一種改進(jìn)的基于模板匹配的污損車牌識別方法

李強(qiáng) 張娟

摘 要：本文提出了一種改進(jìn)的模板匹配的污損車牌識別方法，該識別方法對于污損車牌和模糊車牌識別效果較好。研究時(shí)充分利用車牌定位和字符分割過程中得到的信息對車牌識別過程進(jìn)行反饋。利用改進(jìn)的模板匹配方法進(jìn)行字符的匹配識別，通過將字符的差異值累加進(jìn)行擴(kuò)大，以便于比較字符之間的差異值，通過對比差異值的大小來判斷字符識別結(jié)果。通過改進(jìn)的模板匹配方法來識別車牌字符，提高了污損車牌識別的準(zhǔn)確性，實(shí)驗(yàn)結(jié)果表明本方法具有很強(qiáng)的環(huán)境適應(yīng)性和魯棒性。

關(guān)鍵詞： 模板匹配;車牌識別;污損車牌;車牌字符;模糊車牌;字符匹配識別

文章編號： 2095-2163（2019）03-0113-05 中圖分類號： TP391.41 文獻(xiàn)標(biāo)志碼： A

0 引 言

車牌識別系統(tǒng)廣泛應(yīng)用于交通管理、收費(fèi)站、城市交叉口、港口和機(jī)場、機(jī)動(dòng)車檢測、停車場管理等不同的場所，并成為圖像處理和模式識別技術(shù)研究領(lǐng)域中的熱點(diǎn)問題。車牌自動(dòng)識別系統(tǒng)[1-4]主要包括車牌定位、車牌分割、車牌字符識別三部分。

其中，僅就車牌字符識別而言，目前基于神經(jīng)網(wǎng)絡(luò)、字符筆畫特征和模糊識別等方法能夠有效地識別解析度較高和圖像較為清晰的車牌。但是對于較低解析度和較為模糊或者有污損的車牌，上述方法的可行性卻仍然欠佳。時(shí)下，根據(jù)車牌特征信息分析的車牌識別方法也已陸續(xù)問世，如文獻(xiàn)[5]中，充分利用車牌定位和字符分割過程中得到的信息對車牌識別過程進(jìn)行反饋，將二值化、車牌定位和字符分割緊密結(jié)合，注重車牌與車輛背景圖像分離特征，以連通域分析為字符分割特點(diǎn)，提高正確率。文獻(xiàn)[6]采用徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）識別車牌，RBFNN的算法采用混合結(jié)構(gòu)優(yōu)化算法，在識別中使用非全字符輸入和多層識別器?；旌辖Y(jié)構(gòu)優(yōu)化算法簡化了RBFNN的結(jié)構(gòu)，提高了RBFNN的泛化能力;非全字符簡化了RBFNN的輸入，提高了車牌識別的速度;多層識別器保證了非全字符輸入的識別率。將RBFNN的混合結(jié)構(gòu)算法和非全字符輸入、多層識別器相結(jié)合，在保證識別率的基礎(chǔ)上，提高了識別速度。文獻(xiàn)[6]中的仿真試驗(yàn)表明：相對于全字符輸入的車牌識別，該方法在時(shí)間復(fù)雜度上的表現(xiàn)非常優(yōu)秀;相對于K-means算法的RBFNN車牌識別，其方法在泛化能力上有一定的優(yōu)勢。

本文針對污損車牌的識別提出了一種改進(jìn)的模板識別方法，該方法將每個(gè)字符單獨(dú)分割出來，且均分成很多小部分，每個(gè)單獨(dú)字符的每一小部分與模板中對應(yīng)的每一小部分進(jìn)行比對，對比出差異值，接下來再將許多小部分的差異值進(jìn)行累加，處理后得到污損車牌字符與模板字符之間的差車牌的字符，并具有良好的魯棒性，最終取出對比得到的差異值最小的字符作為識別結(jié)果。綜上可得該方法的設(shè)計(jì)流程如圖1所示。該方法能有效識別出污損車牌。

