嵌入式監(jiān)控影像車(chē)牌識(shí)別方法

陳祖斌，黃維寧，趙逸夫，于 洋

(吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，長(zhǎng)春130022)

嵌入式監(jiān)控影像車(chē)牌識(shí)別方法

陳祖斌，黃維寧，趙逸夫，于 洋

(吉林大學(xué)儀器科學(xué)與電氣工程學(xué)院，長(zhǎng)春130022)

為解決基于PC機(jī)的車(chē)牌識(shí)別系統(tǒng)成本高、重量大、操作復(fù)雜、安全性低等諸多問(wèn)題，提出嵌入式監(jiān)控影像車(chē)牌識(shí)別方法。將車(chē)牌識(shí)別與嵌入式相結(jié)合，通過(guò)中值濾波、索貝爾邊緣檢測(cè)、全局閾值化、基于紋理特征的近似定位、字符歸一化、基于不同分類(lèi)器的字符識(shí)別等技術(shù)形成了一套完整的車(chē)牌識(shí)別系統(tǒng)。該系統(tǒng)體積小、穩(wěn)定性好、可行度高、準(zhǔn)確度高、易于安裝。在不同情況下進(jìn)行900例不同車(chē)牌識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)的識(shí)別準(zhǔn)確率高達(dá)97.3%左右，在降低成本、減輕重量、簡(jiǎn)化操作的同時(shí)達(dá)到很高的精度，可替代PC機(jī)的車(chē)牌識(shí)別系統(tǒng)。

字符識(shí)別;嵌入式;字符歸一化;索貝爾邊緣檢測(cè)

0 引 言

隨著我國(guó)社會(huì)經(jīng)濟(jì)以及道路交通的發(fā)展，智能交通已成為交通科技領(lǐng)域研究的重點(diǎn)。車(chē)牌識(shí)別作為智能交通的核心組成部分，在道路交通管理、社區(qū)安全管理、停車(chē)場(chǎng)收費(fèi)管理等場(chǎng)合起著重要作用。國(guó)外雖有一些技術(shù)已成熟，但由于國(guó)內(nèi)車(chē)牌涵蓋幾種類(lèi)型的字符，包括文字、拉丁文字母和數(shù)字，與其他字體之間存在差異，因此西方國(guó)家的車(chē)牌識(shí)別系統(tǒng)對(duì)在我國(guó)并不完全適合［1］。而國(guó)內(nèi)現(xiàn)有的車(chē)牌識(shí)別系統(tǒng)中，大多數(shù)產(chǎn)品都因?yàn)槌杀咎叨貌坏狡占?，或采用埋地線圈檢測(cè)、紅外檢測(cè)、雷達(dá)檢測(cè)等技術(shù)，而這些技術(shù)存在許多缺點(diǎn)，如埋地線圈檢測(cè)破壞路面、紅外檢測(cè)需附加外部檢測(cè)設(shè)備、雷達(dá)檢測(cè)需矯正觸發(fā)位置等。雖然國(guó)內(nèi)許多學(xué)者也在進(jìn)行相關(guān)的研究，然而，由于車(chē)牌識(shí)別產(chǎn)品對(duì)環(huán)境的要求高，在不同的光照環(huán)境下會(huì)影響識(shí)別率。因此，如何準(zhǔn)確定位車(chē)牌，進(jìn)行字符識(shí)別以及提高識(shí)別率仍是一項(xiàng)重要的任務(wù)。鑒于以上車(chē)牌識(shí)別技術(shù)的缺陷，筆者設(shè)計(jì)了一種基于嵌入式的視頻車(chē)牌識(shí)別系統(tǒng)，即基于ARM (S3C6410)的嵌入式車(chē)牌識(shí)別系統(tǒng)。通過(guò)使用實(shí)時(shí)操作系統(tǒng)Windows CE實(shí)現(xiàn)視頻采集、圖像處理、車(chē)牌提取以及文檔存儲(chǔ)等功能，并利用嵌入式Visual Studio 2005實(shí)現(xiàn)友好的人機(jī)界面顯示，便于調(diào)控。該系統(tǒng)具有體型小、可行度高、識(shí)別率較高、易于安裝等優(yōu)點(diǎn)。

