CN100452110C - 一种车辆视频识别测速方法 - Google Patents

Abstract

本发明公开一种车辆视频识别测速方法，具体步骤为：a.获取车体图像；b.在上述车体图像上搜索车牌的局部阈值，得到车牌图像；c.对上述车牌图像进行倾斜角补正；d.在倾角补正后的车牌图像上查找车牌边框区域，计算字高度；e.对车牌图像中的牌号文字图样规格化，得到多个局部小块；f.对每个文字的局部小块进行二进制化，输出二值图像；g.在上述二值图像上进行文字识别，得到车牌号文字；h.接上述步骤d，利用步骤b和d的结果在一组连续图像中追踪车牌移动路径；i.计算车体移动距离；j.计算车行速度。本发明方法识别车牌号的准确率高，减小了对车牌光反射的影响，适于实时处理，并且易于实现，实施性强。

Description

一种车辆视频识别测速方法

技术领域

本发明涉及一种在公路上监测流动车辆是否违章的方法，具体地说是一种车辆视频识别测速方法.

背景技术

随着汽车工业的发展和人们生活水平的不断提高，车辆已成为不可缺少的代步工具，每天都有大量的车辆涌上街头，这给交通管理提出了新的课题.不论在普通公路还是在高速公路上，都会出现超速行驶等违章车辆，无法最大限度地保证交通安全.为了缓解这一紧张局面，交通管理部门在公路上安装使用了自动监测***，这一***大都通过对车牌图像进行边缘提取、霍夫变换、直方图分析以及形态学算子的计算来识别车牌号，这种自动监测适用于车速一定、车流量稳定的情况下，但对于突如其来的变化，如为躲避警车追捕而逃逸加速通过的车辆则存在识别率低的问题；又由于这种检测方法运算量比较多，如利用霍夫变换进行投票，获胜的为要确定的区域，这种方法虽然比较准确，但要求比较大的存储空间和计算时间，不适合实时应用.

发明内容

为了解决上述现有技术中的对快速通过的车辆存在识别率低、不适合实时应用问题，本发明的目的在于提供一种不论白天还是夜间都可时时检测的车辆视频识别测速方法.

为实现上述目的，本发明采用的技术方案是：

本方法具有如下步骤：

a.获取车体图像；

b.在上述车体图像上搜索车牌的局部阈值，得到车牌图像；

c.对上述车牌图像进行倾斜角补正；

d.在倾角补正后的车牌图像上查找车牌边框区域，计算字高度；

e.对车牌图像中的牌号文字图样规格化，得到多个局部小块；

f.对每个文字的局部小块进行二进制化，输出二值图像；

g.在上述二值图像上进行文字识别，得到车牌号文字；

h.接上述步骤d，利用步骤b和d的结果在一组连续图像中追踪车牌移动路径；

i.计算车体移动距离；

j.计算车行速度.

所述步骤b在上述车体图像上搜索车牌的局部阈值还具有以下过程：

b1.将车牌区域与背景区域进行分割；

b2.对全部车牌图像进行边缘检测，然后将车牌图像按单位像素(本实施例以8*8为单位)分成相同大小的小块；

b3.对于每个小块计算基准值，全部车牌图像以一个小块为单位，获得车牌图像局部行列基准值；

b4.根据上述行列基准值把车牌图像二值化，得到车牌的二值图像.

所述步骤c对车牌图像进行倾斜角补正具有如下步骤：

c1.在车牌区域分割出文字区域；

c2.在上述文字区域求其行方向分散和；

c3.在全部号牌区域求出行方向分散和；

c4.在全部车牌上计算非文字区域的行方向分散密度；

c5.在[-5°，5°]之间的车牌旋转图像中重复c1～c4过程，求出每次旋转图象中非文字区域的行方向分散密度；

c6.当d值最小时，最终车牌的倾斜角即为所要补正的车牌旋转角。

所述步骤d查找车牌边框区域，计算字高度包括以下步骤：

d1.对车牌图像进行强化处理；

d2.利用车牌的规格信息对每个文字区域进行分离，决定文字位置，即在满足车牌比例的前提下，在车牌图像上搜索空白区域亮度和的最小值区域来确定文字与文字之间的空白区域，进一步确定文字区域；

d3.根据车牌的标准规格信息得到文字高度；

所述步骤e对车牌号文字图样规范化具体为：把文字大小规格化为16*16个局部小块。

所述步骤f对每个文字的局部小块进行二进制化，输出二值图像还包括：

f1.将在步骤e中得到的局部小块划分为多个方块；

f2.获取包合同一个方块的4个为其两倍边长的方块组；

f3.求出4个两倍边长的方块组中的全部区域基准值；

f4.用上述全部区域基准值的平均值确定方块的基准值；

f5.在局部小块的文字图像上，以同样方法求出其他每个方块的区域基准值；

f6.根据上述结果得到关于局部小块的文字图像的阈值矩阵；

f7.根据该阈值矩阵，对每个文字图像进行2进制化，得到二值图像.

