基于FPGA硬件加速的车牌识系统开题报告

全文总字数：6056字

1. 研究目的与意义（文献综述）

目前，自动化技术被广泛应用于交通运输、工业、农业、军事、科学研究、商业、医疗、服务和家庭等多个领域。采用自动化技术可以把人从繁重的体力劳动、部分脑力劳动以及恶劣、危险的工作环境中解放出来，极大地提高劳动生产率，增加人类认识世界和改造世界的能力。其中，车牌识别技术就是自动化技术的一部分。为了更好的管理车辆以及维持交通秩序，开发识别率更高、耗时更少的车牌识别技术为当下的重要课题。

在我国大部分城市，路况监控系统还处于半人工识别的阶段，将路段图像信息拍摄下来，传送到交通指挥中心进行目测识别。但是由于道路上的车辆数量巨大，识别工作变得越来越繁重，致使交通管理部门不能及时作出正确的判断决策，所以自动化的交通管理系统成为现代化交通管理的发展趋势。车牌识别技术是智能交通管理系统的重要一部分，通过道路上安置的摄像机采集车辆图像信息，然后传输到处理器上进行图像处理，经过一系列的处理过程提取识别出车牌号码。这一技术被广泛应用于高速路口电子收费站、车流量监测、智能小区车辆进出口、安检、公路治安卡口、路政、停车场、安防、门禁等很多的办公生活领域，而识别率的高低直接影响交通管理的质量和效率。

车牌识别技术是从上个世纪八十年代在计算机的快速发展中衍生出来，随着计算机处理速度的提高，处理器升级，以及运算器运算能力的迭代，使得车牌识别技术越来越智能，识别率越来越高。

车牌识别技术发展迅速，按识别基础来分，主要可分为间接法和直接法两种。其中，间接法是基于IC卡技术或者条形码技术参与识别。间接法的优势在于准确率高，运行可靠，不受天气环境的影响，可以24小时全天候的运行作业。但IC卡技术的缺点是整套装置价格昂贵，需要每一辆汽车都安装上特定的IC装置，所以不便于推广运用，只能在小范围内使用，例如智能小区或者军事单位等治安监控要求高的地方。条形码技术相对于IC卡技术来说成本要低得多，但是在扫码器的成本要高，而且对扫码器的要求很高，必须使扫码器的识别率达到一定要求才能投入使用。条形码技术最大的缺点是条形码容易被修改，甚至被不法分子冒用，不便于规范化，同样只可以用在小范围区域内。同时目前这两种技术都没有被国家制定统一的标准，在产业上还存在很大的问题。

汽车牌照识别技术在国外起步，早先的车牌识别技术一般应用于出入控制，电子收费和车辆监控等场合。80年代中期英国公司Alphatech研制了名为RGUS的车牌自动识别系统，速度100毫秒，可处理黑白和彩色图像，车速在100英里每小时之内都可以正常处理，但是识别率不高;新加坡公司Optasia研制的VLPRS系统适用于新加坡车牌;香港亚洲视觉公司研制的VECON系统适用于香港制式的车牌。这些车牌识别系统都是采用直接法进行车牌识别，直接法一般有图像处理技术、传统模式识别技术及人工神经网络技术，现如今己经出现了很多的车牌识别技术方法，但由于受到周围环境以及车牌磨损等原因的影响，在实际工程使用中，车牌识别系统在恶劣天气条件下的识别率并不高。表1与表2分别列举了国内与国外具有代表性的车牌识别系统及其对应的性能指标。

表1 国外现有车牌识别系统

表2 国内现有车牌识别系统

由表1及表2数据可知，当前国内外车牌识别的准确率仍有待进一步提高且单次识别时间偏长，不利于后期的管理层车牌信息的获取与处理。

车牌识别系统的关键点有两个:一是尽量消除外在因素对车牌图像的影响;二是提高系统对获取到的车牌图像提取车牌信息的准确率。在不同的天气条件下，无论白天还是黑夜、雨天还是晴天，中午的强光还是下午的昏暗，有风还是没有风，获取一个清晰的车牌图像，这需要对图像的算法进行优化，也需要提高工业摄像机的像素以及抗干扰能力，同时在镜头上加设光学滤波器等设备保证图像的质量更好。可通过对图像进行二值化、车牌定位、图像矫正、字符分割及车牌字符识别等处理，提高车牌识别系统的识别准确率，其中至关重要的是图像矫正和车牌字符识别。相对于欧美国家来说，我国的车牌识别技术在核心技术上还有很多的路要走，这个差异目前正在慢慢变小，但是可提升的空间还是很大。由于我国汉字文化的原因，在车牌识别上要比欧美国家难度大，汉字的复杂笔画造成了汉字的识别度上依然有问题。国外对车牌识别系统的研究大多数适用于国外环境，对于我国来说只具有参考价值而没有实际应用价值。

