车牌识别技术在警务车辆管理中的建设与应用

车牌识别技术在警务车辆管理中的建设与应用
摘要：本文针对图像融合技术阐述了图像融合技术的研究背景以及研究意义，对在图像融合过程中所使用的框架进行了详细的分析说明。针对图像融合技术的要求，对双目传感器得到的图片进行预处理操作，采用Python语言结合融合算法进行图片中车牌位置的判断以及车牌信息的识别读取。
关键词：图像融合技术；Python语言；车牌识别
一、引言
对于我们所生活的真实世界中，光的亮度取值具有极其宽的范围。有时为了有效的实现精准的采集图片信息的目的需要对图片进行一系列的处理融合，将图片进行修复调整，对曝光度不足以及曝光过度的地方的内容进行有效的修补，以满足我们实际的需求。本文采用Python语言进行系统设计，并针对特定的信息进行了大量的模拟仿真，通过大量的数据促使系统进行机器学习，提高了车牌识别的准确率，增强车牌识别系统的实用性与可靠性。
二、图像融合相关技术综述
计算机数字图像融合技术对图像进行处理的过程中，融合算法的选择对于最终的图像质量起到了至关重要的作用。在进行图像融合的过程中，所采用的图像融合技术包括：基于加权的图像融合、基于小波的图像融合以及基于拉普拉斯金字塔分解的图像融合技术。本章主要对各种图像融合的技术进行分析讨论，介绍图像的融合理论以及融合规则。
在进行图像融合优化的过程中，对于多分辨率、移动的图像融合识别是一项及其重要的图像处理技术，其对于图像的处理计算过程中所依据的主要理论基础为：将得到的图像以图像的分辨率为基础进行分解，得到图像的低频子带表征与高频子带表征，即为图像的基本信息与细节信息。对于图像的基本信息，包括图像的分辨率、尺寸大小等；对于图像的细节信息主要包括图像的灰度值、边界区域、线条信息等。

三、图像融合的设计
(一)搭建简单的系统界面
对于本系统的设计总体思路是通过函数封装的方式设计一个主窗口，通过窗口中的各个按钮实现相应的操作。如图3-1所示，为系统界面的主窗口，其中最左侧的部分为图心啊或者是来自摄像头的图像信息，然后系统可以根据实际的图片对有用的信息进行提出，最终将得到的信息在系统中显现。页面中的来自摄像头按钮与来自图片按钮，将会控制左侧图片信息来自于何处。

图3-1 系统界面
(二)基于加权的简单图像融合

1. 基于比值加权分析的低频系数融合算法
   在对图像信息进行分析过程中，我们通过小波变换的方式得到图像的低频系数。对于低频系数，反映了原始图像的基本特性，为了能够在最大程度上保留原始图像的有效信息，采用比值加权分析法对图像进行融合处理。基于低频系数的图像融合方式如下：
   假设CA(m,n)和CB(m,n)所代表的含义分别为红外图像与可见光图像的低频系数值，对最终得到的融合图像的低频系数值由CF(m,n)表示。对于图像的低频系数中存在大量的图片的详细信息，并且随着低频系数参数值的不断增加，其中所包含的图像信息也越来越多。为了防止图像的失真现象的发生，在对图像进行融合时采用比值加权算法进行处理。即：
   （3-1）
   其中α所带的含义为融合加权系数。
   所以对于图像的低频融合的原理为：
   （3-2）
   通过采用低频系数加权算法对图像进行融合优化操作，图片的原始信息得到了最大限度的保留，极大的提高了图片的融合效果。
   2.基于边缘检测算子梯度加权的高频系数融合算法
   在对图像信息进行分析过程中，我们通过小波变换的方式得到图像的高频系数中主要反映图像的边缘特性以及原始图像的灰度特性，其中包含着大量的原始图像的细节信息。在使用边缘检测算子梯度加权分析算法对图像进行融合，我们采用邻域像素分析法对图像信息进行梯度计算。
   取两幅待处理的图像，假设图像中个点计算的梯度值分别为GA(i,j)和GB(i,j)，比较两幅图像的梯度值差值的大小与规定的梯度值T之间的关系，当差值大于T时，则取高频图像的灰度值；反之，则取低频图像的灰度值。假设两幅图的高频系数分别为FA(i,j)与FB(i,j)，通过梯度加权融合算法得到的融合后的图像的高频系数值为FF(i,j)，其计算过程如下：
   （3-3）
   四、仿真实验
   (一)仿真环境和工具
   本系统的设计是基于图像识别为基础而设计的车牌识别程序，在项目设计的过程中所使用的编程语言为Python，使用的编程框架为OpenCV。
   程序设计过程中所使用的工具为Mac版本的计算机，安装的Python软件版本为3.4.4，使用的OpenCV框架版本为3.4，使用的Numpy版本为1.14，使用的PIL版本为PIL5。
   (二)评价标准
   对迎面而来的汽车通过双目摄像头进行拍照处理，得到不同部位的车牌信息，通过系统中的内置传感器将信息传递给计算机，计算机通过既定的算法得到迎面而来的车牌信息。或者是将预定的图片信息进行处理，将信息传递给系统进行车牌信息的识别。对于系统车牌信息的识别判定是根据取得汽车车牌号码与实际车牌号进行对比，判断识别正确与否。
   五、结果与分析
   当我们将系统程序内设到机器设备中时，由于设备所处的环境的实际状况我们无法判定，并且机器设备中内置传感器的工艺水平存在或多或少的差异性，因此车牌是被系统将会存在以下问题：
   图片采取。当双目摄像头对对面迎面而来的汽车进行拍照过程中，由于摄像头的曝光存在差异，导致最终得到的图像信息存在差异性，最终导致系统车牌号的识别出现误差。
   鬼影现象。对于汽车上的车牌可能存在图像重叠区域，导致图像的亮度信息存在较大的差异，对象信息发生形变，最终导致摄像机所获取的信息与实际信息完全不同，导致车牌信息识别失败。
   为了有效的解决上述实际工作环境中遇到的问题，需要对车牌识别系统得到的图像进行全局处理，通过采用小波变换的融合算法进行处理，最终实现了对于车牌信息的识别。
   参考文献
   [1]赵晨,李仕锋,许小刚,王萃寒.网络环境中的MPI和PVM的分析与比较[J].计算机工程与应用,2013(3):181-183.
   [2]李静.基于Windows和MPI的PC机群的构建[J].科技信息,2014(24):254-255.
   [3]卢云娥,黄宗宇,李超阳,郭祥斌.基于微机集群系统的MPI并行计算[J].电子设计工程,2014,19(5):78-81.
   [4]杨文有.基于MPI的动态负载均衡任务分配方法设计实现[J].淮南师范学院学报,2017,12(61):36-37.
   [5]闫蓉.基于并行计算负载均衡算法的研究[D].北京:中国地质大学,2018.
   [6]马肖,舒博伦,李景春.双目立体视觉侧距技术[J].电子设计工程,2016(4):81一83.
   [7]张力,黄影平.实时双目立体视觉系统的实现[J].电子科技,2016(3):68一70,74.