在步骤g中对在步骤f中得到的二值图像利用人工神经网络方法进行文字识别。

所述步骤h在一组连续图像中确定车牌移动路径包括以下步骤：

h1.实时记录图像列中当前帧与以前帧的时间差、当前帧与以后帧的时间差，并获取两个边缘图像；

h2.把获取的两个边缘图像分别二进制化，得到两个二值图像；

h3.对上述两个二值图像进行逻辑运算；

h4.在上述运算结果中通过直方图的方法判断车体外接图形的大小；

h5.当车体在图像上显示其外接图形为最大时，求出车牌以整个车体图像为基准的高度的像素与整个车体图像的高度像素之比，该比值为第1比率；

h6.求出车牌在整个车体图像上起始位置宽度像素与整个车体图像宽度像素之比，该比值为第2比率；

h7.计算刚进入摄像机视野后的车体图像的高度(或宽度)像素与驶出摄像机视野前的车体图像的高度(或宽度)像素之比，此比值为第3比率；

h8.通过第1～3比率求出车牌在左上角整个图像中的坐标；

h9.在所有帧上获得车牌的中心坐标，在全部图像列上决定车牌的运动轨道.

所述步骤i计算车体移动距离具体为：在摄像装置的自由焦距镜头固定不变时，根据车牌长度方向的像素数量求出摄像装置到车牌之间的距离。

本发明具有以下有益效果及优点：

1.识别车牌号的准确率高.本发明方法利用对车牌图像的倾斜角补正、文字区域分割等图像信号处理技术与人工神经网络的模式识别技术，与利用Hough变换方法相比，提高了车牌识别率和车速检测的准确率，车牌识别率为白天99.95％，夜间98％，车速检测误差范围为±3Km/h；

2.减小了对车牌光反射的影响。本发明对车牌图像采用了局部二值化的方法，有效解决了因光车牌光反射而影响文字识别的问题；

3.适于实时处理。本发明有效的利用车辆设备的信息资源如车牌规格特性进行车牌号的识别，所以识别速度非常快，对车辆运动轨道进行实时搜索及对车牌文字进行识别，对于超速车辆能及时监测出，车速识别处理时间在200ms以内，并通过车牌号识别，可迅速捕获确定违章车辆；

4.易于实现，实施性强.因本发明方法只利用图像信号进行识别或检测，应用本发明方法的装置不需要红外线收发器，不管白天还是夜间，不需要选择设置，即使在车辆开灯迎面驶来的情况下，也能准确识别车牌文字。

附图说明

图1为本发明结构框图；

图2(a)～(e)为本发明在图像处理过程中输出的结果图像及数据；

图3为本发明方法中应用的车牌规格信息示意图；

图4(a)～(e)为本发明方法中车牌号文字图样规范化过程示意图；

图5为计算车体实际移动距离示意图.

具体实施方式

本发明方法通过安装于硬件设备中的控制程序来实现，如图1所示，

本发明方法包括如下步骤：

a.获取车体图像；

b.在上述车体图像上搜索车牌的局部阈值，得到车牌图像；

c.对上述车牌图像进行倾斜角补正；

d.在倾角补正后的车牌图像上查找车牌边框区域，计算文字高度；

e.对车牌图像中的牌号文字图样规范化，以每个文字为基础化分局部小块；

f.对每个文字的局部小块进行二进制化，输出二值图像；

g.在上述二值图像上进行文字识别，得到车牌号文字；

h.接上述步骤d，利用步骤b和d的结果在一组连续图像中追踪车牌移动路径；

i.根据车牌移动路径计算出车体实际移动距离；

j.计算车行速度.

