临时停车场自动收费系统①
余以春1,2, 闫红梅2
1
(西南交通大学 信息科学与技术学院, 成都 611756)2(西安科技大学 通信与信息工程学院, 西安 710054)通讯作者: 余以春摘 要: 针对人流密集区域停车场管理效率低下, 停车难的问题, 提出了一种基于车牌字符识别技术的临时停车场自动收费系统. 首先, 通过停车场出入口处的摄像机抓拍车辆图像; 其次, 利用图
像处理技术进行车牌定位、车牌矫正、车牌字符分割, 并搭建卷积神经网络实现车牌字符识别; 然后, 通过MySQL 数据库实现车辆进出时间存储、停车时长及收费金额的计算; 最后, 设计了管理显示界面实现车辆信息的管理和显示. 利用OpenCV 和C++对整个系统进行了仿真实现. 仿真结果表明, 该系统识别率达到97%以上, 设备移动简便、停车管理自动化程度高, 极大的减轻了临时停车场停车管理难度.
关键词: 临时停车场; 自动收费系统; 车牌识别; 卷积神经网络
引用格式: 余以春，闫红梅.临时停车场自动收费系统.计算机系统应用,2021,30(5):76–82. /1003-3254/7879.html
Automatic Charging System for Temporary Parking Lot
YU Yi-Chun 1,2, YAN Hong-Mei 2
1(School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756, China)
2
(School of Communication and Information Engineering, Xi’an University of Science and Technology, Xi’an 710054, China)
Abstract : An automatic fare collection system for temporary parking lots based on plate number recognition is proposed to resolve parking difficulty and enhance the operation efficiency of the parking lots in densely populated areas. First,cameras at the entrance will take snapshots of vehicles. Subsequently, the system will identify, adjust and split license plate characters with image processing techniques, and then recognize the specific characters through a convolutional neural network. After that, in-out time, duration, and fare will be recorded and calculated in the MySQL database. Finally,an operation dashboard is designed to visualize and manage the system. The whole system is simulated by OpenCV and C++, and results prove a recognition rate of 97% or above. The device is portable with highly automatic operation, greatly facilitating the management of temporary parking lots.
Key words : temporary parking lot; automatic toll collection system; license plate recognition; Convolutional Neural Network (CNN)
随着我国经济的迅速发展, 汽车的数量迅速增加.自2010年以来, 我国汽车保有量每年以超过10%的比例增长, 更是在2019年突破了3.48亿辆. 相比之下，各种场所的停车位却增速缓慢, 缺口达到70%以上[1].有车无处停放、停车场一位难求的问题已经成为交通
监管和治理的难点和热门, 这不仅阻碍了交通管理、人们的日常生活, 更影响了市容市貌. 尤其是在大型社会活动、旅游旺季景区等人车密集的地区, 停车更是一件不易之事. 另一方面, 在停车场管理中, 传统的地磁系统和单一手持终端占比76.2%, 智能化停车管理
计算机系统应用 ISSN 1003-3254, CODEN CSAOBN
E-mail: Computer Systems & Applications,2021,30(5):76−82 [doi: 10.15888/jki.csa.007879] ©中国科学院软件研究所版权所有.
Tel: +86-10-62661041
① 收稿时间: 2020-09-10; 修改时间: 2020-09-23; 采用时间: 2020-09-29; csa 在线出版时间: 2021-04-28
系统普及率较低[2]. 同时, 由于国内的停车场管理系统研究起步较晚, 一些设计技术还不够成熟, 存在车牌字符错读, 设备移动不便, 无法识别倾斜、断裂车牌以及识别时间过长等问题, 使得停车场管理系统运行效率不高[3,4]. 基于当前停车场收费系统存在的问题, 本文设计了主要用于临时停车场所的停车自动收费系统. 首先对采集到的车辆图像, 使用图像处理技术和卷积神经网络实现车牌识别; 然后再计算停车费用并在MySQL 数据库中存储停车信息; 最后设计了管理显示界面实现车辆信息的智能化管理[5–
7]. 本文所设计的停车收费系统具有识别准确率高、识别时间短, 装置便携可移动的优点, 能够显著提高停车场管理效率, 实现高效、便捷的停车.
