论文部分内容阅读
车载视觉作为智能车辆信息的重要来源,其应用范围越来越广泛。就基于车载视频的车间距计算和车牌识别而言,实时、准确的车间距计算,可用于车辆碰撞预警,为安全行驶提供保障;车间距的计算结合浮动车信息采集技术,可估计道路车流量,判定道路拥挤程度;基于车载视频的车牌识别结合浮动车技术可获得大量车辆信息,分析车辆出行路径,统计车辆密度。针对以上的应用,本文提出一种基于车载视频计算车间距和识别车牌的方法,主要工作如下:一、基于车载视频的车辆识别。本文采用了基于Haar-like特征的Adaboost算法进行车辆识别,对于分类器的训练,收集了1000余张不同角度不同遮挡程度的车尾图像以及2000余张道路环境的图像,提取其Haar-like特征训练分类器。在检测过程中,先将高分辨率车载视频的每一帧图像缩小,利用分类器检测车辆并记录坐标位置,同时放大坐标并在高分辨率原图中提取车辆图像。二、基于识别到的车辆图像定位车牌。在实际中,车辆与前车的距离范围较广,导致在车辆检测中提取出的车辆图像分辨率不一,本文根据不同分辨率下车辆图像的纹理、最大极致稳定区域(Maximally Stable Extremal Regions,简称MSER)、颜色特征,分析了三种不同的车牌定位方法,并利用这三种方法的融合算法进行车牌定位。三、利用定位到的车牌进行车间距计算。车牌具有固定的高度,且在车载视频中车辆角度的变化不影响车牌像素高度的变化,本文基于照相机成像原理,利用车牌的像素高度以及像素高度与车间距的固定比例计算车间距,并根据车辆在图像中的位置计算车辆间的直线距离。最后综合以上车辆检测、车间距计算,本文提出了基于车载视觉的安全预警和车密度计算的应用框架。四、基于车牌定位的结果,进行车牌识别。首先人工收集车牌样本,对样本进行处理,提取了车牌字符的特征,利用字符的特征向量,针对普通字符和不易分辨字符训练了两种不同结构的BP神经网络,在检测时利用“由粗到精”的规则进行车牌识别。