基于Web应用的快速汽车智能车牌识别系统的开发

抽象的

在世界大多数地区，违反交通法规已被认为是道路事故的主要原因，其中大多数发生在发展中国家。即使有了相关的规章制度，违规者仍在增加。这是由于这些地区的有关当局没有适当地执行这些规定。因此，需要设计一个系统来帮助执法机构实施这些规则，以改善道路安全，减少道路事故。本文采用了一种实时嵌入式车牌识别系统(VNPR)来实现车牌号码的自动识别。它提供了一种替代VPNR的方法，即使用名为openCV的开源库。该系统的主要目的是利用图像处理，通过车牌号码识别违反交通规则的车辆。它包括一个红外传感器检测车辆。在测试过程中，设定传感器检测微处理器记录的对象的最小时间。一旦它少于设定的时间，相机就会被触发捕捉车牌号码，并将图像存储在树莓派上。 The image captured is processed by the Raspberry Pi to extract the numbers on the image. The numbers on the capture imaged were viewed on a web page via an IP address. The system if implemented can be used to improve road safety and control traffic of emerging smart cities. It will also be used to apply appropriate sanctions for traffic law violators.

1.介绍

随着汽车数量的增加，跟踪它们并几乎不可能在违反任何交通法案的情况下识别这些车辆的所有者，这已经变得越来越具有挑战性[1］．这导致交通拥堵增加，并且随着交通问题。持续报道了几个绑架，击中和运行，抢劫，走私和路上死亡的案例，这是因为这些车辆不能轻易识别特别是高速移动[2］．这就导致需要开发一个能够解决这些问题的系统。汽车车牌号码识别系统是由英国人于1976年在英国警察科学发展分部发明的。到1979年，原型系统已经完全投入生产，最初的合同被授予大规模生产和工业使用。最早的系统部署在A1公路和达特福德隧道。然而，由于数码相机的进步和计算速度的提高，它在过去十年中获得了更多的认可[3.］．第一次撰写的VNPR案例用于解决犯罪案件于2005年11月在英国布拉德福德发生。在20世纪90年代初，技术的重大进步导致了从有限的，高度昂贵的固定基础应用中重新设计了车辆板号识别系统，以便简单地易于安装移动式移动[4］．车辆板号识别系统具有广泛的应用，不限于交通管制。它可以用于停车场;它在进入门时识别车辆并将信息存储在数据库上以及当车辆离开时，它与已经存储的内容匹配。它还用于访问控制，以便仅获得授权人员的车辆。虽然在纸上定期寻址车辆编号识别系统，但由于某些约束，它尚未完全实现现实生活场景[5］．我们生活在数字时代，每天迅速涌现，因此，只有最小的人类努力都需要完成，生活通常简化。由于我们的日常生活图像从相机拍摄的图像变得非常有用，因为这些图像可以被处理以从中提取重要信息[6］．将车牌识别系统集成到智能交通系统中，可以实现高速公路收费、交通分析和执法的自动化。将信息和技术整合到人类生活的各个方面的需求导致了对处理车辆作为一种有价值的信息交流资源的需求。这是因为没有任何形式的数据的信息系统是不现实的。人们总是需要在真实环境中通过车牌号码识别车辆，并将这些信息用于实际应用。因此，交通管制、自动化及保安等应用领域，已发展出多种技术及车辆识别系统[7］．