1 系统总体设计
本文设计的临时停车场自动收费系统的工作流程如图1所示. 当入口处的监测设备检测到车辆驶入停车场时, 首先采集车牌图像信息, 然后通过车牌识别技术识别车牌信息, 最后将车牌号以及驶入时间等信息存入停车车辆信息存储表中. 当在出口检测到车辆驶离停车场时, 再次抓拍车辆图像, 识别车辆信息. 若由于车牌部分遮挡、损坏等原因识别失败, 则由人工进行录入或查询操作. 查询成功后在停车车辆信息存储表查询车辆信息, 进而计算停车费用. 在成功收费后自动放行, 并在停车车辆信息存储表录入停车订单. 最后，在管理显示界面显示停车场当前停车信息和停车订单信息.
2 系统各模块仿真实现
本文所设计的临时停车场自动收费系统组成如图2所示, 主要包括车牌采集模块、车牌识别模块、收费模块和管理显示模块.
2.1 车牌图像采集模块
当前主流的采集方法有下面两种: 一种方法是通过视频、红外线、地感线圈等检测器监测车辆, 当检测
器识别到车辆时, 发送信号, 计算机接收相应信号，控制拍摄器采集车辆图像; 另一种采集方法由数码照相机构成, 通过可设定参数的数码相机采集车辆图像，并且与数码相机相连的主机可以针对不同的拍摄环境对相机的拍摄参数进行适应性设置, 保证采集到的车辆图像质量.
入口车辆出口车辆
车牌图像采集车牌图像采集
车牌识别车牌识别
人工操作
收费计算
自动支付
创建订单
管理显示
录入
停车车辆信息存储表
停车车辆信息存储表
录入查询
识别成功?识别成功?
Y Y
N N
图1 临时停车场自动收费系统流程
临时停车场自动收费系
统框图
车牌图像
采集模块
车牌识别
模块
管理显示
模块
收费模块
视
频
检
测
图
像
抓
演员姚刚拍
车
牌
定
位
车
牌
矫
正
边
框
及
铆
钉
去
除
车
牌
字
符
分
割
车
牌
字
符
识
别
车
辆
信
奶粉全国十大排名息
存
储
收
费
计奚梦瑶家里很有钱
算
停
车
信
息
订
单
信
息
订
单
打赵丽颖生宝宝了吗
印
车
辆
及
订
单
查
询
图2 临时停车场自动收费系统框图
综合考虑设备的便携性, 设备的成本以及设备安装的难易程度, 本系统采用视频检测法采集车牌图像.通过在停车场的出入口处分别架设摄像头, 对进出车辆进行抓拍.
2.2 车牌识别模块
车牌识别模块主要以采集到的车辆图像作为输入，然后依次经过车牌定位、车牌矫正、车牌边框去除、车牌字符分割以及车牌字符识别处理, 得到相应的车牌信息, 实现对信息的提取.
2.2.1 车牌定位
车牌定位的功能是从车辆图像中检测出包含车牌
2021 年 第 30 卷 第 5 期计算机系统应用
的候选区域. 常用的车牌定位算法[8]包括基于边缘检测的车牌定位算法和基于颜特征的车牌定位算法.为了克服单一的车牌定位算法受车牌背景影响较大，适用范围有限的缺点, 本文结合边缘检测以及颜特征定位算法进行车牌定位.
在边缘检测定位算法中, 首先将采集到的车牌图像进行灰度化处理, 舍弃冗余信息, 然后通过Sobel边缘检测提取水平边缘信息, 最后进行二值化处理, 将图像背景和车牌目标相互分离, 便于定位车牌位置.
