智能交通領(lǐng)域中機(jī)動車牌照自動識別技術(shù)研究

王正玉，李 斌，李寧輝

（1.安徽廣播電視大學(xué) 遠(yuǎn)程教育技術(shù)與圖文信息中心，合肥 230022；2.安徽廣播電視大學(xué) 安徽成教在線服務(wù)中心，合肥 230022）

一、引言

智能交通作為當(dāng)代高新技術(shù)結(jié)合的產(chǎn)物，已成為各國爭相研究的熱點(diǎn)。其中，車牌識別技術(shù)［1－3］作為該領(lǐng)域的關(guān)鍵技術(shù)之一，越來越多地被應(yīng)用到實(shí)際生活當(dāng)中。該技術(shù)通過對車牌信息的自動識別從而達(dá)到對機(jī)動車輛有效監(jiān)管，便于執(zhí)法部門了解車輛信息，提高工作效率?，F(xiàn)實(shí)中攝像機(jī)性能、車牌整潔度、光照條件、拍攝角度及車輛運(yùn)動等因素都會給識別帶來影響。本文綜合考量以上因素的影響，設(shè)計(jì)了一套車輛牌照自動識別系統(tǒng)的解決方案，并采用一種基于投影變換的字符分割算法［4－5］。下文將對該系統(tǒng)的幾個重要組成部分及關(guān)鍵技術(shù)進(jìn)行詳細(xì)介紹。文中所得實(shí)驗(yàn)數(shù)據(jù)均為Matlab7.0環(huán)境下實(shí)驗(yàn)產(chǎn)生。

二、系統(tǒng)架構(gòu)

系統(tǒng)由牌照預(yù)處理、字符分割及識別［6－7］幾個模塊組成，如圖1所示。

系統(tǒng)首先對獲取的車牌圖像預(yù)處理，將圖片最終轉(zhuǎn)化為一幅二值圖像，并采取降噪處理，然后通過投影變換算法對車牌上的字符進(jìn)行逐一分割，最終通過光學(xué)字符識別技術(shù)提取字符特征，輸出判定結(jié)果。

三、圖片預(yù)處理

為了方便對車牌信息進(jìn)行提取和識別，首先使用預(yù)處理模塊將車牌圖像進(jìn)行灰度化處理，然后通過二值化運(yùn)算，最終得到一幅二值化圖像。預(yù)處理過程中還會對所得到的二值圖像進(jìn)行平滑去噪，邊緣提取等操作，具體步驟如下。

（一）灰度化與二值化

讀取一幅待識別機(jī)動車牌照圖片，通過預(yù)處理環(huán)節(jié)對該圖像進(jìn)行灰度化和二值化處理。該處理對圖像識別來說很重要，因?yàn)閳D像二值化后可以消除模糊，且灰度級別只有兩個，簡化了處理的復(fù)雜程度，圖像的二值化操作可根據(jù)下面的閾值來進(jìn)行［8］：

式中，f（i，j）為像素點(diǎn)灰度值，t稱為二值化處理的閾值。當(dāng)采樣點(diǎn)（i，j）的灰度值f（i，j）＜t時，f（i，j）＝0，表示背景部分；當(dāng)采樣點(diǎn)（i，j）的灰度值f（i，j）≥t時，f（i，j）＝1，表示目標(biāo)圖像部分。由此可知，閾值t的選取是關(guān)鍵所在，對應(yīng)的閾值t的確定過程叫作閾值的選擇。最后所得輸出結(jié)果如圖2所示。

（二）邊緣檢測

本文采用Sobel算子對二值化圖像提取邊緣特征，然后通過膨脹與填充，使每個數(shù)字成為連通區(qū)域，并查找連通區(qū)域邊界，同時保留此邊界圖形，以便后續(xù)數(shù)字識別。邊緣提取好壞將對后續(xù)處理的精確性和難易程度產(chǎn)生直接影響。

Sobel邊緣檢測算子是將圖像中的各個像素的上、下、左、右四個領(lǐng)域的灰度值加權(quán)差，與之接近的領(lǐng)域的權(quán)最大。因此，Sobel算子定義如下：

通過使用Sobel邊緣檢測［9］最終運(yùn)算的結(jié)果就是一幅邊緣圖像。

Sobel邊緣檢測算子具有平滑噪聲的作用，受噪聲的影響很小，產(chǎn)生的檢測效果較好。效果如圖3所示。

四、字符識別

（一）車牌字符分割

經(jīng)預(yù)處理后，為實(shí)現(xiàn)字符的識別，還需將車牌上的字符一一分割出來，并提取字符特征，最終實(shí)現(xiàn)字符的有效識別。本文采用一種基于投影的字符分割算法，如圖4和圖5所示，即通過對車牌圖像水平和垂直方向投影的分析，來實(shí)現(xiàn)字符的分割方法。

本文所提出的基于字符投影的分割算法基本思想如下：

（1）記錄二值圖像投影中波峰與波谷位置，將相鄰波峰與波谷間跳變值大于閾值α的位置確定為左右邊界，并進(jìn)行相應(yīng)字符分割操作。閾值α由實(shí)驗(yàn)所得，其大小將直接影響分割效果。

