探测雷达在车牌识别中的应用

董大明

（山西交通职业技术学院，山西 太原 030031）

引言

在过去的几年里，越来越多的公司一直在使用LPR系统进行各种应用，无论是在停车场大门自动打开还是检查识别进入的车辆，或以更高级的方式自动付款、道路雷达。通常这些系统在单个图像上运行对比度和模糊度非常的低，主要原因是一个专用照明系统拍摄停止的车辆或使用低速行驶的车辆照片，导致提取车牌的高质量。在我们的项目中，使用的汽车视频是一个很难捕捉的方式，汽车以大约80公里/小时的速度移动，而且没有额外的照明和分隔车辆和相机（安装在20米高的桥上在公路上方），由此产生的车辆图像是模糊，嘈杂和旋转，以及拍摄的车辆只占据图像的一小部分区域，这些都将造成在形式中的车辆车牌识别模糊。本文介绍了一种提高清晰度的方法以及基于图像信息的冗余使用融合提取高质量车牌的方法。

1 拜耳格式图像处理技术

我们能够从视频流中提取一系列一辆汽车朝向或远离的照片相机。然后，我们通过对车牌边缘进行本地化检测算法并使用信息冗余从这一系列图像中生成一个牌照图像：具有改善的清晰度和模糊较低的图像。视频流被嵌入到图片中。每辆车有一个独特的文件夹与其连续的图像和具体的ID。这些文件夹是我们算法的输入（图1）。

图1 雷达探测下的高速车辆信息图像截取

拜耳或马赛克是放置在彩色滤光片中的矩阵数码相机传感器的前面。它由50%的绿色，25%红色和25%蓝色过滤器组成。得到的图像是每个像素包含的图像红色或蓝色或绿色组件。我们遇到的第一个问题那些拜耳图像是暗像素的存在模糊图像。

为了解决这个问题，我们用1.3的系数来乘以所有的红色像素，对应于之间的比例直方图的最大值以平衡组件。为了检测和提取车牌，我们使用了一个边缘检测方法，其中包含以下步骤：

1）Canny边缘检测——使用索贝尔过滤器的图像，然后是滞后canny边缘检测估计的梯度设置阈值以减少假边缘并检测轮廓一次（图2左1）。

2）扩张——扩张是由一个形态学操作组成移动结构元素；在这种情况下是正方形沿着图像边缘的每个像素，如果它是相交像素，则结果是一个大于原版的结构。目标是让边缘更清晰可见，因为有些边界可能导致开放的对象无法检测到（图2左二）。

3）连接组件——这是一种将提取所有内容的分割技术图像的相关项目，也就是说，所有的形式有像素的连续性。标签功能的输出是带有的图像与其像素相同的原点分辨率具有它们所属的对象号码的值。

图2 雷达探测下的高速车辆信息-拜耳格式图像处理

4）对象过滤——为了提取图像的车牌区域，在上一节中找到的连接组件都有进行过滤和分类。已知车牌是矩形的，并且有一个特定的高度和宽度范围；第一个过滤器是使用边界检测具有此形状的对象在Matlab下的Box函数进行计算。第二个过滤器计算高度之间的比率和宽度并丢弃所有不属于对象的范围。一般来说，使用这两个滤波器就足以进行检测，但要确保它是我们所在的数据中添加了一个随机车牌的关联操作，对应于最大化相关性的图像（图2右1）。

2 有效提高锐度

我们提出的方法由多个步骤组成，这是为了准备融合的图像流，图像需要调整大小，旋转和对齐以便准备融合。过滤和去卷积操作将会需要沿着这个过程。

1）调整大小——在这个算法中调整大小是最原始的步骤。它极大地降低了由此引起的插值解卷积和旋转效应。我们决定放大系数为8的图像使用Lanczos插值预测的值使用16个相邻像素的像素。我们可以有选择一个高于8的数字，但我们由于使用过于复杂的预测，图像增加了更多的噪音，这说明图像大小的调整需要特定的预测方法，复杂的预测不能带来合理的效果。

2）解卷积——它是去除运动模糊的操作，包括确定运动矢量和维纳过滤器将像素移回原来的位置。在我们的案例中，这是一个翻译运动。矢量使用两点中的一点的坐标来找到连续的图像，并以其角度和其特征为特征模块（图3）。

图3 雷达探测图像处理坐标建立示意

3）旋转——一般来说，相机不与道路对齐；该输出车牌稍微倾斜。倾向取决于关于图像中汽车的位置。为了补偿旋转，我们使用了能量办法；我们计算了车牌块的水平能量。无论如何，曲线的宽度都是成比例的车牌对齐或不对齐。最小的宽度对应于车牌完美对齐的状态。 尖峰上曲线与开始一致并且是由于白色像素有比黑暗更大的趋势。

4）划界——仅裁剪人物和白色背景可以通过能源途径来实现；边界由于白色背景的能量增加（因为白色像素的值最高），最后一次减少这对应于车牌的末端。

5）标准化——这个过程的目标是确保车牌块没有带来比融合中的其他车牌块更具对比度图像像素点的值必须以相同的概率贡献。本算法中，我们把它们的能量分开，像素总和的平方除以像素数量。当绘制垂直和水平能量，曲线几乎相同我们把这些板块放在相同的尺寸上以确保融合是有意义的。

6）垂直和水平对齐——这个操作可以确保角色很好在融合之前对齐。 这个想法是采取一个子图像第一个车牌块的第一个字符，然后找到子图像与其他字符相对应通过最大化相关性并保存车牌两个子图像的坐标。现在我们必须做的是辨别与第二个图像的差异。

7）融合——经过直方图均衡化后，可以更好地实现在整个可能的范围内分布强度值，通过“扩散”直方图，我们添加车牌块相同的车辆一起用于最终改进的车牌（图1）。我们用32fps的DALSA Genie Hc1400（画框每秒）并且是1400 * 1024像素的解决方案。

3 结论

综上所述，在本文中，我们提出一个高效的基于车牌清晰度改进算法对图像进行融合识别，并使用相同的多个图像车辆在道路的不同位置使用信息冗余。本算法可以在本领域得到较为广泛的应用，提升高速车辆的安全监测质量。