陳政
摘? 要:一個(gè)完整的車牌識(shí)別系統(tǒng)大致由車牌圖像獲取、圖像預(yù)處理、車牌定位、字符分割和字符識(shí)別五部分組成。本文結(jié)合現(xiàn)實(shí)中光照、天氣等因素造成的干擾,針對(duì)每項(xiàng)技術(shù)在識(shí)別過(guò)程中經(jīng)常采用的方法展開(kāi)了論述,并在此基礎(chǔ)上分析了當(dāng)前技術(shù)仍存在的一些問(wèn)題以及車牌識(shí)別的未來(lái)趨勢(shì),希望智能交通系統(tǒng)的發(fā)展有所助益。
關(guān)鍵詞:智能交通;車牌定位;字符分割;字符識(shí)別
Abstract:A complete license plate recognition system consists of five parts:license plate image acquisition,image preprocessing,license plate location,character segmentation and character recognition. This paper combines the interference caused by factors such as illumination and weather in reality,and discusses the methods that are often used in the identification process of each technology. On this basis,it analyzes some problems existing in the current technology and the future trend of license plate recognition,it is hoped that the development of intelligent transportation system will be helpful.
Keywords:intelligent transportation;license plate location;character segmentation;character recognition
0? 引? 言
車牌識(shí)別技術(shù)是智能交通系統(tǒng)的重要組成部分,已經(jīng)廣泛應(yīng)用于交通流量檢測(cè)、小區(qū)車輛管理、街道違停監(jiān)控、高速公路收費(fèi)等等方面。它改變了傳統(tǒng)的交通管理體系,大大降低了人力成本,提高了工作效率,更科學(xué)高效地完善了交通管理系統(tǒng),還具有潛在的技術(shù)應(yīng)用前景。本文對(duì)車牌識(shí)別系統(tǒng)中主要技術(shù)方法存在的問(wèn)題展開(kāi)論述。
1? 車牌識(shí)別
一個(gè)完整的車牌識(shí)別系統(tǒng)至少要有車牌定位、字符分割、字符識(shí)別這三個(gè)過(guò)程。而在識(shí)別期間,受到影響最大的是天氣的干擾,所以在此之前需要對(duì)圖像進(jìn)行獲取和預(yù)處理。
1.1? 車牌圖像獲取
目前車牌圖像獲取的技術(shù)大致分為兩種:一個(gè)由彩色攝像機(jī)和圖像捕獲卡組成:當(dāng)有車輛通過(guò)傳感器時(shí),啟動(dòng)信號(hào)被發(fā)送到主機(jī),收到信號(hào)的圖像捕獲卡會(huì)自動(dòng)收集目標(biāo)車輛的相關(guān)信息,彩色攝像機(jī)選用帶有自動(dòng)對(duì)焦和自動(dòng)光圈一體化功能的設(shè)備,以減少雨天、霧天等惡劣環(huán)境給系統(tǒng)帶來(lái)的不良干擾,并且可以開(kāi)啟補(bǔ)光系統(tǒng)來(lái)解決光線不足時(shí)車牌圖像達