基于幾何特征的車牌識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究*

楊曉玲

（閩南理工學(xué)院電子與電氣工程系，福建 石獅 362700）

0 前言

車輛牌照識(shí)別（License Plate Recognition，LPR）[1]作為現(xiàn)代交通管理智能化重要手段，是智能交通與智能監(jiān)測(cè)、控制的重要環(huán)節(jié)之一。完整的車牌識(shí)別系統(tǒng)（如圖1所示）主要由車牌預(yù)處理、車牌定位、車牌字符分割這三個(gè)核心環(huán)節(jié)組成。在整個(gè)識(shí)別系統(tǒng)中，車牌區(qū)域的準(zhǔn)確定位最為關(guān)鍵，它是車牌識(shí)別系統(tǒng)的先決環(huán)節(jié)；其次尤為重要的是車牌字符分割，其精確的結(jié)果保證了整個(gè)車牌識(shí)別系統(tǒng)的完整。

1 車牌識(shí)別系統(tǒng)程序設(shè)計(jì)與仿真實(shí)現(xiàn)

1.1 車牌圖像預(yù)處理

本設(shè)計(jì)需要對(duì)車牌圖像進(jìn)行預(yù)處理主要有兩個(gè)原因。一方面，由于車牌圖像在采集與獲取的過(guò)程中容易受到惡劣天氣、車輛運(yùn)動(dòng)、儀器設(shè)備噪聲干擾等外界因素的不良影響，需要對(duì)獲得的車牌圖像進(jìn)行濾波去噪操作；另一方面，本研究在車牌定位環(huán)節(jié)利用的是車牌區(qū)域的矩形結(jié)構(gòu)和周長(zhǎng)、面積為恒值并匹配的幾何特征方法實(shí)現(xiàn)，它必須先保證車牌區(qū)域具有連通特性，因而采用數(shù)學(xué)形態(tài)學(xué)的方法來(lái)獲得車牌區(qū)域的連通效果[2]。

圖1 車輛牌照識(shí)別系統(tǒng)

在圖像增強(qiáng)理論中，用圖像平滑技術(shù)去除圖像噪聲主要有鄰域平均法和中值濾波兩種方法。本研究采用的是中值濾波進(jìn)行車牌圖像去噪，因?yàn)橹兄禐V波相比于鄰域平均法更適合消除圖像的孤立噪聲點(diǎn)，同時(shí)又能保持圖像的細(xì)節(jié)[3]。這與干擾車牌圖像的噪聲類型是一致的，同時(shí)保留車牌字符的重要細(xì)節(jié)信息。

把獲取的24位RGB彩色車牌圖像進(jìn)行灰度化處理，以便下一步在Matlab實(shí)驗(yàn)平臺(tái)上可以對(duì)圖像進(jìn)行中值濾波操作。其核心程序語(yǔ)句及運(yùn)行結(jié)果（如圖2）如下：

im＿gray＝rgb2gray(im);%對(duì)原圖像進(jìn)行灰度化

im＿gray＝medfilt2(im＿gray，[3，3]);%對(duì)圖像進(jìn)行中值濾波

數(shù)學(xué)形態(tài)學(xué)是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀，以達(dá)到對(duì)圖像分析和識(shí)別的目的[4]。它由一組形態(tài)學(xué)的代數(shù)運(yùn)算組成，基本的運(yùn)算有4個(gè)：膨脹、腐蝕、開啟和閉合，本設(shè)計(jì)主要采用腐蝕和膨脹運(yùn)算。

膨脹是把圖像區(qū)域周圍的背景點(diǎn)合并到區(qū)域中，其結(jié)果使區(qū)域的面積增大相應(yīng)數(shù)量的點(diǎn)。膨脹運(yùn)算將相鄰的物體連接起來(lái)，其集合語(yǔ)言的定義為： X⊕S＝｛x|S+x?x≠?｝。

圖2 車牌圖像去噪

腐蝕的作用是消除物體所有的邊界點(diǎn)，腐蝕算法可用來(lái)消除物體之間的粘連，還可用來(lái)識(shí)別物體。其集合語(yǔ)言的定義為：XΘS＝｛x|S+x?X｝。

根據(jù)車牌圖像的結(jié)構(gòu)特點(diǎn)用sobel算子對(duì)已濾波的車牌圖像進(jìn)行邊緣檢測(cè)，得到圖像的主要輪廓，然后先選擇一個(gè)半徑比較大的結(jié)構(gòu)元素S對(duì)圖像進(jìn)行膨脹腐蝕，根據(jù)其輸出結(jié)構(gòu)進(jìn)一步逐次修正S的大小進(jìn)行對(duì)圖像進(jìn)行膨脹和腐蝕運(yùn)算[8]。最后再對(duì)邊界圖進(jìn)行小區(qū)域連通，使車牌區(qū)域連通為一個(gè)方塊。核心程序和運(yùn)行結(jié)果（如圖3）如下：

BW＝edge(im＿gray，＇sobel＇);%找出圖像邊緣

[imx，imy]＝size(BW);%計(jì)算圖像大小

B0＝conv2(double(BW)，double(msk));%對(duì)邊緣區(qū)域進(jìn)行加強(qiáng)

圖3 車牌圖像的連通區(qū)域?qū)崿F(xiàn)

B6＝imerode(B5，s);

%對(duì)邊界圖進(jìn)行小區(qū)域連通，使車牌區(qū)域連通為一個(gè)方塊

[B，L]＝bwboundaries(B6，4);

imshow(label2rgb(L， @jet， [.5.5.5]));title(＇邊界圖連通后的圖像＇);%對(duì)連通區(qū)域進(jìn)行標(biāo)記

