摘要：針對(duì)智能交通管理系統(tǒng)中的車牌識(shí)別問(wèn)題，提出應(yīng)用圖像處理技術(shù)對(duì)汽車的牌照進(jìn)行識(shí)別。車牌定位（LPL， License Plate Location）、車牌分割（LPS， License Plate Segmentation）、車牌識(shí)別（LPR， License Plate Recognition）是實(shí)現(xiàn)車牌識(shí)別系統(tǒng)的最主要的三個(gè)部分。先采用HSV模型和RGB模型識(shí)別與分割彩色圖像，并初步定位車牌圖像；再采用radon變換實(shí)現(xiàn)車牌的傾斜校正，用投影法對(duì)車牌進(jìn)行定位和分割；最后通過(guò)語(yǔ)音讀出識(shí)別到的車牌信息。通過(guò)MATLAB編程進(jìn)行實(shí)驗(yàn)仿真，結(jié)果表明利用圖像處理技術(shù)能夠快速地識(shí)別出汽車牌照，是一種研究車牌識(shí)別的有效方法。

關(guān)鍵詞：圖像處理；車牌定位；車牌定位；車牌分割；傾斜校正

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）19-4541-03

License Plate Recognition Based on Image Processing

ZHENG Xue

（Nanjing University of Finances and Economics， Department of Information Engineering， Nanjing 241000，China）

Abstract： The application of image processing technique was put forward to identify the license plate aiming at solving the problem of license plate recognition in the intelligent traffic management system. License plate location， character segmentation， and license plate recognition are the most important three parts， which constitute the license plate recognition system. First， using HSV model and RGB model to identify and segment the color image， and preliminary positioning for the license plate image. Then license plate tilt correction was processed by Radon transform， and using the projection method for license plate location and segmentation. At last， read the result of license information recognized. Simulation by MATLAB programming and experiment， the results show that using image processing technology can quickly identify the license plate， and is an effective method to study the license plate recognition.

Key words： image processing； license plate location； license plate segmentation； license plate recognition； tilt correction

近年來(lái)，我國(guó)的經(jīng)濟(jì)發(fā)展迅速，人們的生活水平不斷提高，私家車數(shù)量越來(lái)越多，公路交通事業(yè)迅速發(fā)展，交通擁堵和交通事故日益嚴(yán)重，傳統(tǒng)的人工管理方式已經(jīng)越來(lái)越無(wú)法滿足人們對(duì)交通控制和安全管理的要求。因此，智能交通系統(tǒng)（ITS，Intelligent Transport System）[1]逐漸興起，并成為當(dāng)前交通管理的主要方式，這是現(xiàn)代信息智能化的結(jié)果。智能交通系統(tǒng)運(yùn)用先進(jìn)的計(jì)算機(jī)等技術(shù)將人、車、路有機(jī)地聯(lián)接起來(lái)，形成有序的系統(tǒng)，該系統(tǒng)的投入使用，在一定程度上改善了交通質(zhì)量，保障了交通安全，極大地提高了交通運(yùn)輸?shù)男б妗?/p>

LPR（License Plate Recognition，車牌自動(dòng)識(shí)別）技術(shù)是智能交通系統(tǒng)中最關(guān)鍵、最核心的技術(shù)。車牌自動(dòng)識(shí)別系統(tǒng)要求在不影響汽車狀態(tài)的情況下，通過(guò)計(jì)算機(jī)自動(dòng)采集汽車圖片，對(duì)采集的汽車圖片進(jìn)行圖像處理以及智能算法研究，提取汽車牌照的字符特征，完成汽車車牌的識(shí)別。隨著圖像處理技術(shù)、模式識(shí)別技術(shù)等相關(guān)技術(shù)的發(fā)展，車牌自動(dòng)識(shí)別系統(tǒng)技術(shù)逐漸成為現(xiàn)代交通領(lǐng)域研究的重點(diǎn)和熱點(diǎn)課題之一，它在城市交通、停車場(chǎng)和高速公路收費(fèi)管理系統(tǒng)中有著廣泛的應(yīng)用。

1 車牌識(shí)別關(guān)鍵技術(shù)

