車(chē)牌的字符分割和字符識(shí)別的研究與實(shí)現(xiàn)

單 瑾，曾 丹

(成都電子機(jī)械高等專(zhuān)科學(xué)校 網(wǎng)管中心，成都 610071)

車(chē)牌識(shí)別技術(shù)(License Plate Recognition，LPR)是計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)在現(xiàn)代智能交通系統(tǒng)中的一項(xiàng)重要研究課題，是實(shí)現(xiàn)交通管理智能化的重要環(huán)節(jié)。它是以數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)等技術(shù)為基礎(chǔ)的智能識(shí)別系統(tǒng)。它利用每一輛汽車(chē)都有唯一的車(chē)牌號(hào)碼，通過(guò)攝像機(jī)所拍攝的車(chē)輛圖像，在不影響汽車(chē)狀態(tài)的情況下，計(jì)算機(jī)自動(dòng)完成車(chē)牌的識(shí)別，從而可降低交通管理工作的復(fù)雜度。

由于車(chē)牌識(shí)別涉及到很多復(fù)雜因素，現(xiàn)有理論和方法還存在識(shí)別速度慢、精度低、抗干擾性能差等問(wèn)題，因此有必要進(jìn)一步研究。本文提出了一種基于模板匹配的車(chē)牌識(shí)別方法［1］，能有效地完成不同解析度和不同模糊程度的車(chē)牌識(shí)別工作，而且識(shí)別精度高、速度快，能滿足實(shí)時(shí)系統(tǒng)的要求。

1 車(chē)牌字符分割

車(chē)牌圖像的分割就是把車(chē)牌的整體區(qū)域分割成為單字符的區(qū)域，以便后續(xù)識(shí)別。從車(chē)輛圖像中準(zhǔn)確地定位分割出車(chē)牌區(qū)域是車(chē)牌識(shí)別中最為關(guān)鍵的步驟之一，只有有效地完成分割，才能進(jìn)一步提取目標(biāo)特征并識(shí)別目標(biāo)。圖像分割結(jié)合車(chē)牌的一些共同特征，例如，車(chē)牌呈規(guī)則的矩形，大小一般為44 cm×14 cm;文字與背景之間有明顯灰度對(duì)比;第1、2個(gè)字符分別是漢字和字母，第3個(gè)字符是一個(gè)間隔符“·”等等，對(duì)圖像中的車(chē)牌、背景進(jìn)行標(biāo)記、定位，然后將待識(shí)別的車(chē)牌字符從背景或其他偽目標(biāo)中分離出來(lái)。筆者采用一種投影法粗分割結(jié)合先驗(yàn)知識(shí)后處理的字符分割方法，該方法簡(jiǎn)單、容易實(shí)現(xiàn)，取得了很好的分割效果。算法流程圖如圖1所示。

圖1 分割算法流程圖

圖2 車(chē)牌圖片灰度圖

圖3 車(chē)牌的灰度直方圖

1.1 車(chē)牌圖片的預(yù)處理

在完成車(chē)牌的精確定位后，進(jìn)行字符的分割。首先將圖像進(jìn)行二值化處理，使圖像僅呈現(xiàn)黑色和白色兩種顏色，即在灰度圖上形成僅包含255和0兩種灰度，使圖像在后期識(shí)別操作過(guò)程中更加容易處理。

車(chē)牌中的字和背景使用的是對(duì)比比較明顯的顏色，在灰度圖上表現(xiàn)的灰度值相差較大，如圖2所示。在灰度直方圖上面，車(chē)牌區(qū)域形成比較明顯的“雙峰型”，如圖3所示。大量統(tǒng)計(jì)表明，對(duì)于某一類(lèi)圖像(如目標(biāo)和背景有較強(qiáng)的對(duì)比)直方圖中出現(xiàn)2個(gè)峰值，其中一個(gè)表示背景灰度，另一個(gè)表示目標(biāo)灰度。在此前提下，在兩峰的中間谷取閾值。

