|
公司基本資料信息
|
|||||||||||||||||||||||||
傳統(tǒng)模式識(shí)別技術(shù)。傳統(tǒng)模式識(shí)別技術(shù)指結(jié)構(gòu)特征法,統(tǒng)計(jì)特征法等。90年代,由于計(jì)算機(jī)視覺技術(shù)的發(fā)展,開始出現(xiàn)汽車牌照識(shí)別的系統(tǒng)化研究。1990年AS.Johnson等運(yùn)用計(jì)算機(jī)視覺技術(shù)和圖像處理技術(shù)實(shí)現(xiàn)了牌照的自動(dòng)識(shí)別系統(tǒng)。該系統(tǒng)分為圖像分割、特征提取和模板構(gòu)造、字符識(shí)別等三個(gè)部分。利用不同閩值對(duì)應(yīng)的直方圖不同,經(jīng)過大量統(tǒng)計(jì)實(shí)驗(yàn)確定出車牌位置的圖像直方圖的閩值范圍,從而根據(jù)特定閩值對(duì)應(yīng)的直方圖分割出車牌,再利用預(yù)先設(shè)置的標(biāo)準(zhǔn)字符模板進(jìn)行模式匹配識(shí)別出字符。

人工神經(jīng)網(wǎng)絡(luò)技術(shù)。近幾年來,計(jì)算機(jī)及相關(guān)技術(shù)發(fā)達(dá)的一些國家開始探討用人工神經(jīng)網(wǎng)絡(luò)技術(shù)解決車牌自動(dòng)識(shí)別問題,例如1994年M.M.M.FANHY等就成功地運(yùn)用了BAM神經(jīng)網(wǎng)絡(luò)方法對(duì)車牌上的字符進(jìn)行自動(dòng)識(shí)別,BAM神經(jīng)網(wǎng)絡(luò)是由相同神經(jīng)元構(gòu)成的雙向聯(lián)想式單層網(wǎng)絡(luò),每一個(gè)字符模板對(duì)應(yīng)著一個(gè)BAM矩陣,通過與車牌上的字符比較,識(shí)別出正確的車牌號(hào)碼。
這種采用BAM神經(jīng)網(wǎng)絡(luò)方法的缺點(diǎn)是無映解決識(shí)別系統(tǒng)存儲(chǔ)容量和處理速度相矛盾的問題。

一個(gè)車牌識(shí)別系統(tǒng)是否實(shí)用,較重要的指標(biāo)是識(shí)別率。國際交通技術(shù)作過專門的識(shí)別率指標(biāo)論述,要求是24小時(shí)全天候全牌正確識(shí)別率85%~95%。
為了測(cè)試一個(gè)車牌識(shí)別系統(tǒng)識(shí)別率,需要將該系統(tǒng)安裝在一個(gè)實(shí)際應(yīng)用環(huán)境中,全天候運(yùn)行24小時(shí)以上,采集至少1000輛自然車流通行時(shí)的車牌照進(jìn)行識(shí)別,并且需要將牌照?qǐng)D像和識(shí)別結(jié)果存儲(chǔ)下來,以便調(diào)取查看。然后,還需要得到實(shí)際通過的車輛圖像以及正確的人工識(shí)別結(jié)果。之后便可以統(tǒng)計(jì)出以下識(shí)別率:
1、自然交通流量的識(shí)別率=全牌正確識(shí)別總數(shù)/實(shí)際通過的車輛總數(shù)
2、可識(shí)別車牌照的百分率=人工正確讀取的車牌照總數(shù)/實(shí)際通過的車輛總數(shù)
3、可識(shí)別全牌正確識(shí)別率=全牌正確識(shí)別的車牌照總數(shù)/人工讀取的車牌照總數(shù)這三個(gè)指標(biāo)決定了車牌識(shí)別系統(tǒng)的識(shí)別率,諸如可信度、誤識(shí)率等都是車牌識(shí)別過程中的中間結(jié)果。

紅外光路線是指利用反光車牌和紅外光的光學(xué)特性,用紅外攝像機(jī)采集車輛灰度圖像,由于紅外特性,車輛圖像上幾乎只能看見車牌,然后用黑白圖像處理方法識(shí)別車牌。950nm的紅外照明裝置可抓拍到很好的反光車牌照?qǐng)D像。因紅外光是不可見光,它不會(huì)對(duì)駕駛員產(chǎn)生視覺影響。另外,紅外照明裝置提供的是不變的光,所抓拍的圖像都是一樣的,不論是在一天中較明亮的時(shí)候,還是在一天中較暗的時(shí)候。例外是在白天,有時(shí)會(huì)看到一些牌照周圍的細(xì)節(jié),這是因?yàn)榍缋侍鞖鈺r(shí)太陽光的外光波的影響。采用紅外燈的缺點(diǎn)就是所捕獲的車牌照?qǐng)D像不是彩色的,不能獲取整車圖像,并且嚴(yán)重依賴反光車牌材料。
