汪毅

摘 要：車牌識(shí)別技術(shù)，識(shí)別過程包括車牌定位、字符分割和字符識(shí)別3個(gè)部分。本文首先根據(jù)車牌的水平和垂直投影，找出一個(gè)長(zhǎng)方形區(qū)域，定位出車牌的真實(shí)位置；然后將字符二值化為可識(shí)別的黑白圖像，采用字符間距對(duì)車牌號(hào)進(jìn)行字符分割并歸一化；最后識(shí)別字符，將取出的字符與事先建立的字符模板庫(kù)做差，為0就表示兩者之間完成了匹配。把每一個(gè)相減為0的字符保存，也即為所求的車牌。

關(guān)鍵詞：車牌識(shí)別技術(shù) 字符分割 字符識(shí)別 字符模式匹配

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2018）02（a）-0029-03

1 設(shè)計(jì)原理

車牌定位識(shí)別系統(tǒng)的目的是獲得整個(gè)圖像區(qū)域內(nèi)的車牌，并能夠準(zhǔn)確識(shí)別出車牌。它能從靜態(tài)圖片或者動(dòng)態(tài)視頻中識(shí)別出車牌號(hào)碼來，它是通過對(duì)不同顏色區(qū)域進(jìn)行字符劃分來識(shí)別的。它的硬件部分包括了線圈觸發(fā)裝置、抓拍設(shè)備、中央處理機(jī)等；而軟件部分則包括了車牌區(qū)域定位算法、牌照字符分割算法以及光學(xué)字符識(shí)別算法等。當(dāng)車輛通過車道檢測(cè)線圈時(shí)，觸發(fā)車輛檢測(cè)元件，系統(tǒng)獲知有車輛通過，激活圖像采集單元開始工作，抓拍到車輛通過時(shí)的圖像。車牌識(shí)別單元開始分析圖像，定位出整張圖像中的牌照部分，劃分出車牌的單個(gè)字符，依次識(shí)別出車牌號(hào)后再重組輸出。

2 設(shè)計(jì)步驟

2.1 車牌定位

在車牌的實(shí)際使用中，拍攝有汽車圖像的圖片背景較復(fù)雜，并且光照也不平衡，在這樣的環(huán)境圖像中如何識(shí)別出車牌區(qū)域來是整個(gè)識(shí)別過程的關(guān)鍵。在圖像的采集過程中需要進(jìn)行大范圍的搜索，選定若干候選區(qū)域，逐一對(duì)這些區(qū)域進(jìn)行識(shí)別，最后將車牌區(qū)域定位出來，并將其從整張圖像范圍中分割出來。

2.2 車牌字符分割

將車牌區(qū)域定位出來以后，把連續(xù)的車牌區(qū)域劃分成單一的字符形式，并依次識(shí)別這些字符。我們通常采用對(duì)字符區(qū)域進(jìn)行垂直投影的方式進(jìn)行分割。這種方法是利用多個(gè)字符之間做垂直方向上的投影，取每個(gè)字符夾縫中的最小值，將得出的范圍進(jìn)行判斷，看是否滿足車牌規(guī)范的字符尺寸、字符格式等條件。

2.3 車牌字符識(shí)別

一般來說，對(duì)字符定位識(shí)別的方法有兩大類：一類是利用神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行識(shí)別；另一類是建立模板庫(kù)，利用模板匹配的方法來進(jìn)行識(shí)別?；谌斯ど窠?jīng)網(wǎng)絡(luò)的算法又可以分為兩種方法：一種方法是特征提取出待處理的字符，然后使用這些特征對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，另一種方法是直接利用互聯(lián)網(wǎng)資源輔助我們來識(shí)別字符，通過網(wǎng)絡(luò)將所篩選出的特征值輸入，最后輸出識(shí)別的結(jié)果。車牌的識(shí)別率與牌照的當(dāng)前狀況和攝像裝置所拍攝圖像的清晰程度有關(guān)。牌照的當(dāng)前狀況有很多，如車牌生銹、污跡沾染車牌、車牌油漆部分脫落、字符字體模糊、故意遮擋車牌、車牌歪斜等狀況；而在具體的使用過程中，環(huán)境亮度、攝像裝置的好壞、車速等因素也會(huì)給拍攝帶來影響。這樣的各種因素都將影響車牌的識(shí)別率，這也是我們要克服的困難。為了提高識(shí)別率，雖然現(xiàn)在識(shí)別算法不斷進(jìn)步，但也還需要克服自然的光照條件，這樣有利于識(shí)別收集到的圖像。