(dá)不到預(yù)期效果的問(wèn)題;另一種由數(shù)碼照相機(jī)構(gòu)成:當(dāng)感應(yīng)器上有車輛通過(guò)時(shí),會(huì)向數(shù)碼相機(jī)傳輸信號(hào),然后數(shù)碼相機(jī)會(huì)去采集目標(biāo)車輛的相關(guān)信息,并將信息發(fā)送至主機(jī),并在啟動(dòng)之前設(shè)置好與主機(jī)相連的數(shù)碼相機(jī)的一些相關(guān)技術(shù)參數(shù),同樣可以解決光線不足時(shí)車牌圖像達(dá)不到預(yù)期效果的問(wèn)題,確保圖像的質(zhì)量[1]。
1.2? 車牌圖像預(yù)處理
考慮到現(xiàn)實(shí)情況,在道路上獲取到的車牌圖像經(jīng)常面臨各種問(wèn)題,如光線、天氣、噪聲干擾或車牌傾斜等都會(huì)導(dǎo)致畫(huà)質(zhì)不佳,從而加大車牌識(shí)別的難度。因此,需要預(yù)先處理在車牌定位之前的圖像以減少這些干擾。
1.2.1? 圖像灰度化處理
未處理的彩色車牌圖像均可解析成由三種顏色組成的三維矩陣:紅色、綠色和藍(lán)色。就是說(shuō)在圖像上的每一個(gè)像素點(diǎn)都可以由它們來(lái)描述。每一個(gè)分量的取值都在0至255之間,所以可知每一個(gè)像素大概都有16000000(256×256×256)顏色;而灰度化的圖像只需要一個(gè)通道就可表達(dá)顏色上的數(shù)據(jù),所以當(dāng)在計(jì)算機(jī)上對(duì)其進(jìn)行處理時(shí),和RGB圖像相比,可減少67%的數(shù)據(jù)處理量,進(jìn)而有效地提高了處理速度[2]。常對(duì)RGB的三種分量采用加權(quán)平均的方法來(lái)完成灰度化,公式如下:
I=0.229R+0.587G+0.114B? ? ? ? I為灰度值
1.2.2? 二值化處理
二值化處理可將任意圖像轉(zhuǎn)化為黑白顏色,處理后的圖片不僅更容易辨識(shí),還降低了在計(jì)算機(jī)上的處理量。但這樣也會(huì)使圖像丟失大量細(xì)節(jié),在處理藍(lán)底、白字的車牌時(shí)會(huì)讓圖像更加難以分辨,但灰度化后的圖像進(jìn)行二值化,可以讓車牌字符變得容易分辨,所以很多圖像在進(jìn)行二值化處理圖像之前都需要進(jìn)行灰度化[3]。常采用自適應(yīng)閾值法,該方法只需收集像素鄰域的灰度,并將它們轉(zhuǎn)化為黑或白,可以在不設(shè)置閾值的情況下獲得二值化圖像。
1.2.3? 圖像傾斜校正
在獲取圖像的過(guò)程中,由于許多因素,例如車牌懸架的角度和位置、車輛的軌跡或攝像機(jī)的傾斜,所得到的圖像可能會(huì)傾斜。所以需要對(duì)拍攝后的圖像進(jìn)行傾斜度校正,常用的經(jīng)典傾斜校正算法有三種[4]:
(1)基于霍夫變換的傾斜校正:通過(guò)累加求值找到最多點(diǎn)所對(duì)應(yīng)的角度完成傾斜校正;
(2)基于Radon變換的傾斜校正:對(duì)二值化后的圖像在各個(gè)角度上進(jìn)行投影疊加,找到投影值上最大的角度完成傾斜校正;
(3)基于重心差的傾斜校正:求得圖像中心向左和向右的加權(quán)高度平均值,通過(guò)相減計(jì)算出傾斜角度完成傾斜校正。
1.2.4? 圖像傾斜校正
直方圖可以有效地表達(dá)這個(gè)圖像在整個(gè)灰度區(qū)間中的灰度構(gòu)成和分布情況,通常先將圖像的像素均勻分布在灰度區(qū)間中,通過(guò)直方圖均衡化處理,使得圖像的像素點(diǎn)也可以均勻分布到灰度級(jí)上,這樣就可以得到對(duì)比度增強(qiáng)后的圖像,這種處理往往可以提高圖像的亮度[5]。
1.2.5? 濾波