1 車牌定位

當(dāng)人們從遠(yuǎn)處觀察車輛時(shí)，判別牌照區(qū)域的主要依據(jù)是車牌的顏色、亮度和車牌字符的邊緣形成的紋理。所以，充分利用這些信息就成了定位車牌的關(guān)鍵。牌照區(qū)域有別于其他區(qū)域的地方就在于牌照上有字符，結(jié)合國內(nèi)車牌的特征，國內(nèi)的汽車牌照內(nèi)容由數(shù)字、字母和漢字組成。首位字符是漢字部分，其次是24個(gè)英文字符中的一個(gè)（字母O和I除外），后面五位是數(shù)字和字母的組合。根據(jù)中國車牌字符的特征制作模板，使用模板匹配的方法來識別字符的識別率較高。圖象的灰度水平投影具有較好的連續(xù)性，不會有大的起伏，體現(xiàn)在紋理信息上就是其垂直邊緣的間距呈現(xiàn)出相應(yīng)規(guī)律。本文的車牌定位方法就是基于車牌字符位置和投影的規(guī)律性這兩方面相結(jié)合而展開研究的，從而更有效地排除干擾區(qū)域，更快速、準(zhǔn)確地實(shí)現(xiàn)車牌的定位。

在車牌定位時(shí)先通過粗定位[7]—水平定位和垂直定位來找出車牌的大概區(qū)域。首先通過水平投影確定車牌的上下邊界。雖然車牌區(qū)域內(nèi)水平方向有著較大的灰度變化，但由于字符在豎直方向上的灰度有著較好的連續(xù)性，在車牌范圍內(nèi)的水平灰度投影不會發(fā)生很大的起伏，而在車牌之外的上下區(qū)域由于車身或背景的關(guān)系投影值會明顯不同。然后使用類似的方法，通過垂直投影確定車牌的左右邊界。由此找出的矩形區(qū)域被認(rèn)定為車牌區(qū)域。

在圖像中，本文將初步定位出污損的車牌區(qū)域，再對污損的車牌圖像進(jìn)行處理。研究中給出了拍攝車牌的原圖，如圖2所示。

在含污損車牌的圖像中將污損車牌區(qū)域提取出來，提取出來的污損車牌圖像如圖3所示。

2 車牌圖像預(yù)處理

完整的車牌識別過程主要有4個(gè)步驟：圖像預(yù)處理、車牌定位、車牌分割、車牌識別[8]。這里，擬對此做出如下研究論述。

2.1 圖像預(yù)處理

由于實(shí)際車輛在行駛過程中拍攝的車牌不一定都是清晰的。又由于路況和周遭環(huán)境的差異，例如：強(qiáng)光照射、遮擋、污染、模糊等，污損的情況也很多，會給攝像機(jī)的抓拍增加難度，進(jìn)而影響后續(xù)的字符分割和識別處理，如此一來，圖像的預(yù)處理就顯得尤為重要[9]。在預(yù)處理中，先將圖像灰度化，灰度化后的效果圖如圖4所示，再采用高斯濾波，消除高斯噪聲，對圖像進(jìn)行平滑處理。對此研發(fā)設(shè)計(jì)可闡釋分析如下。

2.1.1 高斯濾波

高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。總地來說，高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。高斯濾波的具體操作是：用一個(gè)模板（或稱卷積、掩模）掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。高斯濾波后的效果如圖5所示。

將高斯平滑濾波器應(yīng)用于去模糊圖像上，和均值濾波器差不多，但其與均值濾波器存在差異之處的地方就是核不同。均值濾波器的核每一個(gè)值都是相等，而高斯平滑濾波器的核內(nèi)的數(shù)卻呈現(xiàn)出高斯分布。對于二維高斯分布，研究中多會用到的數(shù)學(xué)公式可表示為：

