车牌自动识别在停车场系统中常用的三种主要模式对比与分析

目前车牌自动识别在停车场系统中应用越来越广泛，车牌自动识别是利用采集车辆的动态视频或静态图像进行车牌号码、车牌颜色的自动模式识别技术。一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分。车牌自动识别系统技术的核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。车牌识别单元对图像进行处理，定位出车牌位置，智能停车场系统厂家，再将车牌中的字符分割出来进行识别，后组成车牌号码输出。

目前采用的车牌识别在停车场管理系统中的应用模式主要有三种：视频识别模式、地感线圈识别模式、视频＋地感识别模式。

一、视频识别模式

视频触发优势是不用安装地感线圈，工程量小。当车辆进入进入视频识别区域时，相机自动通过车辆的动态图像识别车牌信息，同时提供模拟触发识别。缺点是针对无牌车无法输出图像，容易漏车。若未识别出车牌结果，可手动点击模拟触发进行识别。

二、地感线圈识别模式

地感线圈触发，一般情况下，在停车场道闸前10米左右的位置，会设有减速带，车辆通过减速带减速，为识别车牌留出时间，车辆进入识别区域，触发地感线圈，自动指挥相机进行抓拍，通过自字符检测，识别出车牌，道闸放行。地感线圈触发车牌识别优势在于触发率高、不易漏车，而且性能实用稳定，针对无牌车能够输出图像记录。缺点是需要施工安装地感，工程量大。

三、视频＋地感识别模式

这种方式是前两种模式的升级版，视频加地感识别模式是通过视频识别方式进行识别，通过地感触发方式进行上传。相比较地感线圈识别和视频识别模式，视频＋地感识别模式能够提供更快的识别速度和更高的识别率。视频＋地感灵活切换的识别模式，是目前应用灵活性 识别模式，通过软件划定识别区域和输出区域，停车场系统厂家，根据客户现场环境，自由设置车牌输出的位置，可以解决跟车被识别，火过早输出的问题。当无牌车行驶到输出区域，轻松记录无牌车信息。

尽管车牌识别在智能停车场系统的市场很庞大，但要在停车场收费系统占有一席之地一点都不容易，立足于企业本身，如果不能从同质化的停车场设备产品线中突围而出，或许进 服务市场是另外一个不错的选择，但智能停车场管理系统服务市场的前期投入与硬件市场不同，其前期投入大，盈利回收慢，也是所有的深圳停车场系统企业必须考虑到的风险。

车辆识别对运动目标摄取方案

交通场景中车辆对象的实时检测是基于视频的交通监测系统中重要也是基本的步骤．是视频检测法的核心，检测的正确与否直接关系到智能交通系统决簧的正确性，感兴趣区域(Rcpon Of Interestinl;，ROI)提取是对交通场景视频图像中的车辆进行粗分割．车辆识别系统将有可能是车辆的区域从复杂的交通场景中分割出来以便进行后续的检测与跟踪操作．对一个像素检测主要是利用了在视频图像序列中处于同一位置的像素信息，而不是仅仅利用一帧中该像素的周围像素信息，这主要是由视频图像的特点决定的．对ROI的提取主要有光流法、帧差法、背景差法等几类方法。

   (I)光流法

   对于运动目标的检测直接的想法就是分析图像序列中各点的运动场，即找出由空间运动而引起的像平面上对应点的运动。然而，在图像中可测的仅仅是图像辐照度的变化，由图像辐照度的变化所反映的运动称为表观运动，对表观运动的记录称为光流，光流场并不一定能反映物体的真实运动，但是在我们所处理的情况中，为简便起见，可以忽略衰观运动和物体真实运动之间的差异，用光流场来代替运动场，分析图像中的运动目标及其运动参数。

  在运动（光流）场确定之后，去除随机噪声及一些过小的运动，认为在检测时段内运动向量始终在一定范围内保持一致的那些区域属于一个物体，从而可以确定出各运动目标（车辆）在各个时刻的运动参数（速度，方向等）．

   基于车光流场分析进行跟踪的方法，停车场系统厂家，可以很精的计算出运动目标的速度，但是这种方法采用迭代的方法·计算时间较长，无法进行实时的跟踪，并且该方法只考虑利用光流散据来进行决策，所以受到被估算的光流场精度的限制．这些方法受到噪声的影响严重·而且·分割所得的运动对象的边缘精度不够．在运动不完全的情况下，则会产生分割结果不完整等问题。

 另外，由于运动场并不是很可靠，因此通常在物体边界或纹理不突出区域产生错误，从而会对分割结果产生明显的影响，因此，由于各方面的限制，使得基于光流法的运动分割并不适合交通场景下的运动分析。

   (2)帧差法

   帧间差分法又称图像序列差分法．当监控场景中出现运动物体时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像对应像素点亮度值差的绝值，通过判断它是否大干阀值来分析视频或图像序列的运动特性，确定图像序列中有无物体运动，图

像序列逐帧地差分，相当于对图像序列进行了时域上的高通滤波。

  帧差法的优点是计算简单且不易受环境光线变化的影响，但它不能检测静止车辆，且处理效果与图像采样频率以及被检测车辆的车速有关·如果视频检测嚣采样频率过小，而车速较快，可能会造成误分割：反之如果采样频率过大且车速较慢，又会造成过度覆盖，极端情况下运动物体可能完全重叠，类似于静止车辆，从而导致无法分割出运动物体。

   (3)背景差法

   背景差法的基本思想是先形成交通场景的背景图像，然后将待检酒图像与背景图像逐像素相减（理想情况下的差值图像中非零像素点就表示了运动物体），进而就可运用N值方法将运动物体从背景中分离出来。

可靠的背景图像是背景差法能否成功提取目标区域的关键．背景图像可由人工拍摄一幅没有车辆的图像来得到，也可以通过序列图像的平均来得到，显然，建筑物阴影、浮云或光照的变化都会造成背景环境明显的变化．由于这些环境变化因素，作为参照物的背景需要定时更新·目前有多种背景更新方法，常用的方法是多帧平均( FrameAvmging)法和选择更新（Selective Updating）法。

 车辆识别系统背景差方法的优点是：原理和算法设计简单：根据实际情况确定N值进行处理后，所得结果直接反映了运动目标的位置、大小，形状等信息，能够得到比较精的运动目标信息．但是·基于背景差的车辆检测的准确性很大程度上依赖于背景图像的可靠性．总的来说．背景差法对环境光线的变化非常敏感，背景图像需不断地被更新以迎合环境光线、阴影和天气的变化等·因而背景更新中的误差累计是影响背景差法精度的重要因素。