基于MATLAB的車牌識別系統(tǒng)研究

摘 要：為了提高車牌識別準(zhǔn)確率，以MATLAB為平臺，對車牌識別系統(tǒng)部分算子選擇及算法進(jìn)行調(diào)整和優(yōu)化。在具體處理中，通過灰度拉伸、頂帽變換、二值化等實(shí)現(xiàn)車牌預(yù)處理，用邊緣檢測、形態(tài)學(xué)處理等實(shí)現(xiàn)車牌定位，通過多種算法對比選擇合適的車牌矯正方法，結(jié)合車牌垂直投影法、模板匹配法完成車牌識別系統(tǒng)設(shè)計(jì)。該系統(tǒng)對車牌識別的準(zhǔn)確率由96.5%提升至97.5%，識別效果較好。

關(guān)鍵詞：車牌識別;頂帽變換;形態(tài)學(xué)處理;車牌定位;車牌矯正

DOI： 10. 11907/rjdk.191347

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP301

文獻(xiàn)標(biāo)識碼：A

文章編號：1672-7800（2020）001-0050-05

0 引言

車牌之于車輛，就像身份證之于人。無論是在交通管理中還是在小區(qū)車輛進(jìn)出監(jiān)控中，都可以通過對車牌號的采集，與原先錄入系統(tǒng)資料庫中的信息進(jìn)行對比，找到一系列車輛及車主相關(guān)信息，實(shí)現(xiàn)有效監(jiān)管[1]。車牌識別準(zhǔn)確與否直接關(guān)系到監(jiān)管質(zhì)量好壞，因此在實(shí)際應(yīng)用中需求車牌識別系統(tǒng)有很高的準(zhǔn)確率。

20世紀(jì)80年代開始，國外在交通管理方面就開始使用智能聯(lián)網(wǎng)方法，在車牌識別技術(shù)領(lǐng)域更是處于領(lǐng)先水平[2]。像英國的ANPR系統(tǒng)，在20世紀(jì)70年代就已出現(xiàn)，在80年代初就已經(jīng)能在250ms內(nèi)識別車牌。經(jīng)過不斷改進(jìn)和完善，如今的ANPR系統(tǒng)已經(jīng)是全英國車牌識別系統(tǒng)的代表;新加坡Optasia公司研發(fā)了適用于道路車牌識別的VLPRS系統(tǒng)，該系統(tǒng)的使用進(jìn)一步推動(dòng)了新加坡交通智能化發(fā)展，準(zhǔn)確率已達(dá)99.8%[3];美國的GE車牌識別系統(tǒng)也表現(xiàn)出出色的識別能力[3];法、日、德、加拿大等國家的車牌識別技術(shù)發(fā)展迅速，準(zhǔn)確率均達(dá)98%以上。

我國車牌識別系統(tǒng)研究從20世紀(jì)90年代真正開始，國內(nèi)行駛車輛快速增長，車牌識別技術(shù)發(fā)展迫在眉睫[4]?？κ泊髮W(xué)賈秀紅[5]通過OSTU算法，使車牌識別率達(dá)到93%以上;西安航空學(xué)院馬晨[6]采用神經(jīng)網(wǎng)絡(luò)算法，在200ms內(nèi)實(shí)現(xiàn)車牌識別。但由于噪聲、光線等影響，圖像清晰度不夠，車牌識別系統(tǒng)準(zhǔn)確率嚴(yán)重下降[7-8];在實(shí)際定位車牌時(shí)，少量邊緣信息存在丟失現(xiàn)象;車牌識別系統(tǒng)設(shè)計(jì)中，速度和精度協(xié)調(diào)不易把控[9-11]。

針對上述情況，本文充分考慮國內(nèi)車牌特點(diǎn)，以國內(nèi)藍(lán)底車牌為例在MATLAB中進(jìn)行車牌識別系統(tǒng)設(shè)計(jì)。在預(yù)處理時(shí)將灰度拉伸、頂帽變換、二值化等多種方法相結(jié)合，實(shí)現(xiàn)噪聲抑制，突出目標(biāo)特征。對定位方法加以改進(jìn)，適當(dāng)拓寬定位目標(biāo)面積，減少邊緣信息丟失情況。對校正方法加以選擇，在保證精度的情況下選擇數(shù)據(jù)處理時(shí)間較短的算法，實(shí)現(xiàn)系統(tǒng)速度和精度的協(xié)調(diào)。

