車(chē)牌識(shí)別(LPR)交通領(lǐng)域的視頻監(jiān)控系統(tǒng)是較為高端的,其技術(shù)升級(jí)也上日新月異的。
車(chē)輛檢測(cè)和跟蹤:將畫(huà)面中的車(chē)輛從背景中分割出來(lái)并予以跟蹤,從而明確每一輛需要進(jìn)行車(chē)牌檢測(cè)的車(chē)輛實(shí)體。要解決由于光照的變化、背景混亂運(yùn)動(dòng)的干擾、運(yùn)動(dòng)目標(biāo)的影子、攝像機(jī)的抖動(dòng)以及車(chē)輛目標(biāo)的自遮擋和互遮擋等影響。內(nèi)建ARM的SoC其LPR可達(dá)到“后向”和“前向”兩種位移模式的分別處理。在這個(gè)階段,車(chē)輛檢測(cè)率效果已可達(dá)到99.6%的水平,而重復(fù)率低于0.2%。
車(chē)牌檢測(cè):車(chē)牌檢測(cè)是最重要的LPR環(huán)節(jié),其后的辨識(shí)效果,與此部分?jǐn)?shù)據(jù)提取正確率的歸一相關(guān)系數(shù),是所有環(huán)節(jié)中最大的。在有車(chē)燈、尾燈、柵格等干擾圖像的影響下,準(zhǔn)確提取車(chē)牌并將其邊緣準(zhǔn)確切割是算法的重要能力。支持SoC的LPR已能使用邊沿檢測(cè)、正負(fù)線(xiàn)檢測(cè)、旋轉(zhuǎn)糾偏、角點(diǎn)檢測(cè)等手段,使得車(chē)牌邊沿的切割移位率,降低到3%的極值,為下一步的分析提供了可靠的數(shù)據(jù)源。
字元分割:要將需要辨識(shí)的字符目標(biāo)從車(chē)牌中擷取出來(lái)??紤]到車(chē)牌種類(lèi)的不同,這一步驟實(shí)際要求算法對(duì)不同種類(lèi)的車(chē)牌自動(dòng)適應(yīng)并提取。以臺(tái)灣車(chē)牌為例,舊式車(chē)牌中存在的4、5、6位數(shù)的車(chē)牌,以及新式車(chē)牌的7位數(shù)標(biāo)準(zhǔn)車(chē)牌,就需要算法自動(dòng)判別篩選和擷取。此外,摩托車(chē)和大型車(chē)車(chē)牌長(zhǎng)寬比上的較大區(qū)別,也是LPR技術(shù)必須解決的問(wèn)題。典型支持ARM的LPR解決方案是基于內(nèi)部字符角點(diǎn)的聚合特征,和字符間留白的線(xiàn)特征,自動(dòng)制表符區(qū)域予以提取。當(dāng)前擷取的正確率可達(dá)99.4%~99.8%之間。
字符識(shí)別:不同地區(qū)和國(guó)家的車(chē)牌字符字體不一。據(jù)了解,內(nèi)建ARM的SoC其LPR方案當(dāng)前可支持的字符包括26個(gè)英文大寫(xiě)字母、10個(gè)阿拉伯?dāng)?shù)字,和中國(guó)地區(qū)72個(gè)車(chē)牌類(lèi)屬標(biāo)記字;擁有巨量的車(chē)牌庫(kù)是這一環(huán)節(jié)準(zhǔn)確率的保證。例如市面找得到有IMP-LPR所采用的是經(jīng)典的圖像增強(qiáng)加SVM模式進(jìn)行識(shí)別,對(duì)特殊易混淆的字符,采用專(zhuān)門(mén)的分析算法予以針對(duì)性的區(qū)分,甚至特殊采用逆向金字塔方法,提取每一個(gè)字符的識(shí)別結(jié)果概率。透過(guò)這些方式產(chǎn)生的首選答案輸出結(jié)果,正確率穩(wěn)定在98%以上。
規(guī)則輸出:不同國(guó)家和地區(qū)的車(chē)牌,其制式上字符位置和可選范圍具有明確的定義,能用以提高整體車(chē)牌的準(zhǔn)確率。以臺(tái)灣新7位車(chē)牌為例,利用前3后4的結(jié)構(gòu),可以明確將識(shí)別結(jié)果中,首選答案中不符車(chē)牌制式規(guī)則的錯(cuò)誤糾正過(guò)來(lái)。SoC的LPR方案也可考慮這一實(shí)際有效的方式,在程序架構(gòu)上,允許外部依據(jù)車(chē)牌制式的概率,制定糾錯(cuò)輸出的規(guī)則。采用這樣的規(guī)則,能成功使其在臺(tái)灣的車(chē)牌辨識(shí)率提升0.6%~0.8%。