（2）仿照（1）中的處理方法，根據(jù)水平投影確定字符的上下邊界。

（3）針對“川”“U”等一些特殊字符，如 “川”字，其在水平方向的投影會出現(xiàn)3個跳變，且跳變值有可能滿足閾值α，從而導(dǎo)致誤分割。故為了避免該情況，引入輔助判定閾值β：即當(dāng)兩個相鄰跳轉(zhuǎn)處位置的序列值之差的絕對值大于閾值β，才最終認(rèn)為是有效分割。這樣即避免了誤分割，又提高了算法的適用性。

當(dāng)分割條件同時滿足兩個閾值α與β時進(jìn)行分割，分割結(jié)果如下圖6所示：

（二）光學(xué)字符識別（OCR）［10］

在進(jìn)行字符識別前，首先將分割出的字符圖像進(jìn)行歸一化處理，包括圖像大小歸一化和字符線條歸一化。圖像大小歸一化是指將分割的字符圖像尺寸與模板圖像尺寸歸一化，使其尺寸相同。字符線條歸一化主要是對分割圖像中的字符進(jìn)行骨化［11］處理，字符線條粗細(xì)不同會增加識別難度。對歸一化后的圖像采用模板匹配法［12］進(jìn)行識別，識別前首先使用標(biāo)準(zhǔn)車牌字符對系統(tǒng)進(jìn)行訓(xùn)練，然后使用所提取字符的特征向量與模板字符特征向量進(jìn)行比較，最終使用最小二乘法識別該字符［13－14］。

本文共提取兩種字符特征：一是網(wǎng)格特征，將字符平均分割成4×4＝16等分區(qū)域，然后統(tǒng)計(jì)每個區(qū)域中黑色像素點(diǎn)個數(shù)，并計(jì)算黑色像素點(diǎn)總數(shù)，從而得到17維特征矢量；二是水平與垂直方向上的邊界特性，通過統(tǒng)計(jì)將字符16等分的8條區(qū)域分割線與細(xì)化后字符相交次數(shù)，從而獲得八個特征值，最終得到一組25維的特征矢量：T＝（t1，t2，t3，Λ，t25）。最后，求出所要識別的字符特征矢量與模板庫中模板特征矢量Hij＝（hi1，hi2，hi3，Λ，hi25），的加權(quán)距離為權(quán)重，i為模板庫中模板個數(shù)i＝（1，2，3，Λ，n），n為自然數(shù)，j為模板特征維數(shù)（j＝（1，2，3，Λ，25）），將最終結(jié)果中加權(quán)距離di值最小的字符作為識別結(jié)果輸出。

五、結(jié)束語

本文所設(shè)計(jì)的機(jī)動車牌照自動識別系統(tǒng)方案采用模板匹配算法達(dá)到字符識別的目的。文中通過對牌照預(yù)處理操作優(yōu)化了車牌信息，簡化了計(jì)算復(fù)雜度，且采用一種基于字符投影的字符分割算法并針對特殊字符采用一定的防誤分割措施，達(dá)到了較好的分割效果，保證最終字符得以準(zhǔn)確、有效地識別。與此同時，算法在適應(yīng)性和準(zhǔn)確率方面還需提高，有待進(jìn)一步的研究與完善。

［1］ 趙春雪，戚飛虎.基于彩色分割的車牌自動識別技術(shù)［J］.上海交通大學(xué)學(xué)報，1998，10（32）：4－9.

［2］ 張珂，毛俠.機(jī)動車牌照自動識別技術(shù)的研究［J］.計(jì)算機(jī)應(yīng)用研究，2005，22（12）：163－189.

［3］ 鄭南寧，張西寧，載瑩.行駛車輛牌照自動識別系統(tǒng)［J］.西安交通大學(xué)學(xué)報，1991，1（25）：45－53.

［4］ LEE E R，KIM P K.Automatic Recognition of a Car License Plate Using Color Image Processing［C］／／IEEE International Conference on Image Processing，1994，2A.301－305.

［5］ SHRIDJAR M，MILLER J W V.Recognition of License Plate Images：Issues and Perspectives［C］／／Proceedings of the 5th International Conference on Document Analysis and Recognition，1999.17－20.

［6］ COMELLI P.Optical recognition of motor vehicle license plates［J］.IEEE Transactions on Vehicular Technology，1955，44（4）：790－799.

［7］ NAITO T.Robust license plate recognition method for passing vehicles under outside environment［J］.IEEE Transactions on Vehicular Technology，2000，49（6）：2309－2319.

［8］ HU M K.Visual pattern recognition by moment invariants［J］.IEEE Trans Information Theory，1962（8）：179－187.

［9］ HARITAOGLU I，HARWOOD D.W4：Real－Time Surveillance of People and Their Activities.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：809－830.

［10］ 荊濤，王仲.光學(xué)字符識別技術(shù)與展望［J］.計(jì)算機(jī)工程，2003，39（2）：29－31.

［11］ 呂俊白.一種有效的二值圖像細(xì)化算法［J］.計(jì)算機(jī)工程，2003，29（18）：147－148.

［12］ 求是科技，張宏林.Visuai C＋ ＋ 數(shù)字圖像模式識別技術(shù)及工程實(shí)踐［M］.北京：人民郵電出版社，2003.

［13］ 戚飛虎，周源華，余松煜，等.模式識別與圖像處理［M］.上海：上海交通大學(xué)出版社，1990.

［14］ NACCACHE N J，SHINGAL R.An Investigation into the Skeletonization Approach of Hilditch［J］.Pattern Recognition，1984，17（3）：279－284.