車牌識(shí)別系統(tǒng)的主要組成部分包括：車牌圖像采集、車牌圖像預(yù)處理、車牌定位、車牌字符分割和車牌字符識(shí)別。

1） 車牌圖像采集：通過(guò)CCD攝像頭或攝像機(jī)拍攝含有車輛牌照的圖像。通過(guò)視頻卡輸入計(jì)算機(jī)等待處理。

2） 車牌預(yù)處理：對(duì)采集的車牌圖像輸入計(jì)算機(jī)進(jìn)行預(yù)處理，突出車牌的主要特征，便于提取車牌信息。圖像預(yù)處理主要是對(duì)待處理圖像進(jìn)行圖像格式的轉(zhuǎn)換和壓縮、圖像去噪、圖像增強(qiáng)等操作。

3） 車牌定位：對(duì)車牌圖像中的車牌字符區(qū)域進(jìn)行定位，該過(guò)程主要利用車牌區(qū)域的特征信息。

4） 車牌字符分割：為得到車牌信息中的每個(gè)字符，需要對(duì)定位后的車牌區(qū)域中的字符進(jìn)行分割。endprint

5） 車牌字符識(shí)別：對(duì)得到的單個(gè)車牌字符進(jìn)行識(shí)別。

目前，常用的車牌定位算法有：基于數(shù)學(xué)形態(tài)學(xué)車牌定位[3] 、基于投影法的車牌定位[4]、基于字符紋理分析車牌定位[5]等。常用的車牌字符分割算法主要有：區(qū)域連通法[6]、投影分割法[7]、基于人工智能算法[8]。最常用的車牌字符識(shí)別方法：基于模板匹配[9][10]和基于人工智能方法[11-14]?；谌斯ぶ悄芊椒ㄓ职ɑ诮y(tǒng)計(jì)學(xué)習(xí)方法、前向神經(jīng)網(wǎng)絡(luò)等。其中基于統(tǒng)計(jì)學(xué)習(xí)理論的方法不適合大樣本字符的識(shí)別；而基于前向神經(jīng)網(wǎng)絡(luò)的識(shí)別方法比較耗時(shí)。該方法需要先提取字符的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后對(duì)待識(shí)別的字符進(jìn)行識(shí)別，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)就是典型的基于前向神經(jīng)網(wǎng)絡(luò)識(shí)別方法。

現(xiàn)實(shí)中采用的車牌識(shí)別技術(shù)主要有以下兩大類：

1） 條形碼識(shí)別技術(shù)與射頻識(shí)別技術(shù)。這類車牌識(shí)別技術(shù)準(zhǔn)確可靠，但管理范圍有限。該技術(shù)通常提前在車輛上安裝裝置，建立后臺(tái)管理系統(tǒng)等，主要依靠被檢測(cè)車輛的主動(dòng)參與。

2） 圖像處理技術(shù)。適用范圍廣，可以實(shí)時(shí)監(jiān)控所有通行車輛的信息，同時(shí)可以方便地實(shí)現(xiàn)圖像回放、檢索等工作。基于圖像處理的車牌識(shí)別系統(tǒng)，不需要在汽車上安裝任何裝置，即可智能化管理通行車輛。

本文提出采用基于圖像處理技術(shù)對(duì)汽車牌照進(jìn)行特征提取和分割，實(shí)現(xiàn)車牌特征的識(shí)別。

2 基于圖像處理的車牌識(shí)別系統(tǒng)

數(shù)字圖像處理起源于20世紀(jì)20年代，人們?nèi)粘？吹降膱D像可以用數(shù)學(xué)模型表示為[f（x，y）]?，F(xiàn)實(shí)生活中事物都可以對(duì)光進(jìn)行反射，通過(guò)量度目標(biāo)物體反射的光，可以看到目標(biāo)物體的圖像。計(jì)算機(jī)只能處理數(shù)字化的圖像，因此采集設(shè)備所獲取的圖像必須經(jīng)過(guò)離散處理和量化處理。

運(yùn)用數(shù)字圖像處理技術(shù)解決汽車車牌識(shí)別最早是在20世紀(jì)80年代，其主要過(guò)程就是對(duì)拍攝采集到的車牌圖像進(jìn)行分析，有效地自動(dòng)提取車牌信息，確定汽車車牌號(hào)。