1 系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)硬件設(shè)計(jì)

為了達(dá)到系統(tǒng)小巧，功能強(qiáng)大的目的，硬件部分以Samsung公司的S3C2440為微處理器，設(shè)計(jì)了串口、攝像頭接口和LED(P45610QC)顯示等外圍電路，并定制了基于該硬件平臺(tái)的Window CE操作系統(tǒng)。S3C2440采用ARM920T核心，以及0.13μm的CMOS標(biāo)準(zhǔn)宏單元和存儲(chǔ)器單元。其特點(diǎn)是功耗低、簡(jiǎn)單、精致、全靜態(tài)，特別適合低成本和低功率型的應(yīng)用。S3C2440的處理器核心是32位ARM920T的RISC處理器。ARM920T采用具有獨(dú)立的16 kByte指令高速緩存和16 kByte數(shù)據(jù)高速緩存的高級(jí)微控制器總線架構(gòu)、內(nèi)存管理單元和哈佛結(jié)構(gòu)高速緩沖體系結(jié)構(gòu)［2］。每個(gè)內(nèi)存管理單元都是由8字長(zhǎng)的行組成。S3C2440微處理器的以上特點(diǎn)能使其充分完成圖像數(shù)據(jù)處理的任務(wù)。

S3C2440同時(shí)提供了一個(gè)攝像接口，該接口用于接收8位來(lái)自攝像頭的輸入數(shù)據(jù)信號(hào)，3個(gè)來(lái)自攝像頭的輸入同步時(shí)鐘信號(hào)，并輸出一個(gè)主時(shí)鐘信號(hào)和一個(gè)復(fù)位信號(hào)。攝像接口的主時(shí)鐘信號(hào)的頻率為96 MHz，再將該頻率經(jīng)過(guò)分頻處理后輸出給攝像頭，攝像頭根據(jù)該時(shí)鐘信號(hào)產(chǎn)生像素時(shí)鐘信號(hào)、幀同步時(shí)鐘信號(hào)和行同步時(shí)鐘信號(hào)，反過(guò)來(lái)再輸入S3C2440。系統(tǒng)使用OV9650攝像頭實(shí)現(xiàn)攝像、照相等功能，從而獲取圖像。OV9650是美國(guó)半導(dǎo)體公司生產(chǎn)CMOS型攝像頭，它具有功耗低、敏感度高、分辨率高(最高1 300×1 028像素)，支持多種常用的圖像格式，支持自動(dòng)圖像控制等優(yōu)點(diǎn)，這些特點(diǎn)滿(mǎn)足監(jiān)控影像對(duì)清晰度和速度的要求。

圖1 系統(tǒng)硬件結(jié)構(gòu)圖Fig.1 Diagram of system hardware

Windows CE是個(gè)多任務(wù)實(shí)時(shí)嵌入式操作系統(tǒng)，它具有友好的用戶(hù)界面和良好的通信功能，是微軟專(zhuān)門(mén)為移動(dòng)應(yīng)用、信息設(shè)備、消費(fèi)類(lèi)電子產(chǎn)品等設(shè)計(jì)的操作系統(tǒng)。使用該系統(tǒng)可實(shí)現(xiàn)車(chē)輛圖片的拍攝、圖片處理以及車(chē)牌的提取和存儲(chǔ)。

對(duì)嵌入式系統(tǒng)進(jìn)行一定的簡(jiǎn)化，將一些不必要的接口和設(shè)備去除，采用如圖1所示的硬件模式。

1.2 系統(tǒng)軟件設(shè)計(jì)