所述步骤b在上述车体图像上搜索车牌的局部阈值还具有以下过程：

b1.利用求极值法将车牌区域与背景区域进行分割，本实施例采用求极小值点的方法将车牌区域与背景区域进行分割；

b2.对全部车牌图像进行边缘检测，然后将车牌图像按单位像素(本实施例以8*8为单位)分成相同大小的小块；

b3.对于每个小块计算亮度基准值(阈值)，全部车牌图像以一个小块为单位，获得车牌图像局部行列基准值(局部亮度阈值矩阵)，即对于每个8*8的块计算1次亮度基准值：

T1_i，j＝M_i，j+2.2б_i，j    (1)

其中M_i，j为全部车牌图像的亮度平均值，б_i，j为8*8BLOCK的亮度标准偏差；因每个8*8小块反复上面的过程，对于车体图像用8*8为单位，可以获得局部化后的阈值矩阵(Threshold matrix)；

b4.根据上述阈值矩阵(Threshold matrix)把车牌图像二值化，得到车牌的二值图像，即根据上述阈值矩阵把全部车牌图像二进制化，在二进制图像上车牌区域1的出现率高，能够正确反映车牌的空白特性，所以利用车牌的规格特性很容易检出车牌领域，具体方法如下：

对于求出的二值图象进行单位矩阵(element matrix)为(3，3)大小的形态学(morphology)运算，运算形态为开放(opening)；然后进行单位矩阵(element matrix)为(16，3)大小的形态学(morphology)运算运算形态为膨胀(dilation)；在最后获取的图象上利用号牌的特性(横向与纵向的大小，横向与纵向的比，号牌的黑色与白色的特性)求出号牌领域。

如图2(a)所示，为将车牌区域与背景区域进行分割后得到的车牌区域图像。

所述步骤c对车牌图像进行倾斜角补正具有如下步骤：

c1.在车牌区域分割出文字区域；

在采集的车牌图像上，需要把文字进行区域分割，由于经常遇到车牌倾斜的情况，会很困难且会降低识别率。因此在文字分区之前，需要进行倾斜车牌的倾斜角补正.本实施例中最大倾斜角度限制在[-5°，+5°]；基本思想是车牌端正、水平放置时，在车牌上、下部分的空白条区域上，行方向分散密度最小；所述行方向分散密度为用每个行为单位求出分散值(VARIANCE)的和后再除以行数。

以字体粗细的像素宽度为单位进行行方向微分，获得行方向微分矩阵；对行方向微分矩阵进行累加，得到微分和S_i(SUMMATION OFDIFFERNCE)，该微分和包含了列向量(COLUMN DIRECTION)信息；

S_i＝∑^N _j＝1(P_ij-P_ij+a)

其中：S_i为i行的微分和；N为图像宽度(单位为像素)；a为字体宽度最小单位像素；P_ij为(i，j)像素的亮度值；P_ij+a为(i，j+a)像素的亮度值.

求出列向量的亮度平均值，当列向量的亮度平均值连续大于该平均值时，认为此段列向量对应的区域为文字区域.

c2.在上述文字区域求其行方向分散和(ROW DIRECTIONSUMMATION OF VARIANCE行方向方差和)；

Vi＝1/N(∑^N _j＝1(M_i-P_ij)²)^1/2

M_i＝1/N∑^N _j＝1(P_ij/N)

V₀＝∑^H0 _i＝1V_i

其中：H0为文字条区域的高度(单位为像素)；Vi为第i行的分散值(方差值)；Mi为第i行的亮度平均值；V₀为第i行分散值的和；

c3.在全部车牌区域求出行方向分散和；

Vi＝1/N(∑^N _j＝1(M_i-P_ij)²)^1/2

M_i＝1/N∑^N _j＝1(P_ij/N)

V＝∑^H _i＝1V_i

其中：V为车牌全部区域内的分散值的和；H为车牌全部高度.

c4.在全部车牌上计算非文字区域的行方向分散密度：

d＝(V-V₀)/(H-H₀)

其中：d为非文字区域的行方向分散密度；

c5.在[-5°，5°]之间的车牌旋转图像中重复c1～c4过程，求出每次旋转图象中非文字区域的行方向分散密度；

c6.当d值最小时，最终车牌的倾斜角即为所要补正的车牌旋转角：

[d，α]＝min(d(K)；

其中：α为车牌的倾斜角度，取值范围为[-5°，+5°]，当d(k)为最小时的转动角，即车牌需补正的倾斜角；

d(K)为第K次旋转图像中非文字区域的行方向分散密度；

如图2(b)所示，为车牌图像经过倾斜角补正及进行文字区域分割后得到的图像。

所述步骤d查找车牌边框区域，计算字高度包括以下步骤：

d1.对车牌图像进行强化处理；

d2.利用车牌的规格信息对每个文字区域进行分割，决定文字位置，即在满足车牌比例特性的前提下，通过在车牌图像上搜索亮度和的最小值区域来确定文字与文字之间的空白区域，进一步确定文字区域；

