一種基于特征點(diǎn)的車牌識(shí)別改進(jìn)算法

常學(xué)義,馮濤

(上海第二工業(yè)大學(xué)電子與電氣工程學(xué)院,上海201209)

一種基于特征點(diǎn)的車牌識(shí)別改進(jìn)算法

常學(xué)義,馮濤

(上海第二工業(yè)大學(xué)電子與電氣工程學(xué)院,上海201209)

車牌識(shí)別技術(shù)已經(jīng)成為公路交通自動(dòng)控制與管理(RTACM)以及智能運(yùn)輸系統(tǒng)(ITS)中的一個(gè)重要組成部分。提出一種基于特征點(diǎn)的車牌識(shí)別改進(jìn)算法,利用車牌的紋理特征和形狀特征定位車牌區(qū)域,采用垂直投影分割車牌字符,通過(guò)統(tǒng)計(jì)特征點(diǎn)進(jìn)行字符識(shí)別。實(shí)驗(yàn)結(jié)果表明,該算法能顯著提高由于拍攝角度引起的車牌圖像中字符拉伸、變形等情況下的識(shí)別率,同時(shí)縮短了識(shí)別時(shí)間。

特征點(diǎn);車牌定位;字符分割;自/互相關(guān)

0 引言

汽車作為現(xiàn)代主要交通工具之一,在人們?nèi)粘Ｉa(chǎn)、生活中被廣泛使用。隨著汽車數(shù)量的迅速增加,交通壓力也越來(lái)越大。公路交通自動(dòng)控制與管理(RTACM)以及智能運(yùn)輸系統(tǒng)(ITS)是一種新的管理系統(tǒng),其中的車牌識(shí)別技術(shù)成為圖像處理和模式識(shí)別技術(shù)研究中的熱點(diǎn)[1]。通常,車牌自動(dòng)識(shí)別系統(tǒng)框架可分為3部分:①對(duì)采集的車牌圖像作預(yù)處理(圖像銳化、圖像二值化、濾波等);②在復(fù)雜背景中確定汽車的車牌位置;③對(duì)車牌中的字符進(jìn)行分割、特征提取和識(shí)別。

目前在實(shí)際應(yīng)用中由于拍攝位置、角度等原因,導(dǎo)致圖像經(jīng)常發(fā)生旋轉(zhuǎn)、拉伸或模糊不清的現(xiàn)象,采用傳統(tǒng)的車牌識(shí)別算法往往會(huì)出現(xiàn)定位不準(zhǔn)、識(shí)別率較低,誤差較大的問(wèn)題。本文采用的是以投影方式定位、分割車牌,提取車牌字符的特征點(diǎn),并利用提取的特征點(diǎn)的自相關(guān)性和互相關(guān)性進(jìn)行字符識(shí)別的算法。該算法能提高由于拍攝角度引起的車牌字符拉伸、變形等情況下的識(shí)別率,是一種能在復(fù)雜背景下實(shí)現(xiàn)車牌快速準(zhǔn)確自動(dòng)定位、分割及識(shí)別的算法。

1 傳統(tǒng)車牌識(shí)別算法介紹

完整的車牌識(shí)別的流程如圖1所示。

圖1 車牌識(shí)別流程Fig.1 The processing of license plate recognition

目前傳統(tǒng)的車牌識(shí)別主要有結(jié)構(gòu)模式識(shí)別法、模板匹配法、神經(jīng)網(wǎng)絡(luò)法和13特征點(diǎn)提取方法等算法,但在識(shí)別速度和容錯(cuò)能力上都有各自的優(yōu)勢(shì)和局限性。

(1)結(jié)構(gòu)模式識(shí)別法,主要通過(guò)細(xì)化處理抽取筆劃、字符輪廓結(jié)構(gòu)、字符圖像關(guān)鍵特征點(diǎn)進(jìn)行車牌識(shí)別。其缺陷是對(duì)于漢字字符的斷裂、傾斜、扭曲、粘連等情況,不能完好提取結(jié)構(gòu)基元,所以單純采用結(jié)構(gòu)模式的方法會(huì)導(dǎo)致識(shí)別率偏低。

