一種基于OpenCV的車(chē)牌識(shí)別定位方法的研究與實(shí)現(xiàn)

卓俊宇，胡志慧

（湖北汽車(chē)工業(yè)學(xué)院 電氣與信息工程學(xué)院，湖北 十堰 442002）

0 引言

隨著社會(huì)的迅猛發(fā)展及交通問(wèn)題的日益嚴(yán)重，為了提高車(chē)輛的管理效率，智能交通系統(tǒng)（ITS）由此而生。智能交通系統(tǒng)是融合前沿的信息技術(shù)、數(shù)據(jù)通訊技術(shù)、電子傳感技術(shù)、電子控制技術(shù)以及計(jì)算機(jī)處理技術(shù)等于一身的交通運(yùn)輸管理體系，它是一種能在大范圍內(nèi)全方位發(fā)揮作用的，擁有實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸和管理系統(tǒng)。汽車(chē)車(chē)牌的自動(dòng)識(shí)別是智能交通系統(tǒng)中的一項(xiàng)重要技術(shù)，可以切實(shí)有效地提高交通系統(tǒng)的車(chē)輛監(jiān)控和管理的自動(dòng)化程度，是實(shí)現(xiàn)交通管理現(xiàn)代化和智能化的重要前提。車(chē)牌定位技術(shù)是汽車(chē)車(chē)牌的自動(dòng)識(shí)別系統(tǒng)中關(guān)鍵的環(huán)節(jié)，它是后續(xù)的車(chē)牌字符分割和識(shí)別工作的基礎(chǔ)。

1 OpenCV簡(jiǎn)介

本項(xiàng)目在基于Visual C++平臺(tái)與Intel開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV，來(lái)實(shí)現(xiàn)靜態(tài)復(fù)雜背景下的車(chē)牌識(shí)別系統(tǒng)。其中OpenCV是Intel開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)，它作為一個(gè)開(kāi)源的跨平臺(tái)計(jì)算機(jī)視覺(jué)庫(kù)，可以在Linux、Windows和Mac OS操作系統(tǒng)上運(yùn)行。OpenCV的設(shè)計(jì)目標(biāo)是執(zhí)行速度盡量快，主要關(guān)注實(shí)時(shí)應(yīng)用。它由一系列C函數(shù)和少量C++類(lèi)構(gòu)成，同時(shí)提供了Python、Ruby、MATLAB等語(yǔ)言的接口，在圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用算法都可實(shí)現(xiàn)。OpenCV的編寫(xiě)采用優(yōu)化的C語(yǔ)言代碼，因此能夠充分利用多核處理器的優(yōu)勢(shì)，它的結(jié)構(gòu)如圖1所示。

圖1 OpenCV的結(jié)構(gòu)

2 車(chē)牌圖像特征分析

世界各國(guó)都根據(jù)本國(guó)國(guó)情設(shè)計(jì)了自己特色的車(chē)牌，中國(guó)也不例外，但相較于別國(guó)的車(chē)牌，由于地域原因以及漢字的復(fù)雜性，使得中國(guó)的車(chē)牌類(lèi)別要復(fù)雜得多。我國(guó)機(jī)動(dòng)車(chē)輛使用的號(hào)牌，是按照GA36-2007“中華人民共和國(guó)機(jī)動(dòng)車(chē)號(hào)牌標(biāo)準(zhǔn)”設(shè)計(jì)的。

我國(guó)車(chē)牌中的字符由漢字、英文字母和阿拉伯?dāng)?shù)字總共7個(gè)字符構(gòu)成。其中，第一個(gè)字符是各個(gè)省、自治區(qū)、直轄市、行政區(qū)的漢字簡(jiǎn)稱(chēng)，其余的均為英文字母或阿拉伯?dāng)?shù)字組合。雖然我國(guó)的汽車(chē)車(chē)牌存在一定的復(fù)雜性，但是根據(jù)總結(jié)它是存在一定的共同特點(diǎn)的。以下就是總結(jié)出的幾個(gè)明顯且通用的特點(diǎn)：