本文采取的基于圖像處理技術(shù)的車牌識(shí)別系統(tǒng)原理框圖如圖1所示：

圖1 車牌識(shí)別系統(tǒng)原理圖

2.1 圖像采集

本文采用拍攝的含有汽車車牌的汽車圖片作為原始識(shí)別圖像，這類圖片受到車牌清晰、拍攝距離、拍攝角度的影響。特別注意的是，該文采集的主要是車牌底色為藍(lán)色、車牌信息為白色的汽車車牌圖片。采集結(jié)束后，通過(guò)量化過(guò)程將模擬圖像變換為便于計(jì)算機(jī)處理的數(shù)字形式。

2.2 汽車車牌的初步定位

由于采集到的汽車圖片通常不僅包含需要的車牌信息，還包含了很多其他信息，如汽車型號(hào)、汽車外形等特征，所以首先需要將待處理的車牌進(jìn)行初步定位，剔除那些無(wú)用的信息，將車牌分割出來(lái)，便于進(jìn)一步的操作。在處理車牌底色為藍(lán)色、車牌信息為白色的汽車車牌圖像時(shí)，采用HSV模型[15]識(shí)別藍(lán)色，用RGB模型[16]識(shí)別白色，分別掃描Y方向藍(lán)色像素點(diǎn)和X方向白色像素點(diǎn)，找出車牌區(qū)域，并以一定的長(zhǎng)寬比進(jìn)行裁剪，使用HSV彩圖提取圖像。

2.3 車牌圖像預(yù)處理

本文的預(yù)處理主要是將初步定位得到的彩色車牌圖像轉(zhuǎn)換成灰度車牌圖像，便于提取車牌特征。

2.4 車牌傾斜校正

提取灰度車牌圖像的邊緣，采用radon變換對(duì)車牌圖像進(jìn)行傾斜校正處理[17]，變換角度為1°～180°，角度增量為1°，統(tǒng)計(jì)radon變換得到的最大值，記錄此時(shí)的傾斜角度，實(shí)現(xiàn)利用radon變換完成車牌圖像的傾斜校正。

2.5 車牌定位與分割

使用閉合運(yùn)算，腐蝕擦除不是汽車車牌信息的部分，為了能夠更加容易觀察車牌信息，腐蝕擦除結(jié)果進(jìn)行反色顯示。該文采用投影法[7]對(duì)車牌進(jìn)行定位，對(duì)圖像分別往左邊和下面進(jìn)行投影，找到圖像邊界，按一定長(zhǎng)寬比裁剪出車牌圖像，完成車牌定位與分割。

2.6 單個(gè)字符修正與裁剪

對(duì)車牌上的漢字、字母和數(shù)字進(jìn)行修正，裁剪出每個(gè)字符的具體的上下邊界，根據(jù)每個(gè)字符的邊界，對(duì)每個(gè)字符進(jìn)行傾斜校正，然后把字符信息保存在數(shù)組里。

2.7 車牌識(shí)別結(jié)果

每個(gè)字符包含自身獨(dú)立的字符信息，我們通過(guò)語(yǔ)音形式逐一讀取識(shí)別待檢測(cè)識(shí)別的汽車車牌的每個(gè)字符，最后提示完成車牌檢測(cè)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

選取采集到的汽車圖片作為實(shí)驗(yàn)輸入?yún)⒘?，按照上述提出的汽車牌照識(shí)別方法進(jìn)行仿真識(shí)別，實(shí)驗(yàn)結(jié)果通過(guò)截圖如下面各圖所示。其中圖2是采集的汽車圖片與初步定位車牌，圖3是車牌處理過(guò)程，圖4是車牌分割過(guò)程，圖5是車牌識(shí)別過(guò)程。

（a） 采集的汽車圖片 （b） 車牌的初步定位

圖2 汽車圖片與初步定位車牌

（a） 車牌圖像預(yù)處理 （b） 傾斜校正

圖3 車牌圖像處理與校正

（a）腐蝕擦除 （b） 擦除反色 （c） Y方向處理

圖4 車牌定位與分割

（a） 單個(gè)字符修正與裁剪 （b） 語(yǔ)音識(shí)別車牌

圖5 車牌識(shí)別仿真結(jié)果

3.2 實(shí)驗(yàn)結(jié)果分析

本文提出基于數(shù)字圖像處理技術(shù)的汽車牌照識(shí)別方法，針對(duì)采集到的彩色圖片，使用HSV模型和RGB模型識(shí)別藍(lán)色和白色，完成車牌圖像的初步定位，然后進(jìn)行圖像格式轉(zhuǎn)換，在處理灰度車牌圖像過(guò)程中，運(yùn)用radon變換進(jìn)行車牌傾斜校正，運(yùn)用投影法完成車牌定位，再對(duì)車牌圖像中的每個(gè)字符進(jìn)行修正和分割，提取單個(gè)字符的特征信息并存儲(chǔ)，最后通過(guò)語(yǔ)音方式讀出檢測(cè)圖片的車牌信息，完成車牌檢索識(shí)別。此方法能夠有效地識(shí)別靜態(tài)汽車車牌，但是對(duì)動(dòng)態(tài)的汽車車牌采集過(guò)程需要改進(jìn)。

