車牌識別技術(shù)研究

摘 要：車牌識別技術(shù)問題是近年來智能交通系統(tǒng)技術(shù)研究的熱點問題，車牌識別技術(shù)主要包含三個部分：圖像預(yù)處理、車牌定位及校正、車牌文字識別。本文介紹了復(fù)雜背景下車牌識別系統(tǒng)的實現(xiàn)方法。

關(guān)鍵詞：車牌識別技術(shù)；智能交通；Mean Shit算法

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9599 （2013） 09-0000-02

隨著汽車在人們的工作、生產(chǎn)和生活中扮演著越來越重要的角色，汽車的保有量也在急速增加。由此帶來的交通管理問題也變得越來越復(fù)雜，智能交通系統(tǒng)的建立是最好的解決問題的方法。而車牌識別技術(shù)在智能交通系統(tǒng)中占有十分重要的地位。停車廠、收費站、生產(chǎn)企業(yè)的門禁管理都有車牌識別技術(shù)的身影。

在車輛車牌識別技術(shù)中的圖像提取、字符分割起、字符識別過程中，數(shù)字圖像處理技術(shù)起到了重要作用。但由于圖像提取現(xiàn)場可能存在因時間、光線、天氣的變化而造成的干擾使車牌成像效果較差的問題。所以目前現(xiàn)有的車牌識別系統(tǒng)都存在因環(huán)境變化而產(chǎn)生的識別率變化的問題。

1 車牌圖像預(yù)處理技術(shù)

車牌圖像預(yù)處理技術(shù)一般包括通過濾波技術(shù)、灰度化、圖像增強、數(shù)學(xué)形態(tài)學(xué)等。

1.1 濾波技術(shù)

在實際工作場景中采集到的數(shù)字圖像通常會因為外界環(huán)境、攝像設(shè)備、傳輸線路或保存精度等方面的原因，使其在進行預(yù)處理前受到各種噪聲的污染。并且在圖像處理過程中也可能會對圖像產(chǎn)生噪聲。噪聲與我們想要處理的圖像沒有任何關(guān)聯(lián)，還會對我們的處理產(chǎn)生不好的影響。所以，一般情況下我們會在進行圖像處理前對圖像采用濾波技術(shù)進行處理，常用的濾波方法有：中值濾波、均值濾波、高斯濾波等。

1.2 圖像增強算法

圖像的對比度不足是圖像處理的過程中經(jīng)常會遇到的問題。主要的原因是在獲取車牌圖像時受外界環(huán)境的影響。對比度不足的圖像會影響到圖像的后續(xù)處理效果，所以，一般情況下，在進行圖像處理前會使用灰度變換的方法來對圖像進行對比度增強處理，以達到改善視覺效果的目的。

1.3 數(shù)學(xué)形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)[1]是在1964年由法國巴黎礦業(yè)學(xué)院博士生賽拉（J. Serra）和導(dǎo)師馬瑟榮，在從事鐵礦核的定量巖石學(xué)分析及預(yù)測其開采價值的研究中提出的。數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和所用語言是集合論，因此它具有完備的數(shù)學(xué)基礎(chǔ)，這為形態(tài)學(xué)用于圖像分析和處理、形態(tài)濾波器的特性分析和系統(tǒng)設(shè)計奠定了堅實的基礎(chǔ)?；痉椒ㄊ抢靡粋€擁有一定形狀的結(jié)構(gòu)元素來檢測圖像的形狀和結(jié)構(gòu)。

1.4 Mean Shift算法

Mean Shift這個概念最早是1975年在一篇關(guān)于概率密度梯度函數(shù)的估計的文章中由Fukunaga等人提出來的，它的意思是偏移的均值向機構(gòu)量。一般是指一個迭代的步驟，即先算出當(dāng)前點的偏移均值，移動該點到其偏移均值，然后以此為新的起始點，繼續(xù)移動，直到滿足一定的條件結(jié)束。目前，Mean Shift算法較多地應(yīng)用到圖像聚類方面。

2 車牌的定位與校正

本章主要描述的是對已有車牌定位方法的研究，了解它們的算法原理及其優(yōu)缺點，并提出了一種效果更好適用范圍更廣的車牌識別系統(tǒng)方法，即將Mean Shift算法運用到車牌識別系統(tǒng)，然后在此基礎(chǔ)上對車牌進行校正。

2.1 車牌定位

車牌定位是指根據(jù)車牌圖像的區(qū)域特征來將車牌在圖像中的部分從背景圖像中分離開來，由于車牌區(qū)域在圖像特征主要包括顏色和形狀，車牌區(qū)域的顏色一般為藍色、黃色或白色，它們與圖像的背景顏色存在較大的差異。車牌的形狀一般為矩形。而車牌號在外形和排列上都存在規(guī)律性。車牌定位技術(shù)就是將上述特征經(jīng)過一定的變換與處理后，使之能作為車牌定位的依據(jù)。