首先，針對(duì)圖片字符背景、噪聲和邊框等不同的干擾因素，對(duì)其進(jìn)行中值濾波去噪;然后再用索貝爾算子得到圖片的邊緣信息，以突出目標(biāo)區(qū)域的輪廓信息，進(jìn)行二值化處理，再根據(jù)紋理特征的近似定位提取車(chē)牌;其次，對(duì)定位后的車(chē)牌進(jìn)行分割并對(duì)字符歸一化處理后，采用目前使用較為廣泛的幾種分類(lèi)器對(duì)以上處理后得到的字符進(jìn)行識(shí)別，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行比較。程序流程圖如圖2所示。

圖2 軟件流程圖Fig.2 Software flow pattern

2 車(chē)牌提取技術(shù)

2.1 中值濾波去噪

當(dāng)牌照識(shí)別系統(tǒng)被應(yīng)用于戶(hù)外區(qū)域時(shí)，會(huì)受到天氣和照明條件以及復(fù)雜背景的影響。圖片經(jīng)過(guò)去噪處理后，其中細(xì)微的斷裂部分可以連接在一起，微小突變部位可軟化。標(biāo)準(zhǔn)中值濾波器具有節(jié)省時(shí)間、精度高、使用性能良好等特點(diǎn)。首先對(duì)掃描窗口中的所有像素顏色值進(jìn)行排序，找到中值，然后改變中間值使其轉(zhuǎn)換成已排序序列中的標(biāo)準(zhǔn)中值。實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 原始圖像和中值濾波結(jié)果Fig.3 Original image and results ofmedian filter

2.2 索貝爾邊緣檢測(cè)

圖像邊緣反映邊界區(qū)域、亮度不連續(xù)、紋理和表面取向變化等重要信息。此外，圖像邊緣檢測(cè)也可以刪除無(wú)關(guān)的細(xì)節(jié)和噪聲。本系統(tǒng)采用索貝爾邊緣檢測(cè)的方法。索貝爾邊緣算子的兩個(gè)卷積核為

圖像中的每個(gè)點(diǎn)都要與這兩個(gè)核做卷積運(yùn)算，一個(gè)核得到垂直邊緣相應(yīng)最大值，另一個(gè)核得到水平邊緣最大值［3］。將兩個(gè)卷積中最大值作為該點(diǎn)的值并輸出。結(jié)果如圖4a所示。

2.3 二值化

二值化可減少圖片無(wú)效信息，突出目標(biāo)區(qū)域的輪廓信息，進(jìn)而提高后續(xù)處理的速度。本文中用到的閾值選取方法是對(duì)全局閾值化方法的改進(jìn)，將像素灰度值小于閾值的點(diǎn)設(shè)置為0，而像素灰度值大于閾值的點(diǎn)設(shè)置為255。其中初始化閾值的方法為

其中Gmax是最高灰度值，Gmin是最低灰度值。車(chē)牌二值化后的圖像如圖4b所示。

圖4 邊緣檢測(cè)和二值化結(jié)果Fig.4 Result of edge detection and binarisation

2.4 基于紋理特征的定位方法

車(chē)牌定位的出發(fā)點(diǎn)通過(guò)汽車(chē)車(chē)牌區(qū)域的特征判斷車(chē)牌，車(chē)牌有其顏色特征、外形尺寸特征和字符特征等基本特征。車(chē)牌周?chē)鷧^(qū)域相對(duì)于其他區(qū)域具有豐富的邊緣點(diǎn)和紋理特征，并為固定縱橫比的矩形。這些特殊的特征都可區(qū)分車(chē)牌和背景［4］。

定位過(guò)程如下。

1)近似定位的第1步是檢測(cè)車(chē)牌的列范圍。掃描整個(gè)圖像，然后計(jì)算邊緣點(diǎn)的數(shù)量、跳躍點(diǎn)的數(shù)目、邊緣點(diǎn)的數(shù)量和車(chē)牌區(qū)域的長(zhǎng)度之間的比率。如果該列比率在區(qū)間變化范圍內(nèi)，則標(biāo)記這條線的起點(diǎn)，然后重復(fù)該過(guò)程。