在攝像機(jī)獲取車輛圖像的過(guò)程中,經(jīng)常會(huì)受天氣、泥污等因素的干擾,所以在實(shí)際拍出的圖像中有可能出現(xiàn)各種噪聲,這樣圖片的清晰度、對(duì)比度等勢(shì)必會(huì)受到影響,進(jìn)而影響后續(xù)的車牌識(shí)別過(guò)程。通常采用濾波來(lái)降低或者消除這些噪聲,而濾波的方式有很多種,需要在不同情況下考慮選用哪種方式,如中值濾波、均值濾波等。
1.3? 車牌定位
車牌定位是指對(duì)獲取的圖像進(jìn)行一系列處理,進(jìn)而可以在圖像中定位到車牌的位置。準(zhǔn)確、快速的車牌定位技術(shù)可以極大地幫助后續(xù)的字符分割和識(shí)別。以下是使用當(dāng)前車牌定位經(jīng)常使用的三種方法。
1.3.1? 基于邊緣檢測(cè)的車牌定位方法
圖像邊緣是指圖像的灰度值發(fā)生劇烈變化的區(qū)域,由于字符在車牌圖像中具有較大的邊緣特征,所以基于邊緣檢測(cè)的車牌定位是根據(jù)圖像中字符的特征和其他邊緣信息來(lái)實(shí)現(xiàn)的[6]。卓均飛、胡煜[7]在對(duì)車牌圖像實(shí)行邊緣檢測(cè)的基礎(chǔ)上,利用基于雙向回溯的投影法確定車牌的上下左右邊界完成車牌的定位;王文濤、馬啟新、杜鵬飛[8]提出了一種水平垂直結(jié)構(gòu)元素的方法,利用邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)對(duì)車牌圖像進(jìn)行處理,可用于消除車牌邊框和柳釘帶來(lái)的干擾;李瓊、饒俊慧、陳多瑜[9]在邊緣檢測(cè)的基礎(chǔ)上,統(tǒng)計(jì)了灰度跳變的個(gè)數(shù)來(lái)確定車牌區(qū)域的邊界,從而實(shí)現(xiàn)車牌定位。
1.3.2? 基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法
數(shù)學(xué)形態(tài)學(xué)基本運(yùn)算有膨脹、腐蝕、開(kāi)運(yùn)算和閉運(yùn)算。在車牌定位中,通過(guò)膨脹求局部最大值來(lái)處理圖像外部,通過(guò)腐蝕求局部最小值處理圖像內(nèi)部。這種技術(shù)可將車牌圖像內(nèi)的字符區(qū)域連成一片,但很難解決干擾噪聲的問(wèn)題,只能處理簡(jiǎn)單背景的車牌圖像,因此經(jīng)常結(jié)合其他方法來(lái)實(shí)現(xiàn)車牌定位。羅山[10]利用數(shù)學(xué)形態(tài)學(xué)處理待識(shí)別車牌的候選區(qū)域,并根據(jù)區(qū)域分析定位車牌;李忠海,梁書(shū)浩,楊超[11]結(jié)合形態(tài)學(xué)和顏色特征,先用數(shù)學(xué)形態(tài)學(xué)定位車牌的大致位置,然后根據(jù)車牌的彩色像素進(jìn)行詳細(xì)搜索,以達(dá)到識(shí)別的目的。
1.3.3? 基于顏色特征的車牌定位方法
攝像頭采集到的圖片大多數(shù)都是彩色圖像,里面包含很多的彩色信息,通過(guò)這些信息來(lái)定位車牌的技術(shù)就是顏色定位。這種技術(shù)即使在復(fù)雜背景下,車牌定位的準(zhǔn)備率依然很高。但缺點(diǎn)也很明顯,在主機(jī)上的計(jì)算量比較大,導(dǎo)致車牌定位的速度不夠快,需要繼續(xù)研究。侯向?qū)?、劉華春[12]先采用顏色分割定位車牌,當(dāng)天氣原因?qū)е露ㄎ皇r(shí),再采用Sobel算子的二次定位來(lái)提高車牌定位的準(zhǔn)確率;陳海霞、崔茜[13]考慮到車牌定位時(shí),車輛的背景顏色可能帶來(lái)的干擾,采用顏色的空間轉(zhuǎn)換只保留接近車牌顏色區(qū)域,濾去了不相干的顏色。
1.4? 字符分割
字符分割需要找到圖像中字符的邊界,將其逐一劃分并輸出到標(biāo)準(zhǔn)字符子圖。在實(shí)際應(yīng)用中,光照不均或車牌上的污損都會(huì)使圖像的質(zhì)量變差,從而增加字符分割的難度。