2.相关工程

现代生活的日益富裕导致使用公路车辆的数量增加。这导致了前所未有的民事问题，包括车辆识别和交通管制。8］．由于交通控制的挑战越来越大，有必要更好地管理交通。快速行驶车辆的识别是智能交通系统的一个重要方面。开发智能交通系统是为了在道路运输领域实施信息和通信技术，其中包括车辆管理、交通管理以及与其他运输系统的接口。许多研究人员已经尝试开发了不同程度的成功案例的智能交通系统。[9]设计了使用Python和OpenCV识别板号的系统。设计使用实时嵌入式系统实现，旨在自动识别车辆数量的车辆。该系统利用OpenCV库中的Python软件和图像处理算法来捕获图像。它还用于预处理以调整图像大小，执行错误检查，并将图像转换为灰度。阈值算法用于二值化图像以保留图像的质量，并且使用图像剪切来完成字符分割，以通过将图像线划分为单独的字符来扫描图像并裁剪空白部分。然而，该系统无法感知移动车辆并且没有存在数据库以记录收集的信息。该系统易于使用，因为它使用易于使用的自由开源软件应用程序，并且还利用计算机视觉来转换静止图像以通过计算机可用的信息。[10]设计了一个使用树莓派自动识别车牌号码的系统。该系统提出采用光学字符识别(OCR)实现车牌自动识别系统，利用树莓Pi处理器对车牌图像信息进行解析。捕获的图像由树莓派处理器进行处理和验证，以进行身份验证。然后，该系统对车牌进行分割，并对碎片中的每个粒子进行识别。为了得到最终的结果，系统采用开放式ALPR设计提取车牌。然后将这个结果与输入图像进行手工比较。所采用的系统无法检测到运动目标，无法提高系统的图像质量。然而，该系统能够轻松识别车牌号码，并处理车牌图像。[11]实施了一个系统，以检测超速车辆，并在任何违规情况下通知当局。该系统利用激光雷达(光探测和测距)技术来检测移动车辆的速度。激光雷达是一种遥感方法，利用脉冲激光形式的光来测量到目标的距离，用脉冲激光照射目标，用传感器测量反射的脉冲[12］．系统的主要缺点是它的高成本和实现它所花费的时间。然而，该系统是一个有效的系统。[13[为促进现代运输系统中的可持续性，实施了一个ALPR检测交通违规者。该系统利用相机捕获板辆数量。然后使用不同的技术（如稀疏和卷积）精制图像;下一个OCR（光学字符识别）用于识别数字板上的文本。然后以文本的形式提取图像;然后，这些字符与包含大学或校园路用户详细信息的预测数据库匹配，其中包含其手机号码和车辆板号码。当检测到匹配时，违法者将在他的电话号码上发送警告消息。该系统的主要限制是在较大的城市等地区实施系统的困难。该系统高度准确，并且不需要许多组件的成本效益。[14]设计了一套系统，可在车牌号码发生变化时，自动侦测车辆的车牌号码。这些变化可以是车牌的位置，车牌上的字体大小，以及数字车牌上使用的各种设计和文字。该系统利用预处理模块来提高捕获图像的质量。在这个阶段也进行了模糊和噪声的去除。接下来，系统使用板定位来在图像区域周围创建一个边界区域。然后提取车牌上的数字，然后对这些数字进行分割，以识别车牌上每个字符的区域。最后，这些号码被发送到一个数据库，其中包含有关车主的适当信息。该系统的缺点是涉及的几个阶段是繁琐的和需要的几个组件，这使它昂贵。该系统的优点是在车牌检测中记录了98.75%的高精度，并提供了一个数据库来记录收集的信息，这对参考目的是有用的。[15]设计了一个系统，利用监控摄像头预拍的图像快照来识别快速行驶的车辆的车牌号码。该设计利用一种新的核参数估计算法参数对快速行驶车辆的车牌号码进行模糊处理。采用多种算法进行稀疏表示，利用车辆的真实运动角度计算角度，利用频域随机变换计算运动核的长度。最后采用NBID(非盲图像去模糊)算法对图像进行去模糊处理。该系统的降级是执行该系统的极端困难和缺乏一个数据库来记录收集的信息。该系统的优点是能够处理肉眼无法识别的运动模糊车牌。[16]设计了一个系统来识别肮脏和模糊的车牌，以便实时应用。该系统的实现是为了满足实时条件，其中包括天气条件的变化、光线差、不同的交通情况和高速车辆，所有这些都会影响车辆检测。该系统利用多种硬件平台，结合鲁棒算法实现车牌号码的检测。数据集取自十字路口在不同条件下的图像，包括白天和黑夜以及其他各种条件。该系统利用车牌检测来识别车牌号码，然后将车牌号码分割成单个字符，然后进行字符识别。该系统的局限性在于无法检测到移动的车辆。该系统的优点是其记录的98.7%、99.2%和97.6%的高精度结果及其大量的实际应用。[17]实现了一种使用物联网（物联网）识别车辆数板的系统。该系统旨在满足现代运输系统中的城市需求不断变化。该系统提出了四个主要阶段：获得所获得的图像的预处理，以提高数量板的质量，板号区域的提取，字符分割以段数板中的每个字符和字符识别。该系统还提出了使用一种新颖算法通过唯一的边缘检测算法提取板号区域。该系统还创建了一个数据库，该数据库包含有关使用IoT完成的不同车辆的所有者的信息。但是，该系统无法检测到移动车辆，不能用于现实寿命应用。然而，该系统提供了一个数据库来记录收集的信息，并使用现代技术实现。[18]开发了一种系统来识别进出护栏门停车系统的车辆。该系统采用实时嵌入式系统，由用于图像采集的Pinoir摄像机和用于图像处理的Raspberry Pi组成。一旦该系统检测到有车辆接近路障，它就会自动读取车牌号码，并与现有名单进行比较，如果匹配，就会打开路障。该系统的主要缺点是，由于相机的固定位置，无法远距离捕捉到车牌号码。这个系统的优点是它是自动化的，并且利用数据库来比较现有的车牌号码。