3 詳細(xì)設(shè)計(jì)步驟

3.1 圖像信息的采集與轉(zhuǎn)換

通過對(duì)我國(guó)現(xiàn)行的車牌調(diào)查研究，可以發(fā)現(xiàn)我國(guó)的車牌背景顏色和字符顏色的搭配有不同的形式，一般有5種：分別為藍(lán)底白字、黃底黑字、白底紅字、黑底白字和白底黑字。我們要識(shí)別字符，需要將字符從背景圖像中分離出來。以最常見的藍(lán)底白字牌照為例，在藍(lán)色通道的映襯下，牌照字符在該區(qū)域不能很好地區(qū)分開來。因?yàn)樗{(lán)色（255，0，0）和白（255，255，255）在藍(lán)色信道沒有太大的區(qū)別，而在G、R通道中或是灰度圖中就不會(huì)出現(xiàn)這樣的情況。因此，在識(shí)別的時(shí)候需要將彩色圖像先轉(zhuǎn)換為灰度圖，原始彩色車牌圖像如圖1、圖2所示。

3.2 邊緣提取

一個(gè)圖像的邊緣部分邊界兩端的亮度各不相同，使用邊緣信息可以幫助我們提取目標(biāo)物體的形狀特征。我們做圖像邊緣檢測(cè)的主要目的是增強(qiáng)圖像對(duì)比度，主要工作是使車牌顯示的更加清晰可見，以便快速選擇出車牌區(qū)域，然后準(zhǔn)確地分割出車牌字符。對(duì)圖像對(duì)比度進(jìn)行增強(qiáng)主要有兩種方法：一種是當(dāng)灰度值不準(zhǔn)確時(shí)，對(duì)灰度值的校正處理；另一種是當(dāng)圖像的邊緣較粗糙時(shí)，對(duì)圖像做平滑處理。

3.2.1 灰度校正

攝像頭在對(duì)車牌部分拍攝時(shí)會(huì)受到周圍光線的影響，這會(huì)造成圖像的灰度值與實(shí)際不符；而攝像頭所處的位置偏差也可能使得車輛的灰度圖不完整。前面得到的這些錯(cuò)誤圖像信息都會(huì)給后續(xù)的操作帶來影響，為了減弱這些不利因素，我們采用灰度校正的方法對(duì)其進(jìn)行彌補(bǔ)，當(dāng)灰度值不夠時(shí)，可增大灰度的層次感，這樣可以增強(qiáng)圖像的對(duì)比度；當(dāng)灰度范圍太小時(shí)，可擴(kuò)大灰度值的覆蓋范圍，可達(dá)到提高圖像分辨率的作用。

3.2.2 平滑處理

由于圖像存在著噪聲，并且噪聲多是高頻分量。因此，我們采用低通濾波的方式將噪聲干擾濾除掉，可采用在參考點(diǎn)附近求領(lǐng)域平均值的方法來減少噪聲的干擾，我們通常稱這種方法為圖像的平滑處理。噪聲往往與圖像中的信號(hào)形影不離，如果平滑操作使用不當(dāng)，會(huì)造成圖像邊緣的輪廓模糊化的結(jié)果。為了克服這個(gè)弊端，可以設(shè)定一個(gè)閾值，當(dāng)某點(diǎn)的像素值大于閾值，將該點(diǎn)表示為鄰域平均值；而當(dāng)像素值小于或等于閾值時(shí)，保留原來的值不變，減少細(xì)節(jié)模糊帶來的影響。車牌有很多特征，主要特征是：從圖像處理的角度來看，車牌區(qū)域顯示為一個(gè)近乎水平的矩形框，車牌號(hào)也是沿著橫軸依次排列的，并且它們之間的間距都一樣。根據(jù)這樣的特點(diǎn)，將牌照進(jìn)行相應(yīng)的圖像變換，可以清楚地反映出圖像邊緣，可以采用Roberts算子邊緣提取法來提取邊緣，如圖3所示。

