基于圖像處理技術(shù)的車牌識(shí)別方法研究

黎洪龍

（湖北工業(yè)大學(xué)，湖北武漢430068；江西錦路科技開發(fā)有限公司，江西南昌330038）

基于圖像處理技術(shù)的車牌識(shí)別方法研究

黎洪龍

（湖北工業(yè)大學(xué)，湖北武漢430068；江西錦路科技開發(fā)有限公司，江西南昌330038）

在智能交通系統(tǒng)中，車牌識(shí)別系統(tǒng)尤為關(guān)鍵?；趫D像處理技術(shù)的車牌識(shí)別可以在不影響車輛行駛狀態(tài)的情況下自動(dòng)完成車牌識(shí)別，降低交通管理的工作難度。基于此，從車牌定位、車牌字符分割和車牌字符識(shí)別3方面研究了基于圖像處理技術(shù)的車牌識(shí)別方法，并對現(xiàn)有的車牌識(shí)別方法進(jìn)行了簡單改進(jìn)。

圖像處理技術(shù)；車牌識(shí)別系統(tǒng)；數(shù)字形態(tài)學(xué)；直接分割法

近年來，我國的汽車銷量與日俱增，雖然汽車工業(yè)的發(fā)展為我國經(jīng)濟(jì)建設(shè)作出了巨大貢獻(xiàn)，但大量的汽車在道路上行駛也為我國交通增添了許多壓力。為方便交通管理、建立智能交通系統(tǒng)，車牌識(shí)別方法被大量運(yùn)用。目前我國的車牌識(shí)別系統(tǒng)已經(jīng)實(shí)現(xiàn)了車輛不停車自動(dòng)收費(fèi)、不停車檢查、車輛定位、車輛自動(dòng)識(shí)別、交通流量自動(dòng)測量、高速公路事故自動(dòng)測報(bào)、車輛追蹤及交通壓力緩解等，而如何讓車牌識(shí)別方法更智能、更快捷已經(jīng)成為重要的科研方向。

1 車牌定位

1.1 邊緣檢測算子

邊緣不同于邊界，前者由灰度值的變化產(chǎn)生，后者是物體實(shí)際的間隔線。在圖片中，物體的邊緣與邊界并不一定吻合。不同物體在同一圖像中的邊緣會(huì)比較明顯，利用這種特性可以實(shí)現(xiàn)圖形的邊緣檢測。在實(shí)際檢測中，因?yàn)槎A導(dǎo)數(shù)的算法對噪聲極其敏感，三階導(dǎo)數(shù)沒有實(shí)際價(jià)值，所以一般只用到一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

邊緣梯度檢測會(huì)先對圖片進(jìn)行濾波。因?yàn)檫吘墮z測是基于圖像強(qiáng)度計(jì)算像素的導(dǎo)數(shù)，有些圖片的質(zhì)量比較差，圖片中含有噪聲干擾，計(jì)算的數(shù)值就會(huì)特別敏感，因此要采用濾波器對圖片降噪。濾波器雖然能降低噪聲對圖像檢測的干擾，但也會(huì)降低圖像的邊緣強(qiáng)度，所以在使用濾波器濾波時(shí)要注意邊緣強(qiáng)度和圖像噪聲的平衡。在濾波后要利用計(jì)算機(jī)梯度幅值增強(qiáng)圖像，排除幅值相差較大卻不是邊緣的點(diǎn)，最后利用邊緣位置的像素分辨率估計(jì)邊緣的方位。

1.2 二值圖像形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)可以簡化圖像數(shù)據(jù)，同時(shí)保持圖像的形狀特征，去除不相干的結(jié)構(gòu)元素。數(shù)學(xué)形態(tài)學(xué)由4個(gè)基本運(yùn)算組成：膨脹、腐蝕、開運(yùn)算和閉運(yùn)算。