2．1.这个问题

制定了交通法规和设备来监控和控制交通，包括行人、机动车辆司机和骑自行车的人。众所周知，在我国有几个违反交通法规的人，这导致了几起事故没有得到任何反响。这些违反交通法规的人自由而自信地从事他们的业务，他们知道他们可能永远不会被抓住，因为适当的系统还没有到位。违反交通法规的后果是导致交通堵塞，道路事故，甚至在涉及致命事故时死亡。毫无疑问，需要适当的系统来检查违反交通法规的人，以确保我们的道路更安全。目前的问题是通过车牌号码识别快速行驶的车辆。通过检测车牌号码的方式实时捕捉移动车辆的图像是非常困难的。以上回顾的现有系统部署了几种方法来捕获车牌号码系统。他们中的大多数人成功地捕捉到了快速行驶车辆的车牌号码。最接近这项工作的是使用OpenCV和python，能够检测车牌号码，但没有结合数据库系统来识别罪犯。

2.2。提出解决方案

我们提出的解决方案将是一个新系统，使用现有的OpenCV代码，用Python编写，但将包含一个网页，将显示保存的车牌号码的结果，可以用来查询数据库，以识别违约者。该数据库将包含所有将被测试和查询的车辆的车牌号码，以揭示违约者。开发的系统将采取非常有效和方法学的方法来检测快速移动的车辆，使用成本效益高的技术，并取得巨大的效果。系统的流程如图所示1- - - - - -5．

2.2.1。车辆检测

所提出的系统使用被动红外传感器（PIR）识别移动车辆。在传感车辆时，PIR将输入信号发送到覆盆子PI，这反过来触发USB相机。

2.2.2。图像采集

下一步是图像采集。与接收输入信号接通的覆盆子PI触发相机以捕获车辆的图像。这是一项非常困难的任务，因为它需要捕获移动车辆的图像实时提取信息。应该以这样的方式捕获图像，使其包含车辆的前视图或后视图，其板号[19］．要捕获的图像通常在RGB（红色，绿色和蓝色）颜色模型中。该阶段的成功水平可能受到许多因素的影响，其中一些因素包括系统噪声，模糊，失真和车辆的相对运动。

2.2.3。图像预处理

需要处理由相机捕获的图像以提高图像的质量。这涉及背景减法，增强对比度，锐化或平滑，以及噪音[20.］．它作为一种校正机制来处理在图像采集过程中可能发生的错误。它需要将RBG图像转换为灰色，并对亮度进行边界增强[21］．要将RGB图像转换为灰度格式，每个RGB组件至少需要8位存储。利用预处理算法实现了预处理技术。该算法将三维RGB图像转换为二维灰度格式。

2.2.4。数字板识别

这是VPN系统中的一个非常重要的阶段。数字板检测搜索拍摄的图像以定位包含数字板的特定功能。该系统利用OpenCV-Open源计算机视觉 - 将来自摄像机上的图像转换为有关Raspberry PI的有用信息。它涉及处理实时图像以向计算机提供视觉。将处理图像中的每个帧以查找图像中的对象[22，23］．

2.2.5。字符分割

这个过程包括裁剪出所需的部分车牌号码。它将直线图像分割成单个字符;它将由字符组成的图像分解为单个符号的子图像。它需要将图像从背景中分离出来，以便正确地识别每个文本。