在颜特征定位算法中, 首先将车牌图片从RGB 彩空间转换到HSV彩空间中, 然后根据H分量的值查车牌颜区域. 最后, 综合两种算法处理结果, 并经过形态学处理后通过查外界矩形定位出候选车牌候选区域. 若候选车牌区域有多个, 则在字符分割处理中具体筛选. 车牌定位处理效果如图3所示.
(a) 车辆图像(b) 边缘检测效果(c) 颜检测效果
(d) 综合处理效果(e) 形态学处理效果(f)
车牌定位结果
图3 车牌定位处理效果
如图3可见, 本系统所用车牌定位算法能成功
降低光照以及噪声的影响, 并在复杂车牌区域取得较
好的效果, 能够从采集到的车辆图像中定位出车牌
区域.
2.2.2 车牌倾斜校正
由于现实环境比较复杂, 一些车牌本身可能存在
倾斜问题, 同时拍摄角度不正也会造成得到倾斜的车
牌图像, 直接处理这些倾斜的图像会对后面的模块处
理造成困难, 影响车牌识别结果, 因而需要进行倾斜校
正. 倾斜又分为水平倾斜和垂直倾斜. 常用的车牌倾斜
矫正算法[9]包括旋转投影法、Hough变换法、直线拟
合法等. 综合考虑倾斜矫正算法的精准性以及算法实
现的难易程度, 本系统使用精确性高的基于边缘点投
影方差最小的水平矫正算法[10]实现水平倾斜矫正, 使
用简单易实现的垂直投影法实现垂直倾斜矫正. 水平
倾斜矫正算法的矫正过程如算法1.
算法1. 水平倾斜矫正算法
(1)计算图像像素的中心点
i i
i i i i
完成车牌水平矫正.
车牌倾斜校正处理效果如图4所示.
如图4可见, 本系统所用车牌倾斜矫正算法能准
确矫正车牌水平和垂直倾斜, 矫正效果良好.
计算机系统应用2021 年 第 30 卷 第 5 期
(a) 倾斜车牌原图(b) 水平倾斜矫正图(c)
垂直倾斜矫正图
图4 车牌倾斜校正处理效果
2.2.3 边框及铆钉去除
车牌四周边框以及铆钉会对接下来的车牌字符分割处理造成一定的干扰, 其中左右边框的造成的影响最大, 因而在字符分割之前需要先去除车牌边框以及铆钉. 为了实现实时高效的去除车牌边框及铆钉, 本文采用边缘跳变算法, 算法2为该算法具体实现过程.
算法2. 边缘跳变算法
(1)从车牌图像的首列中点向图像的上下边界扫描, 统计当前行的像素跳变次数;
(2)车牌的上边界为向上扫描遇到的第一个像素跳变次数小于上阈值的行, 同理, 车牌下边界为向下扫描遇到的第一个像素跳变次数小于下阈值的行;
(3)从车牌图像首行的左右边界向中间扫描, 统计当前列的像素跳变次数;
(4)将向右扫描遇到的第一个连续4个像素跳变次数均大于左阈值的列作为车牌左边界, 将向左扫描遇到的第一个连续6个像素跳变次数均大于右阈值的行作为车牌右边界; 其中阈值由大量实验测得，本系统所用上阈值和下阈值为22, 左阈值和右阈值为3.
车牌边框及铆钉去除的效果如图5所示.
(a) 原图(b) 车牌边框去除图
图5 车牌边框及铆钉去除效果
由图5可见, 本系统所用边缘跳变法计算简便, 能成功定位出车牌边界并实时高效的去除车牌四周的边框以及铆钉.
2.2.4 车牌字符分割
车牌字符分割处理主要实现对输入的车牌候选区域分割出单个的车牌字符, 为后续车牌识别做好准备.由于有些字符的区域相似度很高, 如果分割出的字符有偏差, 很可能导致接下来的字符识别处理得到错误的结果. 当前常用的车牌字符分割算法为连通区域分析法、先验知识法以及投影法. 各种方法的适用范围各不相同, 相互补充能扩大适用范围、提高字符分割准确性, 因此本系统结合连通区域分析法、先验知识
法及投影法实现车牌字符的分割. 具体处理过程如算法3.