4 總結(jié)與展望

目前，高大高校、學(xué)者們都致力于研究車牌識(shí)別方法，也相繼提出一些可行的車牌識(shí)別系統(tǒng)。在實(shí)際生活中，隨著智能交通系統(tǒng)的構(gòu)建，智能車牌識(shí)別系統(tǒng)的應(yīng)用也正在逐漸擴(kuò)大。但是，車牌識(shí)別技術(shù)的實(shí)際應(yīng)用仍存在一些難題。

顯然，車牌本身的污染、缺損也會(huì)影響識(shí)別率。而由于天氣或者路況不好，使得一些車輛的車牌被灰塵、泥土沾染，這就加大了車牌識(shí)別的難度；更有一些行駛時(shí)間較長(zhǎng)的車輛，自身車牌字符已經(jīng)部分缺損或嚴(yán)重缺損至人眼都很難辨別了，這些情況都會(huì)影響車牌的自動(dòng)識(shí)別，往往會(huì)導(dǎo)致誤識(shí)別。在車牌定位方面，采集的汽車車牌位置不固定、汽車圖片不清晰等都給車牌定位方法的選擇帶來(lái)了一定的困難。

在以后的研究中，如何提高車牌字符識(shí)別系統(tǒng)的自適應(yīng)性和魯棒性，將是一個(gè)技術(shù)改進(jìn)與完善的目標(biāo)。為了能夠減輕車牌定位系統(tǒng)和字符分割系統(tǒng)的壓力，實(shí)現(xiàn)對(duì)有一定噪聲或變形的字符圖像的正確識(shí)別，設(shè)計(jì)一個(gè)抗干擾性能良好的車牌字符識(shí)別系統(tǒng)對(duì)整個(gè)車牌自動(dòng)識(shí)別系統(tǒng)都是有益的。

參考文獻(xiàn)：

[1] 張紅英，彭啟琮.數(shù)字圖像修復(fù)技術(shù)綜述[J].中國(guó)圖像圖形學(xué)報(bào)，2007，12（1）：1-2. （下轉(zhuǎn)第4549頁(yè)）

（上接第4543頁(yè)）

[2] 胡小鋒，趙輝.Visual C++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].北京：人民郵電出版社，2004.

[3] 焦蓬蓬，郭依正.一種基于數(shù)學(xué)形態(tài)學(xué)的車牌定位與分割方法[J].自動(dòng)化技術(shù)與應(yīng)用，2013（06）：57-59.

[4] 王雨.車牌定位與字符分割技術(shù)研究[D].武漢：華中科技大學(xué)圖書館，2007.

[5] 萬(wàn)燕，徐勤燕，黃蒙蒙.復(fù)雜背景中基于紋理和顏色的車牌定位研究[J].計(jì)算機(jī)應(yīng)用與軟件，2013，10：259-262+316.

[6] 甘玲，林小晶.基于連通域提取的車牌字符分割算法[J].計(jì)算機(jī)仿真，2011（4）：336-339.

[7] VOJTECH FRANE，VACLAV HLAVAC.License Plate Character Segmentation Using Hidden Markov Chains[J].DAGM，2005，2663：385-392.

[8] HALINA KWASNIEKA，BARTODZ WAWRZYNIAK.License Plate Localization and Recognition in Camera Pictures Artificial Intelligence Methods[J].2002，11：13-15.

[9] 魏武，張起森，王明俊，等.一種基于模板匹配的車牌識(shí)別方法[J].中國(guó)公路學(xué)報(bào)，2001，14（1）：104-106.

[10] 王欣，殷肖川，周翔翔.一種改進(jìn)的模板匹配識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（36）：238-240.

[11] DRAGHICI .A Neural Network Based Artificial Vision System for License Plate Recognition[J].Int.J.Neural Systems，vol. 8.pp. 113-126，1997.