3.3 車牌的定位和分割

車牌識(shí)別的關(guān)鍵是找到車牌的定位位置并將字符逐個(gè)分割出來，首先在前面獲取的灰度圖中搜索到車牌的實(shí)際位置，從背景區(qū)域中分離出車牌圖像，然后將車牌的字符進(jìn)行讀取識(shí)別。識(shí)別之前首先要將字符串分割成單個(gè)字符。在原始圖像中的車牌圖像是一個(gè)非常特別的子區(qū)域，形狀與矩形相似，并且由于車牌是牢牢固定住的，它的位置相對(duì)穩(wěn)定，這給識(shí)別也帶來了方便。又因?yàn)檐嚺祁伾蛙嚿眍伾话闱闆r下是不同的，因此，它與周圍的環(huán)境變量具有不同的灰度值，邊緣部分與外界之間會(huì)發(fā)生灰度值的突變，可以方便地通過邊緣檢測(cè)定位。

3.4 牌照區(qū)域的定位

經(jīng)過上述的處理后，車牌區(qū)域已經(jīng)大致明晰起來。同時(shí)通過膨脹操作，將車牌的邊緣加粗，使邊緣線光滑。本文采用數(shù)學(xué)形態(tài)學(xué)的方法來解決問題，它的主要功能是對(duì)圖像的形狀以及結(jié)構(gòu)進(jìn)行分析或處理。數(shù)學(xué)形態(tài)學(xué)可以保留圖像的形態(tài)特征值，將干擾的對(duì)象去除。在本例中主要采用膨脹和閉合操作相結(jié)合的方式，最終目的是去除圖像中不相干的對(duì)象。

3.5 牌照區(qū)域的剪切和進(jìn)一步處理

對(duì)車牌的分割算法現(xiàn)在已經(jīng)發(fā)展的較為成熟，本例是采用彩色圖像分割法。在我們預(yù)先知道車牌顏色的情況下，例如藍(lán)底車牌，我們就找出藍(lán)色所對(duì)應(yīng)的RGB色度范圍，通過行列掃描的方法找出像素點(diǎn)為藍(lán)色的區(qū)域，最后經(jīng)過定位剪切后得出我們所需要的車牌區(qū)域。

在經(jīng)過車牌圖像剪切后，圖像中還存在著噪聲干擾，要從圖像中準(zhǔn)確地提取出目標(biāo)對(duì)象來，最簡(jiǎn)單的方法是設(shè)置閾值，我們假設(shè)閾值表示為T，它可將圖像數(shù)據(jù)劃分為兩個(gè)部分：像素點(diǎn)小于T的部分或像素點(diǎn)大于T的部分，這也就是對(duì)圖像的二值化過程。使用均值濾波法對(duì)圖像進(jìn)行處理，具體方法是找到目標(biāo)像素點(diǎn)以及臨近的像素點(diǎn)區(qū)域來創(chuàng)建一個(gè)模板，將原先的像素值用模板區(qū)域的平均值來代替。

3.6 字符的分割與歸一化

3.6.1 字符分割

字符分割在整個(gè)識(shí)別過程中起著承上啟下的作用。方法是：先定位車牌的位置，然后分割車牌，最后識(shí)別分割后的結(jié)果。真實(shí)的車牌字符間距還是比較大的，并且兩個(gè)字符之間不存在著重疊或是相接的情況。我們直接對(duì)前面剪切出的車牌二值圖像中的字符串進(jìn)行逐一檢查，如果字符的長(zhǎng)度小于某一個(gè)閾值時(shí)，它是單個(gè)字符；當(dāng)字符長(zhǎng)度大于這個(gè)閾值時(shí)，它是兩個(gè)相連的字符，需要將這兩個(gè)字符分割開來。