2)檢測(cè)該行的范圍。通過(guò)步驟1)，得到車(chē)牌的行范圍。為了確認(rèn)該行的范圍，設(shè)置了行范圍的最大值和最小值、邊緣點(diǎn)中的每行號(hào)、開(kāi)始點(diǎn)和結(jié)束點(diǎn)之間的時(shí)間間隔。

車(chē)牌邊界是在步驟2)中確定的。如圖5所示的邊緣點(diǎn)圖像，每行的起點(diǎn)和終點(diǎn)是集中的，僅有幾行是偏離的。制作了這兩點(diǎn)分布的統(tǒng)計(jì)分析。出現(xiàn)最頻繁的起點(diǎn)和終點(diǎn)被選擇作為車(chē)牌的邊界。通過(guò)以上步驟，一些適當(dāng)?shù)牡貐^(qū)被發(fā)現(xiàn)和近似定位完成。近似定位結(jié)果如圖5a所示。

為了消除偽車(chē)牌區(qū)域，計(jì)算每個(gè)候選區(qū)域的縱橫比以確定準(zhǔn)確位置。準(zhǔn)確定位如圖5b所示。

圖5 定位結(jié)果Fig.5 Localization results

3 車(chē)牌傾斜校正和字符分割

3.1 車(chē)牌的傾斜校正

3．2 字符分割

由于道路的坡度和車(chē)輛的振動(dòng)，相機(jī)和車(chē)牌可能會(huì)位于不同高度，車(chē)牌的圖像會(huì)表現(xiàn)出一定程度的傾斜。筆者開(kāi)發(fā)了操作簡(jiǎn)單并且準(zhǔn)確性高的傾斜校正方法。

首先，掃描圖像左半邊并計(jì)算白色象素的平均高度，記為h1，然后掃描右半邊并同理計(jì)算出平均高度hr。記圖像的寬度為w，則斜率為

字符分割時(shí)必須對(duì)行列進(jìn)行掃描。首先，用行掃描方法掃描該二進(jìn)制圖像和上下界的位置;其次，用列掃描方法掃描二進(jìn)制圖像的左右邊界位置［5］?；诖?，可準(zhǔn)確分割每個(gè)字符。實(shí)驗(yàn)結(jié)果表明，該方法甚至可高效處理車(chē)牌圖像模糊、有粘附和裂隙字符的問(wèn)題。字符分割的主要步驟如下。

1)確定字符的波動(dòng)邊界。車(chē)牌的區(qū)域從上到下進(jìn)行掃描并最先掃描的白色像素點(diǎn)的位置被標(biāo)記為頂部邊界。然后，從底部到頂部掃描，并且最先掃描的白色像素點(diǎn)的位置被標(biāo)記為底部邊界。

2)確定字符周?chē)吙?。從左到右逐列掃描并最先掃描的白色像素點(diǎn)的位置被標(biāo)記為左邊界。記White_num為像素的列數(shù)，則記錄White_num=1為像素的初始數(shù)量，而后White_num隨著列數(shù)的增加逐漸加1。同理得到字符的高度記為 iHeight。用字母R代表每個(gè)車(chē)牌字符的高度與寬度的比例，iHeight/White_num是由計(jì)算機(jī)掃描的高寬比，如果iHeight/White_num＞2R并且沒(méi)有白色的像素在整個(gè)列中，則字符分割沒(méi)有結(jié)束，直到在一個(gè)整列找不到白色像素，且iHeight/White_num=R時(shí)，分割工作才算完成。此時(shí)，確認(rèn)右邊的第1個(gè)字符的邊界［6］。

3)如果在從條件White_num=1到條件iHeight/White_num=R掃描過(guò)程中整列都沒(méi)有發(fā)現(xiàn)白色的像素，則必須加入字符圖像且強(qiáng)制劃分字符。為了避免重復(fù)，矩形框擴(kuò)展一個(gè)像素。

