基于OPENCV的智能車牌識別系統(tǒng)

張三友 姜代紅

摘要：智能車牌識別系統(tǒng)是結合數(shù)字圖像處理技術、計算機視覺和模式識別為一體的綜合系統(tǒng)，包含對車牌圖像進行預處理、車牌區(qū)域定位、字符分割以及字符識別等功能。在車牌識別技術中，采用了BP神經(jīng)網(wǎng)絡技術，能快速根據(jù)提取的車牌字符特征與已知樣本中特征進行比對以獲取車牌字符。通過運用OPENCV計算機視覺庫，大大降低了系統(tǒng)實現(xiàn)復雜度，實現(xiàn)了快速準確識別車牌號碼。

關鍵詞：車牌識別；車牌定位；BP神經(jīng)網(wǎng)絡；智能系統(tǒng)；OPENCV

DOIDOI：10.11907/rjdk.161130

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2016）005-0087-03

0 引言

隨著機動車保有量的持續(xù)增長，道路安全和車輛監(jiān)控成為焦點問題，除了加大交通基礎設施投入外，還要科學使用交通設備，加強智能化應用水平。隨著城市報警和監(jiān)控系統(tǒng)建設的深入，監(jiān)控數(shù)據(jù)的分析愈來愈重要，依靠人工很難進行。車牌識別是車輛智能化分析的前提，實現(xiàn)準確識別車牌，可以完善安保系統(tǒng)和城市道路交通安全系統(tǒng)，如在交通路口和高速公路上可以利用智能車牌識別系統(tǒng)快速發(fā)現(xiàn)違章車輛，對被盜車輛進行攔截等，為城市安全提供全方位信息化支撐[1-2]。

基于OPENCV的智能車牌識別系統(tǒng)可對街道或路口的車輛流量進行統(tǒng)計，一方面解決了人工分析海量數(shù)據(jù)的困難，另一方面通過機動車輛統(tǒng)計，對城市道路建設以及交通管理提供數(shù)據(jù)參考，具有良好應用前景。

1 OPENCV計算機視覺函數(shù)庫

OPENCV是一個開源的跨平臺計算機視覺庫，由C和C++語言編寫，包含了許多圖像處理和計算機視覺方面的算法。OPENCV由CV、MLL、HighGUI、CXCORE[3]四個功能模塊組成，各模塊主要功能及關系如圖1所示。

2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡[4-5]是一種基于概率的統(tǒng)計分類，利用訓練樣本產(chǎn)生的概率分布情況來設計判別函數(shù)，再進行分類。如圖2所示，BP神經(jīng)網(wǎng)絡神經(jīng)元結構由輸入層、隱含層和輸出層組成，前一層的輸出作為后一層的輸入不斷向后計算。由于誤差的存在，要進行校正，而對誤差校正是從后向前反向進行的，這樣可以逐層導出隱含層的誤差。

3 系統(tǒng)設計

3.1 系統(tǒng)組成

智能車牌識別系統(tǒng)是一個基于數(shù)字圖像處理及模式識別算法的系統(tǒng)，由圖像預處理、車牌定位、字符分割和字符識別4部分組成，其關系如圖3所示。

圖像預處理分為灰度化、二值化、邊緣增強3部分，目的是去除圖像的噪聲對后續(xù)工作的干擾。車牌定位用來確定車牌位置，通過掃描整幅圖像，當水平超過12個跳變、垂直超過10個跳變時就判斷為車牌區(qū)域。字符分割將定位好的車牌區(qū)域傳入垂直方向的像素和，會發(fā)現(xiàn)在某些區(qū)域出現(xiàn)峰值，這些峰值區(qū)域即字符區(qū)域。字符識別以神經(jīng)網(wǎng)絡的方式通過和訓練集中提取特征進行比對，當誤差小于一定值時就認為是樣本將其輸出。

3.2 圖像預處理

（1）灰度化。本文選擇加權值方法對圖像進行灰度化，采用OPENCV的庫函數(shù)：cvCvtColor（const CvArr*src，const CvArr*dst，int code），其中通過宏CV_BGR2GRAY設置將彩色圖像轉(zhuǎn)化為灰度圖像。原始圖像如圖4（a）所示，灰度化結果如圖4（b）所示。

（2）二值化。二值化處理采用的OPENCV庫函數(shù)為cvThreshold（const CvArr* src， CvArr* dst，double threshold，double max_value，int threshold_type） 。處理過的圖像如圖5所示。

（3）邊緣增強。用邊緣增強方法來增強車牌的紋理，更加快速、準確地定位車牌。常用的邊緣檢測算子[6-7]有：Roberts算子、Sobel算子、Prewitt算子、Canny算子等。這里采用Canny算子來實現(xiàn)。本文采用OPENCV提供的cvCanny（ const CvArr* image，CvArr* edges，double threshold1，double threshold2， int aperture_size ）方法進行邊緣增強處理，處理后的圖像如圖6所示。

