一种智能车牌识别系统技术方案

本发明专利技术属于图像处理技术领域，公开了一种智能车牌识别系统，该智能车牌识别系统包括：车牌识别单元用于采集车牌信息并对车牌信息进行处理的车牌识别单元；停车场计费单元与车牌识别单元电性连接用于对与车牌相对应的车辆进行停车计费；通道门禁出入单元与车牌识别单元电性连接，用于对车辆出入通道信息进行处理；车牌识别单元包括：图像采集模块、人机录入模块、车牌定位模块、字符分割模块、字符识别模块等。本发明专利技术技术具有明显优势，解决了车辆的自动计费功能，智能化程度高，并且具有智能门禁的功能，基于RFID技术，通过无线射频技术和智能卡技术相结合，具有使用简单、维护方便、便于控制等特点。

【技术实现步骤摘要】
一种智能车牌识别系统
本专利技术属于图像处理
，尤其涉及一种智能车牌识别系统。
技术介绍
车牌号码识别简称车牌识别，也称作车牌号识别或车辆牌照识别或车辆号牌识别，是计算机视频图像识别技术在车辆牌照识别中的一种应用，即从图像信息中将车牌号码提取并识别出来。车辆号码识别是智能交通系统中一项很重要的技术，可广泛应用于各类有专属号码的交通工具上，如：汽车、火车、非机车辆等。车辆号码识别已经取得了广泛的应用，如电子警察、公安卡口、高速公路测速与收费、停车场管理、天网监控、专车专停管理等，特别是在电子警察和公安卡口以及高速公路等领域，基本都已具备了车牌识别功能。停车场自2012年始在中国也进入了广泛应用阶段，截止2013年底预估已达到10％的覆盖率，天网监控和专车专停的应用才刚刚起步。然而，现有智能车牌识别系统没有车辆的自动计费系统，功能比较单一，智能化程度较低。交互式抠图技术在有限的用户交互下抠取图像的前景，被广泛的应用在图像及视频编辑、三维重建等领域中，有极高的应用价值。近年来的抠图技术中，拉氏矩阵给出alpha图上像素间的线性关系，对alpha图的估计起到了重要作用。交互式抠图是在有限的用户交互下，计算前景的alpha图，从而将前景从背景中分离出来。抠图问题的输入是原图像I和用户提供的三分图，输出是alpha图及前景F、背景B，因此是典型的病态问题，需要引入假设条件求解alpha图。抠图算法可分为三类：基于采样的方法、基于传播的方法、采样和传播结合的方法。现有技术推导出的拉氏抠图矩阵给出邻域像素的alpha值间的线性关系，被广泛的应用在抠图算法中；拉氏抠图矩阵有其局限性，拉氏抠图矩阵表示空间邻域内像素间的关系，但不能体现非邻域间像素间的关系；拉氏抠图矩阵建立在空间连续的假设基础上，在某些前景和背景分量突变的区域，拉氏抠图矩阵难以得到理想的效果。近年来，已有学者对Alpha稳定分布噪声模型下的单载频信号的载频估计进行了一定的研究，但其研究成果较少。孙等人提出基于分数低阶统计量，提出了一种适用于Alpha稳定分布的新的谱分析方法。该方法利用分数低阶协方差谱，对全部取值范围(0＜α≤2)的带噪信号进行频率特性分析，并提出了加权交叠平均法估计分数低阶协方差谱。该方法对任何一个α取值都适用，且谱估计的方差较小。但是该文献中并没有对载频估计给出具体算法步骤，仍需对其协方差谱进行深入研究才能估计出载频；赵等人针对基于二阶循环统计量的参数估计方法在Alpha稳定分布噪声中严重退化的问题，提出了一种基于分数低阶循环谱的MPSK信号载频估计方法，对于不同M值下的PSK信号，分析了其载波频率与相应分数低阶循环谱参数的关系，在此基础上给出了适合所有PSK信号的载波频率估计方法。该方法在混合信噪比为-10dB且α为1.5时，BPSK信号的载频估计的归一化均方误差为0.043，QPSK信号载频估计的归一化均方误差为0.041，因此低信噪比下的载频估计性能仍有待提高。综上所述，现有技术存在的问题：现有智能车牌识别系统没有车辆的自动计费系统，功能比较单一，智能化程度较低；信号质量差，图像获取真实性不良。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种智能车牌识别系统。本专利技术是这样实现的，一种智能车牌识别系统，所述智能车牌识别系统包括：车牌识别单元、停车场计费单元、通道门禁出入单元；所述车牌识别单元，用于采集车牌信息并对车牌信息进行处理的车牌识别单元；所述停车场计费单元与车牌识别单元电性连接，用于对与车牌相对应的车辆进行停车计费；所述通道门禁出入单元与车牌识别单元电性连接，用于对车辆出入通道信息进行处理；所述车牌识别单元包括：图像采集模块、人机录入模块、车牌定位模块、字符分割模块、字符识别模块；所述图像采集模块，用于采集车牌图像信息；具体包括：使用移动最小二乘法替代最小二乘法构造拉普拉斯矩阵，并使用KNN邻域替代空间邻域，获取非邻域像素在alpha图上的线性关系，从而计算出移动拉氏矩阵，并得到alpha图；对接收的含有Alpha稳定分布噪声的PSK信号求循环共变函数；通过对循环共变函数进行傅里叶变换，求其循环共变谱；根据所得的循环共变谱提取其中循环频率ε＝0Hz的截面；分别搜索所得截面的正负半轴的峰值，找到峰值对应的正负频率值，并取绝对值后求均值作为载频的估计值Alpha稳定分布噪声下PSK信号的载频估计并输出；对输出的图像特征向量进行提取并输出最终采集的图像；所述移动最小二乘抠图的方法如下：在灰度图像中,窗口wi的邻域内alpha值满足局部线性条件，使用移动最小二乘法求解局部线性关系，表示如下：公式(1)中权值ω，ωi是邻域wk中的权值；式(1)表示为以下矩阵的形式:对于每个邻域wk,Gk定义为‖wk‖×2矩阵；Gk每行包括向量(Ii,1)，Wk是每行向量对应的权值ωi组成的向量，Gk’为Gk的Wk加权，对应的每行向量表示为(Wk.Ii,Wk)，是邻域内所有像素对应的alpha值组成的向量；系数ak,bk解得如下所示：令J(α)表示为下式：δi,j是Kroneckerdelta函数，μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差，‖wk‖是窗口内像素的个数,L为移动拉氏抠图矩阵；所述接收信号的循环共变函数包括：所述信号含有服从SαS分布噪声的MPSK信号，表示为：其中E是信号的平均功率，M＝2k，m＝1,2,...M,q(t)表示矩形脉冲波形，T表示符号周期，fc表示载波频率，φ0表示初始相位，若w(t)是服从SαS分布的非高斯噪声，则其自共变函数定义为：其中(x(t-τ))<p-1>＝|x(t-τ)p-2x*(t-τ)，γx(t-τ)是x(t)的分散系数，则x(t)的循环共变定义为：其中ε称为循环频率，T为一个码元周期；所述图像特征向量提取方法具体步骤为：步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m：其中，xi∈样本训练集X＝(x1，x2，…，xN)；步骤二、求出散布矩阵S：求出散布矩阵的特征值λi和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…；取出p个值，λ1，λ2，…，λp确定出车牌空间E＝(e1，e2，…，eP)，在此车牌空间上，训练样本X中，每个元素投影到该空间的点由下式得到：x'i＝Etxi，t＝1，2，…，N；由上式得到的是将原向量经过PCA降维后的p维向量；所述的特征提取基于稀疏表征，采用图像识别算法进行多图像识别；图像识别算法进行多图像识别的具体方法为：对当前帧车牌检测并按坐标排序得出当前帧多个车牌的识别结果；根据当前帧各车牌的识别结果计算对应的车牌各自相邻n帧识别结果；统计各个车牌的身份，由超过半数n/2的统一身份决定目标的最终身份；其中，计算待识别图片与预置的图像库各类别间的重建误差{r1，r2……rn}，r1<r2<……<rn，将得到的相似度值按照的规则确定最终识别结果；其中T1为比率值，T1＝0.65；所述人机录入模块，与图像采集模块电性连接，可以在图像采集模块不灵敏时，进行人工输入，有利于防止可疑车牌逃避处罚；所述车牌定位模块，与图像采集模块电性连接，可以根据图像本文档来自技高网...