1 車牌提取

在實(shí)際情境中，為提高圖像質(zhì)量，往往選擇分辨率較高的圖像采集設(shè)備，導(dǎo)致采集的圖像像素也相應(yīng)增大，這給系統(tǒng)識別速度帶來了很大壓力。為了保證系統(tǒng)運(yùn)行速度，在讀取圖像后，需對不滿足系統(tǒng)規(guī)定尺寸的圖片進(jìn)行等比例壓縮。本系統(tǒng)將要處理的圖像尺寸設(shè)置為400#300，在讀入圖像時(shí)，先計(jì)算圖像尺寸，當(dāng)圖像高度高于400時(shí)，以（400/y）的壓縮比進(jìn)行壓縮。

2 預(yù)處理

2.1 灰度化處理

系統(tǒng)在數(shù)據(jù)處理時(shí)，彩色圖像需要處理的數(shù)據(jù)遠(yuǎn)遠(yuǎn)大于灰度圖像。在不影響處理效果的前提下，出于系統(tǒng)識別速度的考量，將圖像進(jìn)行灰度化?；叶然捎眉訖?quán)平均算法[12]：

式（2）中f（x，y）為原圖像，其灰度范圍為[a，b];B（x，y）為處理之后的圖像，其灰度范圍為[c，d]。對灰度變換后的車牌圖像進(jìn)行拉伸實(shí)際上是將原圖像的灰度等級擴(kuò)展至[0，255]范圍之內(nèi)?；叶壤烨昂髮Ρ热鐖Dl所示，由于為拉伸前灰度圖的灰度級較為分散，因而灰度拉伸后效果并不明顯。

2.3 頂帽（Top-hat）變換

汽車圖像在采集時(shí)往往存在光照不均勻問題，直接影響后期圖像的準(zhǔn)確分割.因此在前期圖像預(yù)處理時(shí)減少光照影響尤為重要。

頂帽變換的實(shí)質(zhì)是通過一個(gè)結(jié)構(gòu)元素對要處理的圖像進(jìn)行開運(yùn)算，并將該運(yùn)算得出的圖像通過差操作從原圖像中刪除[14-16]。

T hat（f） =f-（f°b）

（3）

式（3）中，b為結(jié)構(gòu)元素，f為待處理圖像。

根據(jù)式（3），定義一個(gè)半徑為16的圓盤為結(jié)構(gòu)元素，對灰度拉伸處理后的圖像進(jìn)行開操作，分離出的背景圖像如圖2所示，原圖像與背景圖像做差運(yùn)算，得出處理后的增強(qiáng)圖像如圖3所示。

值得注意的是，所選取的結(jié)構(gòu)元素一定要足夠大，防止出現(xiàn)擬合物體現(xiàn)象。從圖2和圖3可以看出，本設(shè)計(jì)選用的元素結(jié)構(gòu)對背景分離有很好的效果。

2.4 二值化圖像

二值化圖像的目的是進(jìn)一步減少多余數(shù)據(jù)量，使所要提取的圖像特征更明顯。二值化處理過程中，確定適當(dāng)?shù)拈撝涤葹橹匾?，它將直接決定處理效果。由于車牌識別系統(tǒng)對圖像處理速度和精確度要求都較高，傳統(tǒng)平均值法、設(shè)定閾值法呈現(xiàn)效果并不理想，而雙峰法、迭代法和OSTU大律法都需要相當(dāng)?shù)挠?jì)算時(shí)間，因此在確定閾值時(shí)根據(jù)經(jīng)驗(yàn)選擇如下方法：

式（4）中T為所求閾值，MAX為待處理圖像矩陣的最大值，MIN為待處理圖像矩陣的最小值。

通過計(jì)算，取圖像矩陣中的最大值和最小值分別帶人式（4）中，得出二值化處理的最佳閾值。二值化處理后的圖像見圖4。用該方法處理圖像，既能達(dá)到系統(tǒng)所需效果，也能在極短時(shí)間內(nèi)確定合適的閾值。