4)劃分后字符的位置信息被放入結(jié)構(gòu)Rect中，然后Rect結(jié)構(gòu)被插入到鏈表CharRect1的后面，并設(shè)置指定的位置。

5)重復(fù)步驟2)～4)。如果鏈表CharRect1的個(gè)數(shù)為nWeight-1，則確認(rèn)最后一個(gè)字母的右邊界并使用鏈表CharRect1放置車(chē)牌上的7個(gè)字符。

6)再次掃描鏈表CharRect1中的每個(gè)字符，檢查高度-寬度準(zhǔn)確位置。最后，鏈表CharRect1被分配給CharRect2。

3.3 字符歸一化

字符歸一化是根據(jù)預(yù)先準(zhǔn)備的模板將各種字符順序排列成均勻大小的圖形。在字符正?；倪^(guò)程中，分割字符的高度和寬度后與一個(gè)標(biāo)準(zhǔn)的字符進(jìn)行比較［7］。根據(jù)矩陣變焦，確定上下左右變焦比例。上邊界和左邊界保持不變。根據(jù)標(biāo)準(zhǔn)字符，確定下邊界和右邊界。最后一步是定義一個(gè)新的結(jié)構(gòu)，制定出一個(gè)矩形框。歸一化的字符尺寸是16×32像素。

3.4 字符細(xì)化處理

歸一化后的字符具有相同的尺寸。然而，使識(shí)別更繁瑣和更難的是字體不具有均勻的直徑，其筆劃的寬度超過(guò)單個(gè)像素［8］。細(xì)化過(guò)程基于一定的加工算法，其中提煉的字符寬度為單個(gè)字符的寬度，并且消除了冗余信息，得到的字符骨架包括圖像的特征和基本結(jié)構(gòu)。遵循的原則包括:

1)保持字符筆劃的連續(xù)性，以防止筆畫(huà)斷裂;

2)字符骨架應(yīng)盡可能接近筆畫(huà)的中心線，寬度應(yīng)是1個(gè)像素;

3)原幾何特征和拓?fù)浣Y(jié)構(gòu)應(yīng)予以保留，且線的端點(diǎn)不應(yīng)該被刪除;

4)細(xì)化后沒(méi)有嚴(yán)重的變形。

采用如下方法計(jì)算所述目標(biāo)區(qū)域的結(jié)構(gòu)。背景區(qū)域的像素被標(biāo)記為0，目標(biāo)區(qū)域和邊界區(qū)域的像素被標(biāo)記為1，在任何邊界點(diǎn)聯(lián)合區(qū)域至少有一個(gè)點(diǎn)的像素是0［9］。標(biāo)記點(diǎn)應(yīng)為P1，Pi(i=2，3，…，9)是鄰居點(diǎn)。標(biāo)記點(diǎn)和鄰居點(diǎn)如圖6所示。

一個(gè)3×3像素的圖像的區(qū)域具有9點(diǎn):P1，P2，…，P9，P1是在區(qū)域的中心。如果P1=1，且滿(mǎn)足如下4個(gè)條件，則P1將被刪除。

逐步檢查所有的邊界點(diǎn)。如果符合上述條件，將其標(biāo)記為0;如果該點(diǎn)被標(biāo)記為1，則保留該點(diǎn)。重復(fù)該過(guò)程直到?jīng)]有更多的點(diǎn)為止，則其余各點(diǎn)形成字符區(qū)域的結(jié)構(gòu)。

圖6 標(biāo)記點(diǎn)與鄰居點(diǎn)Fig.6 Themarked point and neighbor points

圖7 P1保存條件Fig.7 Conditions of P1preservation

4 字符識(shí)別

字符識(shí)別需要提取待識(shí)別字符的相關(guān)特征信息。首先，對(duì)其分析和分類(lèi);其次，用模版與算法識(shí)別車(chē)牌字符;最后，識(shí)別出最相似的字符模板，從而實(shí)現(xiàn)字符識(shí)別。字符識(shí)別的主要步驟包括特征提取和字符分類(lèi)，字符模型庫(kù)建設(shè)和字符重組［11］。在字符識(shí)別系統(tǒng)中，選擇字符特征和特征提取方法是兩個(gè)關(guān)鍵因素。

