車牌識別系統(tǒng)研究

陶恂 楊敏

(1.上海電機學院，上海 200240;2.上海電氣自動化設(shè)計研究所有限公司，上海 200023)

車牌識別系統(tǒng)研究

陶恂1楊敏2

(1.上海電機學院，上海 200240;2.上海電氣自動化設(shè)計研究所有限公司，上海 200023)

車牌識別系統(tǒng)是智能交通系統(tǒng)(ITS)的一個重要組成部分，一個典型的車牌識別系統(tǒng)一般包括圖像預(yù)處理、車牌定位與提取、字符分割和字符識別等幾大模塊。根據(jù)實際應(yīng)用情況，對目前使用的車牌識別關(guān)鍵技術(shù)、算法進行了簡要的總結(jié)和詳細的分析。

車牌識別 車牌定位 字符分割

0 引言

隨著計算機和視頻技術(shù)的發(fā)展，車牌自動識別系統(tǒng)己成為智能交通系統(tǒng)的重要組成部分，并已廣泛應(yīng)用于車輛追查和跟蹤、車輛出入控制、公路收費監(jiān)控等領(lǐng)域。一個車牌識別系統(tǒng)的組成主要有這幾個各部分:圖像采集、圖像預(yù)處理、車牌提取、字符分割、文字識別、結(jié)果優(yōu)化處理［1］。目前國內(nèi)外已有很多專業(yè)人員開展了車牌識別技術(shù)的研發(fā)和探索，并取得了一定的成果，在不同的處理階段提出了很多新的技術(shù)和改進算法，不斷推動著車牌自動識別技術(shù)的發(fā)展。

一種車牌識別系統(tǒng)的優(yōu)劣主要從識別速度、識別率和適應(yīng)性等方面進行判定。車牌識別技術(shù)的主要難度在于車身周圍環(huán)境的不確定性;車牌字跡的模糊、磨損;車牌文字的特殊組成(漢字，字母和數(shù)字)等因素。因此車牌識別技術(shù)要符合實際環(huán)境的要求，在不斷的實踐運用中積累經(jīng)驗，改進和提高相關(guān)技術(shù)水平，以適應(yīng)對車牌高速、準確的識別要求。

1 車牌圖像的輸入

1.1 攝像頭的要求

車輛識別系統(tǒng)中的車輛圖像是通過圖像采集卡將運動的車輛抓拍下來，并以位圖的格式存放在系統(tǒng)內(nèi)存中的。為了盡量獲取到較清晰的車牌圖像畫面，攝像頭應(yīng)設(shè)置為手動1/1000以上，快門速度太低無法清楚地拍攝運動的物體。在保證圖像亮度不是太低，并且圖像噪聲不高的情況下，快門速度應(yīng)該盡可能快，這樣可以保證高的圖畫質(zhì)量。

鏡頭焦距應(yīng)設(shè)置為手動，調(diào)整攝像頭的位置，使車牌在圖像中盡量水平。鏡頭光圈應(yīng)可設(shè)置為自動，圖像不能太亮，稍微偏暗點對識別有利，鏡頭的焦距越遠識別越好。

1.2 攝像頭圖片傳輸流程

將獲取的圖像按照下面的流程進行傳輸。

圖1 攝像頭圖片傳輸流程圖

通過雷達(及線圈)的檢測，根據(jù)車速觸發(fā)抓拍攝像機連拍，篩選后對清晰度較高的圖像進行車牌過濾，識別出的圖像保存在計算機及存儲介質(zhì)中。

2 車牌圖像的定位

國內(nèi)外車牌定位的方法有很多，如基于特征的車牌定位算法;基于變換函數(shù)獲取車牌的定位算法;基于水平線搜尋的定位方法;基于掃描行的車牌提取方法等等。這些定位方法在不同的環(huán)境背景下都存在著一定的局限性和不確定性，不能滿足目前復(fù)雜背景、多重干擾的場合要求。