【技术保护点】
一种智能车牌识别系统，其特征在于，所述智能车牌识别系统包括：车牌识别单元、停车场计费单元、通道门禁出入单元；所述车牌识别单元，用于采集车牌信息并对车牌信息进行处理的车牌识别单元；所述停车场计费单元与车牌识别单元电性连接，用于对与车牌相对应的车辆进行停车计费；所述通道门禁出入单元与车牌识别单元电性连接，用于对车辆出入通道信息进行处理；所述车牌识别单元包括：图像采集模块、人机录入模块、车牌定位模块、字符分割模块、字符识别模块；所述图像采集模块，用于采集车牌图像信息；具体包括：使用移动最小二乘法替代最小二乘法构造拉普拉斯矩阵，并使用KNN邻域替代空间邻域，获取非邻域像素在alpha图上的线性关系，从而计算出移动拉氏矩阵，并得到alpha图；对接收的含有Alpha稳定分布噪声的PSK信号求循环共变函数；通过对循环共变函数进行傅里叶变换，求其循环共变谱；根据所得的循环共变谱提取其中循环频率ε＝0Hz的截面；分别搜索所得截面的正负半轴的峰值，找到峰值对应的正负频率值，并取绝对值后求均值作为载频的估计值Alpha稳定分布噪声下PSK信号的载频估计并输出；对输出的图像特征向量进行提取并输出最终采集的图像；所述移动最小二乘抠图的方法如下：在灰度图像中,窗口wi的邻域内alpha值满足局部线性条件，使用移动最小二乘法求解局部线性关系，表示如下：...