2.1.2 邊緣檢測

圖像邊緣檢測[10]大幅度地減少了數(shù)據(jù)量，同時(shí)剔除了不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。用于邊緣檢測的方法可分為2類，即：基于查找的方法和基于零穿越的方法。其中，基于查找的方法通過尋找圖像一階導(dǎo)數(shù)中的最大和最小值來檢測邊界，通常是將邊界定位在梯度最大的方向?；诹愦┰降姆椒ㄍㄟ^尋找圖像二階導(dǎo)數(shù)零穿越來尋找邊界，多數(shù)情況下就是Laplacian過零點(diǎn)或者非線性差分表示的過零點(diǎn)。

Sobel邊緣檢測算法比較簡單，實(shí)際應(yīng)用效率比Canny邊緣檢測效率要高，但是邊緣檢測的準(zhǔn)確性卻會遜色于Canny檢測。因而在對效率要求較高，但是對細(xì)紋理無明確要求的場合，Sobel邊緣即為首選。

Laplacian算子是n維歐幾里德空間中的一個(gè)二階微分算子，定義為梯度grad的散度div。Laplacian 算子對噪聲比較敏感，而且圖像一般均先經(jīng)過平滑處理，研究可知平滑處理也需借助模板的作用，所以，通常的分割算法都是把Laplacian 算子和平滑算子結(jié)合起來生成一個(gè)新的模板。

在本文中需要得到更為準(zhǔn)確的邊緣檢測結(jié)果，考慮到是污損車牌，故而要特別關(guān)注紋理，而且也要對噪聲有一定的抗干擾性，所以文中邊緣檢測采用了Canny邊緣檢測方法。Canny邊緣檢測算法具有低錯(cuò)誤率、高定位性、最小響應(yīng)的特性。本次研究中邊緣檢測后的效果圖如圖6所示。

2.2 車牌分割

車牌分割的好壞將直接關(guān)系著車牌識別效果。通過前述步驟進(jìn)行車牌定位和圖像預(yù)處理后，下面就是二值化的字符分割環(huán)節(jié)。常見的字符分割方法有模板匹配、聚類分析[11]、投影分割等3種方法，在執(zhí)行分割之前先找到有效區(qū)域，并截取有效區(qū)域作為分割區(qū)域。在檢測有效區(qū)域時(shí)采用行列掃描的方法，先通過統(tǒng)計(jì)跳變次數(shù)找到上下邊界，再通過從左和從右逐列地掃描，認(rèn)為白色邊界最多的是起始列，通過這種方法找到左、右邊界，檢測到的有效區(qū)域如圖7所示。

在檢測到有效區(qū)域后，再接著就是截取檢測到的有效區(qū)域，研究截取的有效區(qū)域即如圖8所示。

分割字符時(shí)采用垂直投影的方法，分割時(shí)要注意的是第二和第三個(gè)字符之間的間隔會比其他字符略大。研究中對截取的有效區(qū)域進(jìn)行分割后的結(jié)果則如圖9所示。

將分割后的效果圖中的7個(gè)字符依次單獨(dú)分割出來，并統(tǒng)一進(jìn)行標(biāo)準(zhǔn)化，分割后的結(jié)果如圖10所示。

3 車牌識別

3.1 傳統(tǒng)的車牌識別方法

目前，車牌識別的技術(shù)相對來說已趨于成熟，車牌識別的方法也較為多樣。一般情況下，利用傳統(tǒng)的模板匹配方法來進(jìn)行車牌識別，其識別率會很高。在圖11中，傳統(tǒng)的車牌識別方法就是將從車牌中取得的第一個(gè)字符（見圖11（a））和模板庫中的字符（見圖11（b）、（c））進(jìn)行比對，而后輸出比對結(jié)果中差異值最小的字符，可將其判定為識別結(jié)果。