通過實踐證明改進原有的車牌定位算法，采取該方法后，能夠提高車牌定位的準確性。首先對讀入的圖像進行灰度化、灰度拉伸，選擇圖像差分的邊緣檢測，然后采用改進的投影法對圖像進行水平定位，在粗定位的基礎(chǔ)上進行車牌精確定位，最后采用投影法對圖像進行垂直定位，確定車牌區(qū)域。

2.1 圖像的預(yù)處理

一般情況下，由CCD采集到的圖像會有不理想的情況，如光線過強，或者偏弱，這些都會對后續(xù)的圖像處理產(chǎn)生影響。且車牌位于車身下部，靠近散熱片，對比度較差，如果直接對灰度圖像進行定位會有較大的困難，為了獲得較好處理的灰度圖像，在對CCD采集的原始圖像進行灰度化后，其灰度要轉(zhuǎn)換。

首先對圖像灰度拉伸，使灰度級占據(jù)0－255整個區(qū)域，這樣減少了光線過強，或者偏弱時造成的灰度級過少。直接采用直方圖均衡化的方式，處理簡單，運算量小，效果較理想。

2.2 邊緣提取

邊緣提取的最大好處就是能夠突出邊緣區(qū)域，并使背景圖像中無關(guān)的部分暗淡。車牌部分是邊緣相對集中的區(qū)域，在對其邊緣分割后，可看到車牌部分很明顯的突現(xiàn)出來。實現(xiàn)方法中，采用了水平差分算法，它利用圖像后一列像素減去前一列像素，從而得到邊緣圖像，再對所得的圖像進行二值化處理。實驗結(jié)果如圖2所示。

由圖2可見，圖像經(jīng)過差分二值后，車牌區(qū)域明顯可見。

圖2 邊緣提取后的圖像

2.3 車牌邊界的確定

車牌由字符、背景和邊框組成，提取圖像的邊緣圖像后，字符與背景處形成了較強的邊緣。通常車牌位于汽車緩沖器上或附近，靠近整幅圖像的下部，再往下便是路面，路面比較光滑，故可在邊緣提取時就很有效的將這部分雜質(zhì)過濾除掉，使干擾圖像的噪聲處于車牌之上，如車燈，或散熱片。由此，采用由下而上的掃描方法，對邊緣圖像的象素沿水平方向累加產(chǎn)生一個投影圖，如圖3所示。可以看出有車牌字符的地方，灰度值較高，且處于圖像的下部。由此，先進行粗略定位，找尋水平投影圖大于3分之2最大值的點，找到該點對應(yīng)的橫坐標的最大值，記錄坐標，該點記為車牌的下邊界。根據(jù)車牌的幾何特征(在初始處對圖像進行歸一化處理統(tǒng)一成1000×800的大小)，車牌高度大約占100個像素，考慮到噪聲等因素的影響，粗略將上下邊界分別定義為最大值－120，最大值+50。在上下界粗定位的基礎(chǔ)上進行精細定位，即對圖像再進行水平投影，找尋大于三分之二最大值的點，記錄該點所對應(yīng)的橫坐標的最大值和最小值，此兩點即為車牌的上下邊界點，如圖4所示。

在定位出上下邊界后，再對特征圖像進行垂直投影，對投影圖進行處理，重復(fù)水平定位的理念，找尋大于三分之二最大值的點所對應(yīng)的橫坐標的最大值和最小值，即為車牌的左右邊界點，完成定位。為之后方便處理字符識別，可根據(jù)找尋的邊界點，對該灰度增強后的圖進行定位，如圖5所示。

圖5 垂直投影圖

3 字符識別

目前，字符識別主要有基于人工神經(jīng)網(wǎng)絡(luò)算法和基于模板匹配算法?；谀０迤ヅ渌惴ㄊ窍葘⒎指詈蟮淖址祷瑢⑵涑叽绱笮】s放為字符數(shù)據(jù)庫中的模板大小，然后與所有的模板進行匹配，最后選最佳匹配作為結(jié)果。實踐運用中得到驗證，采用并改進基于模板匹配算法，能較好的識別車牌字符。