文字分割利用了车牌的规格信息，在动态图像列上，只利用每个帧的一个扫描场(FIELD，相当于半帧)，所以车牌图像比实际车牌规格在竖直方向缩小一半，基本思想是满足车牌规格的比例特性的同时，寻找文字与文字之间空白区域亮度和的最小的位置点。在动态图像列上只利用每个帧(frame)的一个扫描场，所以比实际车牌的纵向距离缩小一半，因此所输入的车牌图像比实际车牌规格边长比(side ratio)缩小一半，实际车牌号边长比为440∶130，车牌图像上的车牌边长比为440∶65。

如图3所示，车牌上文字高度与车牌长度之间的关系如下：

L＝(9+34/45)H0

其中：L为车牌长度；H0为车牌上的文字高度；

将上述求出的文字高度H0从0.8～1.2倍之间变换，决定对于每个文字高度的车牌规格大小，经过这种变换可减小图像资料的误差；

在图3上对应于黑色部分的像素点，作为车牌规格与实际图像的比较点。

在车牌图像上搜索车牌标准规格的空白区域上的亮度和为最小时的位置。

以车牌的左下点作为坐标原点，以车牌的两边作为两坐标轴建立直角坐标系，从坐标原点到搜索开始点的距离为P0，搜索高度Ha＝a*H0，a在0.8～1.2范围内取值，用于搜索车牌标准规格的比较点即图像中的黑色区域按如下方式确定：

m1＝60/45*a*H0；n1＝72/45*a*H0；

m2＝117/45*a*H0；n2＝129/45*a*H0；

m3＝174/45*a*H0；n3＝208/45*a*H0；

m4＝253/45*a*H0；n4＝265/45*a*H0；

m5＝310/45*a*H0；n5＝322/45*a*H0；

m6＝367/45*a*H0；n6＝379/45*a*H0；

其中：m1～m6分别为车牌图像中第1～6个黑色区域在坐标系中的起始位置横坐标；n1～n6分别为车牌图像中第1～6个黑色区域在坐标系中的终止位置横坐标.

设车牌图像标准规格的空白区域的像素的亮度和为S，

Sa，p₀＝∑⁶ _k＝1∑^a*H0 _i＝0∑^nk _j＝mkP_ij

当亮度和S最小时获取对应的a和P0的值：

S_min＝min_{0.8＜a＜1.2}{min_0＜p0＜Δp{S_a，p0}}

其中：Δp为在车牌图像上每扫描一次后变换的步长之和，本实施例中一个步长为1个像；

根据此时的P0值决定车牌图像中车牌开始位置，根据此时的a值决定适当的文字高度范围，最终决定在车牌标准规格的空白区域上的亮度和为最小时，相应的文字高度HO，再根据车牌标准规格确定车牌图像上的各车牌文字位置.如图2(c)所示。

d3.再根据车牌的标准规格信息(比例特性)，最终得到在车牌图像上的文字高度像素；

所述步骤e对车牌号文字图样规格化包括以下步骤：

e1.把文字大小规定像素为16*16局部小块，如图4(a)所示；本实施例采用内推法(INTERPOLATION)。

所述步骤f对每个文字的16*16局部小块进行二进制化，输出二值图像包括；

f1.将在步骤e中得到的16*16局部小块的文字图像上，分解大小为4*4方块，如图4(a)所示；

f2.获得包含同一个4*4方块的4个为其两倍边长的方块组，即4个8*8块(BLOCK)，如图4(b)～(e)所示；

f3.利用OTSU方法求出4个8*8块中的全部区域基准值(阈值)

f4.用上述全部区域基准值的平均值确定4*4方块的基准值；

f5.在16*16的文字图像上，以同样方法求出其他每个4*4方块的区域基准值；

f6.根据上述结果得到关于16*16的文字图像的阈值矩阵；

f7.根据该阈值矩阵，对每个文字图像进行二进制化。

在步骤g中对步骤f中得到的二值图像进行文字识别，得到车牌号文字，如图2(d)所示；本实施例采用人工神经网络，模拟生物神经的功能，对数据进行分类，本发明为了英文字和数字识别利用4层人工神经网络，为了汉字识别利用3层人工神经网络，其中4层人工神经网络结构为入口层数256，隐藏层1的神经细胞(neuron)数160，隐藏层2的神经细胞(neuron)数80，出口层数34。连接强度和阈值的更新，利用了最小急强化法(gradient-descent method梯度倾斜法)