3.3 車牌定位

輸入圖像為二值圖像，可以通過數(shù)灰度值為255的像素點個數(shù)來判斷峰值的位置并記錄。由于我國的車牌號碼由7個字符組成，所以車牌位置至少有14個跳變數(shù)，為了更精確地定位，本文選擇在檢測到12個跳變時就確定車牌的位置。

垂直投影定位方法與水平投影定位類似，首先對圖像進行垂直方向投影，將上一小節(jié)得到的水平投影圖像從左至右再次掃描，計算圖像垂直方向的跳變數(shù)。經(jīng)過多次實驗發(fā)現(xiàn)，當垂直方向跳變數(shù)多于10個時就可認定為車牌的垂直位置。再對車牌的寬高比進行計算，若為3∶1則可以確定定位區(qū)域為車牌區(qū)域。通過調(diào)用OpenCV庫中的cvFindContours函數(shù)得到車牌區(qū)域，再進行分割得到車牌圖像，如圖7所示。

3.4 字符分割

常用的字符分割算法有很多，包括垂直投影法、聚類連通域法和模版匹配法等等，各有優(yōu)劣[8]，本文采用垂直投影法進行車牌字符分割。垂直投影法是將輸入的二值化圖像按垂直方向像素的灰度值累加，在折線圖上會出現(xiàn)峰值，而由于亮點僅有可能出現(xiàn)在車牌字符的位置，因此可以通過峰值位置來判斷車牌的位置。通過調(diào)用OpenCV中的cvSetImageROI（）函數(shù)，在確定車牌字符的位置后用紅色矩形邊框線將之框起來，以此作為分割的依據(jù)。結果如圖8所示。

3.5 字符識別

（1）字符歸一化。字符歸一化發(fā)生在特征向量的提取之前，通過系數(shù)變換的方式，在方便提取字符特征和提高車牌識別準確性的前提下，將分割好的車牌字符圖像變換為高度、寬度都相等的圖像。字符的歸一化由OPENCV的庫函數(shù)完成，通過函數(shù)的默認值CV_INTER_LINEAR采用雙線性插值法進行字符歸一化。

（2）字符特征提取。本文采用逐像素特征提取法進行車牌字符特征提取。該方法對圖像的每一行每一列進行掃描，當遇到亮點時就將0輸入矩陣中，當遇到黑點時就將空格輸入矩陣中。掃描結束后得到一個與字符歸一化圖像像素點個數(shù)相同的特征向量矩陣，將得到的矩陣送入BP神經(jīng)網(wǎng)絡分類器分類，最終得到結果。實現(xiàn)核心代碼如下：

4 結語

本文設計并實現(xiàn)了基于OPENCV的智能車牌識別系統(tǒng)，詳細介紹了圖像預處理、車牌定位、字符分割、字符識別等關鍵技術。在字符識別算法的選擇上，本文沒有采用傳統(tǒng)的模版識別算法，而是選擇了近年較為熱門的BP神經(jīng)網(wǎng)絡算法。因為該算法具有較快的識別速度、較好的魯棒性和非線性計算能力，能有效提升系統(tǒng)性能。

參考文獻：

[1]周閱宇. 汽車牌照識別系統(tǒng)研究與設計[D].長春： 吉林大學， 2013.

[2]寧彬. 圖像處理技術在機動車車牌自動識別技術中的應用[J]. 科學技術與工程， 2013， 13（2）：366-371.

[3]BRADSKI G， KAEHLER A. Learning OpenCV： computer vision in C++ with the OpenCV library[M]. O'Reilly Media， Inc.， 2013.

[4]海金. 神經(jīng)網(wǎng)絡與機器學習[M]. 北京：機械工業(yè)出版社， 2011.

[5]QU Z， CHANG Q， CHEN C， et al. An improved character recognition algorithm for license plate based on BP neural network[J]. Open Electrical & Electronic Engineering Journal， 2014（8）： 202-207.

[6]趙芳， 欒曉明， 孫越. 數(shù)字圖像幾種邊緣檢測算子檢測比較分析[J]. 自動化技術與應用， 2009， 28（3）：68-68.

[7]楊婷婷， 顧梅花， 章為川，等. 彩色圖像邊緣檢測研究綜述[J]. 計算機應用研究， 2015（9）：2566-2571.

[8]謝光俊. 車牌識別系統(tǒng)中車牌定位與字符分割算法的研究[D]. 長沙：湖南大學， 2015.

（責任編輯：杜能鋼）