3.1 二值轉(zhuǎn)換

前面的車牌定位時已經(jīng)將二十四位真彩圖像轉(zhuǎn)換成八位灰色圖像，用一個字節(jié)表示一個像素點，即一個字節(jié)能表示256種灰度，這對于提取出字符特征，是比較困難的，需要做進一步的變換，將灰色圖像轉(zhuǎn)化為黑白二色圖像，這個轉(zhuǎn)換過程稱作二值轉(zhuǎn)換。常用的車牌圖像二值化方法是將各個像素灰度值與一個經(jīng)驗值(常稱閾值)相比較，如果該值少于閾值，則灰度值取“0”(即黑色)，否則為“255”(即白色)［2］。通常根據(jù)該車牌灰色圖像的直方圖獲得最大和最小灰度值，并設(shè)定閾值為最小和最大灰度值的平均值，然后通過這二個區(qū)域的灰度迭代出最佳閾值［3］。但實際操作中，二值化轉(zhuǎn)換需要分區(qū)進行，否則會形成字符筆畫加粗和斷裂等情況。

在實際操作中采用的轉(zhuǎn)換算法:在8位灰度圖像中，一個像素點占用一個字節(jié)，即0－255，為區(qū)分特征區(qū)域(即需要識別的字符)和非特征區(qū)域(即字符外的背景區(qū)域)，需要用閾值區(qū)分，大于閾值則為255，小于則為0。在單一的拍攝條件下，取唯一一個閾值即可完成區(qū)分特征區(qū)域的工作，但是由于光線和色彩對圖像的影響，唯一閾值會因圖像的整體灰度值太低(比如由于圖像太暗造成)或太高而不能完全區(qū)分。所以確定這個閾值需根據(jù)整個畫面的灰度狀態(tài)來確定，這里使用的是 OTSU自動閾值算法［4］。

OTSU算法具體步驟如下:設(shè)圖象包含L個灰度級(0，1…，L－1)，灰度值為i的象素點數(shù)為Ni，圖象總的象素點數(shù)為N=N0+N1+...+N(L－1)?；叶戎禐閕點的概率為

門限t將整幅圖象分為暗區(qū)c1和亮區(qū)c2兩類，則類間方差σ是t的函數(shù):

式中，aj為類cj的面積與圖象總面積之比，a1=sum(P(i))i－ ＞t，a2=1－a1;uj為類 cj的均值，u1=sum(i*P(i))/a1 0 －＞t，

具體實現(xiàn)的源代碼(C語言代碼)如下:

圖6和圖7為不同情況下效果圖與原圖比較:

3.2 字符分割

經(jīng)過二值化后的圖像仍會有斑點，噪聲，可采用融合的方法加以處理。

(1) 先取出大于顆粒的特征，顆?？扇?X5～10X10個像素點，這樣可直接過濾小噪聲。

(2) 將連續(xù)取出的特征合并，成為一個個連續(xù)的區(qū)域(即圖中的小方塊)，如下圖8所示

圖8 字符分割示意圖1

(3) 將符合條件的區(qū)域再次合并，這些區(qū)域需要滿足重心在平均寬高的區(qū)域內(nèi)，合并需要滿足兩個區(qū)域之間的距離小于10個像素，合并后，如下圖9所示:

圖9 字符分割示意圖2

3.3 歸一化

因掃描得到的圖像字符大小存在較大的差異，統(tǒng)一尺寸有助于字符識別的準確性，提高識別率，從而與模板進行匹配。歸一化主要包括位置歸一化、大小歸一化及筆劃粗細歸一化(常用細化算法)。在此對大小歸一化。對不同大小的字符進行變換，使之成為同一尺寸大小的字符，這個過程稱為字符大小歸一化。歸一化后，許多特征就可用于識別不同字號混排的字符［5］。

首先對圖像二值化處理(此處的閾值根據(jù)大津法得到)，然后將字符的外邊框按比例線性放大或縮小成為規(guī)定尺寸的字符。為了之后模板匹配的處理，對二值化的圖像進行反二值化處理(把原來數(shù)值為0的點變?yōu)?55，255的變?yōu)?，即黑白顛倒一下)，如圖10所示。

