一种车辆道闸自动识别车牌控制系统的制作方法

本发明涉及图像数据处理，尤其涉及一种车辆道闸自动识别车牌控制系统。

背景技术：

1、车牌识别系统是计算机视频图像识别技术在车辆牌照识别中的一种应用，车牌识别在高速公路车辆管理中得到广泛应用，电子收费系统中，也是结合dsrc技术识别车辆身份的主要手段，车牌识别技术结合电子不停车收费系统识别车辆，过往车辆通过道口时无须停车，即能够实现车辆身份自动识别、自动收费，在车场管理中，为提高出入口车辆通行效率，车牌识别针对无需收停车费的车辆（如月卡车、内部免费通行车辆），建设无人值守的快速通道，免取卡、不停车的出入体验，正改变出入停车场的管理模式。道闸与车牌识别系统集成在一起称为一体机，是专门用于道路上限制机动车行驶的通道出入口管理设备，主要用于公路收费站、停车场系统管理车辆通道，用于管理车辆的出入，它因占用地面面积小、成本相对低而得到广泛应用。

2、车牌识别系统识别车牌后，控制栏杆打开，将机动车放行进去。在这过程中，车牌的识别技术非常重要，其作用是采用图像识别技术，将抓拍到的图像通过软件分析找到车牌号码，并将其提取出来作为车辆的标识码，从而进行违章抓拍、停车收费等管理活动。但是，由于机动车各式各样，车牌的悬挂位置也不同（例如高度），同时每辆车在停车场出入口的行驶信息也有所不同（例如行驶偏离主干道的位置），而停车场出入口处的摄像机位置一般是固定的，不便于调节，因此在拍照过程中对于不同车辆的拍摄，由于角度问题，常不能很好的识别车牌号码，进而会影响车辆的进出效率。

3、因此，需要提供一种车辆道闸自动识别车牌控制系统，用于提高车辆道闸自动识别车牌的智能化水平，提高车牌识别的准确度和车辆的通行效率。

技术实现思路

1、本发明提供了一种车辆道闸自动识别车牌控制系统，包括：车辆感应模块，用于感应车道内是否有车辆；车辆识别模块，包括红外感应单元及参数确定单元，其中，所述红外感应单元包括沿着所述道闸的栏杆的宽度方向设置的多个x轴红外感应装置及沿着所述道闸的长度方向设置的多个y轴红外感应装置，所述x轴红外感应装置包括沿着所述栏杆的长度方向设置的多个x轴红外传感器，所述y轴红外感应装置包括沿着竖直方向设置的多个y轴红外传感器，所述红外感应单元用于在所述车辆感应模块感应车道内有车辆时，采集车辆红外感应信息，所述参数确定单元用于基于所述车辆红外感应信息，预测待识别车辆的车牌三维坐标；图像采集模块，用于基于预测的待识别车辆的车牌三维坐标，判断是否进行图像采集位姿调整，若判定进行图像采集位姿调整，则基于所述待识别车辆的车牌三维坐标，生成目标图像采集位姿，基于所述目标图像采集位姿调整图像采集装置的位姿，位姿调整后，采集待识别车辆的图像，若判定不进行图像采集位姿调整，则采集待识别车辆的图像；车牌识别模块，用于基于所述待识别车辆的图像，识别所述待识别车辆的车牌信息。

2、更进一步地，所述红外感应单元在所述车辆感应模块感应车道内有车辆时，采集车辆红外感应信息，包括：启动每个所述y轴红外传感器，采集y轴障碍物距离；启动每个所述x轴红外传感器，采集x轴障碍物距离，其中，所述车辆红外感应信息至少包括所述y轴障碍物距离及所述x轴障碍物距离。

3、更进一步地，所述参数确定单元基于所述车辆红外感应信息，预测待识别车辆的车牌三维坐标，包括：基于每个所述y轴红外传感器在多个连续时间点采集的y轴障碍物距离和每个所述x轴红外传感器在多个连续时间点采集的x轴障碍物距离，确定待识别车辆在所述多个连续时间点的车辆位姿变化参数；基于待识别车辆在所述多个连续时间点的车辆位姿变化参数，从所述多个连续时间点中确定目标时间点；基于每个所述y轴红外传感器在目标时间点采集的y轴障碍物距离和每个所述x轴红外传感器在目标时间点采集的x轴障碍物距离，确定所述待识别车辆的车型参数，其中，所述待识别车辆的车型参数至少包括车辆最大宽度、车辆最大长度、车辆最大高度及车辆底盘高度；基于所述待识别车辆的车型参数，预测待识别车辆的车牌三维坐标。