[12] 劉志軍.基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究[D].南京：南京郵電大學(xué)，2011.

[13] 丁偉.改進(jìn)神經(jīng)網(wǎng)絡(luò)算法在車牌識(shí)別中的應(yīng)用[J].計(jì)算機(jī)仿真，2011，28（08） ：359-363.

[14] 黃衛(wèi)華.基于BP神經(jīng)網(wǎng)絡(luò)的車輛車牌識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2008.

[15] 張麗靜，孫杰，殷曉宇.基于HSV顏色空間的車牌定位方法[J].微計(jì)算機(jī)信息，2008（7） ：247-248.

[16] 鄭成勇.一種RGB顏色空間中的車牌定位新方法[J].中國(guó)圖象圖形學(xué)報(bào)，2010，11：1623-1628.

[17] 賈曉丹，李文舉，王海姣.一種新的基于Radon變換的車牌傾斜校正方法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（3）：245-248.

（a）腐蝕擦除 （b） 擦除反色 （c） Y方向處理

圖4 車牌定位與分割

（a） 單個(gè)字符修正與裁剪 （b） 語(yǔ)音識(shí)別車牌

圖5 車牌識(shí)別仿真結(jié)果

3.2 實(shí)驗(yàn)結(jié)果分析

本文提出基于數(shù)字圖像處理技術(shù)的汽車牌照識(shí)別方法，針對(duì)采集到的彩色圖片，使用HSV模型和RGB模型識(shí)別藍(lán)色和白色，完成車牌圖像的初步定位，然后進(jìn)行圖像格式轉(zhuǎn)換，在處理灰度車牌圖像過(guò)程中，運(yùn)用radon變換進(jìn)行車牌傾斜校正，運(yùn)用投影法完成車牌定位，再對(duì)車牌圖像中的每個(gè)字符進(jìn)行修正和分割，提取單個(gè)字符的特征信息并存儲(chǔ)，最后通過(guò)語(yǔ)音方式讀出檢測(cè)圖片的車牌信息，完成車牌檢索識(shí)別。此方法能夠有效地識(shí)別靜態(tài)汽車車牌，但是對(duì)動(dòng)態(tài)的汽車車牌采集過(guò)程需要改進(jìn)。

4 總結(jié)與展望

目前，高大高校、學(xué)者們都致力于研究車牌識(shí)別方法，也相繼提出一些可行的車牌識(shí)別系統(tǒng)。在實(shí)際生活中，隨著智能交通系統(tǒng)的構(gòu)建，智能車牌識(shí)別系統(tǒng)的應(yīng)用也正在逐漸擴(kuò)大。但是，車牌識(shí)別技術(shù)的實(shí)際應(yīng)用仍存在一些難題。

顯然，車牌本身的污染、缺損也會(huì)影響識(shí)別率。而由于天氣或者路況不好，使得一些車輛的車牌被灰塵、泥土沾染，這就加大了車牌識(shí)別的難度；更有一些行駛時(shí)間較長(zhǎng)的車輛，自身車牌字符已經(jīng)部分缺損或嚴(yán)重缺損至人眼都很難辨別了，這些情況都會(huì)影響車牌的自動(dòng)識(shí)別，往往會(huì)導(dǎo)致誤識(shí)別。在車牌定位方面，采集的汽車車牌位置不固定、汽車圖片不清晰等都給車牌定位方法的選擇帶來(lái)了一定的困難。

在以后的研究中，如何提高車牌字符識(shí)別系統(tǒng)的自適應(yīng)性和魯棒性，將是一個(gè)技術(shù)改進(jìn)與完善的目標(biāo)。為了能夠減輕車牌定位系統(tǒng)和字符分割系統(tǒng)的壓力，實(shí)現(xiàn)對(duì)有一定噪聲或變形的字符圖像的正確識(shí)別，設(shè)計(jì)一個(gè)抗干擾性能良好的車牌字符識(shí)別系統(tǒng)對(duì)整個(gè)車牌自動(dòng)識(shí)別系統(tǒng)都是有益的。

參考文獻(xiàn)：

[1] 張紅英，彭啟琮.數(shù)字圖像修復(fù)技術(shù)綜述[J].中國(guó)圖像圖形學(xué)報(bào)，2007，12（1）：1-2. （下轉(zhuǎn)第4549頁(yè)）

（上接第4543頁(yè)）

[2] 胡小鋒，趙輝.Visual C++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].北京：人民郵電出版社，2004.