圖10 圖像歸一化

3.4 匹配識別字符

識別分割后字符的方法主要有以下幾種方法［6，7］:

(1)利用字符的結(jié)構(gòu)特征和變換(如Fourier變換、Karhunen-Loeve變換等)進行特征提取。該方法對字符的傾斜、變形都有很高的適應(yīng)性，但運算量大，對計算機性能的要求較高。

(2)利用字符統(tǒng)計特征進行特征提取。如提取字符的投影特征、網(wǎng)格特征和輪廓特征組成字符特征矢量進行匹配的方法，識別率較高。

(3)基于字符結(jié)構(gòu)分析的識別方法。該方法可識別有較大旋轉(zhuǎn)、變形、縮放的字符圖像，但需進行復(fù)雜的字符筆劃分析和抽取，對字符圖像質(zhì)量要求較高。

(4)模板匹配法。由于車輛牌照字符中只有26個大寫英文字母、10個阿拉伯數(shù)字和約50個漢字，所以字符集合較小，該方法對于有一定變形、污損或筆畫缺損的字符圖像有較好的識別效果，總體識別率較高，同時也能滿足實時性的要求。

經(jīng)過實驗分析，采用模板匹配算法，將分割出來的字符圖像與模板圖像相減，差值最小的便是與之匹配的模板，從而識別出字符。

4 結(jié)束語

車牌識別系統(tǒng)的關(guān)鍵技術(shù)是車牌區(qū)域定位和字符識別，本文對這兩大模塊進行了設(shè)計總結(jié)。通過實踐應(yīng)用，闡述了這兩大技術(shù)的要點和改進措施，以及在實踐應(yīng)用中的可行性。為在不同環(huán)境下達到更準確、更快速的車牌識別目標提供了一定的參考基礎(chǔ)。

［1］陸福宏.車牌識別技術(shù)在智能交通系統(tǒng)的應(yīng)用研究［J］.中國科技博覽，2010(12):302.

［2］彭健敏.車牌識別中的車牌定位與字符識別技術(shù)研究及實現(xiàn)［D］.長沙:湖南大學，2006:9－10.

［3］孔平，嚴廣樂，戴秦，等.基于分形維數(shù)的車牌識別二值化算法［J］.計算機工程與應(yīng)用，2007，43(30):184 －185，248.

［4］ Otsu N.A Threshold Selection Method from Gray-Level Histograms［J］.IEEE Transactions，Systems，Man and Cybernetics，1979，9(1):62－66.

［5］李波，曾致遠，周建中，等.一種車牌自動識別系統(tǒng)設(shè)計方法［J］.計算機應(yīng)用研究，2006(10):156 －158，162.

［6］李孟歆，吳成東.基于分級網(wǎng)絡(luò)的車牌字符識別算法［J］.計算機應(yīng)用研究，2009(5):1703－1705.

［7］徐應(yīng)濤，陸福宏，張瑩.基于填充函數(shù)法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別算法［J］.計算機工程與科學，2009(5):59－61.

License Plate Recognition System Design and Realization

Tao Xun Yang Min

(1.ShanghaiDianjiUniversity，Shanghai200240，China;2.ShanghaiElectricalAutomationD＆RInstituteShanghai200023，China)

license plate recognition system is the important part of the Intelligent Transport System(ITS)，a typical license plate recognition system Generally include image preprocessing，license plate location and extraction，character segmentation and character recognition，and othermajormodules.A brief summary of these existing key technologies，a brief summary of the algorithm from this thesis，and analyze their advantages and disadvantages.

License plate recognition license plate loc alization character segmentation

TP391.4

A

1000－3886(2011)04－0077－04

2011－02－14

陶恂，(1967－)，女，江蘇人，講師，研究方向:計算機應(yīng)用和圖像處理。 楊敏，(1984－)，女，上海人， 研究方向:自勸控制。