4、更进一步地，所述参数确定单元基于每个所述y轴红外传感器在多个连续时间点采集的y轴障碍物距离和每个所述x轴红外传感器在多个连续时间点采集的x轴障碍物距离，确定待识别车辆在所述多个连续时间点的车辆位姿变化参数，包括：对于每个所述时间点，基于每个所述y轴红外传感器在所述时间点采集的y轴障碍物距离和每个所述y轴红外传感器在上一个时间点采集的y轴障碍物距离，计算所述时间点的y轴变化参数；对于每个所述时间点，基于每个所述x轴红外传感器在所述时间点采集的x轴障碍物距离和每个所述x轴红外传感器在上一个时间点采集的x轴障碍物距离，计算所述时间点的x轴变化参数；对于每个所述时间点，对所述时间点的y轴变化参数和所述时间点的x轴变化参数加权求和，得到所述待识别车辆在所述时间点的车辆位姿变化参数。

5、更进一步地，所述参数确定单元基于每个所述y轴红外传感器在目标时间点采集的y轴障碍物距离和每个所述x轴红外传感器在目标时间点采集的x轴障碍物距离，确定所述待识别车辆的车型参数，包括：基于每个所述y轴红外传感器在目标时间点采集的y轴障碍物距离和每个y轴红外传感器的三维坐标信息，确定所述待识别车辆的车辆最大长度及车辆最大高度；基于每个所述x轴红外传感器在目标时间点采集的x轴障碍物距离和每个x轴红外传感器的三维坐标信息，确定所述待识别车辆的车辆最大宽度；基于每个所述y轴红外传感器在目标时间点采集的y轴障碍物距离和每个y轴红外传感器的三维坐标信息以及每个所述x轴红外传感器在目标时间点采集的x轴障碍物距离和每个x轴红外传感器的三维坐标信息，确定所述待识别车辆的车辆底盘高度。

6、更进一步地，所述参数确定单元基于所述待识别车辆的车型参数，预测待识别车辆的车牌三维坐标，包括：获取多个测试车辆的车型参数和车牌相对位置，其中，所述车牌相对位置用于表征测试车辆的车牌中心与测试车辆的两个前车轮的中心点的相对位置；基于所述多个测试车辆的车型参数，对多个测试车辆进行聚类，确定多个车辆簇；基于每个所述y轴红外传感器在目标时间点采集的y轴障碍物距离和每个y轴红外传感器的三维坐标信息以及每个所述x轴红外传感器在目标时间点采集的x轴障碍物距离和每个x轴红外传感器的三维坐标信息，确定所述待识别车辆的两个前车轮的中心点的三维坐标；基于所述待识别车辆的车型参数，从所述多个车辆簇中确定相似车辆簇；基于所述待识别车辆的车型参数，从所述相似车辆簇中确定相似测试车辆；基于所述相似测试车辆的车牌相对位置和所述待识别车辆的两个前车轮的中心点的三维坐标，预测待识别车辆的车牌三维坐标，其中，所述待识别车辆的车牌三维坐标包括待识别车辆的车牌的四个边角的三维坐标。

7、更进一步地，所述图像采集模块基于预测的待识别车辆的车牌位置，判断是否进行图像采集位姿调整，包括：获取多个第一训练样本，其中，所述第一训练样本包括样本图像采集位姿、图像采集装置在样本图像采集位姿下采集的图像以及多个标记物的三维坐标，所述第一训练样本的标签为多个标记物的像素坐标；建立像素坐标预测模型；通过所述多个第一训练样本训练所述像素坐标预测模型；使用训练后的像素坐标预测模型，基于当前图像采集位姿和待识别车辆的车牌的四个边角的三维坐标，预测所述待识别车辆的车牌的四个边角的第一像素坐标；基于所述待识别车辆的车牌的四个边角的第一像素坐标，判断是否进行图像采集位姿调整。

8、更进一步地，所述图像采集模块基于所述待识别车辆的车牌位置，生成目标图像采集位姿，包括：获取多个第二训练样本，其中，所述第二训练样本包括调整前样本图像采集位姿以及多个标记物的三维坐标，所述第二训练样本的标签为调整后样本图像采集位姿；建立位姿调整模型；通过所述多个第二训练样本训练所述位姿调整模型；使用训练后的位姿调整模型，基于所述待识别车辆的车牌的四个边角的三维坐标，生成所述目标图像采集位姿。

9、更进一步地，所述车牌识别模块基于所述待识别车辆的图像，识别所述待识别车辆的车牌信息，包括：通过所述像素坐标预测模型基于所述目标图像采集位姿和所述待识别车辆的车牌的四个边角的三维坐标，预测所述待识别车辆的车牌的四个边角的第二像素坐标；基于预测的所述待识别车辆的车牌的四个边角的第二像素坐标，从所述待识别车辆的图像中提取目标区域图像；基于所述目标区域图像，识别所述待识别车辆的车牌信息。