3 定位

3.1 邊緣檢測

邊緣檢測和形態(tài)學(xué)處理為車牌定位奠定了基礎(chǔ)。邊緣檢測方法有很多，Laplacian算子、Roberts算子、Sobel算子、P rewitt算子和Canny算子在不同場合中有不同的優(yōu)勢[16-17]。Laplacian算子和Roberts算子對邊緣定位雖然精確度高，但是Roberts算子會(huì)丟失一部分邊緣，而且兩種算法受噪聲的影響也較大。Sobel算子和Prewitt算子雖然在邊緣提取時(shí)速度快，但是會(huì)因?yàn)榛旌显肼暤挠绊懚`判，該系統(tǒng)運(yùn)行環(huán)境復(fù)雜，因此并不適合。而Canny算子與其它算子相比有較強(qiáng)的去噪能力，尤其適合于有噪聲的圖像。

提取的車牌往往受環(huán)境影響存在噪聲，因此在邊緣提取時(shí)用Cannv算子較為合適。Cannv邊緣檢測首先要選定G auss濾波器對待處理圖像進(jìn)行平滑濾波，然后采取非極值抑制技術(shù)進(jìn)行處理得到最終邊緣圖像[16]。具體步驟如下：

（1）Gauss平滑濾波，去除噪聲：

3.2 車牌粗定位

為防止車牌在定位時(shí)出現(xiàn)部分信息丟失情況，對邊緣提取后的圖像進(jìn)行閉運(yùn)算，以填補(bǔ)圖像中存在的部分孔洞，同時(shí)保證原本連接區(qū)域處于連通狀態(tài)。根據(jù)經(jīng)驗(yàn)以一個(gè)7*19的矩形結(jié)構(gòu)元素對圖像進(jìn)行閉操作，結(jié)果如圖6所示。

由圖6可以看出，閉運(yùn)算后的圖像存在大量小對象，對車牌定位存在很大程度的干擾?；谏鲜鲈?，對閉操作后的圖像以一個(gè)7*19的矩形結(jié)構(gòu)元素進(jìn)行開操作，消除圖像中存在的小對象和小面積噪聲。結(jié)果見圖7，車牌大致位置鎖定在白色區(qū)域內(nèi)。

3.3 車牌精確定位

對于部分車牌而言，粗定位只是縮小了車牌在圖像中的范圍，車牌具體位置還沒有確定，因此需要精確定位車牌位置。

車牌精確定位步驟如下：①根據(jù)粗定位中車牌可能存在的位置進(jìn)行標(biāo)記;②對標(biāo)記過的區(qū)域逐一進(jìn)行面積、寬度、高度等一系列參數(shù)計(jì)算;③根據(jù)車牌國標(biāo)尺寸確定車牌區(qū)域，藍(lán)牌尺寸為440*140mm。

以圖7中形態(tài)學(xué)處理后的圖像為例，粗定位后的車牌確定在3個(gè)白色連通塊內(nèi)，對連通塊進(jìn)行標(biāo)記，如圖8所示。

圖像在采集時(shí)由于距離等因素影響，在長度和寬度上不可能確定為440*140的尺寸，一般都會(huì)有一定比例的縮放，因此在計(jì)算出車牌區(qū)域的長度、寬度等參數(shù)之后，可以根據(jù)車牌的長寬比（約為3）設(shè)定閾值范圍為2-4，認(rèn)為已標(biāo)記的連通塊中，長寬比在該范圍內(nèi)的即為車牌位置。

車牌區(qū)域確定后需要對車牌邊界作進(jìn)一步確定，方法有對白色像素點(diǎn)的統(tǒng)計(jì)定位車牌、對藍(lán)色像素點(diǎn)的統(tǒng)計(jì)定位車牌，在本系統(tǒng)中采用統(tǒng)計(jì)藍(lán)色像素點(diǎn)的方法，首先對圖像行掃描，確定車牌的上下邊界，然后對圖像列掃描，確定車牌的左右邊界，掃描定位后的車牌圖像如圖9所示。

由圖9可見車牌邊框附近部分信息存在丟失現(xiàn)象。為了解決這一現(xiàn)象，在原有掃描過程后增加校正、加框操作，即針對原有掃描區(qū)域向四周適度擴(kuò)展，保證有效信息在定位區(qū)域內(nèi)。校正、加框后的車牌區(qū)域如圖10所示，車牌信息保留相對完整。

4 傾斜矯正

獲取車輛圖像中的車牌位置很難保持完全水平，要保證車牌中的各字符能被準(zhǔn)確切分，需對定位、切割后的車牌區(qū)域進(jìn)行矯正，使其處于水平位置。

車牌矯正方法一般有霍夫（ Hough）變換、拉東（Radon）變換、最小二乘法以及兩點(diǎn)法，常用的主要有Hough變換和Radon變換。本文就這兩種方法在系統(tǒng)中的使用情況進(jìn)行對比、選擇。