2.2.6。字符识别

这就是光学字符识别和OpenCV得到充分利用的地方。它包括检测和识别图像帧，并将它们转换为ASCII(美国信息交换标准代码)中有意义的文本。

3.系统需求和设计方法

该系统安装在带有USB摄像头的树莓派上，可以捕捉交通场景。它利用一个PIR运动传感器，检测从其视野范围内的物体(车牌号码)辐射的红外能量。PIR传感器向树莓派发送输入信号，树莓派触发USB摄像头捕捉图像。树莓派提取图像的车牌部分。然后通过一系列图像处理技术对提取的部分进行处理，从车牌中提取数字并显示在液晶显示屏上。结果数据将与树莓派上建立的数据库中的记录进行匹配。系统要求如下:(我)微处理器:树莓派B型，5v - dc输入电压(2)摄像头:USB摄像头，500万像素(3)PIR传感器：300 W输出负载（iv）LCD显示：16  2-character display(v)操作系统：基于Linux的Raspbian OS

设计系统的流程图显示在下面的流程图中：

系统的设计包括硬件组件设计和软件组件设计。

两个部分之间的相互作用如下框图所示：

系统的实现分三个阶段，分别是树莓派的搭建、软件部分的实现和系统硬件部分的组装。在设置树莓派时，这是这项工作中最重要的部分，因为树莓派没有自己的内存，所以提供了一张SD卡。这个SD卡装的是树莓派的操作系统。操作系统为raspbian-jessie。img操作系统是Debian的一个变体。使用Win32DiskImager将操作系统拷贝到SD卡。raspbian操作系统的大小为4gb;因此使用了16gb的SD卡来为其他功能提供足够的空间。完成后，将SD卡插入树莓派的micro USB插槽。SD卡设置成功后，给出了正确设置Raspberry Pi使用的一些命令。 This instruction includes the following:sudo apt-得到更新(用于从存储库下载包列表)。sudo apt-get升级（这将安装最新版本的已安装软件）。sudo rpi-update(用于升级固件)。

对于软件实现，在编写代码之前安装了某些软件包和库，以正确接口像传感器的接口组件。使用Python编程语言为Raspberry PI开发了代码。使用Python终端上的命令“sudo apt-get安装”线安装了库。它们包括以下内容：sudo apt-get安装< python-pip >（LCD屏幕的库）sudo pip安装rplcd（LCD屏幕的库）sudo apt-get安装 (USB摄像头库)sudo apt-get安装< libopencv-dev>(图像处理库)sudo apt-get安装(支持线性代数的库)。sudo apt-get安装pytesseract>(光学字符识别库)

在编程Raspberry PI时，首次使用Import命令导入安装的所有库。然后使用Charlcd指定连接到LCD屏幕的引脚。电位器用于校准IR传感器的接近范围，使得在一定范围内，它向覆盆子PI发送输入信号，触发相机以捕获图像。捕获图像后，它将其存储在PI桌面上的创建文件夹中。这是图像处理发生的地方;这是通过一系列操作完成的。首先，使用img_path命令指定图像的源路径。接下来，使用Color_Bgr2Gray命令从其二进制表单转换为灰度。这样做是为了简化图像以便于分析。之后使用SCR_Path +“Remove_Noise.png命令引入噪声拆除算法。 This was done to smoothen the entire image. The cv2.THRESH_BINARY,31,2 was used to further simplify the image to a basic form which is either black or white. After thresholding, noise removal was carried out to further smoothen image, after which a series of image processing techniques were carried out to finally extract the actual numbers on the image and display on an LCD screen. Then the number is compared with others on a database. Hardware components were interfaced with the Raspberry Pi. For the hardware implementation, an IR proximity sensor was used to detect the plate number. The IR sensor has 3 pins: one is connected to a 5 v Vcc of the Raspberry Pi, the other one is connected to ground, and the last one which sends the input signal to a GPIO pin on the Raspberry Pi.