10、更进一步地，所述车牌识别模块基于所述目标区域图像，识别所述待识别车辆的车牌信息，包括：基于所述目标区域图像，提取背景区域图像和多个车牌字符图像；基于所述背景区域图像和多个车牌字符图像，判断所述待识别车辆的车牌是否为真；判定所述待识别车辆的车牌为真时，对所述多个车牌字符图像进行光学字符识别，确定所述待识别车辆的车牌号码；判定所述待识别车辆的车牌为伪时，生成警示信息。

11、相比于现有技术，本说明书提供的一种车辆道闸自动识别车牌控制系统，至少具备以下有益效果：

12、1、沿着道闸的栏杆的宽度方向设置的多个x轴红外感应装置及沿着道闸的长度方向设置的多个y轴红外感应装置，可以精确采集车辆的红外感应信息，能够更准确地预测车牌的三维坐标，进而能够根据预测的车牌三维坐标智能判断是否需要调整图像采集装置的位姿。如果当前位姿不利于清晰捕捉车牌图像，系统会自动调整至最佳采集位姿，确保每次采集到的图像都是高质量的，从而提高了图像采集的效率和成功率。该系统能够适应不同大小、类型和行驶姿态的车辆。由于采用了多维度的红外感应和智能位姿调整机制，即使是面对复杂多变的交通场景，也能保持较高的识别率和稳定性。通过自动化和智能化的车牌识别流程，减少了人工干预和等待时间，提高了车辆通行的效率。对于车主而言，这意味着更短的等待时间和更顺畅的通行体验。由于减少了人工干预和提高了识别效率，该系统能够显著降低停车场或相关管理机构的运营成本。同时，高质量的图像采集和识别也减少了因误识别或漏识别导致的纠纷和损失；

13、2、通过分析车辆在多个连续时间点的位姿变化参数，系统能够更准确地把握车辆的动态行驶状态。通过每个y轴红外传感器在目标时间点采集的y轴障碍物距离和每个x轴红外传感器在目标时间点采集的x轴障碍物距离，不仅确定了车辆的最大宽度、长度和高度，还确定了车辆底盘高度。这种全面的车型识别有助于系统更好地理解不同车辆的特点，为后续的车牌识别提供更为精确的参数基础。通过对多个测试车辆的车型参数和车牌相对位置进行聚类分析，系统能够学习到不同车型与车牌位置之间的关系。这使得系统在面对不同品牌和型号的车辆时，能够更快地找到相似车辆簇和相似测试车辆，从而提高了系统的适应性和鲁棒性。在确定了车牌的三维坐标后，系统可以更有针对性地进行图像采集和处理。这避免了无谓的图像采集和处理工作，节约了图像处理资源，提高了系统的整体效率和性能。

14、3、系统能够基于预测的待识别车辆车牌位置，智能判断是否需要调整图像采集装置的位姿。这种动态调整确保了每次采集到的车牌图像都是清晰、无遮挡的，从而提高了图像采集的质量。通过使用训练后的像素坐标预测模型，系统可以快速预测车牌在图像中的像素坐标，进而判断是否需要调整图像采集位姿。这种快速预测和判断减少了不必要的图像采集和调整时间，提高了图像采集的效率。系统能够适应不同车辆的车牌位置和角度变化。通过训练像素坐标预测模型和位姿调整模型，系统能够学习到不同车辆车牌的像素坐标与图像采集位姿之间的关系，从而在面对不同车辆时能够迅速做出调整，确保车牌的准确识别。现有的道闸的图像采集方式中图像采集角度固定，可能导致车牌的图像不完整。通过引入像素坐标预测模型和位姿调整模型，系统能够更加精准地控制图像采集过程，减少了不必要的资源消耗。

15、4、系统首先通过像素坐标预测模型预测车牌在图像中的精确位置，然后基于这个位置提取目标区域图像。这种方式减少了背景噪声和其他干扰因素对车牌识别的影响，从而提高了识别的准确率。在识别车牌信息之前，系统还会对车牌进行真伪判断。通过提取背景区域图像和车牌字符图像，系统能够分析车牌的完整性、颜色、字体等特征，有效识别伪造或篡改的车牌。这种防伪能力对于维护交通秩序和公共安全具有重要意义。系统在识别车牌时，只针对提取出的目标区域图像进行处理，而不是对整个车辆图像进行分析。这种方式减少了处理的数据量，从而提升了处理速度，使得车辆能够快速通过道闸。