車牌識(shí)別處理中的關(guān)鍵技術(shù)及核心算法研究

廖作斌

(泉州師范學(xué)院)

0 引言

作為圖像模式識(shí)別的一個(gè)典型案例，車牌識(shí)別算法和相對(duì)應(yīng)的系統(tǒng)雖然發(fā)展有一定時(shí)間了，國(guó)外會(huì)比國(guó)內(nèi)早些，但是截止目前為止，真正達(dá)到適用程度的系統(tǒng)仍很少，識(shí)別率和識(shí)別速度都有待進(jìn)一步提高，而且最為關(guān)鍵的是，業(yè)內(nèi)好的車牌識(shí)別算法往往都包含著利益關(guān)系，雖然在這一方面，優(yōu)秀的車牌識(shí)別算法比比皆是，但是基于這些算法實(shí)現(xiàn)車牌識(shí)別的卻少之又少，換句話說(shuō)，就是理論上可以實(shí)現(xiàn)，但是實(shí)際開(kāi)發(fā)又需另外考慮.目前，車牌識(shí)別已經(jīng)有了一些自動(dòng)化系統(tǒng).但是，這并不能完美解決國(guó)內(nèi)的車牌識(shí)別，主要由于我國(guó)標(biāo)準(zhǔn)車牌是由漢字、英文字母和數(shù)字組成，漢字的識(shí)別與字母和數(shù)字的識(shí)別有很大的不同，在漢字的識(shí)別上要?jiǎng)e字符復(fù)雜得多.而且在算法上各家公司都有自己獨(dú)自的算法，從側(cè)面可以看出在這一方面相當(dāng)?shù)牟唤y(tǒng)一，所以研究這一方面的算法對(duì)于實(shí)現(xiàn)各類智能化系統(tǒng)是相當(dāng)必要的.

1 關(guān)鍵技術(shù)

選擇好的開(kāi)發(fā)工具或技術(shù)對(duì)于開(kāi)發(fā)一個(gè)實(shí)用的系統(tǒng)至關(guān)重要.一旦運(yùn)用一些關(guān)鍵性技術(shù)，可以使系統(tǒng)開(kāi)發(fā)者更有余力去關(guān)注算法本身，而不必過(guò)多關(guān)心如何去具體實(shí)現(xiàn)，而且可以使設(shè)計(jì)出的算法更加方便以及實(shí)用.

下面給出了車牌識(shí)別系統(tǒng)的關(guān)鍵技術(shù)組成，如圖1所示.

圖1 車牌識(shí)別系統(tǒng)關(guān)鍵技術(shù)組成

1.1 圖像處理利器——OpenCV

實(shí)現(xiàn)數(shù)字圖像處理系統(tǒng)，OpenCV無(wú)疑就是巨人的肩膀.OpenCV的全稱是:Open Source Computer Vision Library，是1999年由 intel公司開(kāi)發(fā)的圖像處理和計(jì)算機(jī)視覺(jué)開(kāi)放源碼庫(kù)，現(xiàn)在由Willow Garage實(shí)驗(yàn)室提供支持.它支持多平臺(tái)，包括 windows，linux，max，并且他完全開(kāi)源.OpenCV提供了C++，C，Python接口(即將支持 java 接口)，目前最新版本為2.4.3.

1.2 界面開(kāi)發(fā)工具——Codejock

由Codejock公司設(shè)計(jì)開(kāi)發(fā)，該公司成立于1998年，致力于開(kāi)發(fā)“用戶界面”的控件產(chǎn)品和開(kāi)發(fā)工具，能有效節(jié)約用戶的開(kāi)發(fā)時(shí)間和開(kāi)發(fā)成本，讓軟件界面更加精彩.Codejock是目前VC/VB和.NET開(kāi)發(fā)環(huán)境下最好的界面開(kāi)發(fā)組件之一.

1.3 輕量級(jí)數(shù)據(jù)庫(kù)——SQLite

被稱為如羽毛般輕的數(shù)據(jù)庫(kù).Sqlite是一種輕量級(jí)開(kāi)源數(shù)據(jù)庫(kù)，具有很多不錯(cuò)的特點(diǎn).如:支持事件，不需要配置，不需要管理員，也不需要安裝.本身編譯成一個(gè)動(dòng)態(tài)鏈接庫(kù)，沒(méi)有界面化管理，故可配合Navicat Premium進(jìn)行數(shù)據(jù)庫(kù)可視化管理.

目前已經(jīng)在很多嵌入式產(chǎn)品中使用了它，它占用資源非常的低，在嵌入式設(shè)備中，可能只需要幾百K的內(nèi)存就夠了.它能夠支持Windows/Linux/Unix等等主流的操作系統(tǒng)，同時(shí)能夠跟很多程序語(yǔ)言相結(jié)合，比如C#、PHP、Java等，還有ODBC接口，同樣比起Mysql、PostgreSQL這兩款世界著名的開(kāi)源數(shù)據(jù)庫(kù)管理系統(tǒng)來(lái)講，它的處理速度比他們都快.