为了提高人工神经网络的识别率和归纳(generalization)能力，使每个文字的学习模式(LEARN PATTERN)数量一致，增加了人工模式图象与统计式噪声图象。

所述步骤h在一组连续图像中确定车牌移动路径包括以下步骤：

h1.实时记录图像列中当前帧与以前帧的时间差、当前帧与以后帧的时间差，本实施例利用PREWITTS算子获取两个边缘图像E₁、E₂：

_E1＝Prewitt(F_b-F_c)

E₂＝Prewitt(F_f-F_c)

其中：F_c为当前帧(FRAME)；F_b为以前帧；F_f为以后帧；

h2.把获取的两个边缘图像分别二进制化，得到两个二值图像Th1、Th2：

Th1＝Threshold(E1)；

Th2＝Threshold(E2)；

二进制化过程利用了对于全部图像的全部阈值的标准值如下：

T＝M+36；

其中：M为边缘图像E1、E2的亮度平均值；6为边缘图像E1、E2的亮度标准偏差；

h3.对上述两个二值图像进行与(AND)运算，得到车体图像的外接图形(本实施例为外接矩形)；

Th＝(Th1)AND(Th2)；

h4.在上述外接矩形中通过直方图的方法判断车体图像外接图形的大小；

h5.当车体在图像上显示其外接图形为最大时，求出车牌以整个车体图像为基准的高度的像素与整个车体图像的高度像素之比，该比值为第1比率；

h6.求出车牌在整个车体图像上起始位置宽度像素与整个车体图像宽度像素之比，该比值为第2比率；

h7.计算刚进入摄像机视野后的车体图像的高度(或宽度)像素与驶出摄像机视野前的车体图像的高度(或宽度)像素之比，此比值为第3比率；

h8.通过第1～3比率求出车牌在左上角整个图像中的坐标；

h9.在所有帧上获得车牌的中心坐标，在全部图像列上决定车牌的运动轨道.

所述步骤j计算车体移动距离还包括：

i1.在摄像装置的自由焦距镜头固定不变时，根据车牌长度方向的像素数量求出摄像装置到车牌之间的距离；

为了判定车辆速度，必须知道该车辆在一定时间段内的移动距离；首先求出当前图像里该车辆行驶的的距离，摄象机自由焦距镜头状态，然后要知道每象素在实际空间上对应的距离。

本发明为了测试距离，利用了车牌的长度。在摄像机的自由焦距镜头固定的状态下，根据车牌长度方向的像素数量，求出从摄像机到车牌号之间的距离，

如图5所示，摄像机设于O′点，其对地安装高度OO′为h，设摄像机的安装角度为α，可视角度为α′，车体图像中车牌的中心坐标为P，C′点为车辆进入摄像机视野的任意位置，该位置距O点的距离OC′为y，则：

$\left\{\begin{array}{c}y={(o^{\′}{c}^{\′2}-h^2)}^{1/2}\\ o^{\′}{c}^{\′}\frac{h}{\cos (\mathrm{\α}\±\arccos \left(\frac{\cos ({\mathrm{\α}}^{\′}/2)}{{[{\cos }^2({\mathrm{\α}}^{\′}/2)+4*{(p/w)}^2*{\sin }^2({\mathrm{\α}}^{\′}/2)]}^{1/2}}\right))}\end{array}\right.$

其中：-w/2＜p＜w/2，w为显示屏幕上的高度像素数；

j2.计算车速

在车体图像中，车辆移动的像素p1(i1，j1)-p2(i2，j2)对应的实际距离按以下公式求出：

V＝Y/t

Y＝abs(y(i1)-y(i2))

T＝N/帧每秒

时间t是根据车辆移动的像素从p1到p2移动的帧数N决定，V为车辆行驶速度，Y为在时间t内车辆实际经过的距离，如图2(e)所示，为本实施例输出的车速及识别时间。

Claims (9)