4．1 特征提取

字符特征提取是選擇一組參數(shù)作為特征向量，這是最具代表性的字符特征。目前，廣泛使用的車(chē)牌字符特征包括兩類(lèi):結(jié)構(gòu)特征和統(tǒng)計(jì)特征［12］。

字符識(shí)別在使用結(jié)構(gòu)特征和統(tǒng)計(jì)特征時(shí)有一個(gè)權(quán)衡。結(jié)構(gòu)特征更適合于區(qū)分相似字符，但他們難以提取且不穩(wěn)定。利用統(tǒng)計(jì)特征有助于穩(wěn)健識(shí)別，但辨別相似字符能力較差。因此，筆者采用結(jié)構(gòu)特征和統(tǒng)計(jì)特征相結(jié)合的方法提取字符［13］。首先，提取網(wǎng)格特征用于粗分類(lèi);其次，提取內(nèi)部結(jié)構(gòu)特征區(qū)分相似字符。與單一的特征提取方法相比，該方法能大大提高識(shí)別率，縮短了識(shí)別時(shí)間。具體程序如下。

首先，提取網(wǎng)格特征。以字符“6”為例，它被分成8個(gè)部分，如圖8a所示。以每個(gè)部分中黑色像素的數(shù)量作為其8個(gè)特征。

其次，提取內(nèi)部結(jié)構(gòu)特征。從特征提取的步驟中可以看到，某些字符網(wǎng)格特征是相似的，如“B”和“8”，“吉”和“蘇”，這是很難區(qū)分的。因此，有必要提取內(nèi)部結(jié)構(gòu)特征區(qū)別相似字符。應(yīng)找到兩個(gè)水平和垂直列，繪制這之間4條線。通過(guò)4行黑像素點(diǎn)計(jì)算出4個(gè)特征，分別如圖8所示。最后，所有的黑色像素點(diǎn)應(yīng)該算作13個(gè)特征之一。

圖8 數(shù)字的特征Fig.8 Characteristics of number

4.2 字符分類(lèi)器設(shè)計(jì)

中國(guó)民用車(chē)牌的標(biāo)準(zhǔn)形式是X1X2×X3X4X5X6X7。其中X1為代表的省級(jí)劃分;X2是一個(gè)大寫(xiě)拉丁字母;X3～X7是字母或阿拉伯?dāng)?shù)字，除了“I”“O”“D”外，最多還有兩個(gè)字母。

為了提高識(shí)別的速率，設(shè)計(jì)了3個(gè)字符分類(lèi)器。他們分別是中國(guó)漢字分類(lèi)器，拉丁字母分類(lèi)器和數(shù)字-字母分類(lèi)器。車(chē)牌的識(shí)別從左到右，選擇序列號(hào)對(duì)應(yīng)的分類(lèi)器。

4.3 字符識(shí)別的模糊決策

根據(jù)位置，每個(gè)字符由對(duì)應(yīng)的分類(lèi)器分類(lèi)，接著與模板字符進(jìn)行比較，匹配度達(dá)到最大時(shí)，相應(yīng)的模板字符為識(shí)別結(jié)果［14］。