最后，开发了一个网页以访问从网络上通过网络拍摄的照片中提取的文本。使用Python IDE上的超文本标记语言（HTML）完成Web编程。网页网络上使用了IP地址0.0.0.0/5000。与Raspberry PI相同的网络上的任何人都可以访问网页。下图显示了从设计的网页中的文本示例。

4.测试和结果

在完成硬件部件的装配和软件部件的配置后，在建立的模型上对系统的功能进行了测试。红外传感器用于检测车辆的运动。一旦检测到，摄像头就会被触发，捕捉到车牌号码的图像。该系统在模拟的原型道路上进行了测试，并进行了校准，以检测限速为40厘米/小时。汽车被迫以不同的速度在这条路上开过。在通过的车辆中，该系统能够检测到3辆车的行驶速度超过规定的限制。为了检测这些快速移动的汽车，道路上安装了3个PIR运动传感器，以便向树莓派发送信号，触发USB摄像头。PIR传感器的间距为40厘米，即每个传感器之间相隔20厘米。传感器等程序,当一个跑车方法第一个传感器,PIR不能触发相机10秒(这也是缩放值10马克限速),还有第二个PIR,第三PIR将自动触发USB相机拍照的汽车,因为它被认为是超速开车而被罚款。第一个和第二个PIR传感器触发摄像头的汽车图像被丢弃，因为假设这些汽车没有超速。 Only images triggered by the third PIR were processed. The camera was placed in such a way that the rear of the car will be captured so that its plate number can be captured and verified with an existing database. After this was complete, the captured image was made to undergo image processing and optical character recognition. This is made possible by the OpenCV codes written with Python. Once the text was extracted, it was displayed on a web page. The results obtained are as shown below.

As seen from the above screenshot, the module was able to capture different plate numbers of cars which was deemed to have crossed the set speed threshold, and it was able to tag each one of them with a unique number, i.e., 9.0, 8.0, 12.0. This serves as ways of differentiating each vehicle from the other so it can easily be traced on the database. The saving sequence could also be observed from the screenshots shown below.

如图所示6，从相机接收的文本处于阈值形式，即，它易受噪声和其他类型的干扰。Raspberry PI被配置为通过删除噪声分量来对图像进行过滤，如图所示7．图中的图像7可访问为系统开发的网页，该网页可访问保存车主准确信息的数据库。

结论

在本工作中，开发了一个高效、经济的VRPN系统。该系统采用智能红外传感器检测运动物体，摄像机捕捉图像，从图像中提取文本，并将文本保存在网页上。在系统中选择做主要工作的主要组件是树莓派。使用OpenCV和python编程，进行字符分割和识别。这是在树莓派上配置的，包括使系统硬件组件与树莓派一起工作所需的库。结果显示，所开发的系统能够在一个可用于查询数据库的网页上提供清晰易读的文本。由于红外传感器的校准，它能够检测快速移动的车辆，也能够在不同的时间记录不同的车辆，使用标签为它接收的每个数据，并具有唯一的保存序列。到目前为止，该系统是智能城市中实现交通管理的最廉价手段之一。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