(2)模板匹配法[2],不需要提取某一特征值,而是將字符圖像直接作為特征模板與字典中的模板相配比,相似度高的模板對(duì)應(yīng)的字符類就是識(shí)別結(jié)果。這種方法簡(jiǎn)單易行,可以并行處理,但由于一個(gè)模板只能識(shí)別同樣大小、同種字體的字符,對(duì)于傾斜、筆劃粗細(xì)不規(guī)則的字符沒(méi)有很好的自適應(yīng)能力。

(3)神經(jīng)網(wǎng)絡(luò)法[3],可大規(guī)模并行處理信息,具有良好的自適應(yīng)、自組織能力,在數(shù)字和英文字母等效規(guī)模字符集的識(shí)別中,取得了很大的成功,但由于其結(jié)構(gòu)非常復(fù)雜,運(yùn)算較為耗時(shí)成為其缺陷。

(4)13特征點(diǎn)提取方法[4],即從每個(gè)字符中提取13個(gè)特征點(diǎn)。首先把字符平均分成8份,統(tǒng)計(jì)每一份目標(biāo)像素點(diǎn)的個(gè)數(shù)作為8個(gè)特征點(diǎn);然后統(tǒng)計(jì)水平方向中間兩行和豎直方向中間兩列的目標(biāo)像素點(diǎn)的個(gè)數(shù);最后統(tǒng)計(jì)所有目標(biāo)像素點(diǎn)的個(gè)數(shù)作為第13個(gè)特征。利用得到的13個(gè)特征點(diǎn)進(jìn)行字符識(shí)別。

13特征點(diǎn)提取方法在車牌字符識(shí)別中有著較好的適應(yīng)性,算法也較為簡(jiǎn)單,因而常見(jiàn)于實(shí)際應(yīng)用中。但是,由于在車牌圖像獲取的過(guò)程中,不可避免地會(huì)產(chǎn)生傾斜、拉伸、壓縮等形變,這時(shí)使用13特征點(diǎn)法就會(huì)增大誤差,從而導(dǎo)致識(shí)別率的降低,在此情況下,識(shí)別率通常會(huì)降低5%～15%。

2 基于特征點(diǎn)的車牌識(shí)別算法

2.1 車牌定位

先將讀入的圖像轉(zhuǎn)為灰度圖像,如圖2(a)所示,然后采用公式(1)作為邊緣增強(qiáng)算子,按列計(jì)算圖像邊緣增強(qiáng)后的歸一化灰度值edge,g是指垂直方向相鄰像素的變化率。

定義g:g=abs(f(xn,yn+1)-f(xn,yn)),n= 1,2,···,w(w為圖像列寬度),則有

圖像增強(qiáng)邊緣如圖2(b)所示,對(duì)其進(jìn)行腐蝕、膨脹等數(shù)學(xué)形態(tài)學(xué)處理,根據(jù)圖像區(qū)域連通性的原理,將小面積雜質(zhì)圖像剔除,得到如圖2(c)所示的圖像。根據(jù)公式(2)求得圖2(c)中的連通區(qū)域,并進(jìn)行相鄰區(qū)域合并,進(jìn)一步縮小車牌候選區(qū)域的數(shù)量。

圖2 車牌定位過(guò)程:(a)轉(zhuǎn)換后的灰度;(b)邊緣增強(qiáng)后;(c)數(shù)學(xué)形態(tài)學(xué)處理后;(d)車牌的正確位置Fig.2 The processing of license plate position:(a)The gray image of license plate;(b)The image of license plate enhanced;(c)The image processing by mathematical morphology;(d)The correct position of the license plate

其中,I為整個(gè)圖像,SE是一個(gè)適當(dāng)?shù)慕Y(jié)構(gòu)元素。然后根據(jù)車牌的長(zhǎng)寬比、面積比等特征值進(jìn)行綜合判斷,得到車牌的正確位置,如圖2(d)所示。