5 實(shí)驗(yàn)與結(jié)果分析

采用已有智能視頻偵測(cè)系統(tǒng)與本車(chē)牌識(shí)別系統(tǒng)進(jìn)行對(duì)比(見(jiàn)表1)。在系統(tǒng)中，應(yīng)用軟件是基于Windows CE嵌入式操作系統(tǒng)并且專(zhuān)用于識(shí)別民用車(chē)牌。測(cè)試實(shí)驗(yàn)在中國(guó)長(zhǎng)春地區(qū)進(jìn)行，為了保證全面性，本實(shí)驗(yàn)專(zhuān)門(mén)對(duì)外省的車(chē)牌號(hào)進(jìn)行了識(shí)別并選取不同的時(shí)段和天氣，每種情況下均測(cè)試50輛車(chē)，測(cè)試圖片和視頻用OV9650攝像頭拍攝。由表1可知，該系統(tǒng)具有明顯的優(yōu)越性。

表1 識(shí)別結(jié)果Tab.1 Result of recognition

(續(xù)表1)

考慮到實(shí)際拍攝時(shí)鏡頭軸線與車(chē)牌平面所成角度的概率，取90°的系數(shù)為0.7，60°的系數(shù)為0.2，30°的系數(shù)為0.1。對(duì)通過(guò)社區(qū)大門(mén)的900輛汽車(chē)圖像進(jìn)行了測(cè)試，該識(shí)別系統(tǒng)在晴天的準(zhǔn)確率達(dá)到97.3%，在雨天準(zhǔn)確率達(dá)到96.1%，在薄霧天準(zhǔn)確率達(dá)到92.5%。由此可見(jiàn)，筆者提出的車(chē)牌識(shí)別系統(tǒng)能在復(fù)雜背景下識(shí)別客車(chē)車(chē)牌。

6 結(jié) 語(yǔ)

筆者首先對(duì)車(chē)牌圖像進(jìn)行預(yù)處理;然后，校正傾斜的車(chē)牌，通過(guò)分割分離單個(gè)的字符;最后，根據(jù)中國(guó)漢字的特征，應(yīng)用模板匹配算法識(shí)別牌照字符。該系統(tǒng)是專(zhuān)為中國(guó)車(chē)牌識(shí)別設(shè)計(jì)的，并且通過(guò)了大量的圖像測(cè)試。最后通過(guò)車(chē)牌識(shí)別實(shí)驗(yàn)證明，該系統(tǒng)對(duì)中國(guó)車(chē)牌的識(shí)別率高于90%。

［1］查志強(qiáng).復(fù)雜背景下的快速車(chē)牌識(shí)別技術(shù)研究［D］.南京:南京理工大學(xué)電子工程與光電技術(shù)學(xué)院，2013. ZHA Zhiqiang.Fast License Plate Recognition Technology Research Complex Background［D］.Nanjing:School of Electronic and Optical Engineering，Nanjing University of Science and Technology，2013.

［2］李彬.嵌入式車(chē)牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［D］.西安:西安工業(yè)大學(xué)電子信息工程學(xué)院，2013. LIBin.Design and Implementation of Embedded Vehicle License Plate Recognition System［D］.Xi'an:School of Electronic Engineering，Xi'an Technological University，2013.

［3］ANAGNOSTOPOULOS C N，ANAGNOSTOPOULOS I，KAYAFAS E，et al.A License Plate Recognition Algorithm for Intelligent Transportation System Applications［J］.IEEE Intell Transp Syst，2006，17(3):377-392.

［4］陳歡.基于小波分析的車(chē)牌識(shí)別系統(tǒng)的研究［D］.西安:西安電子科技大學(xué)通信工程學(xué)院，2013. CHEN Huan.Research on License Plate Recognition System Based on Wavelet Transform［D］.Xi'an:School of Telecommunications Engineering，Xidian University，2013.

［5］DUAN T D，DU T L H，PHUOC T V，et al.Building an Automatic Vehicle License-Plate Recognition System［J］.Int Conf Comput Sci，2005，32(5):59-63.

［6］駱雪超，劉桂雄，馮云慶，等.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，2003，31(4):27-29. LUO Xuechao，LIU Guixiong，F(xiàn)ENG Yunqing，et al.A Vehicle License Plate Recognition Based on the Characteristics of Vehicle License Plate［J］.Journal of South China University of Technology:Natural Science Edition，2003，31(4):27-29.