算法3. 字符分割算法
(1)对车牌图像进行归一化处理;
(2)使用种子填充法标记车牌图像中的连通区域;
(3)遍历连通区域, 根据行列坐标及其连通面积, 筛选出第二和第三个字符间的圆形分隔符;
(4)若成功到圆形分隔符, 则根据车牌字符间的间隔距离及单个字符宽度等先验知识定位并分割字符;
(5)若未到圆形分隔符, 则根据车牌图像垂直投影图的波峰、波谷以及先验知识定位并分割字符;
(6)判断分割字符宽度对断裂、粘连的字符分别进行补全和分割处理, 最后将分割字符归一化为40×32像素值;
车牌字符分割效果图如图6所示. 由图6可见, 本系统所用车牌字符分割算法能准确定位每个字符的位置并成功分割车牌字符.
(a) 待分割图 (有圆形分隔符)(b) 先验知识分割结果
(c)
待分割图
(无圆形分隔符)(d) 垂直投影法分割结果
图6 车牌字符分割效果
2.2.5 车牌字符识别
车牌字符识别处理能够对分割好的车牌字符, 实现提取车牌信息的功能. 常用的车牌字符分割算法包括模板匹配算法、神经网络识别算法、特征统计匹配算法等[11]. 深度学习作为机器学习的一个重要分支, 近年来发展迅速, 广泛应用在图像识别、语音识别等众多领域并获得了巨大成功[12]. 基于深度学习的图像识别技术能够从大数据中训练学习, 具有应用范围广、识别准确率高、鲁棒性强等优点[13,14]. 研究人员相继提出了许多代表性的深度学习经典模型, 如深度置信网(Deep Belief Networks, DBN)[15,16]、栈式自编码器(Stack Auto Encoder, SAE)[17]、深度卷积网络(Deep Convolutional Neural Networks, DCNN)等. 其中, 以卷
2021 年 第 30 卷 第 5 期
计算机系统应用
积神经网络(Convolutional Neuron Networks, CNN)为基础的各种模型应用最为广泛. 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络, 主要包括卷积层、池化层和全连接层. 可以通过卷积核与图像卷积提取出图像特征, 然后通过池化层降低数据运算的复杂度, 最后经过全连接层中的分类器得到识别结果. 本文在LeNet-5网络的基础上, 搭建卷积神经网络用于车牌字符识别[18–21], 网络结构如图7所示.
40×32
输入
···
图7 车牌字符识别的CNN 结构
本系统将车牌字符分为汉字, 数字及字母两部分分别进行识别. 其中识别汉字时输出大小为1×31, 识别数字及字母时输出为1×34. 在搭建的卷积神经网络中, L1卷积层卷积核尺寸为7×7, L3卷积层卷积核大小为5×5. 卷积层和池化层采用Same Padding 填充方式, 保存图像边缘信息, 使处理后数据尺寸不变, 并使用Dropout 正则化方法, 防止训练过拟合. 车牌字符识别两部分采用的网络结构相同, 而所用训练集和测试集不同, 并在训练过程中每迭代5次使用网络对测试集进行实际预测. 其中, 车牌字符训练集总数为8000多幅, 预测集由每种车牌字符约20张图片组成, 共1300幅.车牌字符训练和识别效果如图8所示.
002004006008001000
1002003004005006007008009001000
(a) 车牌汉字训练准确率
(b) 车牌汉字预测准确率
200
400
600800
1000
02004006008001000
(c) 车牌数字及字母训练准确率
(d) 车牌数字及字母预测准确率
训练步
训练步
苏慧伦老公训练步
训练步
图8 车牌字符训练效果
计算机系统应用
电脑开机速度变慢
2021 年 第 30 卷 第 5 期
发布评论