2.2 車牌分割

截取到車牌圖像以后,進(jìn)一步對(duì)圖像進(jìn)行分割,提取單個(gè)字符區(qū)域進(jìn)行字符識(shí)別?，F(xiàn)有的牌照有4種類型:①小功率汽車所用的藍(lán)底白字牌照;②大功率汽車所用的黃底黑字牌照;③軍用或警用的白底黑字、紅字牌照;④國(guó)外駐華機(jī)構(gòu)用的黑底白字牌照[5]。這4種車牌具有的相同特點(diǎn)是:車牌長(zhǎng)度均為45 cm,寬度為15 cm;由7個(gè)字符組成,第一個(gè)是漢字,后面是字母和數(shù)字,每?jī)蓚€(gè)字符間有一定空隙;漢字的寬度占整個(gè)車牌寬度的16%左右。根據(jù)車牌的特點(diǎn),本文提出一種簡(jiǎn)單的車牌分割的算法。先將截取的車牌圖像二值化,如圖3(a)所示;進(jìn)行腐蝕、膨脹等數(shù)學(xué)形態(tài)學(xué)處理,去除圖像上的孤點(diǎn),如圖3(b)所示;然后將車牌圖像沿垂直方向逐一相乘,得到一組與車牌圖像寬度相等的由0和1組成的數(shù)組,如圖3(c)所示;兩個(gè)不連續(xù)的1之間即為車牌字符位置,根據(jù)該原理,可分割車牌字符,如圖3(d)所示。

圖3 車牌分割過(guò)程Fig.3 The processing of license plate segmentation

2.3 字符識(shí)別

本文提出一種基于車牌圖像特征點(diǎn)自相關(guān)、互相關(guān)特性的識(shí)別算法,通過(guò)提取車牌字符的特征點(diǎn),將其與模板字符的特征點(diǎn)進(jìn)行自相關(guān)和互相關(guān)運(yùn)算,比較出模板字符和待識(shí)別字符間的相似程度,從而對(duì)字符進(jìn)行識(shí)別。該算法能夠較好地解決由于拍攝角度導(dǎo)致的車牌字符拉伸、變形等情況下識(shí)別率降低的問(wèn)題。

將分割好的的車牌字符去除邊緣非字符部分并歸一化為16×32的統(tǒng)一大小,如圖4(a)所示,這樣可以將由于拍攝角度造成的字符變形的影響降到最低。將歸一化之后的字符圖像進(jìn)行骨骼化處理,如圖4(b)所示。將骨骼化以后的字符平均分成4個(gè)區(qū)域,如圖4(c)所示,并且統(tǒng)計(jì)每個(gè)區(qū)域內(nèi)的目標(biāo)像素點(diǎn)的個(gè)數(shù)得到4個(gè)參數(shù):

圖4 提取特征點(diǎn)的過(guò)程Fig.4 The process of getting characteristic point

將模板字符同樣分成4區(qū)域,統(tǒng)計(jì)得到4個(gè)參數(shù):

將得到的車牌字符的參數(shù)和模板字符的參數(shù)進(jìn)行自相關(guān)和互相關(guān)的計(jì)算,得到4個(gè)自相關(guān)參數(shù)和4個(gè)互相關(guān)參數(shù):

定義3T1=a1-b1,T2=a2-b2,T3=a3-b3,

T4=a4-b4(T1～T4為互相關(guān)參數(shù))。

定義4T5=a1-a4,T6=a2-a3,T7=b1-b4,

T8=b2-b3(T5～T8為自相關(guān)參數(shù))。

將互相關(guān)參數(shù)取絕對(duì)值、相對(duì)應(yīng)的自相關(guān)參數(shù)相減后再取絕對(duì)值,可得K1～K6:

利用如下公式(3)求得6個(gè)值的算術(shù)平均數(shù)(即模板相似度):

將字符分別與模板比較以后,求得的算術(shù)平均數(shù)最小的就是相似度最大的,即為識(shí)別結(jié)果。

3 實(shí)驗(yàn)結(jié)果分析

通過(guò)對(duì)采集到的200張車牌圖像分成正常拍攝和拉伸變形兩種情況分別進(jìn)行實(shí)驗(yàn),從識(shí)別時(shí)間和識(shí)別率兩方面對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析,部分結(jié)果如表1、表2所示。

表1 實(shí)驗(yàn)結(jié)果Tab.1 The result of experiment

表2 識(shí)別結(jié)果Tab.2 The result of recognition

4 結(jié)語(yǔ)