常用的車牌定位的方法有基于顏色的方法、基于紋理特征的方法、基于數(shù)學(xué)形態(tài)學(xué)的方法、基于小波變換的方法等。這些車牌定位方法，都各自具有不同的局限性。使用Mean Shift算法進行車牌定位可以獲得比較好的效果。對于圖像空間的所有像素點，在經(jīng)過Mean Shift算法迭代后，如果最終收斂于同一點，則停止迭代。用同樣的方法對圖像空間中的所有像素點進行迭代遍歷，得出的結(jié)果根據(jù)收斂點的不同可以把整個空間分成幾個區(qū)域。這些區(qū)域即為可能的車牌區(qū)域，再通過上述特征在可能的車牌區(qū)域中進行對照分析，就可以得到車牌區(qū)域。

2.2 車牌校正

車牌校正是為了解決拍攝的車牌圖像因為角度問題，導(dǎo)致定位后的車牌傾斜，而傾斜的車牌會給車牌識別系統(tǒng)的后繼步驟增添麻煩，車牌校正是必須的。車牌校正是利用車牌區(qū)域的矩形序列分布同組成車牌號的字母、數(shù)字位置的分布基本一致的特征，找到了矩形序列中矩形左上角像素點排列的近似斜率，從而找出車牌區(qū)域的偏轉(zhuǎn)角度，完成車牌圖像區(qū)域的校正。

3 車牌的字符分割與字符識別

3.1 車牌字符分割

車牌字符分割主要后面的字符識別做準備，它是把車牌圖像區(qū)域中的字符和數(shù)字一一地分割開，以便于后續(xù)處理中對單個字符進行識別。字符分割的方法[2]主要有：基于連通域標記的字符分割算法、灰度垂直投影分割的方法等。

灰度垂直投影分割的方法是車牌字符分割處理中比較熱門的技術(shù)。李文舉[3]等在《種新的面向字符分割的車牌圖像預(yù)處理方法》一文中提出的算法步驟是：字符上下邊界的確定采用的是由中點到兩端搜索的方法；運用一維循環(huán)清零法對分離出的車牌號圖像區(qū)域進行垂直分割，從而得到車牌的單個字符；再對二值圖像進行垂直投影，若垂線上有亮點則將對應(yīng)的投影值設(shè)為1，否則為0，得到垂直投影矩陣。如果是車牌字符的話，則在生成的垂直投影矩陣上應(yīng)該是連續(xù)的1。如果是字符之間的間隔的話，則應(yīng)該是連續(xù)的0值，噪聲點可能會出現(xiàn)單個的1和0值。在對矩陣進行掃描后，就可以識別出字符區(qū)和間隔區(qū)。

3.2 車牌的字符識別

車牌字符識別是將分割開的單個字符進行匹配判斷。常用的車牌字符識別方法主要有：基于模板的識別算法、基于BP神經(jīng)網(wǎng)絡(luò)的識別算法等。

基于模板的識別算法由于其處理速度快、識別率高的特點為大多數(shù)設(shè)計所采用。它是把分割后的單個字符區(qū)域與預(yù)置的標準字符集進行匹配處理，取標準字符集中相似度最大的字符作為識別結(jié)果。這種算法的處理步驟是：將單個字符圖像區(qū)域進行二值化并改變字符大小，使之與字符集中的字符大小相同，然后再進行匹配操作，篩選出相似首先需要有字符模板庫，將待識別的字符進行二值化后，將其大小變成字符模板庫中字符大小，然后與庫中的字符進行匹配，以相似度最高的字符為最終結(jié)果。因為算法簡單所以算法的速度較快，只要在前期的預(yù)處理中降噪做得比較好，這種算法的識別率也相對較高，是一種簡單、快速、有效的字符識別技術(shù)，商用價值較高。

從目前研究情況盾來，由于車牌圖像拍攝環(huán)境的復(fù)雜性和多變性，在選擇及判斷識別技術(shù)的好壞時具有一定的難度，現(xiàn)有的一些方法也存在不足。而智能化交通系統(tǒng)對車牌識別技術(shù)的需求卻十分急迫。因此，需要我們進一步深入研究更有效的車牌識別技術(shù)，以使車牌識別系統(tǒng)更加完善。

參考文獻：

[1]戴青云，余英林.數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用進展[J].控制理淪與應(yīng)用，2001，1，18（4）：478-482.

[2]左望霞.復(fù)雜背景下多車牌圖像分割技術(shù)研究[D].電子科技大學(xué)碩士學(xué)位論文，2006.

[3]李文舉，梁德群，崔連延，畢勝.一種新的面向字符分割的車牌圖像預(yù)處理方法[J].計算機應(yīng)用研究，2004（7）：258-260.

[作者簡介]王超（1973.8-），男，重慶江津人，講師，研究方向：智能算法，軟件工程。