（1）車(chē)牌一般位于沒(méi)有明顯的邊緣密集區(qū)域的車(chē)身底部。

（2）車(chē)牌字符的大小和個(gè)數(shù)一定，且字符間隔距離一定。

（3）車(chē)牌區(qū)域的像素點(diǎn)明顯多于其他部分。

3 車(chē)牌圖像預(yù)處理

圖像預(yù)處理是圖像識(shí)別的重要組成部分，是對(duì)輸入的圖像進(jìn)行特征抽取、分割以及識(shí)別前所進(jìn)行的操作。通常采集獲取的汽車(chē)牌照的圖像，由于在拍攝圖像的過(guò)程中受到各種環(huán)境限制，如霧天、光照不強(qiáng)、灰塵等會(huì)導(dǎo)致拍攝的圖像質(zhì)量明顯下降。車(chē)牌圖像預(yù)處理是車(chē)牌識(shí)別系統(tǒng)的前提條件，它直接關(guān)系到系統(tǒng)后續(xù)字符分割和識(shí)別的準(zhǔn)確性。

本文采用拍攝的含有汽車(chē)車(chē)牌的圖片作為原始識(shí)別圖像進(jìn)行相關(guān)處理。首先，借助OpenCV提供的cvCvtColor函數(shù)將色彩空間轉(zhuǎn)參數(shù)，采用CV_RGB2GRAY將彩色圖像轉(zhuǎn)換為灰度圖像：Y＝0.299*R+0.587*G+0.114*B。然后，采用cvSmooth函數(shù)進(jìn)行平滑高斯濾波處理。

最后，根據(jù)汽車(chē)車(chē)牌具有四邊形的外觀、車(chē)牌區(qū)域與其他區(qū)域之間的灰度具有很大跳變的特征，可以獲得圖像邊緣檢測(cè)圖作為后續(xù)處理的基礎(chǔ)。邊緣檢測(cè)的方法很多，常見(jiàn)的經(jīng)典邊緣檢測(cè)算法有Sobel算子、Roberts算子、Prewitt算子、Laplacian算子、Log算子以及Canny算子等。這些算子利用了邊緣處灰度級(jí)劇烈變化進(jìn)行圖像邊緣檢測(cè)。不同的算子適用類(lèi)型不同，不同的算子對(duì)不同邊緣類(lèi)型的敏感度不同，提取的邊緣結(jié)果也不相同。通過(guò)調(diào)用OpenCV中帶的cvCanny函數(shù)實(shí)現(xiàn)，其中threshold1為小閾值，這里通過(guò)編寫(xiě)函數(shù)獲取圖像的平均灰度值作為自適應(yīng)閾值，它是用來(lái)控制邊緣連接的；threshold2為大的閾值，用來(lái)控制強(qiáng)邊緣，通過(guò)CV_IMAGE_ELEM函數(shù)遍歷獲取圖像最大灰度值的70％作為它的閾值。Canny算子邊緣檢測(cè)得到的輪廓更加清晰并且具有很好的抗干擾性，處理前后的效果如圖2所示。

圖2 圖像邊緣檢測(cè)

4 車(chē)牌定位

大多數(shù)情況下，一幅圖片中車(chē)牌的字符總是近似于豎向的，利用其豎向特征可以將車(chē)牌與復(fù)雜背景分離出來(lái)。車(chē)牌區(qū)域所在的行相鄰像素之間的變化（0～255，255～0）會(huì)很頻繁，這樣跳變次數(shù)會(huì)大于一個(gè)臨界值，可以作為尋找車(chē)牌區(qū)域的一個(gè)依據(jù)。這里可以用CV_IMAGE_ELEM函數(shù)方便獲取相鄰像素的灰度值。由于車(chē)牌字符大小、個(gè)數(shù)、字符間隔距離一定，找出像素變化數(shù)據(jù)量最大的地方，統(tǒng)計(jì)計(jì)算其連續(xù)20行最大跳變數(shù)據(jù)量的開(kāi)始，說(shuō)明此行在車(chē)牌區(qū)域內(nèi)。最后通過(guò)循環(huán)比較相鄰行的值大于一個(gè)臨界值（一般而言，車(chē)牌每個(gè)字符至少跳變2次以上，這里設(shè)置為18），探測(cè)到車(chē)牌的上下邊界的行號(hào)。