二值圖像的膨脹是指將背景像素與物體自身結(jié)合的過程，這一過程填補(bǔ)了目標(biāo)物體中的小空洞，使目標(biāo)成為連通域，增大了目標(biāo)物體。腐蝕的主要目的是消除圖像邊界點(diǎn)，使剩下的圖像比原圖像周邊小了若干像素。當(dāng)原圖像某部位像素極少時(shí)，腐蝕會(huì)將該處變?yōu)榉沁B通，將原圖分為2個(gè)獨(dú)立圖像，從而實(shí)現(xiàn)降噪。當(dāng)圖像先進(jìn)行腐蝕后進(jìn)行膨脹時(shí)，這種組合被稱為開運(yùn)算。開運(yùn)算的特點(diǎn)是可以將物體圖像拆分，刪除物體圖像中的小物體圖像。當(dāng)圖像先進(jìn)行膨脹后進(jìn)行腐蝕時(shí)，這種組合被稱為閉運(yùn)算。閉運(yùn)算的特點(diǎn)是可以連接相近的物體圖像，填充物體圖像中的像素小洞[1]。

1.3 車牌圖像預(yù)處理

在獲取的圖片亮度和對比度不合理時(shí)，技術(shù)人員需要通過預(yù)處理對模糊的圖片加以調(diào)整。預(yù)處理是將輸入的車牌圖像二值化處理后進(jìn)行平滑處理的過程。在進(jìn)行二值化處理前，要先將拍到的彩色圖像轉(zhuǎn)化成灰度圖像。本文利用的轉(zhuǎn)換方法是將三原色的加權(quán)值作為圖像灰度值。計(jì)算公式為：g＝0.110B＋0.588G＋0.302R，其中，g代表灰度值，R，G，B代表紅、綠、藍(lán)三色的分量值。

2 車牌字符分割

2.1 車牌圖像校正

因?yàn)檐嚺坪蛿z像頭的安裝問題或者拍攝角度問題，拍到的車牌圖像往往在水平方向呈傾斜。利用傳統(tǒng)的Hough變化檢測傾斜花費(fèi)的時(shí)間比較多，于是技術(shù)人員可以利用一種基于定位原水平線的校正方法。

Hough變換主要是通過車牌上下邊框?qū)ふ移渲凶铋L線段來判斷車牌傾斜情況，而基于定位原水平線的校正方法是以車牌字符的傾斜情況為依據(jù)。這種校正方法將圖像分割成三等份，選擇中間圖像中沒有鉚釘?shù)囊环荩缓笠?00為閾值將選取的圖像二值化并進(jìn)行垂直像素投影分割，保證分割后至少2個(gè)區(qū)域存在完整字符，連接2個(gè)字符像素的最高點(diǎn)和最低點(diǎn)以確定原圖像的水平線，在確定水平線后利用旋轉(zhuǎn)變換對車牌進(jìn)行校正。

2.2 車牌字符分割

車牌字符分割是為了將車牌中的每個(gè)字符從原圖像中切割出來形成獨(dú)立的字符子圖像，以方便車牌識(shí)別。常用的字符分割方法有直線分割法、模板匹配的字符分割算法和基于先驗(yàn)知識(shí)的字符分割算法。直接分割法就是在車牌定位準(zhǔn)確、車牌圖像截取完整的情況下根據(jù)車牌字符的位置進(jìn)行切割，其要求車牌圖像尺寸精度必須要高，否則會(huì)造成切割后的字符不完整，影響字符識(shí)別。這種分割法的優(yōu)點(diǎn)就在于其操作簡單，但缺點(diǎn)是其分割點(diǎn)會(huì)被噪聲干擾，影響準(zhǔn)確性。