［7］劉同焰.車(chē)牌識(shí)別系統(tǒng)的相關(guān)算法研究與實(shí)現(xiàn)［D］.廣州:華南理工大學(xué)數(shù)學(xué)學(xué)院，2012. LIU Tongyan.Research of Related Algorithms and Implementation of the License Plate Recognition System［D］.Guangzhou: School of Mathematic，South China University of Technology，2012.

［8］黃英偉.車(chē)牌識(shí)別系統(tǒng)字符識(shí)別算法研究［D］.武漢:湖北工業(yè)大學(xué)電氣與電子工程學(xué)院，2012. HUANG Yingwei.Research of Character Recognition in License Plate Recognition System［D］.Wuhan:School of Electrical and Electronic Engineering，Hubei University of Technology，2012.

［9］HOU Z，WEN B，PENG H.Study on BPNeural Network［J］.Comput Knowl Technol，2009，37(9):3982-3983.

［10］薛江，王知衍，曹曉葉.基于嵌入式系統(tǒng)的Tcode識(shí)別［J］.華南理工大學(xué)學(xué)報(bào):自然科學(xué)版，2013，41(5):85-86.XUE Jiang，WANG Zhiyan，CAO Xiaoye.Tcode Recognition Based on Embedded System［J］.Journal of South China University of Technology:Natural Science Edition，2013，41(5):85-86.

［11］HOU H，JIN L，NIU Q，et al.Driver Intention Recognition Method Using Continuous Hidden Markov Model［J］.Int J Comput Intell Syst，2011，134(6):386-389.

［12］顧弘，趙光宙，齊冬蓮，等.車(chē)牌識(shí)別中先驗(yàn)知識(shí)的嵌入及字符分割方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2010，15(5):33-35. GU Hong，ZHAO Guangzhou，QIDonglian，et al.Priori Embedding and Character Segmentation for License Plate Recognition［J］.Journal of Image and Graphics，2010，15(5):33-35.

［13］咼潤(rùn)華，蘇婷婷，馬曉偉.BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車(chē)牌識(shí)別系統(tǒng)［J］.清華大學(xué)學(xué)報(bào):自然科學(xué)版，2013，53(9):23-27. GUO Runhua，SU Tingting，MA Xiaowei.License Plate Recognition System Using a BP Neural Network and Template Matching［J］.Journal of Tsinghua University:Science＆Technology，2013，53(9):23-27.

［14］ZHU J，WU A，ZHU J.The License Plate Recognition Technology Based on Digital Image Processing［J］.Adv Mater Res，2011，267(8):778-782.

(責(zé)任編輯:劉俏亮)

Embedded License Plate Recognition System of Surveillance Video

CHEN Zubin，HUANGWeining，ZHAO Yifu，YU Yang

(College of Instrumentation and Electrical Engineering，Jilin University，Changchun 130022，China)

Because the PC-based license plate recognition system has a high cost，heavy complex operation，security is low and many other defects，we proposed license plate recognition technology embedded monitor video license plate recognition and embedded together by median filter，Sobel edge detection，global thresholding，texture features based on the approximate location，character normalization，different classifier character recognition technology to form a complete license plate recognition system.The system is small，stable，practical and accurate.We conducted 900 patients with different license plate recognition experiment under different circumstances，the accuracy rate is as high as 97.3%，and the system can achieve very high precision.

license plate recognition;embedded system;character normalization;sobel edge detection

TP391.4

A

1671-5896(2015)04-0463-08

2014-05-14

國(guó)家級(jí)大學(xué)生創(chuàng)新實(shí)驗(yàn)計(jì)劃基金資助項(xiàng)目(2013A65234)

陳祖斌(— )，男，湖南灃縣人，吉林大學(xué)教授，主要從事地球物理儀器、數(shù)字信號(hào)處理研究，(Tel)86-431-88502054 (E-mail)czb@jlu.edu.cn。