1.一种车辆视频识别测速方法，其特征在于具有如下步骤：

a.获取车体图像；

b.在上述车体图像上搜索车牌的局部阈值，得到车牌图像；

c.对上述车牌图像进行倾斜角补正；

d.在倾斜角补正后的车牌图像上查找车牌边框区域，计算字高度；

e.对车牌图像中的牌号文字图样规格化，得到多个局部小块；

f.对每个文字的局部小块进行二进制化，输出二值图像；

g.在上述二值图像上进行文字识别，得到车牌号文字；

h.接上述步骤d，利用步骤b和d的结果在一组连续图像中追踪车牌移动路径；

i.计算车体移动距离；

j.计算车行速度。

2.按权利要求1所述车辆视频识别测速方法，其特征在于：所述步骤b在上述车体图像上搜索车牌的局部阈值还具有以下过程：

b1.将车牌区域与背景区域进行分割；

b2.对全部车牌图像进行边缘检测，然后将车牌图像按单位像素分成相同大小的小块；

b3.对于每个小块计算基准值，全部车牌图像以一个小块为单位，获得车牌图像局部行列基准值；

b4.根据上述行列基准值把车牌图像二值化，得到车牌的二值图像；

3.按权利要求1所述车辆视频识别测速方法，其特征在于：所述步骤c对车牌图像进行倾斜角补正具有如下步骤：

c1.在车牌区域分割出文字区域；

c2.在上述文字区域求其行方向分散和；

c3.在全部号牌区域求出行方向分散和；

c4.在全部车牌上计算非文字区域的行方向分散密度；

c5.在[-5°，5°]之间的车牌旋转图像中重复c1～c4过程，求出每次旋转图象中非文字区域的行方向分散密度；

c6.当非文字区域的行方向分散密度最小时，最终车牌的倾斜角即为所要补正的车牌旋转角。

4.按权利要求1所述车辆视频识别测速方法，其特征在于：所述步骤d查找车牌边框区域，计算字高度包括以下步骤：

d1.对车牌图像进行强化处理；

d2.利用车牌的规格信息对每个文字区域进行分离，决定文字位置，即在满足车牌比例的前提下，在车牌图像上搜索空白区域亮度和的最小值区域来确定文字与文字之间的空白区域，进一步确定文字区域；

d3.根据车牌的标准规格信息得到文字高度。

5.按权利要求1所述车辆视频识别测速方法，其特征在于：所述步骤e对车牌号文字图样规范化具体为：把文字大小规格化为16*16个局部小块。

6.按权利要求1所述车辆视频识别测速方法，其特征在于：所述步骤f对每个文字的局部小块进行二进制化，输出二值图像还包括：

f1.将在步骤e中得到的局部小块划分为多个方块；

f2.获取包含同一个方块的4个为其两倍边长的方块组；

f3.求出4个两倍边长的方块组中的全部区域基准值；

f4.用上述全部区域基准值的平均值确定方块的基准值；

f5.在局部小块的文字图像上，以同样方法求出其他每个方块的区域基准值；

f6.根据上述结果得到关于局部小块的文字图像的阈值矩阵；

f7.根据该阈值矩阵，对每个文字图像进行2进制化，得到二值图像。

7.按权利要求1所述车辆视频识别测速方法，其特征在于：在步骤g中对在步骤f中得到的二值图像利用人工神经网络方法进行文字识别。

8.按权利要求1所述车辆视频识别测速方法，其特征在于：所述步骤h在一组连续图像中追踪车牌移动路径包括以下步骤：

h1.实时记录图像列中当前帧与以前帧的时间差、当前帧与以后帧的时间差，并获取两个边缘图像；

h2.把获取的两个边缘图像分别二进制化，得到两个二值图像；

h3.对上述两个二值图像进行逻辑运算；

h4.在上述运算结果中通过直方图的方法判断车体外接图形的大小；

h5.当车体在图像上显示其外接图形为最大时，求出车牌以整个车体图像为基准的高度的像素与整个车体图像的高度像素之比，该比值为第1比率；

h6.求出车牌在整个车体图像上起始位置宽度像素与整个车体图像宽度像素之比，该比值为第2比率；

h7.计算刚进入摄像机视野后的车体图像的高度或宽度像素与驶出摄像机视野前的车体图像的高度或宽度像素之比，此比值为第3比率；

h8.通过第1～3比率求出车牌在左上角整个图像中的坐标；

h9.在所有帧上获得车牌的中心坐标，在全部图像列上决定车牌的运动轨道。

9.按权利要求1所述车辆视频识别测速方法，其特征在于所述步骤i计算车体移动距离具体为：在摄像装置的自由焦距镜头固定不变时，根据车牌长度方向的像素数量求出摄像装置到车牌之间的距离。

Images