1.4 XML 解析——XERCES

Xerces是由Apache組織所推動(dòng)的一項(xiàng)XML文檔解析開(kāi)源項(xiàng)目，她是一個(gè)開(kāi)放源代碼的XML語(yǔ)法分析器.利用XERCES，配合SQLite使用，便于封裝數(shù)據(jù)庫(kù).

2 圖像處理核心算法

車牌識(shí)別本質(zhì)上是建立在一系列數(shù)字圖像處理上，這部分也是一個(gè)車牌識(shí)別系統(tǒng)的核心.

2.1 圖像灰度化與二值化

2.1.1 圖像構(gòu)成

彩色圖像其實(shí)是由三通道組成，在數(shù)據(jù)部分由倒向的RGB組成，即BGRBGRBGR……假如直接使用彩色圖像進(jìn)行操作，將使數(shù)據(jù)操作量十分的龐大，故需要對(duì)圖像進(jìn)行二值化.

2.1.2 圖像處理

二值化前需先將圖片轉(zhuǎn)化為灰度圖像，即單通道圖像，灰度圖像和二值化圖像有非常大的區(qū)別，灰度圖像圖像數(shù)據(jù)有明亮之分，而二值化圖像像素?cái)?shù)據(jù)僅有0或255兩種.opencv中提供了將圖像轉(zhuǎn)為灰度圖像的函數(shù)cvCvtColor();

在二值化圖像前首先需先理解一個(gè)關(guān)鍵詞:閾值.閾值又可稱為臨界值，這個(gè)值需自己設(shè)定.

二值化如字面意思其實(shí)就是將一副灰度圖像轉(zhuǎn)化為僅有黑白兩種顏色的圖像，即圖像數(shù)據(jù)僅有0或255兩種.可用如下數(shù)學(xué)表達(dá)式表示，R即為閾值.

所以閾值的選擇至關(guān)重要，opencv中有提供canny算子的函數(shù)(邊緣檢測(cè))，但是閾值需自己提供.

2.1.3 自適應(yīng)閾值方法

AdaptiveThreshold(T，m_gray_image)小閾值用于邊緣控制連接，采用自適應(yīng)閾值方法，原理如下:

(1)傳入原圖像灰度值最大值和最小值的平均值t.

(2)將圖像分為兩部分，大于t的累加進(jìn)Allt1，小于等于t的累加進(jìn)Allt2中.并計(jì)算分別占有的像素點(diǎn)accountt1和accountt2.

(3)取 Allt1/accountt1，放入t1，即求平均值.

(4)取Allt2/accountt2，放入t2，即求平均值.(5)取t1和t2的平均值tnew.

(6)若tnew的值等于t，tnew即為所要的小閾值，返回;否則將tnew賦值給t進(jìn)行遞歸，執(zhí)行第二步.

2.2 車牌定位

為了確定出車牌的上下邊界，有種簡(jiǎn)易的方法，就是求圖中的矩形框，但是往往圖片中存在各種各樣的噪聲.所以不能單純的求矩形框，可以求出上下邊界，再求左右邊界.

2.2.1 水平細(xì)化

(1)首先需要將圖像進(jìn)行水平細(xì)化.將圖像細(xì)化，即將圖像中的右邊點(diǎn)減去他的左邊點(diǎn)，找出隔壁的點(diǎn)和前一點(diǎn)的差值，即如果兩點(diǎn)之間相差的對(duì)比度高，即該點(diǎn)的圖像較清晰.

2.2.2 繪制水平方向直方圖

繪制水平方向直方圖以便于觀察，直方圖繪制思想是new一副高度跟源圖像相同的單通道黑色圖像，然后一行一行的掃描，如果每行將前num_h［j］的值賦為白色，這樣就形成了一副簡(jiǎn)單的直方圖.

2.2.3 確定車牌長(zhǎng)寬

搜索車牌區(qū)域，從上向下掃描，每次掃描20個(gè)像素點(diǎn)，找出像素點(diǎn)最大值的起始處.這樣子就可以獲得車牌的高度，而寬度為plate_w =imgTest－ ＞width*WITH_X–1.

2.2.4 確定具體起始點(diǎn)

拿一個(gè)車牌大小的矩形區(qū)域從左往右滑動(dòng)，什么時(shí)候圈住的數(shù)據(jù)量最大的時(shí)候，就代表找到的車牌的左邊界;此時(shí)，車牌左邊界的橫坐標(biāo)是k.

2.2.5 車牌歸一化

車牌識(shí)別后大小是不相同的，需用OpenCV提供的函數(shù)進(jìn)行歸一化.

2.2.6 字符分割

定位后的圖像應(yīng)該是由一個(gè)漢字和6個(gè)字符組成，字符包括漢字和數(shù)字.識(shí)別時(shí)必須根據(jù)每個(gè)字符的特征進(jìn)行匹配，故要完成識(shí)別，需先完成字符分割.

算法如下:

(1)從上到下對(duì)圖像逐行掃描，當(dāng)碰到第一個(gè)255的值(即黑色像素點(diǎn))時(shí)，記錄它.然后從下到上對(duì)圖像逐行掃描，當(dāng)碰到第一個(gè)255的值時(shí)，再次記錄.這樣就得到大致的高度.