3.6.2 字符歸一化

將字符分割完之后逐一進(jìn)行處理，最后還要將車牌還原，這就需要做歸一化操作，待處理完后交與后續(xù)步驟完成。

3.7 字符的識(shí)別

車牌的字符識(shí)別算法無外乎有兩種方法：模板匹配算法和人工神經(jīng)網(wǎng)絡(luò)算法。模板匹配算法的工作流程是：先將車牌字符二值化，后將這些字符與模板庫(kù)中存儲(chǔ)的信息進(jìn)行匹配，最后輸出識(shí)別結(jié)果。因?yàn)槟０鍘?kù)內(nèi)的字符通常是A～Z，數(shù)字是0～9，漢字也僅僅是省、直轄市的簡(jiǎn)稱或是軍、警牌，所建的模板庫(kù)容量并不是很大，所以，這種方法使用起來還是比較簡(jiǎn)單的。并且當(dāng)字符圖像存在缺損或有污跡干擾時(shí)，還能保持很高的識(shí)別率，正是由于模板匹配法的優(yōu)勢(shì)如此明顯，現(xiàn)在已成為車牌識(shí)別的主流方法。

模板匹配算法是最具代表性的一個(gè)圖像識(shí)別方法，該方法是從待識(shí)別的圖像f（i，j）中提取特征值與相應(yīng)模板庫(kù)T（i，j）的特征值做比較，計(jì)算它們之間的相似程度。其中，兩個(gè)圖像相似程度就表示它們之間的關(guān)系比較緊密，屬于同一個(gè)類。然而，一般情況下，用于各個(gè)圖像的匹配條件也各不相同，并且噪聲干擾也較大，圖像如果在進(jìn)行預(yù)處理或是歸一化處理時(shí)出現(xiàn)讀取錯(cuò)誤，也會(huì)造成圖像的位置偏差或像素的灰度值偏離真實(shí)值的情況。在設(shè)計(jì)模板時(shí)，我們要能夠認(rèn)識(shí)到圖像區(qū)域的每一個(gè)特征，并能夠認(rèn)識(shí)到彼此之間的差異，選取特征值的時(shí)候盡量選擇不變的量進(jìn)行分析，這樣就可以提高模板的匹配程度。

我們使用減法操作在這里求得車牌字符與模板庫(kù)中存儲(chǔ)的字符之間的相似程度，將識(shí)別出來最相似的結(jié)果輸出。車牌字符只有7個(gè)，字符排列有其固定的規(guī)律。通常第一個(gè)字符是漢字，漢字也有其規(guī)律，一般為省、直轄市的簡(jiǎn)稱，再加上軍牌或警牌。漢字之后是字母，字母之后是數(shù)字。我們可以以字符排列的規(guī)律為基準(zhǔn)建立字符模板庫(kù)，車牌里所用到也就40余個(gè)漢字，26個(gè)基本的大寫英文字母，10個(gè)十進(jìn)制基本數(shù)字，模板建立起來比較方便。實(shí)現(xiàn)的方法是在預(yù)先建立好模板庫(kù)的基礎(chǔ)上，將車牌字符與模板庫(kù)進(jìn)行匹配。將獲取的車牌字符與模板庫(kù)中的字符做減法，如果得到0就表示兩者之間完成了匹配。把每一個(gè)相減為0的字符保存，也即為所求的車牌。

參考文獻(xiàn)

[1] 郁梅，郁伯康，鄭義.基于視覺的車輛牌照檢測(cè)[J].計(jì)算機(jī)應(yīng)用研究，1999（5）：65-67.

[2] 葉晨洲，廖金周.一種基于紋理的牌照?qǐng)D像二值化方法[J].微型電腦應(yīng)用，1999（6）：28-29.

[3] 朱學(xué)芳，石青云，程民德.一種自適應(yīng)細(xì)化方法[J].模式識(shí)別與人工智能，1997（2）：140-146.

[4] 袁志偉，潘曉露，陳艾，等.車輛牌照定位的算法研究[J].昆明理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2001，26（2）：56-60.

[5] 劉陽，伊鐵源，葛震，等.數(shù)字圖像處理應(yīng)用于車輛牌照的識(shí)別的研究[J].遼寧大學(xué)學(xué)報(bào)：自然科學(xué)版，2004，31（1）：65-68.

[6] 許志影，李晉平.MATLAB及其在圖像處理中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化，2003（4）：64-65.

[7] 梁瑋，羅劍鋒，賈云得，等.一種復(fù)雜背景下的多車牌圖像分割與識(shí)別方法[J].北京理工大學(xué)學(xué)報(bào)，2003，23（1）：91-94.