基本信息
- 项目名称：
- TrackerNerv道路车辆识别跟踪系统
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 信息技术
- 大类：
- 科技发明制作A类
- 简介：
- TrackerNerv道路车辆识别跟踪系统， 主要用于智能交通管理方面，针对现在国内的智能识别技术缺陷以及我们掌握的关于图像识别的有关内容， 综合我们各自的能力，自主开发了一套实用性和功能性更强车辆识别跟踪系统，将计算机和图像处理技术应用于实际，解决现实交通管理中的诸多问题。本系统的实时性、适应性和抗干扰特性等都能达到一个令人满意的效果。具有很大的社会价值和应用前景。
- 详细介绍：
- 车辆部分：主要包括视频流读取，提取背景与更新背景，前景检测，分析数据。 车牌部分： 读取静态图片，进行车牌定位与矫正，对字符库进行训练，对车牌区域进行分割，将分割后的二值化图片转换成15*25的数组，输入到神经网络中，得到在此模块主要采用基于背景减除的算法提取运动车辆。 现在主要的运动前景算法有帧差法、背景减除法、光流法，大致说明如下： 帧差法利用时间序列图像中两帧或三帧图像相减，得到差分图像，然后再通过阈值选取得到运动目标的信息，这种方法简单，容易实现，但一般难以获取运动目标的完整轮廓，易在目标中产生“双影”及“空洞”现象，导致检测的目标不准确，也难以处理“抖动”及“阴影”等复杂情况。 背景减除法的基本思想是先构建一个背景，然后利用当前帧与背景帧相减。根据差分图像提取运动目标轮廓。这种方法简单，易于实现，能够较好的提取目标的特征数据，但对外界环境的变化较敏感（如少许抖动）。 光流分割法利用运动目标随时间变化的矢量特征在图像序列中检测的运动区域。在摄像机存在运动的情况下其性能较好，但算法复杂，运算量较大，难于满足视频的实时处理的要求。 人工神经网络方法是采用模糊的概念，对输入数据进行模糊识别，然后输入相应的感兴趣结果。 基于以上算法的特点本项目在考虑在特定的交通环境下，我们决定采用背景减除法。在这个算法中我们实现了背景提取、背景更新、前景更新、抖动处理、阴影剪除、前景轮廓提取，车牌定位，字符分割与识别等算法。得到车牌号结果。 程序主要内容：1)背景提取2)背景更新3) 前景更新4)抖动处理5)阴影剪除6) 轮廓提取7)轮廓精确8)车牌定位9)字符分割10)字符识别
作品图片
作品专业信息
设计、发明的目的和基本思路、创新点、技术关键和主要技术指标
- 作品设计、发明的目的： 车辆识别与跟踪技术是计算机视觉、图像处理与模式识别等技术的融合，是智能交通系统中重要的研究课题，对于实现更加快速化、智能化的交通管理具有巨大的经济价值和现实意义。然而，目前大多数车辆识别跟踪引擎具有运算量大、对硬件要求高、识别率低等缺点，为此，我们希望自主研发一套更具功能性和实用性的车辆识别跟踪系统，更好地将计算机和图像处理技术应用于实际，以解决现实中交通管理方面的诸多问题。 作品设计的基本思路： 本作品采用模块化分阶段进行处理，各模块及其处理次序如下：首先，系统从车辆视频中读取相应的视频流数据；然后通过运动检测模块对视频流数据进行分析，隔一定帧数从视频流中提取图片，以得到待处理背景信息；进而通过车辆跟踪模块，不断更新背景信息，并对提取的图片进行相应的数学运算，得到变化的区域，将变化的区域用四边形轮廓标记；最后再通过车辆特征分析模块智能地对所检测定位到的车辆进行编号(系统编号或车牌号)，得出车辆行驶的相关信息，在界面接口模块中显示出来。 作品创新点： 本项目采用了一系列全新原创的算法模型，确保系统的实时性，良好的性和抗干扰性，实现车辆的识别和跟踪，以及车辆动态信息的获取。 技术关键： 1)隔帧背景更新策略 2)基于区域的自适应动态权值的背景更新算法 3)基于原创阴影消除算法进行运动物体提取 4)基于区域相似的抖动处理策略 主要技术指标： 1)真实应用中的自适应性 2)资源消耗 3)实时处理能力 4)可扩展性 5)可移植性
科学性、先进性