本項(xiàng)目中，灰度值在車(chē)牌底色和字的灰度值周?chē)植急容^密集，因而在雙峰中的波谷位置選擇合適的閾值，能夠很好地將車(chē)牌二值化，將字和底色分開(kāi)。最簡(jiǎn)單的分類(lèi)規(guī)則是依據(jù)區(qū)域相似性和不連續(xù)性，取定一灰度閾值。大于此閾值的像素點(diǎn)置成黑(白)，而小于此閾值的像素點(diǎn)置成白(黑)。尋找閾值的算法選擇Ostu算法(最大方差閾值選擇法)，Ostu算法同時(shí)考慮了圖像的灰度信息和像素間的空間鄰域信息，是一種有效的圖像分割方法。其基本思想是選擇一個(gè)閾值，使用該閾值進(jìn)行分類(lèi)時(shí)，2類(lèi)之間的類(lèi)間方差達(dá)到最大。

Ostu選擇法的具體步驟是:

將直方圖在某一閾值k處分為二組，C1={0～k}，C2={k～255}，各自產(chǎn)生的概率:

C1產(chǎn)生的概率為ω(k)，

C2產(chǎn)生的概率為1-ω(k);

C1的平均值 μ1=μ(k)/ω(k)，

C2的平均值μ2=(μ-μ(k))/(1-ω(k))

其中，μ是整體的灰度平均值;μ(k)是閾值為k時(shí)的灰度平均值，所以兩組間的方差可以由式(1)求出:

然后在0～255之間計(jì)算式(1)的值，當(dāng)該值最大時(shí)對(duì)應(yīng)的k值作為二值化閾值。這種方法對(duì)于在灰度直方圖上呈現(xiàn)出雙波峰的情況效果比較好，而定位之后的車(chē)牌區(qū)域恰好符合這個(gè)條件。經(jīng)過(guò)Ostu閾值二值化處理后的圖片如圖4所示。

1.2 字符分割

由圖4可知，定位后的圖片對(duì)于車(chē)牌的上下邊緣已經(jīng)定位非常準(zhǔn)確。但是由于左右邊緣用于定位的信息不夠充分，同時(shí)車(chē)牌兩旁的干擾信息具有不可預(yù)見(jiàn)性。所以往往左右的邊緣都定位得不是那么準(zhǔn)確，通常都要比實(shí)際的車(chē)牌多出一截。

因此，在進(jìn)行字符分割時(shí)，確定一個(gè)可靠的分割起始點(diǎn)就顯得非常重要。通過(guò)觀察，發(fā)現(xiàn)在車(chē)牌中，第2個(gè)字符和第3個(gè)字符的間隔是所有相鄰字符中最大的。所以可以尋找間隔最大的區(qū)域，把它認(rèn)為是第2個(gè)和第3個(gè)字符所處的位置，以此為依據(jù)進(jìn)行分割。具體方法如下:

圖4 經(jīng)過(guò)Ostu閾值二值化處理后的二值化圖片

1)在二值圖像中對(duì)白色像素進(jìn)行垂直投影。

2)計(jì)算橫向間隔最大的位置，認(rèn)為該位置即是第2、3字符的中間位置。

3)以該位置為基礎(chǔ)，按照字符的大致寬度，向左分割出2個(gè)字符，向右分割出5個(gè)字符。

字符分割計(jì)算出的分割線如圖5所示。

該方法充分利用了車(chē)牌的布局特征，能夠很好地分割出每個(gè)字符。缺點(diǎn)是對(duì)于不是橫向排列的車(chē)牌不太適應(yīng)，特別是公交車(chē)等車(chē)牌呈現(xiàn)上面2個(gè)字符，下面5個(gè)字符的情況。

圖5 字符分割計(jì)算出的分割線

2 字符識(shí)別

字符分割后要識(shí)別每一個(gè)字符究竟是什么。筆者采用了一種基于模

板匹配的車(chē)牌識(shí)別方法，建立大容量的車(chē)牌字符特征向量模板庫(kù)，用統(tǒng)計(jì)學(xué)的方法將樣本與模板進(jìn)行比對(duì)。模板匹配的思想是將現(xiàn)有的圖片和模板庫(kù)進(jìn)行比較，如果現(xiàn)有圖片和模板中的一幅圖片的相似度最大，

就認(rèn)為現(xiàn)有圖片和模板圖片表示的是同一個(gè)字符。這里需要解決2個(gè)問(wèn)題，一是圖片進(jìn)行模式識(shí)別前的特征提取采用什么方式，二是采用什么原則進(jìn)行相似度比較。