本文提出的基于特征點(diǎn)的車牌識(shí)別改進(jìn)算法能有效地提高由于拍攝角度引起的車牌字符拉伸、變形等情況下的識(shí)別率。實(shí)驗(yàn)結(jié)果表明本文提出的算法速度快,識(shí)別準(zhǔn)確,可靠性高。當(dāng)車牌為正常拍攝的情況下,本文算法的識(shí)別率與現(xiàn)有算法基本接近,識(shí)別率為91.5%,但識(shí)別所用的時(shí)間縮短了15%左右。在所拍攝的車牌有拉伸、變形的情況下,本文算法的優(yōu)勢(shì)較為明顯,與現(xiàn)有的13特征點(diǎn)法相比,不僅縮短了15%左右的識(shí)別時(shí)間,識(shí)別率也提高了5.7%,達(dá)到89.4%,取得了較好的識(shí)別效果。所以,本文提出的方法具有一定的參考價(jià)值。

[1]沈定剛,李艷斌,戚飛虎.汽車牌照自動(dòng)定位算法[J].無(wú)線電通信技術(shù),1995,21(5):35-38.

[2]李煒,黃心漢.一種快速Hough變換改進(jìn)算法及其在圖像邊緣檢測(cè)中的應(yīng)用[J].信號(hào)處理,1999,15(2): 181-187.

[3]魏武,張起森,王明俊,等.一種基于模板匹配的車牌識(shí)別方法[J].中國(guó)公路學(xué)報(bào),2001,14(1):104-106.

[4]胡小鋒,趙輝.Visual C++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].北京:人民郵電出版社,2004.

[5]張劍,周少武,劉潔.一種基于字符分割與字符識(shí)別的LPR方法[J].計(jì)算機(jī)技術(shù)與自動(dòng)化,2007,26(2): 111-114.

A License Plate Recognition Algorithm Based on Characteristic Point

CHANG Xue-yi,FENG Tao
(School of Electronic&Electrical Engineering,Shanghai Second Polytechnic University, Shanghai 201209,P.R.China)

License plate recognition technology had become an important part of Road Traffc Automatic Control&Management and Intelligent Transportation System.An improved license plate recognition algorithm based on characteristic point is proposed.In the algorithm,the texture feature and shape feature is used to locate the license plate,and the vertical projection is used to segment character of license plate,and characteristic points are counted to recognize characters.Experimental results show that the algorithm can signifcantly improve the recognition rate and time in the case of the stretching deformation of characters in license plate image by the camera angle cause.

characteristic point;license plate location;character segmentation;self-correlation/cross correlation

TN912.3

:A

LED封裝及可靠性相關(guān)研究

1001-4543(2014)01-0045-05

2013-08-08;

2014-02-13

常學(xué)義(1958–),男,江蘇人,講師,學(xué)士,主要研究方向?yàn)殡娮有畔⒐こ獭?shù)字圖象處理,電子郵箱changxueyi@sspu.edu.cn。

簡(jiǎn)訊

2014年3月14日,新型顯示技術(shù)及應(yīng)用集成教育部重點(diǎn)實(shí)驗(yàn)室殷錄橋博士應(yīng)曙光研究院邀請(qǐng)來(lái)上海第二工業(yè)大學(xué)進(jìn)行學(xué)術(shù)交流和討論。我院于偉博士向訪客介紹了本課題組相關(guān)的研究進(jìn)展,并帶領(lǐng)殷錄橋博士參觀了城市建設(shè)與環(huán)境工程的實(shí)驗(yàn)室。殷錄橋博士較為詳細(xì)地闡述了LED封裝材料對(duì)大功率LED散熱和出光的影響及大功率LED的發(fā)展趨勢(shì)。指出目前大功率LED研究的瓶頸是如何提高散熱和出光以及封裝互連材料在提高大功率LED散熱和出光方面所具有的重要影響。討論了芯片粘結(jié)材料、熒光粉、灌封膠、散熱基板等。分析了導(dǎo)熱膠、銀漿和合金釬料、陶瓷基板、金屬基板、復(fù)合基板,討論了對(duì)出光影響比較大的灌封膠和熒光粉的選用等。雙方就下一步的合作達(dá)成了共識(shí),并初步形成了具體的實(shí)驗(yàn)方案,共同推進(jìn)高功率LED散熱技術(shù)的進(jìn)步。