1.2 車牌定位

車牌區(qū)域的準(zhǔn)確定位是整個(gè)車牌識(shí)別系統(tǒng)獲取車牌的先決條件，而我國(guó)的車牌都具有以下兩個(gè)幾何特征[6-7]：

（1）車牌區(qū)域?yàn)榫匦谓Y(jié)構(gòu)，且長(zhǎng)寬固定，長(zhǎng)寬比＝4.5∶1；

（2）車牌的周長(zhǎng)與面積的平方滿足：[2×(4.5+1)×L]2/(4.5×L2)≈27， L為車牌的寬度。

本研究的車牌定位環(huán)節(jié)用到的數(shù)學(xué)公式有：

（1）用質(zhì)心確定位置：

（3）區(qū)域周長(zhǎng)計(jì)算：邊界點(diǎn)數(shù)之和。

核心的程序語(yǔ)句及仿真結(jié)果（如圖4）如下：

stats＝regionprops(L，＇Area＇，＇Centroid＇);%找到每個(gè)連通域的質(zhì)心

perimeter＝sum(sqrt(sum(delta＿sq，2)));%計(jì)算邊界周長(zhǎng)

area＝stats(k).Area;%獲取邊界所圍面積

metric＝27*area/perimeter＾2;%計(jì)算匹配度

[a，b]＝size(g);

for i＝a/2:-1:1%從圖像水平中軸開始向上掃描，當(dāng)白點(diǎn)數(shù)少于每行總點(diǎn)數(shù)的1/10時(shí)，停止掃描，并將該行定義為車牌字符區(qū)域的上限

for i＝a/2:a%從圖像水平中軸開始向下掃描，當(dāng)白點(diǎn)數(shù)少于每行總點(diǎn)數(shù)的1/10時(shí)，停止掃描，并將該行定義為車牌字符區(qū)域的下限

goal＝g(line＿up:line＿down，1:b);%根據(jù)之前定義的上下限截取車牌字符區(qū)域

圖4 車牌區(qū)域定位

1.3 車牌字符分割

車牌字符分割在車牌定位之后，車牌字符的字體為印刷體，字體固定，字符顏色與背景顏色反差很大，而且字母和數(shù)字具有豎連通的特性。由于字符顏色與背景顏色反差很大，宇符提取一般以處理二值圖為主。字符分割的難點(diǎn)在于當(dāng)圖像質(zhì)量差別較大，部分車牌字符和背景對(duì)比度小時(shí)，二值化后，字符容易與背景融合在一起；此外，當(dāng)車牌污損或者車牌圖片傾斜較大時(shí)，車牌的二值圖中的字符可能存在粘連，造成車牌字符分割錯(cuò)誤。以前的字符分割算法主要有固定邊界分割、投影分割、連通區(qū)域分割等[8-9]。因?yàn)檐嚺谱址g間隔較大，不會(huì)出現(xiàn)字符粘連，同時(shí)尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要進(jìn)行字符分割[10]。核心的程序語(yǔ)句及仿真結(jié)果（如圖5）如下：

%尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割

圖5 車牌字符分割

2 結(jié)論

本文針對(duì)現(xiàn)有車牌識(shí)別算法的一些不足，提出了基于灰度圖像幾何特征的車牌圖像預(yù)處理、車牌區(qū)域準(zhǔn)確定位和車牌字符分割的方法，并以Matlab為開發(fā)平臺(tái)完成了車牌識(shí)別系統(tǒng)的三個(gè)關(guān)鍵環(huán)節(jié)。較好地解決了車牌圖像背景復(fù)雜、抗噪性能低等問(wèn)題，提高了車牌定位的準(zhǔn)確性和車牌字符分割的精確性。與傳統(tǒng)的運(yùn)用幾何特征進(jìn)行車牌識(shí)別系統(tǒng)設(shè)計(jì)的相關(guān)方法相比，該研究使用的方法性能穩(wěn)定，車牌定位和字符分割準(zhǔn)確性高，在工程實(shí)踐中有很好的應(yīng)用前景。

［1］姚振杰，易衛(wèi)東.一種用于車牌識(shí)別的圖像超分辨率算法［J］.中國(guó)科學(xué)院研究生院學(xué)報(bào)，2013（1）：165-167.

［2］V Loumos，E Kayafas.A License Plate Recognition Algorithm for Intelligent Transp-ortation System Applications［J］.IEEE Intelli-gent Transportation Systems Society，2006，7（11）：1524-9050.

［3］李云紅，屈海濤.數(shù)字圖像處理［M］.北京：北京大學(xué)出版社，2012.

［4］張弘.數(shù)字圖像處理及分析［M］.北京：機(jī)械工業(yè)出版社，2007.

［5］李志強(qiáng)，李涌斌.車牌識(shí)別技術(shù)的發(fā)展及研究現(xiàn)狀［J］.科技信息，2012（5）：134-135.

［6］李雄.幾何特征形態(tài)學(xué)車牌識(shí)別系統(tǒng)研究［J］.計(jì)算機(jī)仿真，2012（4）：354-355.

［7］王允強(qiáng)，吳濤，張方方.基于數(shù)學(xué)形態(tài)學(xué)的實(shí)用車牌定位算法及實(shí)現(xiàn)［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2010（11）：230-234.

［8］劉爽.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位識(shí)別系統(tǒng)設(shè)計(jì)［J］.自動(dòng)化與儀器儀表，2012（6）：218-219.

［9］馬爽，樊養(yǎng)余，雷濤，等.一種基于多特征提取的實(shí)用車牌識(shí)別方法［J］.計(jì)算機(jī)應(yīng)用研究，2013（6）：256-257.

［10］Kim K I，Kwon Y.Single-image super-resolution using sparse regression and natural image prior［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence.2010，32（6）：1102-1209.