基于模板匹配的字符分割算法是根據(jù)我國車牌的設(shè)計(jì)特點(diǎn)總結(jié)設(shè)計(jì)的一套字符串匹配算法。我國的車牌第一位是省、自治區(qū)及直轄市的簡稱，第二位是大寫英文字母，后五位是大寫字母與數(shù)字的混合，根據(jù)這種規(guī)律設(shè)計(jì)一套算法將圖片與模板庫中的圖案進(jìn)行比較分割。這種算法要求圖像形狀較為清晰，如果車牌傾斜，算法會(huì)無法比較字符而導(dǎo)致分割的準(zhǔn)確性降低?；谙闰?yàn)知識(shí)的字符分割算法是按照國家對車牌規(guī)定的標(biāo)準(zhǔn)如漢字、英文字母、數(shù)字的長寬和間距等作為約束條件對車牌圖像進(jìn)行分割。

3 車牌字符識(shí)別

3.1 模板匹配法

模板匹配法是圖像識(shí)別中比較有代表性的一種方法，它是利用原圖像中的特征與模板比較，算出原圖像與模板的差距，找出與原圖像最接近的模板。這種方法要求技術(shù)人員事先建立一個(gè)包含二值化數(shù)字模板的模板庫，模板之間要大小相同，系統(tǒng)在進(jìn)行車牌與模板匹配時(shí)先將車牌圖像字符與模板大小統(tǒng)一以方便匹配；然后建立一個(gè)相識(shí)度公式衡量模板與待識(shí)別圖的相似度，將模板逐一和待識(shí)別字符匹配運(yùn)算，找出相似度最大的模板字符。

3.2 樹分類法

樹分類法是根據(jù)樹形分層理論，采用3個(gè)分類器識(shí)別車牌。分類器1識(shí)別車牌第一個(gè)字符，分類器2識(shí)別車牌第二個(gè)字符，分類器3識(shí)別后五位字符。這種分類方法將位置數(shù)據(jù)歸屬于某一類，用特征f1將集合{C1，C2，…，Cn}分為幾個(gè)小組，用特征f2將第一小組再次分組，用特征f3將第二小組再次分組，以此類推，最終達(dá)到唯一的種類。這種識(shí)別法先對字符輪廓進(jìn)行定義，再利用輪廓的季節(jié)微分變化趨勢定義構(gòu)成字符輪廓的基本基元[2]。

在設(shè)計(jì)數(shù)字和字母分類器時(shí)，設(shè)計(jì)步驟為：檢測字符高度與寬度比，比值大于4，字符為1，否則進(jìn)行第二輪檢測，第二輪檢測左側(cè)輪廓是否突變并進(jìn)行排除，排除后進(jìn)入第三輪，檢測突變在上部還是下部，并判斷突變?yōu)樨Q直、水平或左右傾斜，最后結(jié)合輪廓突變判斷字符。

4 總結(jié)

綜上所述，基于圖像處理技術(shù)的車牌識(shí)別方法推動(dòng)了我國交通管理方面的發(fā)展，但目前的車牌識(shí)別方法還存在著效率低的問題。由分析可知，技術(shù)人員將拍攝的車牌圖像轉(zhuǎn)化為二值圖像，并進(jìn)行預(yù)處理，提高了對車牌原圖的定位；利用基于定位原水平線的校正方法和模板匹配的字符分割算法使車牌字符分割更清晰準(zhǔn)確；利用模板匹配法或樹分類法使車牌字符識(shí)別更智能；最終實(shí)現(xiàn)了基于圖像處理技術(shù)的車牌識(shí)別方法的優(yōu)化，從而為我國建立智能交通系統(tǒng)奠定基礎(chǔ)。

［1］李建華.基于圖像處理技術(shù)的車牌識(shí)別方法研究與實(shí)現(xiàn)［D］.開封：河南大學(xué)，2015.

［2］阮曉波.基于圖像處理技術(shù)的車牌識(shí)別的研究［D］.合肥：合肥工業(yè)大學(xué)，2010.

〔編輯：劉曉芳〕

TP391.41

A

10.15913/j.cnki.kjycx.2017.19.065

2095－6835（2017）19－0065－02

黎洪龍（1989—），男，研究方向?yàn)榻煌ㄍㄐ拧?/p>