论文部分内容阅读
随着智能交通事业的快速发展,交通监控数据呈爆炸式增长,传统的监控识别系统已经无法满足海量高清图像和视频数据的高速处理需求。针对该问题,本文综合运用开源云计算平台、车牌识别技术和视频处理技术,设计实现了基于云平台的车牌识别系统。实验结果显示,该系统与传统单机系统相比,具有更强的数据处理能力和更高的计算效率。论文主要工作内容如下:(1)Hadoop云平台的研究、搭建及性能优化。为实现海量数据的分布式处理,本文在深入学习Hadoop云平台的基础上,重点研究了MapReduce框架的工作原理和实现方法,并在4台计算机上搭建了Hadoop云平台;深入分析了平台的配置参数,给出了优化配置方案,实验结果显示,Hadoop平台经过优化后,图像处理速度提升了4倍,视频处理速度提升了1/4。(2)车牌识别算法的仿真与分析。本文对车牌定位、字符分割、字符识别三部分的算法做了介绍,设计了一套完整的识别流程,并对流程中选用的算法做了详细分析和仿真验证。(3)分布式处理模块的设计与实现。本文扩展了Hadoop的数据类型,设计实现了两个功能模块:1、基于MapReduce的图像识别模块,包括车牌号识别和图像拍摄信息提取功能;2、基于MapReduce的视频识别模块,包括视频自动分割、帧提取、车牌号识别以及时间定位功能。其中,针对单机系统处理效率不高的问题,分别设计了一种分布式图像识别方法和一种分布式视频帧提取方法,有效提高了系统的整体计算能力;针对视频人工检索效率低下的问题,设计了一种视频时间定位方法,实现了视频中出现车辆的快速检测与时间定位。(4)基于云平台的车牌识别系统实现与性能分析。在Hadoop平台上实现了车牌识别系统,完成了基于Web的系统交互设计,并对系统各模块做了实验测试,结果表明,基于云架构的识别系统与单机系统相比,图像识别速度提升了3倍以上,视频处理速度提升了2倍以上,并且能更稳定、快速地处理2G以上的大型视频。