目前车牌识别系统主要有四种硬件实现方式，分别是传统PC机、DSP处理器、多CPU并行处理架构以及FPGA。

（1）传统的PC机

用传统的PC机实现车牌识别系统，依靠高级语言(C, C )编写程序代码，而传统的PC机都是冯·诺依曼结构的，在执行程序时，所有的程序都是单数据指令由上到下依序串行处理，程序的处理速度很低，相比并行处理的计算机来说，速度要降低数倍甚至数十倍。PC机另一个缺点是它的体积大，不便于应用于空间狭小的地方，并且体积越大越容易损坏。

（2）DSP处理器

现在研发的比较多而且比较成熟的车牌识别系统是基于DSP实现的，主要是因为DSP内部包含了专门进行信号处理的硬件，所以在图像处理时它的处理速度要比传统PC机高效的多，但是在与外界进行通信时依旧是串行通信的方式，其实本质上是与PC机一样的，只是在信号处理方面速度要更迅速，进而导致了DSP在适应性要求高，实时性要求高的场合发挥不了作用，效果不理想。

（3）多CPU并行处理架构

多CPU并行处理架构是在传统PC机的基础上，使用多个CPU并行处理图像信息和进行外界信息传输，以此来消除传统PC机在处理速度上的劣势，很多研究学者都在这方面做了大量工作，而且还专门为此设计提出了应用于多CPU的编程语言。而多CPU并行处理架构的缺点也很明显，首先是成本随着CPU的增加而增多，另一个是各个负载的不均衡，浪费了很多内部计算资源，由此可见，多CPU并行架构的成本高，性价比低，在推广使用的过程中受成本影响最大，很难普及推广。

（4）FPGA硬件实现

利用FPGA器件实现车牌识别系统也是最近两年刚刚兴起，相比于DSP来说，FPGA的信号均是并行传输，在DSP原有的信号处理能力的基础上，升级了与外界通信的并行传输能力，提高了整个系统的运行效率，而且体积小巧便于携带，同时还具有易于维护易于升级等优点。

通过上述对比并结合当前车牌识别系统发展现状，可以看出使用FPGA进行并行图像处理算法的实现，能够快速完成海量图像数据的处理工作，在车牌识别这一领域，虽然在实现算法过程中时间成本和软件复杂度稍有提升，但是能够体现出其在处理速度上的巨大优势。相同的处理任务下，FPGA硬件实现的效率能够远超其它几种现有的车牌处理方式，且在成本控制和系统稳定性方面拥有更多优势，具有重要的研究意义。

2. 研究的基本内容与方案

本次设计内容包含matlab软件的车牌识别算法仿真以及车牌识别算法的fpga硬件实现，通过对表1与表2中国内外现有车牌识别系统在处理速度上的不足之处的分析，和对现有硬件性能包括fpga运行基础频率以及摄像头视频采集端图像采集速度等以及系统成本控制、软件复杂度各方面综合考量，提出本次系统设计目标。即实现fpga车牌识别系统在一般条件（车牌清晰可见且车牌字符无污染，天气情况良好等条件）下达到车牌90%的识别准确率并且单次识别时间不超过50ms，即识别频率为20hz以上。以上设计指标在原有车牌识别系统的基础上对识别速度方面进行了较大的提升。系统设计的过程中采用自顶向下，逐步细化的设计思想。首先列举出车牌识别系统需要的各个算法功能模块，然后单独对各个算法进行测试。测试完成后按照车牌识别系统的处理流程和步骤将其逐步整合，在整合的过程中继续发现算法中存在的问题并进一步修改，直至算法整体完成后，将其映射到具体的硬件系统当中，完成最终设计工作。这样做的好处是使得整个系统分解化，模块化，方便后续对于某些设计功能的补充和更换。本次fpga车牌识别系统的主要任务即为车牌识别算法的硬件实现，整个车牌识别算法实现的过程中预采用的技术路线如图1所示。

3. 研究计划与安排

1-2周，完成开题报告和文献翻译，完成开题答辩；

3-5周，通过论文与网络了解当前车牌识别系统的技术发展现状以及目前存在的问题与技术难点，提出相关解决的算法并使用matlab进行仿真；

6-11周，设计主要车牌识别系统，利用verilog语言实现相关图像处理与识别算法并进行试验，搭建相关的硬件测试平台，测试和分析系统相关性能参数，之后对设计的系统进行改进与优化。

4. 参考文献（不低于12篇）

[1] zhu m, ge d. image quality assessment based on deep learning with fpga implementation[j]. signal processing: image communication. 2020, 83.

[2] dixit m m. image quality assessment of modified adaptable vq used in dct based image compression schemes implemented on dsp and fpga platforms[j]. multimedia tools and applications. 2020, 79(1).

[3] phadikar a, mandal h, chiu t. parallel hardware implementation of data hiding scheme for quality access control of grayscale image based on fpga[j]. multidimensional systems and signal processing. 2020, 31(1).