[3] 焦蓬蓬，郭依正.一種基于數(shù)學(xué)形態(tài)學(xué)的車牌定位與分割方法[J].自動(dòng)化技術(shù)與應(yīng)用，2013（06）：57-59.

[4] 王雨.車牌定位與字符分割技術(shù)研究[D].武漢：華中科技大學(xué)圖書館，2007.

[5] 萬(wàn)燕，徐勤燕，黃蒙蒙.復(fù)雜背景中基于紋理和顏色的車牌定位研究[J].計(jì)算機(jī)應(yīng)用與軟件，2013，10：259-262+316.

[6] 甘玲，林小晶.基于連通域提取的車牌字符分割算法[J].計(jì)算機(jī)仿真，2011（4）：336-339.

[7] VOJTECH FRANE，VACLAV HLAVAC.License Plate Character Segmentation Using Hidden Markov Chains[J].DAGM，2005，2663：385-392.

[8] HALINA KWASNIEKA，BARTODZ WAWRZYNIAK.License Plate Localization and Recognition in Camera Pictures Artificial Intelligence Methods[J].2002，11：13-15.

[9] 魏武，張起森，王明俊，等.一種基于模板匹配的車牌識(shí)別方法[J].中國(guó)公路學(xué)報(bào)，2001，14（1）：104-106.

[10] 王欣，殷肖川，周翔翔.一種改進(jìn)的模板匹配識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（36）：238-240.

[11] DRAGHICI .A Neural Network Based Artificial Vision System for License Plate Recognition[J].Int.J.Neural Systems，vol. 8.pp. 113-126，1997.

[12] 劉志軍.基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究[D].南京：南京郵電大學(xué)，2011.

[13] 丁偉.改進(jìn)神經(jīng)網(wǎng)絡(luò)算法在車牌識(shí)別中的應(yīng)用[J].計(jì)算機(jī)仿真，2011，28（08） ：359-363.

[14] 黃衛(wèi)華.基于BP神經(jīng)網(wǎng)絡(luò)的車輛車牌識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2008.

[15] 張麗靜，孫杰，殷曉宇.基于HSV顏色空間的車牌定位方法[J].微計(jì)算機(jī)信息，2008（7） ：247-248.

[16] 鄭成勇.一種RGB顏色空間中的車牌定位新方法[J].中國(guó)圖象圖形學(xué)報(bào)，2010，11：1623-1628.

[17] 賈曉丹，李文舉，王海姣.一種新的基于Radon變換的車牌傾斜校正方法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（3）：245-248.

（a）腐蝕擦除 （b） 擦除反色 （c） Y方向處理

圖4 車牌定位與分割

（a） 單個(gè)字符修正與裁剪 （b） 語(yǔ)音識(shí)別車牌

圖5 車牌識(shí)別仿真結(jié)果

3.2 實(shí)驗(yàn)結(jié)果分析

本文提出基于數(shù)字圖像處理技術(shù)的汽車牌照識(shí)別方法，針對(duì)采集到的彩色圖片，使用HSV模型和RGB模型識(shí)別藍(lán)色和白色，完成車牌圖像的初步定位，然后進(jìn)行圖像格式轉(zhuǎn)換，在處理灰度車牌圖像過(guò)程中，運(yùn)用radon變換進(jìn)行車牌傾斜校正，運(yùn)用投影法完成車牌定位，再對(duì)車牌圖像中的每個(gè)字符進(jìn)行修正和分割，提取單個(gè)字符的特征信息并存儲(chǔ)，最后通過(guò)語(yǔ)音方式讀出檢測(cè)圖片的車牌信息，完成車牌檢索識(shí)別。此方法能夠有效地識(shí)別靜態(tài)汽車車牌，但是對(duì)動(dòng)態(tài)的汽車車牌采集過(guò)程需要改進(jìn)。

4 總結(jié)與展望

目前，高大高校、學(xué)者們都致力于研究車牌識(shí)別方法，也相繼提出一些可行的車牌識(shí)別系統(tǒng)。在實(shí)際生活中，隨著智能交通系統(tǒng)的構(gòu)建，智能車牌識(shí)別系統(tǒng)的應(yīng)用也正在逐漸擴(kuò)大。但是，車牌識(shí)別技術(shù)的實(shí)際應(yīng)用仍存在一些難題。