3.2 改進(jìn)的模板匹配方法

車牌字符識別是確認(rèn)車牌上的漢字、數(shù)字、字母等信息的過程。字符識別時(shí)，先是對字符進(jìn)行特征提取，建立字符特征庫，再通過與字符特征庫中的字符加以比較來進(jìn)行字符識別。車牌識別中，比較常用的有模板匹配和基于神經(jīng)網(wǎng)絡(luò)法。本文對于污損車牌的識別[12]采用的是改進(jìn)的模板匹配的方法。不同于傳統(tǒng)的模板匹配方法，在改進(jìn)的模板匹配方法中，并非如同傳統(tǒng)的匹配方法只是將待識別的字符與模板進(jìn)行簡單、直接匹配，而是先將待識別字符與模板進(jìn)行處理，待處理之后再逐一進(jìn)行比對，對比求出差異值之后取比對的差異值最小的結(jié)果送至輸出，并認(rèn)定其為最終結(jié)果。研究中選用了從拍攝到的一輛污損車牌的牌照[13]中提取到的字符。鑒于車牌受到污損，所以在識別車牌時(shí)不能再用之前簡單的模板匹配的方法。

本文中采用了一種改進(jìn)的模板匹配的方法來對字符進(jìn)行比對識別。這里擬用單個(gè)字符的比對來詳述識別方法。圖12是污損車牌的單個(gè)字符和模板庫中的單個(gè)字符進(jìn)行比對。

在對字符進(jìn)行識別時(shí)，將污損的單個(gè)車牌字符提取出來，將其均分成100等份，同時(shí)也將模板中字符也細(xì)分成一百等份，此后將在污損字符每個(gè)小網(wǎng)格內(nèi)統(tǒng)計(jì)其白色像素個(gè)數(shù)與每個(gè)模板字符對應(yīng)位置的小網(wǎng)格進(jìn)行比較，得到其差異值，再將這100個(gè)網(wǎng)格內(nèi)的差異值進(jìn)行疊加，至此將選擇其中差異值最小的一個(gè)作為識別結(jié)果，將其輸出。

假設(shè)有一閾值0X時(shí)，計(jì)數(shù)器U便加1，直至遍歷完整個(gè)小網(wǎng)格內(nèi)的所有像素點(diǎn)。得到這一個(gè)小網(wǎng)格內(nèi)的非0像素值的總和U，令a1=UV，則其它剩余的小網(wǎng)格依次為a2，a3...，a100用此方法得到的單個(gè)污損車牌字符的累加和計(jì)為M。研究推得其數(shù)學(xué)公式為：

而模板字符用此方法得到的累加和記為N，則污損字符與模板字符的差異值記為L，具體公式如下：

因車牌牌照中的7個(gè)字符，在固定的位置有固定的字符。將污損字符與模板字符進(jìn)行比對時(shí)，如果污損字符在首位，則將污損字符與漢字模板進(jìn)行比對;如果污損字符在第二位，則將污損字符與車牌中的24個(gè)英文字符中的一個(gè)（字母O和I除外）進(jìn)行比對;如果污損字符是后五位，因?yàn)楹竺嫖逦皇菙?shù)字和字母的組合，則將污損字符與數(shù)字和字母的模板進(jìn)行匹配。在結(jié)束比對后，車牌字符的7個(gè)位置都取其中對應(yīng)L值最小的一個(gè)模板字符作為此方法的識別結(jié)果并輸出。至此，研究得到的識別輸出結(jié)果如圖13所示。