通過(guò)橫向掃描圖像，確定車(chē)牌上下邊界行號(hào)，這樣可假定車(chē)牌區(qū)域在最高和最低行之間的條狀區(qū)域內(nèi)。這時(shí)大致可確定車(chē)牌的高，根據(jù)車(chē)牌寬與高的比例可得到它的寬帶，將一個(gè)寬度為車(chē)牌寬度的窗口由左至右移動(dòng)，統(tǒng)計(jì)窗口中每一列內(nèi)相鄰像素的變化總數(shù)，逐個(gè)比較之后最大的那個(gè)就是車(chē)牌區(qū)域，把它保留并記錄此時(shí)的左右邊界，從而得到車(chē)牌的具體區(qū)域?？偠灾褪撬椒指?、垂直分割后進(jìn)行歸一化。利用OpenCV庫(kù)中的CvRect確定車(chē)牌的矩形區(qū)域，然后在原圖像中利用cvSetImageROI函數(shù)設(shè)置敏感區(qū)域，接著用cvCopy函數(shù)從原圖像中把敏感區(qū)域（即探尋的車(chē)牌區(qū)域）拷貝出來(lái)。再利用cvResize函數(shù)進(jìn)行圖像大小轉(zhuǎn)換，用線性插值方法將車(chē)牌變成統(tǒng)一大小為cvSize（40*HIGH_WITH_CAR，40），這樣方便后續(xù)車(chē)牌分割字符處理，車(chē)牌定位截取后效果如圖3所示。

圖3 車(chē)牌定位提取圖片

車(chē)牌定位以后的圖像還是一個(gè)整體，包括文字和文字之間的空白。字符分割就是將車(chē)牌中的7個(gè)字符分割出來(lái)以便逐個(gè)進(jìn)行字符識(shí)別。大部分字符分割的算法以垂直投影、字符間隔及尺寸的測(cè)定、輪廓分析或分割識(shí)別組合技術(shù)為基礎(chǔ)。本系統(tǒng)采用車(chē)牌字符布局特征與垂直投影積分相結(jié)合的方法進(jìn)行分割。最后采用模板匹配的方法，它將從待識(shí)別的圖像提取若干特征量與模板對(duì)應(yīng)的特征量進(jìn)行比較，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類(lèi)，完成車(chē)牌號(hào)碼字符的識(shí)別。

5 結(jié)語(yǔ)

車(chē)牌識(shí)別是智能交通系統(tǒng)中的重要應(yīng)用，具有很強(qiáng)的實(shí)際應(yīng)用價(jià)值。本文借助開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV，在Visual C++平臺(tái)下對(duì)車(chē)牌識(shí)別系統(tǒng)中圖像預(yù)處理、車(chē)牌定位等方面功能實(shí)現(xiàn)進(jìn)行了初步研究，但是經(jīng)過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析驗(yàn)證，還有待進(jìn)一步地深入研究。當(dāng)前，很多學(xué)者致力于車(chē)牌識(shí)別技術(shù)的研究，也相繼提出一些可行的車(chē)牌識(shí)別系統(tǒng)，相信在不久將來(lái)車(chē)牌識(shí)別系統(tǒng)會(huì)有更大地發(fā)展。

［1］Gary Bradski，等.學(xué)習(xí)OpenCV［M］.于仕琪，等，譯.北京：清華大學(xué)出版社，2009.

［2］駱雪超.一種基于車(chē)牌特征信息的車(chē)牌識(shí)別方法［J］.華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2002，31（4）：70-72.

［3］楊曉玲.基于幾何特征的車(chē)牌定位與字符分割技術(shù)研究［D］.廈門(mén)：廈門(mén)大學(xué)，2014.

［4］楊思源.基于OPENCV的車(chē)輛牌照識(shí)別系統(tǒng)研究［D］.西安：西安電子科技大學(xué)，2013.

［5］姜宇.基于OpenCV的車(chē)牌識(shí)別系統(tǒng)研究［J］.遼寧師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，34（2）：170-174.