顯然，車牌本身的污染、缺損也會(huì)影響識(shí)別率。而由于天氣或者路況不好，使得一些車輛的車牌被灰塵、泥土沾染，這就加大了車牌識(shí)別的難度；更有一些行駛時(shí)間較長(zhǎng)的車輛，自身車牌字符已經(jīng)部分缺損或嚴(yán)重缺損至人眼都很難辨別了，這些情況都會(huì)影響車牌的自動(dòng)識(shí)別，往往會(huì)導(dǎo)致誤識(shí)別。在車牌定位方面，采集的汽車車牌位置不固定、汽車圖片不清晰等都給車牌定位方法的選擇帶來(lái)了一定的困難。

在以后的研究中，如何提高車牌字符識(shí)別系統(tǒng)的自適應(yīng)性和魯棒性，將是一個(gè)技術(shù)改進(jìn)與完善的目標(biāo)。為了能夠減輕車牌定位系統(tǒng)和字符分割系統(tǒng)的壓力，實(shí)現(xiàn)對(duì)有一定噪聲或變形的字符圖像的正確識(shí)別，設(shè)計(jì)一個(gè)抗干擾性能良好的車牌字符識(shí)別系統(tǒng)對(duì)整個(gè)車牌自動(dòng)識(shí)別系統(tǒng)都是有益的。

參考文獻(xiàn)：

[1] 張紅英，彭啟琮.數(shù)字圖像修復(fù)技術(shù)綜述[J].中國(guó)圖像圖形學(xué)報(bào)，2007，12（1）：1-2. （下轉(zhuǎn)第4549頁(yè)）

（上接第4543頁(yè)）

[2] 胡小鋒，趙輝.Visual C++/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].北京：人民郵電出版社，2004.

[3] 焦蓬蓬，郭依正.一種基于數(shù)學(xué)形態(tài)學(xué)的車牌定位與分割方法[J].自動(dòng)化技術(shù)與應(yīng)用，2013（06）：57-59.

[4] 王雨.車牌定位與字符分割技術(shù)研究[D].武漢：華中科技大學(xué)圖書館，2007.

[5] 萬(wàn)燕，徐勤燕，黃蒙蒙.復(fù)雜背景中基于紋理和顏色的車牌定位研究[J].計(jì)算機(jī)應(yīng)用與軟件，2013，10：259-262+316.

[6] 甘玲，林小晶.基于連通域提取的車牌字符分割算法[J].計(jì)算機(jī)仿真，2011（4）：336-339.

[7] VOJTECH FRANE，VACLAV HLAVAC.License Plate Character Segmentation Using Hidden Markov Chains[J].DAGM，2005，2663：385-392.

[8] HALINA KWASNIEKA，BARTODZ WAWRZYNIAK.License Plate Localization and Recognition in Camera Pictures Artificial Intelligence Methods[J].2002，11：13-15.

[9] 魏武，張起森，王明俊，等.一種基于模板匹配的車牌識(shí)別方法[J].中國(guó)公路學(xué)報(bào)，2001，14（1）：104-106.

[10] 王欣，殷肖川，周翔翔.一種改進(jìn)的模板匹配識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（36）：238-240.

[11] DRAGHICI .A Neural Network Based Artificial Vision System for License Plate Recognition[J].Int.J.Neural Systems，vol. 8.pp. 113-126，1997.

[12] 劉志軍.基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究[D].南京：南京郵電大學(xué)，2011.

[13] 丁偉.改進(jìn)神經(jīng)網(wǎng)絡(luò)算法在車牌識(shí)別中的應(yīng)用[J].計(jì)算機(jī)仿真，2011，28（08） ：359-363.

[14] 黃衛(wèi)華.基于BP神經(jīng)網(wǎng)絡(luò)的車輛車牌識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2008.

[15] 張麗靜，孫杰，殷曉宇.基于HSV顏色空間的車牌定位方法[J].微計(jì)算機(jī)信息，2008（7） ：247-248.

[16] 鄭成勇.一種RGB顏色空間中的車牌定位新方法[J].中國(guó)圖象圖形學(xué)報(bào)，2010，11：1623-1628.

[17] 賈曉丹，李文舉，王海姣.一種新的基于Radon變換的車牌傾斜校正方法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（3）：245-248.