- 1.对复杂环境具有自适应能力。目前车辆跟踪识别技术的难点，大部分是由实际环境因素的影响造成的。本系统能够根据不同的道路交通环境，通过内部一系列自适应动态算法自动进行判别并做出相应调整，更好地适应于真实场景中的复杂环境。 2.采用隔帧扫描的方式采集图像进行处理，在基本不影响处理正确率的前提下，识别的速度要比普通的的逐帧连续扫描识别方式快几倍。 3.在白天阳光直射的情况下，采用基于表面纹理分析的物体阴影消除与物体分割算法，消除因为光照因素导致的车辆阴影干扰，使得车辆识别的轮廓更加精确，能够很好地减少阴影对车辆提取的影响。 4.采用无回溯算法进行车辆特征分析，性能更佳，识别速度更快，更适合本系统所适用的视频触发类应用。 5.采用基于隔行扫描线的车牌定位技术，比传统的基于边缘图像灰度跳变次数统计算法处理效率更高。 6.使用神经网络算法作为车牌字符识别算法，相对于传统的模板匹配方法，运算速率更快，识别率更高。 7.系统界面使用成熟的Qt技术，具有界面友好，可移植性强等优点。
获奖情况及鉴定结果
- 2010年9月，参加由工业和信息化部软件服务业司和江苏省经济和信息化委员会组织的“江苏软件杯”全国大学生软件设计大赛获三等奖，本次比赛中一等奖一名，二等奖两名，三等奖三名，参赛者包括全国一百多所重点高校和普通高校。
作品所处阶段
- 中试阶段
技术转让方式
- 无
作品可展示的形式
- 现场演示
使用说明,技术特点和优势,适应范围,推广前景的技术性说明,市场分析,经济效益预测
- 本项目采用了一系列全新原创的算法模型，确保系统的实时性、好的适应性、和抗干扰性，实现车辆动态信息的获取，车辆的识别和跟踪。能够自动调整，实现对不同环境的适应能力，识别的速度要比正常的识别快，能消除阴影对本系统的影响。以Qt为界面开发工具，界面友好，可移植性强，适合windows，嵌入式，服务器等多种系统。在车牌识别方面，采用基于隔行扫描的车牌定位技术，人工神经网络(开源的FANN神经网络库)进行字符识别等方法，实现车牌的快速定位与识别，相对于其他的系统，对车牌识别的精度方面有很大的改善。通过外接高速摄像头、设置参数，实现自动的交通控制。 由于目前的车辆处理技术受到多方面的限制，其技术还存在着很多不足，现代交通监控和管理对车辆处理技术又具有迫切要求，使其具有巨大的应用潜力和商业价值。本系统作为一个同时具有探索算法功能和形成自动化识别方案能力的车辆处理系统，若能继续系统地得到支持和发展，必将具有广阔的市场前景，甚至还有可能极大地推动车牌识别技术的发展与成熟，经济效益乐观。
同类课题研究水平概述
- 关于车牌识别系统的研究国外起步比较早，国外学者关于汽车牌照识别技术发表了大量的论文和文献。从20世纪90年代，国外的研究人员就开始了对车牌自动识别系统的研究，其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。在识别过程中，也出现了许多技术方法，有人使用模糊数学理论，也有人用神经元网络的算法来识别车牌中的字符，但由于外界环境光线变化、光路中有灰尘、季节环境变化、以及车牌本身比较模糊等条件的限制和影响，使得LPR系统一直是一个有解但一直都不能解决得很好的问题，而且很多的方法都需要大量的数值计算，并没有考虑到实时处理的环境问题。 各国学者通过对LPRS展开进行的一系列的研究，取得了很大进步，当前主要采用IC卡识别、条形码识别、数字图像处理、传统模式识别和人工神经网络等技术来实现系统要求。 进入90年代，由于计算机视觉技术的发展，开始对车牌识别进行系统化的研究。1990年A.S.Johnson等运用计算机视觉技术开发了出一套LPRS；近几年来，一些发达国家开始探讨用人工神经网络解决车牌识别问题。它具有并行计算，分布式信息存储，容错能力强以及具备自适应学习功能等一系列优点，但是它常常将初始权值取为零或随机数，从而增加网络的训练时间或陷入非要求的局部最小值。目前，西方发达国家的车牌识别系统已经进入了实用化阶段，全世界已有多家厂商推出此类产品。 上个世纪90年代以来，我国也开始对车牌识别系统进行深入的研究，并取得了一定的成效。比较好的识别算法有基于车牌文字变化特点的自动扫描识别算法；基于特征的车辆牌照定位算法；基于变换函数提取车牌的算法；基于视觉的车辆牌照检测；基于字符串的车辆牌照分割方法。这些算法都是基于车牌的特征来研究车牌的定位与识别，因而具有一定的针对性和局限性。对一些复杂图像应用某些数学工具不仅可以加快处理速度而且可以改善和优化处理结果。另外，一些学者们从一些数学工具着手，利用数学形态学、小波分析、遗传算法等方法对一些传统定位方法进行改进，提出了基于属性开运算的汽车牌照区域定位算法，通过对灰度图像采用属性开运算，削去满足特定属性的峰部，确定出目标以及少量非目标区域，然后计算出图像的倾斜角及目标区域所在范围；提出了基于小波与形态学的车牌图像分割方法等。上述车牌识别方法具有一定的实用性和参考价值，然而也都有不完善的方面，有待进一步完善。
