駱立志 吳飛 曹琨

摘 要：車牌識(shí)別技術(shù)種類繁多，理想情況下識(shí)別率已達(dá)到99%，而對(duì)于遠(yuǎn)距離模糊不清的抓拍圖片，識(shí)別效果還不夠，為此提出一種利用圖像超分辨率重建技術(shù)提高模糊車牌識(shí)別率的方法。首先利用圖像處理方法對(duì)圖片進(jìn)行分割；其次利用支持向量機(jī)（SVM）對(duì)分割得到的圖塊進(jìn)行分類，篩選出車牌圖塊；再利用多幀低分辨率車牌圖塊進(jìn)行最大后驗(yàn)估計(jì)（MAP）超分辨率重建，得到比較清晰、便于識(shí)別的車牌；最后利用人工神經(jīng)網(wǎng)絡(luò)（ANN）方法進(jìn)行光學(xué)字符識(shí)別（OCR），最終得到識(shí)別結(jié)果。實(shí)驗(yàn)表明，與傳統(tǒng)車牌識(shí)別技術(shù)相比，該方法具有更強(qiáng)的魯棒性，且在模糊車牌識(shí)別中正確率明顯提高。

關(guān)鍵詞：車牌識(shí)別；超分辨率；支持向量機(jī)；人工神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別

DOI：10. 11907/rjdk. 182142

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2019）005-0177-04

Abstract： Nowadays plate recognition technology is blooming everywhere. Some people even claim that their recognition rate has reached 99%. However， those are some of the ideal cases of recognition rate， for those long-distance blurred snapped pictures， their methods will seem powerless. In this paper， a method of using image super-resolution reconstruction technology to improve the recognition rate of fuzzy license plates is proposed. This method first uses image processing to segment the image， and then uses support vector machine （SVM） to classify and screen out the license plate tiles， and then uses the multi-frame low-resolution plate tiles to perform maximum a posteriori （MAP） estimation super-resolution reconstruction and obtain a relatively clear and easy recognition of the plate， and finally use the artificial neural network （ANN） method for optical character recognition （OCR） to get the plate recognition results. Experiments show that this method is more robust than the traditional license plate recognition technology， and the correct rate is significantly improved.

Key Words： plate recognition； super-resolution； support vector machine； artificial neural network；image recognition

0 引言

作為交通控制系統(tǒng)的重要組成部分，車牌識(shí)別系統(tǒng)利用計(jì)算機(jī)應(yīng)用技術(shù)實(shí)現(xiàn)車牌認(rèn)讀，提高了交通控制系統(tǒng)自動(dòng)化和智能化水平。車牌識(shí)別系統(tǒng)在交通事故自動(dòng)測(cè)報(bào)、交通管控和交通流量管理等方面發(fā)揮著越來越重要的作用，被廣泛應(yīng)用于停車場(chǎng)、居民小區(qū)、橋梁和公路收費(fèi)站、公路流量監(jiān)測(cè)站等認(rèn)證車牌的實(shí)際交通系統(tǒng)中[1]。一般情況下，車牌識(shí)別系統(tǒng)主要包含兩個(gè)過程：車牌檢測(cè)和字符識(shí)別[2]。

車牌檢測(cè)是指對(duì)包含車牌的圖像進(jìn)行分析，最終截取出只包含車牌的一個(gè)圖塊。其方法主要有顏色特征[3]、紋理特征[4]、字符特征[5]、邊緣特征[6，7]和灰度跳變特征[8]等。字符識(shí)別目的就是從上一個(gè)車牌檢測(cè)步驟中獲取得到的車牌圖塊，進(jìn)行光學(xué)字符識(shí)別（Optical Character Recognition，OCR），其方法主要有模板匹配法[9-12]、人工神經(jīng)網(wǎng)絡(luò)法[13，14]和特征提取法[15，16]。

一般近距離且光照充足情況下，高清攝像頭捕獲的圖片經(jīng)過以上兩步基本上可進(jìn)行高精準(zhǔn)度車牌識(shí)別。然而，遠(yuǎn)距離或高速公路上抓拍獲取的圖片在提取車牌圖塊后像素一般都非常低，甚至無法通過人眼和人類先驗(yàn)知識(shí)進(jìn)行區(qū)分辨別，對(duì)于該類圖片識(shí)別，傳統(tǒng)的車牌識(shí)別系統(tǒng)顯得無能為力。

本文將基于多幀的圖像超分辨率技術(shù)應(yīng)用于模糊車牌識(shí)別系統(tǒng)中。首先，將攝像頭拍攝到的圖像經(jīng)過圖像處理技術(shù)進(jìn)行分割，再經(jīng)過支持向量機(jī)（Support Vector Machine，SVM）分類篩選出包含車牌的圖塊，然后利用圖像超分辨率技術(shù)對(duì)含有車牌的圖塊進(jìn)行處理，得到分辨率和辨析度更高的車牌圖塊，最后利用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）進(jìn)行光學(xué)字符識(shí)別。該方法有效提高了車牌識(shí)別準(zhǔn)確率，具有處理速度快、準(zhǔn)確率高等優(yōu)點(diǎn)。

1 車牌識(shí)別系統(tǒng)框架分析

一個(gè)完整的車牌識(shí)別系統(tǒng)如圖1所示，主要包含車牌檢測(cè)和字符識(shí)別兩個(gè)部分。模糊車牌識(shí)別，一般是在車牌檢測(cè)與字符識(shí)別兩個(gè)部分之間添加一個(gè)車牌清晰化過程。常見的模糊類型包括運(yùn)動(dòng)模糊、散焦模糊、低分辨率、噪聲干擾、低對(duì)比度等。其中，最難處理的模糊類型是低分辨率，其它幾種模糊都可以通過調(diào)節(jié)圖像參數(shù)的方法達(dá)到最優(yōu)狀態(tài)[17]。因此，本文重點(diǎn)在于對(duì)低分辨率車牌的處理過程。