2.1 字符識(shí)別的特征提取方式

特征提取采用網(wǎng)格化的方式，如圖6所示，將一張字符圖片分割成5×5的小方格，這樣一共有25個(gè)格子，在每個(gè)格子中計(jì)算:白色像素個(gè)數(shù)/總像素，將得到的值作為特征值，這樣形成一個(gè)25維的特征向量。可以將它們定義為X0～X24。

2.2 字符識(shí)別的模式及算法

圖6 字符分割計(jì)算出的分割線

字符識(shí)別的過(guò)程是利用現(xiàn)有的特征向量，從待識(shí)別的圖像中提取若干圖像的特征量與模板相對(duì)應(yīng)的特征量進(jìn)行比較，計(jì)算模板向量和現(xiàn)有向量之間的相似度，然后將現(xiàn)有特征向量歸入與它相似度最高的模板一類(lèi)。

本項(xiàng)目中計(jì)算圖像和模板特征量之間的距離，用最小距離法判定所屬圖像所屬類(lèi)別。假設(shè)一個(gè)模板向量為M0～M24，特征向量為X0～X24。則特征向量和模板向量的歐氏距離為。分別計(jì)算每個(gè)模板向量和現(xiàn)有特征向量的歐氏距離d，當(dāng)d最小時(shí)，特征向量X歸入模板向量M所在的類(lèi)。

采用該方法，當(dāng)2個(gè)模板比較相似的時(shí)候，會(huì)出現(xiàn)誤判的現(xiàn)象。比如“A”和“4”，如果當(dāng)時(shí)的圖片采集環(huán)境很差或車(chē)牌本身有污損的時(shí)候，最小距離法有誤判的可能，這個(gè)時(shí)候可以采用模式識(shí)別中的k-近鄰法來(lái)實(shí)現(xiàn)。k-近鄰法是最近鄰法的擴(kuò)展，其基本規(guī)則是:在所有N個(gè)樣本中找到與測(cè)試樣本的k個(gè)最近鄰者，取k大者即為識(shí)別的字符。

本項(xiàng)目初始建立車(chē)牌字符特征向量模板庫(kù)時(shí)，首先需要采集大量的車(chē)牌圖片，提取特征向量加入模版庫(kù)，只有建立了較大規(guī)模的字符特征向量模版庫(kù)，才能夠保證較高的識(shí)別度。

2.3 車(chē)牌字符識(shí)別的特殊性

車(chē)牌字符可利用的規(guī)律如下:

1)第1個(gè)字符總是漢字。

2)第2個(gè)字符總是字母。

……

充分利用這些規(guī)律，可以在識(shí)別過(guò)程中加強(qiáng)判斷條件，以提高識(shí)別率。

3 結(jié)語(yǔ)

采用本文中介紹的方法進(jìn)行實(shí)驗(yàn)，對(duì)2 000個(gè)樣本進(jìn)行處理，識(shí)別正確1 958個(gè)，識(shí)別準(zhǔn)確率為97.9%，效果理想。［2-4］

［1］單瑾，周娟.一種基于二值圖像灰度變化特征的車(chē)牌定位方法［J］.成都電子機(jī)械高等專(zhuān)科學(xué)校學(xué)報(bào)，2009(3):30-33.

［2］安勇，張高偉.基于灰度圖像的車(chē)牌識(shí)別系統(tǒng)［J］.計(jì)算機(jī)工程與科學(xué)，2006，28(2):61-62，65.

［3］宋晨光，葉海建.基于數(shù)字形態(tài)學(xué)的車(chē)牌字符分割算法［J］.光電子技術(shù)與信息，2005，18(6):58-62.

［4］蘇厚勝.車(chē)牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.可編程控制器與工廠自動(dòng)化，2006(3):103-107.

［5］李孟歆，吳成東.基于分級(jí)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別算法［J］.計(jì)算機(jī)應(yīng)用研究，2009，26(5):1703-1705.

［6］崔江，王友仁.車(chē)牌自動(dòng)識(shí)別方法中的關(guān)鍵技術(shù)研究［J］.計(jì)算機(jī)測(cè)量與控制，2004，33(1):29-33.