1.4.1? 基于垂直投影的字符分割
由于車牌上字符之間的大小間隙相同,所以預(yù)處理圖像時(shí),可在垂直方向上投影圖像,形成波峰和波谷,找到波峰之間的谷點(diǎn)來(lái)確定字符的分割點(diǎn)。這種方法簡(jiǎn)單高效,但也存在一定的局限性,對(duì)于模糊、有污損的車牌,投影后形成的波谷不明顯,分割的效果并不是很好。
1.4.2? 基于模板匹配的字符分割
我國(guó)的車牌字符有著固有的長(zhǎng)寬比和相對(duì)固定的車牌字符結(jié)構(gòu)等特征,因此可根據(jù)車牌的大小和字符之間的間距設(shè)計(jì)一個(gè)字符模板,將這個(gè)模板在車牌字符區(qū)域上進(jìn)行移動(dòng),計(jì)算模板中字符像素與車牌區(qū)域像素的比值,最后求得比值的極值點(diǎn),極值點(diǎn)所對(duì)應(yīng)的位置就是字符分割的位置[14]。因此所用的匹配模板和車牌實(shí)際的大小合不合適決定了模板匹配的成功率,而且在匹配過(guò)程中邊框是很大的干擾,該方法存在一定的局限性。
1.4.3? 基于聚類分析的字符分割
首先根據(jù)車牌中字符的個(gè)數(shù),在預(yù)處理后的車牌圖像中選擇若干個(gè)類別中心,由于字符本身帶有的連通性,可形成一個(gè)連通的區(qū)域,在這個(gè)區(qū)域中計(jì)算圖像中前景像素點(diǎn)與每個(gè)類別中心的距離,選擇最近的類別,并添加像素以實(shí)現(xiàn)拆分字符。當(dāng)字符未連接時(shí),此方法也具有良好的分割效果,但計(jì)算量很大,而且受干擾的情況比較嚴(yán)重,對(duì)于車牌有污損的分割,準(zhǔn)確度并不高。
1.5? 字符識(shí)別
中國(guó)的車牌包括中文字符、24個(gè)英文字母(不包括I和O)和阿拉伯?dāng)?shù)字。因?yàn)榈谝粋€(gè)字符是漢字,所以增加了識(shí)別的難度。每一張車牌都有7個(gè)字符,不同類型的車牌字符的間隔也不同,再考慮到光照、氣候等可能帶來(lái)的干擾,所以字符識(shí)別的過(guò)程并不容易。
1.5.1? 基于模板匹配的字符識(shí)別
基于模板匹配法的字符識(shí)別[15],首先建立標(biāo)準(zhǔn)樣本庫(kù),然后通過(guò)圖像處理,使待識(shí)別的車牌字符大小與標(biāo)準(zhǔn)樣本庫(kù)大小相同,最后匹配所有樣本庫(kù)中的模板字符,并選擇具有最高相似性的模板字符作為結(jié)果。這種方法是最直接的字符識(shí)別方法,因?yàn)椴捎玫氖嵌祱D像,所以識(shí)別速度比較快,但受光照的影響特別嚴(yán)重,對(duì)噪聲比較敏感,因此往往會(huì)影響二值化處理后的圖像,出現(xiàn)模糊、粘連等情況。若能在這方面加以優(yōu)化處理,未來(lái)將會(huì)是一種很實(shí)用的識(shí)別方法。
1.5.2? 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別
基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別[16],首先通過(guò)輸入樣本數(shù)據(jù)來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí),通過(guò)學(xué)習(xí)取得字符樣本的特征。將預(yù)處理后需要識(shí)別的字符特征輸入神經(jīng)網(wǎng)絡(luò)開(kāi)始訓(xùn)練,這時(shí)神經(jīng)網(wǎng)絡(luò)就會(huì)對(duì)需要識(shí)別的字符與樣本字符進(jìn)行特征匹配,完成字符的識(shí)別過(guò)程。