利益冲突

作者声明他们没有利益冲突。

致谢

这项研究由圣约大学研究、创新和发现中心(CUCRID)资助。

参考文献

1. D. Mitra和S. Banerjee，“自动数字板识别系统：基于直方图的方法”，电子与电气工程学报，卷。11，pp。26-32,2016。查看在：谷歌学术搜索
2. A. Goyal和R. Bhatia，《车牌识别的各种技术综述》，国际计算机应用杂志，卷。143年，2016年。查看在：出版商的网站|谷歌学术搜索
3. B. Singh，M. Kaur，D. Singh和G. Singh，“通过字符位置方法自动编号板识别系统”国际计算视觉与机器人学杂志，卷。6，不。1-2，pp。94-112，2016。查看在：出版商的网站|谷歌学术搜索
4. M.T. QADRI和M. Asif，“使用光学字符识别的车辆识别自动数字板识别系统”2009年教育技术与计算机国际会议论文集，页335-338，新加坡，2009年4月。查看在：出版商的网站|谷歌学术搜索
5. R. Laroca，E.Severo，L.A.Zanlorensi等，“基于YOLO探测器的强大实时自动许可证识别”2018年国际神经网络联席会议的诉讼程序（IJCNN），pp.1-10，里约热内卢，巴西，2018年7月。查看在：出版商的网站|谷歌学术搜索
6. P. Bhogale，A.保存，V.Jain和S. Parekh，“车牌牌检测和识别系统”国际计算机应用杂志第137卷第1期9，第31-34页，2016。查看在：出版商的网站|谷歌学术搜索
7. G. Sharma，“使用模板匹配技术的车辆数字板识别系统的性能分析”信息技术与软件工程学报，第8卷，第2期2、2018。查看在：出版商的网站|谷歌学术搜索
8. E.理事会，“2010年5月19日欧洲议会的指令2010/11 /欧盟，2010年5月19日的建筑能源绩效”，“官方欧盟杂志，第153卷，第13-35页，2010。查看在：谷歌学术搜索
9. K. sajjad，使用Python和Opencv的自动车牌识别，2010年Kaltippulam，MES工程学院计算机科学与工程系。
10. A. Kumthekar, M. S. Owhal, M. S. Supekar, M. B. Tupe，《用树莓派识别车牌号》，国际工程技术研究杂志，第5卷，第5期。4、2018。查看在：谷歌学术搜索
11. J.Muñoz，M. Craft，M. Ahmadian和S. Wrobel，“用于轨道车辆的非接触式速度测量的多功能激光器传感器：第一部分 - 系统安装和实施，”2013年联合会议的诉讼程序2013年4月，美国宾夕法尼亚州费城。查看在：出版商的网站|谷歌学术搜索
12. S.-L。Chang L.-S。陈,研究。钟,S.-W。“车牌自动识别”IEEE智能交通系统汇刊，第5卷，第5期。1，页42-53,2004。查看在：出版商的网站|谷歌学术搜索
13. P. Agarwal，K.Chopra，M. Kashif和V.Kumari，“实施ALPR以检测交通违规行为：迈向可持续性，”程序计算机科学，第132卷，第738-743页，2018。查看在：出版商的网站|谷歌学术搜索
14. S. Shah, N. Rathod, P. K. Saini, V. Patel, H. Rajput, and P. Sheth， "印度车辆车牌自动检测" in软计算:理论与应用，第453-461页，施普林格，德国柏林，2019。查看在：谷歌学术搜索
15. N. Bolaj和G. Padalkar，“快速移动车辆的牌照识别”，在2017年计算、通信、控制和自动化国际会议论文集，pp.1-5，浦那，印度，2017年8月。查看在：出版商的网站|谷歌学术搜索
16. R. Panahi和I. Gholampour，“精确地检测和识别高速应用的肮脏车辆板号”，“IEEE智能交通系统汇刊第18卷第2期4，第767-779页，2016。查看在：出版商的网站|谷歌学术搜索
17. K.Tejas，K.A.Driddy，D. P. Reddy，K.Bharath，R. Karthik和M. R. Kumar，“通过IOT更聪明地解释的高效牌照识别系统”解决问题的软计算，pp.207-220，斯普林克，柏林，德国，2019年。查看在：谷歌学术搜索
18. E. R. Buhus, D. Timis，和A. Apatean，“在树莓pi3上使用openalpr的自动停车通道”，Acta Technica Napocensis，卷。57，p。10,2016。查看在：谷歌学术搜索
19. S. M.Mutua，一种停车场管理的自动车牌识别系统斯特拉斯莫尔大学，肯尼亚内罗毕，2016。
20. Noaa，LIDAR-LIGHT检测测距 - 是用于检查地球表面的遥感方法，Noaa，银色春天，MD，美国，2013年。
21. D. Y.Gaikwad和P. B. B. Borole，“关于自动数字板识别（ANPR）系统的审查文件，”国际先进工程创新研究（Ijirae），卷。2014年1日。查看在：谷歌学术搜索
22. O. Abayomi-Alli，M. Odusami，D. Ojinaka等，“可持续农业的智能太阳灌溉系统（SMIS）”国际应用信息学会议论文集，pp。198-212，棉兰，印度尼西亚，2018年9月。查看在：谷歌学术搜索
23. K. Okokpujie, E. Noma‐Osaghae, S. John, K.‐A。格蕾丝和我。Okokpujie，“带有GSM通知的人脸识别考勤系统”2017 IEEE第三届国家发展电气技术国际会议论文集，pp.239-244，尼日利亚威尔里，2017年11月。查看在：谷歌学术搜索

版权

版权所有©2020 Olamilekan Shobayo等人。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。