【技术特征摘要】
2017.07.17 CN 20171058015271.一种智能车牌识别系统，其特征在于，所述智能车牌识别系统包括：车牌识别单元、停车场计费单元、通道门禁出入单元；所述车牌识别单元，用于采集车牌信息并对车牌信息进行处理的车牌识别单元；所述停车场计费单元与车牌识别单元电性连接，用于对与车牌相对应的车辆进行停车计费；所述通道门禁出入单元与车牌识别单元电性连接，用于对车辆出入通道信息进行处理；所述车牌识别单元包括：图像采集模块、人机录入模块、车牌定位模块、字符分割模块、字符识别模块；所述图像采集模块，用于采集车牌图像信息；具体包括：使用移动最小二乘法替代最小二乘法构造拉普拉斯矩阵，并使用KNN邻域替代空间邻域，获取非邻域像素在alpha图上的线性关系，从而计算出移动拉氏矩阵，并得到alpha图；对接收的含有Alpha稳定分布噪声的PSK信号求循环共变函数；通过对循环共变函数进行傅里叶变换，求其循环共变谱；根据所得的循环共变谱提取其中循环频率ε＝0Hz的截面；分别搜索所得截面的正负半轴的峰值，找到峰值对应的正负频率值，并取绝对值后求均值作为载频的估计值Alpha稳定分布噪声下PSK信号的载频估计并输出；对输出的图像特征向量进行提取并输出最终采集的图像；所述移动最小二乘抠图的方法如下：在灰度图像中,窗口wi的邻域内alpha值满足局部线性条件，使用移动最小二乘法求解局部线性关系，表示如下：公式(1)中权值ω，ωi是邻域wk中的权值；式(1)表示为以下矩阵的形式:对于每个邻域wk,Gk定义为‖wk‖×2矩阵；Gk每行包括向量(Ii,1)，Wk是每行向量对应的权值ωi组成的向量，Gk’为Gk的Wk加权，对应的每行向量表示为(Wk.Ii,Wk)，是邻域内所有像素对应的alpha值组成的向量；系数ak,bk解得如下所示：令J(α)表示为下式：δi,j是Kroneckerdelta函数，μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差，‖wk‖是窗口内像素的个数,L为移动拉氏抠图矩阵；所述接收信号的循环共变函数包括：所述信号含有服从SαS分布噪声的MPSK信号，表示为：其中E是信号的平均功率，M＝2k，m＝1,2,...M,q(t)表示矩形脉冲波形，T表示符号周期，fc表示载波频率，φ0表示初始相位，若w(t)是服从SαS分布的非高斯噪声，则其自共变函数定义为：其中(x(t-τ))<p-1>＝|x(t-τ)p-2x*(t-τ)，γx(t-τ)是x(t)的分散系数，则x(t)的循环共变定义为：其中ε称为循环频率，T为一个码元周期；所述图像特征向量提取方法具体步骤为：步骤一、采集到N个样本用作训练集X，采用下式求出样本平均值m：其中，xi∈样本训练集X＝(x1，x2，…，xN)；步骤二、求出散布矩阵S：求出散布矩阵的特征值λi和对应的特征向量ei，其中，ei便是主分量，将特征值从大到小依次排列λ1，λ2，…；取出p个值，λ1，λ2，…，λp确定出车牌空间E＝(e1，e2，…，eP)，在此车牌空间上，训练样本X中，每个元素投影到该空间的点由下式得到：x'i＝Etxi，t＝1，2，…，N；由上式得到的是将原向量经过PCA降维后的p维向量；所述的特征提取基于稀疏表征，采用图像识别算法进行多图像识别；图像识别算法进行多图像识别的具体方法为：对当前帧车牌检测并按坐标排序得出当前帧多个车牌的识别结果；根据当前帧各车牌的识别结果计算对应的车牌各自相邻n帧识别结果；统计各个车牌的身份，由超过半数n/2的统一身份决定目标的最终身份；其中，计算待识别图片与预置的图像库各类别间的重建误差{r1，r2……rn}，r1<r2<……<rn，将得到的相...

【专利技术属性】
技术研发人员：谢卫，朱银萍，张民，王玮，王庆，
申请(专利权)人：浙江智神数码科技有限公司，
类型：发明
国别省市：浙江,33