4 結(jié)束語

由于模板匹配[14]識別率高的特征，本文中也采用模板匹配的方法來識別污損車牌，充分利用車牌字符的局部與整體信息，由于車牌字符局部的差異性并不明顯，因此利用車牌字符每一小部分的差異性進(jìn)行疊加，將局部的差異性轉(zhuǎn)換成整體的差異性進(jìn)行輸出。本文即基于以上分析提出了一種利用改進(jìn)的模板匹配的方法來識別污損[15]的車牌字符。該方法將污損的字符均分成許多小部分，在每一小部分和模板對應(yīng)的每一小部分之間通過對比計(jì)算出差異值的大小，再將得到的每一小部分的差異值進(jìn)行累加得到字符與模板的綜合差異值。接下來將每一個(gè)模板都與污損字符比對后均得到一個(gè)差異值，選擇其中一個(gè)與污損字符差異值最小的模板字符進(jìn)行輸出，并認(rèn)定其為最終識別結(jié)果。實(shí)驗(yàn)結(jié)果表明，該方法能有效檢測并識別含污損字符的車牌，對污損車牌具有很高的識別率。但也要指出，該方法對污損區(qū)域較大或者識別率較低的圖像還未達(dá)到很好的效果。因此，在本文算法程序的基礎(chǔ)上，下一步應(yīng)重點(diǎn)針對污損區(qū)域較大或者圖像識別率不是太高的情況來進(jìn)行深入研究，期待對污損車牌的識別能夠得到更好的效果。

參考文獻(xiàn)

[1]馮國進(jìn)， 顧國華， 鄭瑞紅. 基于自適應(yīng)投影方法的快速車牌定位[J]. 紅外與激光工程， 2003，32（3）：285-287，308.

[2] 秦鐘， 徐建閩， 史勝利，等. 基于字符角點(diǎn)信息的車牌定位方法[J]. 華南理工大學(xué)學(xué)報(bào) （自然科學(xué)版）， 2006， 34（4）：19-23.

[3] 朱衛(wèi)健， 夏良正.? 一種實(shí)用快速的車牌字符分割方法[J]. 南京理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2005，29（s1）：26-28.

[4] 汪濤， 盧朝陽.? 一種新的汽車牌照字符切分算法[J]. 西安電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2005，32（6）：931-934，957.

[5] 駱雪超， 劉桂雄， 馮云慶，等. 一種基于車牌特征信息的車牌識別方法[J]. 華南理工大學(xué)學(xué)報(bào) （自然科學(xué)版）， 2003， 31（4）：70-73.

[6] 趙志剛， 繆凱， 呂慧顯. 基于RBFNN和非全字符輸入的車牌識別方法[J]. 光電子·激光， 2007， 18（12）：1457-1461.

[7] 劉尚旺， 段德全， 崔艷萌，等. 二次定位車牌分割及識別方法[J]. 河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，44（4）：151-156.

[8] 張三友， 姜代紅. 基于OPENCV的智能車牌識別系統(tǒng)[J]. 軟件導(dǎo)刊， 2016， 15（5）：87-89.

[9] 劉智. 徑向基神經(jīng)網(wǎng)絡(luò)算法在車牌字符識別中的應(yīng)用[J]. 華僑大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2017， 38（1）：113-116.

[10]GADDAM L， RANE S H， BASPURE J K， et al. License plate recognition[J]. International Journal of Computer Science & Mobile Computing， 2014， 3（9）：492-495.

[11]吳益紅， 許鋼， 江娟娟，等. 一種用于工件識別的LBP-HOG特征融合方法[J]. 南陽師范學(xué)院學(xué)報(bào)， 2016， 15（9）：33-38.

[12]延俊義. 用字符局部相似度誤差過濾的方法識別污損車牌[J]. 科技創(chuàng)新導(dǎo)報(bào)， 2011（25）：113.

[13]劉焱， 董軍宇， 馬莎，等. 基于紋理合成算法在恢復(fù)污損牌照中的應(yīng)用[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2008， 18（12）：186-188.

[14]高聰， 王福龍. 基于模板匹配和局部HOG特征的車牌識別算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2017，26（1）：122-128.

[15]程雅瓊， 蔡亮， 張忠林. 惡劣天氣下車牌識別系統(tǒng)及MATLAB GUI實(shí)現(xiàn)[J]. 自動(dòng)化與儀器儀表， 2017（2）：53-55.

[16]BULAN O， KOZITSKY V， RAMESH P， et al. Segmentation- and annotation-free license plate recognition with deep localization and failure identification[J]. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（9）：2351-2363.