光学流场代替运动场,并分析图像中的运动目标。 。它的运动参数。

  在确定运动(光流)场之后,去除随机噪声和一些太小的运动,并且在检测周期期间运动矢量在一定范围内始终一致的那些区域属于一个对象,从而每个运动可以在不同时间确定目标(车辆)运动参数(速度,方向等)。

  基于车灯光流场分析的跟踪方法可以准确计算出运动目标的速度,但该方法采用迭代方法。计算时间长,无法实时跟踪,该方法仅考虑光流的使用。根据该决定,它受到估计的光流场的准确性的限制。这些方法受到噪音的严重影响。而且,分割的移动物体的边缘精度还不够。在运动不完整的情况下,可能发生诸如不完整分割结果的问题。

  另外,由于运动场不是非常可靠,它通常在物体的边界或纹理不突出的区域中产生误差,这将对分割结果产生显着影响。因此,由于各种限制,基于光流方法的运动分割不适用于交通场景中的运动分析。

  (2)帧差法帧间差分方法也称为图像序列差分方法。当移动物体出现在监控场景中时,帧与帧之间会有更明显的差异,减去两帧,得到两帧相应像素点的亮度差的绝对值。 ,通过判断它是否是一个大的干燥阈值进行分析。视频或图像序列的运动特性,用于确定图像序列中是否存在物体运动。

  逐帧差异等同于时域中图像序列的高通滤波。

  帧差分方法的优点是计算简单,不易受环境光线的影响,但不能检测静止车辆,处理效果与图像采样频率和检测车辆的车速有关。 。如果视频检测嚣采样频率太小,车速越快,则可能导致误分割:如果采样频率过大而速度慢,则会导致覆盖率过大。在极端情况下,移动物体可能完全重叠,类似于静止的车辆,这使得不可能分割移动物体。

  (3)背景差异法

  背景差异法的基本思想是首先形成交通场景的背景图像,然后逐个像素地逐个减去待测葡萄酒的图像和背景图像(理想情况下,非零像素)差异图像表示移动对象),然后N值方法可用于将移动对象与背景分离。

  准确可靠的背景图像是背景差分方法能否成功提取目标区域的关键。可以通过在没有车辆的情况下手动拍摄图像或通过对序列图像求平均来获得背景图像。显然,建筑阴影、云或照明的变化将导致背景环境发生重大变化。由于这些环境因素,需要定期更新参考对象的背景。目前,有各种后台更新方法。最常用的方法是FrameAvmging方法和Selective Updating方法。

  最简单的多帧平均方法是直接使用几个先前输入图像的平均值作为当前背景。多帧平均方法的缺点在于它对场景变化过于敏感,并且这种变化并不总是由车辆运动引起的。更新方法的基本思想是仅更新未检测到运动的区域,即真实背景。在背景更新之前,逐个像素地确定两个相邻图像之间的差异。如果它小于阈值,则意味着在像素位置未检测到车辆 - 可以执行后台更新操作。该方法依赖于阈值的选择。如果无聊的值不合理,背景图像很快就会变得不可用。在添加更新背景之前,进一步添加背景调整步骤,即,首先计算当前帧的平均灰度级与上帧图像之间的差值,如果差值设置为大值,则平均值当前帧的灰度级被认为是突然的。在背景图像上逐个像素地添加此差异。车牌识别系统的背景识别方法的优点是原理和算法设计简单:根据实际情况确定N值后,所得结果直接反映了移动的位置,形状等信息。目标位置、,可以获得相对准确的移动目标信息。 。然而,基于背景差异的车辆检测的准确性在很大程度上取决于背景图像的可靠性。一般来说。背景差异方法对环境光的变化非常敏感。需要不断更新背景图像以适应环境光。、阴影和天气变化。因此,后台更新中的错误累积是影响背景差分方法准确性的重要因素。