4. 1霍夫（Hough）變換

Hough變換的實(shí)質(zhì)是將圖像空間中的直線轉(zhuǎn)換為參數(shù)空間中的點(diǎn)[18-20]。其原理如圖11所示（a為圖像空間'b為參數(shù)空間）。

至此，容易看出在圖像空間中任意直線都對應(yīng)參數(shù)空間中的一個(gè)點(diǎn)，而參數(shù)空間中存在的直線交點(diǎn)即說明圖像空間中重合的直線。因此，可以根據(jù)圖像空間中給出的點(diǎn)進(jìn)行Hough變換后確定過這些點(diǎn)的直線，并將其轉(zhuǎn)換成參數(shù)空間的點(diǎn)問題加以解決。

Hough變換對車牌矯正的具體步驟如下：①將實(shí)際情況中無限的直線數(shù)目量化到參數(shù)空間（a，b）中;②構(gòu)造一個(gè)元素初始值為0的累計(jì)數(shù)組，數(shù)組中的元素值表示通過該點(diǎn)的直線數(shù)目;③在定位切割后的車牌圖像中，認(rèn)為像素值為“1”的點(diǎn)為要檢測的像素點(diǎn)，則在圖像空間中找到對應(yīng)直線，并將該直線中所有點(diǎn)數(shù)在累計(jì)數(shù)組的元素中加1;④在累計(jì)數(shù)組的陣列中找到峰值點(diǎn)，對應(yīng)要檢測的直線位置。

利用Hough變換矯正車牌結(jié)果如圖12所示。該方法在本系統(tǒng)中效果并不理想，原因在于Hough變換矯正車牌實(shí)際上是對車牌白色邊框位置的檢測矯正，而本系統(tǒng)中對車牌的定位、切割并沒有清晰、完整地保留車牌的白色邊框。因此，Hough變換在對車牌矯正時(shí)由于沒有正確檢測到邊框的位置而對偏轉(zhuǎn)角度計(jì)算失敗，導(dǎo)致車牌矯正不成功。

4.2 Radon變換

Radon變換是指將圖像空間中數(shù)字圖像的矩陣通過積分投影變換轉(zhuǎn)換到參數(shù)空間中，原理如圖13所示。圖13（a）為變換前的圖像及Radon變換所對應(yīng)的坐標(biāo)系，圖13（b）為原圖像在θ角處對X'軸進(jìn)行的投影，通過尋找投影集合中的最大值即可以確定偏轉(zhuǎn)角度。

Radon變換在車牌矯正中的步驟：

（1）車牌水平傾斜矯正。①具體應(yīng)用中，車牌水平傾斜在0° - 180°范圍之內(nèi)，因此Radon變換在水平矯正時(shí)只需考慮0°- 180°方向上的投影;②累加投影的非零值，記錄該值達(dá)到最大時(shí)對應(yīng)的角度θ1;③計(jì)算出的θ1即為水平方向傾斜角的補(bǔ)角，則車牌的水平傾斜角為90°-θ1。

（2）車牌垂直傾斜矯正。①車牌垂直方向上的傾斜角一般在-45°-45°，所以在進(jìn)行投影變換的時(shí)候只需要考慮-45° - 45°的范圍即可;②累加投影的非零值，記錄該值達(dá)到最大時(shí)對應(yīng)的角度θ1;③計(jì)算出的θ1，為圖13中的θ處，根據(jù)車牌在垂直方向傾斜角的范圍，可得車牌的垂直傾斜角為θ1-45°。

用Radon變換對車牌矯正結(jié)果見圖14，可以看出Ra-don變換對車牌矯正效果顯著。由于Radon變換矯正車牌是對車牌圖像進(jìn)行各方向上的積分投影變換，得出所有投影中最大值的方向即為圖像傾斜角度，因此該方法對車牌邊框完整度要求并不高。矯正角度如圖15所示。