(2)在這個(gè)高度范圍之內(nèi)自左向右逐列掃描，當(dāng)碰到第一個(gè)255的值時(shí)，就認(rèn)為是字符分割的起始位置，然后繼續(xù)掃描，直到某一列沒(méi)有黑色像素點(diǎn)，則掃描結(jié)束.

3 模式匹配核心算法

3.1 模式識(shí)別介紹

車牌識(shí)別系統(tǒng)的最后一步就是字符識(shí)別，關(guān)于識(shí)別，有兩種做法，一種是神經(jīng)網(wǎng)絡(luò)識(shí)別，一種是模板匹配算法，前者雖然識(shí)別率高，但是耗時(shí)長(zhǎng)，后者效率高，識(shí)別率也不錯(cuò).推薦采用后者，模板匹配流程如圖2所示.

圖2 模板匹配過(guò)程

3.2 車牌特征值

3.2.1 車牌特征值提取

車牌識(shí)別系統(tǒng)中的特征值可采用33個(gè)特征點(diǎn)存儲(chǔ)，其中前25個(gè)為將圖像分割成25塊，然后將圖像每塊中黑點(diǎn)數(shù)作為他的特征值存取，后8個(gè)特征值是橫縱向8條直接所穿過(guò)的黑點(diǎn)數(shù).

由于車牌的字符沒(méi)有標(biāo)準(zhǔn)化的圖像可以比較，故需用大量的圖片來(lái)選取出最合適的字符圖像.

3.2.2 車牌特征值存儲(chǔ)

得到字符特征后需要字符特征值進(jìn)行存取，可采用SQLite+XML進(jìn)行存儲(chǔ)，例如:

圖3 XML特征值串

3.3 字符識(shí)別

字符識(shí)別是建立在字符分割并細(xì)化后，先提取細(xì)化后的字符存在結(jié)構(gòu)體中備用.

然后通過(guò)數(shù)據(jù)庫(kù)接口查詢數(shù)據(jù)庫(kù)中所有的字符，并將字符屬性存入XML作為返回值返回到主函數(shù)中進(jìn)行對(duì)比.對(duì)比的方法有很多，可采用如下3種方法.

(1)豪斯多夫最小距離判定，小小的改進(jìn)了下，算法如下:①設(shè)定LEN(X)=0，表示X字符模塊初始化;②從上到下，逐行掃描待檢測(cè)字符圖像像素，如果是255，記錄為p(x，y);否則繼續(xù)掃描.③在模板圖像上，以p(x，y)為中心的5×5領(lǐng)域內(nèi)，搜索255，尋找與p(x，y)最近的點(diǎn)，并且計(jì)算p(x，y)和該點(diǎn)的距離，此距離是待識(shí)別圖像和模板圖像在該點(diǎn)的最小距離.如果在5×5領(lǐng)域內(nèi)未搜索到，則認(rèn)為是20.

④將距離進(jìn)行累加進(jìn)LEN(X).

⑤判斷圖像是否掃描結(jié)束，如沒(méi)結(jié)束，轉(zhuǎn)2.

⑥取LEN(X)在所有字符中的最小值，對(duì)應(yīng)的模板就是要識(shí)別的結(jié)果.

(2)方差判定，公式如下:

取方差最小值所對(duì)應(yīng)得模板即是要識(shí)別的結(jié)果.

(3)取差值.

但是由于前兩種方法的時(shí)間效率太低，所以最后采用的是第三種方法.

4 結(jié)論

該文針對(duì)目前我國(guó)車牌識(shí)別系統(tǒng)存在的問(wèn)題，研究并提出了一系列在車牌識(shí)別處理中的關(guān)鍵技術(shù)以及核心算法，利用這些關(guān)鍵技術(shù)和核心算法開(kāi)發(fā)的車牌自動(dòng)識(shí)別系統(tǒng)較普通的車牌識(shí)別系統(tǒng)具有更好的識(shí)別率，能夠?yàn)閷?lái)的智能化交通體系的建立提供一定的借鑒和參考.

［1］沈晶，等.VC++數(shù)字圖像處理典型案例詳解［M］.北京:機(jī)械工業(yè)出版社，2012.

［2］Bradski G.Kaehler A.于仕琪，劉瑞禎 譯.學(xué)習(xí) OpenCV［M］.北京:清華大學(xué)出版社，2009.47.

［3］于仕琪，劉瑞禎.OpenCV教程［M］.北京:北京航空航天大學(xué)出版社，2007.89.

［4］馮偉興，等.Visual C++數(shù)字圖像模式識(shí)別技術(shù)詳解［M］.北京:機(jī)械工業(yè)出版社，2010.136.

［5］謝鳳英，趙丹培.Visual C++數(shù)字圖像處理［M］.北京:電子工業(yè)出版社，2011.145.

［6］劉海波，沈晶，郭聳.Visual C++數(shù)字圖像處理技術(shù)詳解［M］.北京:機(jī)械工業(yè)出版社，2010.12.