綜上，在該系統(tǒng)中利用Radon變換對車牌進(jìn)行矯正更為合適。

5 結(jié)語

車牌識別準(zhǔn)確率很大程度上依賴于前期對車牌的處理與切割。本文針對車牌識別系統(tǒng)中的車牌預(yù)處理、車牌定位、車牌矯正方法進(jìn)行系統(tǒng)描述，對前期圖像處理及分割中的部分細(xì)節(jié)進(jìn)行適當(dāng)優(yōu)化，解決了車牌定位、切割不精確，容易遺漏車牌首尾字符信息等問題。結(jié)合字符分割、模板匹配法得出的結(jié)果（見圖16、圖17）顯示，車牌預(yù)處理、定位、校正效果良好，能夠正確識別車牌。但該系統(tǒng)的識別率為97.5%，因此在后期進(jìn)行字符識別研究時(shí)可采用神經(jīng)網(wǎng)絡(luò)算法，以期提高識別準(zhǔn)確度至98%以上。

參考文獻(xiàn)：

[1] 崔詩成，遲宗濤.基于MATLAB車牌識別的設(shè)計(jì)[J]工業(yè)控制計(jì)算機(jī)，2017，30（8）：68-69.

[2] 張溪.大數(shù)據(jù)下智能交通系統(tǒng)的發(fā)展綜述[J].計(jì)算機(jī)工程應(yīng)用技術(shù)，201，17（1）：17-19.

[3] 彭玲玲，任占廣，周勤.基于MATLAB的車牌識別系統(tǒng)研究[J].電子制作，2017（22）：11.

[4] 朱克佳，郝慶華，李世勇，等.車牌識別綜述[J].現(xiàn)代信息科技，2018（5）：4-6.

[5] 賈秀宏.基于MATLAB的車牌定位識別方法[J].信息與電腦，2019，88（1）：88-89.

[6] 馬晨.基于MATLAB車牌字符識別算法的研究[J].數(shù)字技術(shù)與應(yīng)用，2017，65（9）：121.

[7] 張學(xué)軍.基于MATLAB圖像處理的車牌號識別系統(tǒng)設(shè)計(jì)[J].信息通信，2018，36（7）：36-37。

[8] 胡麗娜.基于MATLAB的車牌識別號碼系統(tǒng)[J].山西電子技術(shù)，2017，55（4）：55-57.

[9]宋娟，肖寓芳，呂渙宇，等.汽車牌照自動(dòng)識別技術(shù)研究與實(shí)現(xiàn)[J].現(xiàn)代制造技術(shù)與裝備，2017，80（9）：69-70.

[10]徐雪麗，烏旭東，白媛.車牌定位及字符切分算法的研究[J].延安大學(xué)學(xué)報(bào)：自然科學(xué)版，2018，37（3）：46.

[11] 王恰鋒.基于MATLAB車牌識別的系統(tǒng)的設(shè)計(jì)[J].山東工業(yè)技術(shù)，2017，149（17）：161.

[12] 王麗靜，李飛過.應(yīng)用于MATLAB的車牌識別算法研究[J].電子測試，2018，20（ 21）：50-51.

[13] 楊丹，趙海濱，龍哲.MATLAB圖像處理實(shí)例講解[M].北京：清華大學(xué)出版社，2013.

[14] GONZALEZ R C，WOODS R E.數(shù)字圖像處理[M].第3版.阮秋琦，阮宇智，譯.北京：電子工業(yè)出版社，2011

[15] 張錚，王艷平，薛貴香.數(shù)字圖像處理與機(jī)器視覺-Visual C++與MALTAB實(shí)現(xiàn)[M].北京：人名郵電出版社，2010.

[16] SONKA M，HIAVAC V，BOYLE R.圖像處理、分析與機(jī)器視覺[M].北京：清華大學(xué)出版社，2011.

[17] STECER C，ULRICH M，WIEDEMANN C.機(jī)器視覺算法與應(yīng)用[M].楊少榮，吳迪靖，譯，北京：清華大學(xué)出版社，2017.

[18]劉成龍.MATLAB圖像處理[M].北京：清華大學(xué)出版社，2017.

[19] 左飛.數(shù)字圖像處理：原理與實(shí)踐[M].北京：電子工業(yè)出版社， 2014.

[20]楊杰.數(shù)字圖像處理及MATLAB實(shí)現(xiàn)[M].第2版.北京：電子工業(yè)出版社.2013.

（責(zé)任編輯：孫娟）

作者簡介：陳亞（1993-），女，上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院碩士研究生，研究方向?yàn)橹悄芷囮P(guān)鍵技術(shù)。