基于改進(jìn)K近鄰算法的小型汽車號(hào)牌識(shí)別系統(tǒng)

馬志遠(yuǎn) 余粟

摘要：為了對(duì)現(xiàn)有小型汽車號(hào)牌識(shí)別系統(tǒng)進(jìn)行優(yōu)化，改善車牌字符識(shí)別系統(tǒng)性能，借助OpenCV圖像處理開源庫，在車牌圖像頇處理階段采用均值濾波方法提高圖像質(zhì)量，采用Sobel邊緣檢測算子對(duì)圖像邊緣進(jìn)行提取，利用交替的膨脹、腐蝕操作結(jié)合車牌長寬比實(shí)現(xiàn)車牌輪廓定位，并根據(jù)列像素值對(duì)車牌字符進(jìn)行切割，最后采用改進(jìn)的K近鄰算法對(duì)分割后的單個(gè)車牌字符進(jìn)行識(shí)別.實(shí)驗(yàn)結(jié)果表明，基于改進(jìn)K近鄰算法的車牌識(shí)別系統(tǒng)處理時(shí)間為2.08s，識(shí)別正確率達(dá)91.3%。與傳統(tǒng)的K近郃算法相比有著更高的識(shí)別率，與神經(jīng)網(wǎng)絡(luò)法相比，有著更快的識(shí)別速度。

關(guān)鍵詞：均值濾波;Sobel邊緣檢測;車牌識(shí)別;改進(jìn)的K近鄰算法

DOI：10.11907/rjdk.192090 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2020）006-0231-04

0 引言

隨著人民生活水平的不斷提高，小型汽車銷量穩(wěn)定增長，汽車保有量不斷攀升。汽車在給人們帶來便利的同時(shí)也帶來了交通擁擠、環(huán)境污染等一系列社會(huì)問題，這些問題隨著汽車數(shù)量的增加日益嚴(yán)重。因此，學(xué)者們提出了智能交通系統(tǒng)，誕生了車牌識(shí)別LPR（License Plate Recognition）技術(shù)。該技術(shù)經(jīng)過不斷發(fā)展，逐漸成為智能交通系統(tǒng)的重要組成部分。車牌識(shí)別系統(tǒng)不僅可以實(shí)現(xiàn)車輛快速進(jìn)出，減少碳排放量和車輛損耗，降低PM2.5，而且可以顯著降低交通管理中的運(yùn)營成本，節(jié)約人力資源，提高服務(wù)質(zhì)量。

車牌字符識(shí)別算法是評(píng)判一個(gè)車牌識(shí)別系統(tǒng)性能的重要依據(jù)，直接影響整個(gè)系統(tǒng)性能。為了實(shí)現(xiàn)字符的智能識(shí)別，相關(guān)學(xué)者已經(jīng)研究出很多識(shí)別方法，如模板匹配法、支持向量機(jī)SVM（Suppofl Vector Machine）法、神經(jīng)網(wǎng)絡(luò)法等。

（1）模板匹配法：通過建立字符模板數(shù)據(jù)庫，將待檢測車牌字符圖像矩陣與字符模板庫中標(biāo)準(zhǔn)字符矩陣進(jìn)行對(duì)比，根據(jù)待檢測圖像與模板圖像兩者之間的相似程度，對(duì)輸入圖像進(jìn)行判斷。

（2）SVM法：SVM法分為訓(xùn)練階段和測試階段，訓(xùn)練階段對(duì)訓(xùn)練集的樣本進(jìn)行特征提取，然后設(shè)置SVM參數(shù)并訓(xùn)練出SVM分類器;測試階段將待檢測的車牌字符樣本進(jìn)行特征提取，將特征帶人已經(jīng)訓(xùn)練好的SVM分類器，計(jì)算出決策值，根據(jù)決策值判斷樣本所屬的類別。

（3）神經(jīng)網(wǎng)絡(luò)法：神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練樣本的輸入，根據(jù)網(wǎng)絡(luò)輸出結(jié)果與期望輸出調(diào)整網(wǎng)絡(luò)內(nèi)部各神經(jīng)元之間的連接關(guān)系，從而構(gòu)建一個(gè)分類模型，根據(jù)分類模型得到測試數(shù)據(jù)的識(shí)別結(jié)果。

為提高車牌字符識(shí)別系統(tǒng)準(zhǔn)確率，在以上方法基礎(chǔ)上學(xué)者提出了不同的改進(jìn)策略，如文獻(xiàn)[8]、文獻(xiàn)[9]在模板匹配基礎(chǔ)上，首先建立字符識(shí)別模板庫，將分割后的車牌字符與模板庫中的字符進(jìn)行距離運(yùn)算，以最大相關(guān)算子對(duì)應(yīng)的模板為最佳匹配模板，但這種方法沒有考慮相關(guān)算子大小對(duì)預(yù)測輸出的影響程度;文獻(xiàn)[10]、文獻(xiàn)[11]中基于支持向量機(jī)的識(shí)別方法在解決多分類問題時(shí)存在固有缺點(diǎn);文獻(xiàn)[12]、文獻(xiàn)[13]采用卷積神經(jīng)網(wǎng)絡(luò)方法，需要進(jìn)行大規(guī)模數(shù)據(jù)訓(xùn)練，計(jì)算過程過于復(fù)雜。以上研究都沒有設(shè)計(jì)出一種簡潔、有效的車牌字符識(shí)別算法。

本文通過在車牌字符識(shí)別中采用改進(jìn)的K近鄰算法，在識(shí)別輸出階段增加了輸人數(shù)據(jù)與模板數(shù)據(jù)之間距離大小對(duì)預(yù)測輸出影響程度這一因素，彌補(bǔ)了傳統(tǒng)K近鄰算法中距離鄰近的類別被認(rèn)為是相同的缺點(diǎn)，從而對(duì)車牌識(shí)別系統(tǒng)中傳統(tǒng)的K近鄰算法進(jìn)行了改進(jìn)。

1 車牌識(shí)別系統(tǒng)

車牌識(shí)別系統(tǒng)流程有4個(gè)步驟：①車牌圖像預(yù)處理;②車牌定位;③車牌字符分割;④單個(gè)車牌字符識(shí)別，系統(tǒng)總體設(shè)計(jì)如圖l所示。本文針對(duì)車牌識(shí)別系統(tǒng)每個(gè)環(huán)節(jié)設(shè)計(jì)了不同算法，通過利用開源計(jì)算機(jī)視覺庫OpenCV（Open Source Computer Vision Library）中提供的處理工具，對(duì)每一過程進(jìn)行仿真實(shí)驗(yàn)。

2 車牌圖像預(yù)處理

2.1 車牌圖像灰度化

彩色車牌圖像每個(gè)像素點(diǎn)由紅綠藍(lán)（RGB）3種色彩疊加構(gòu)成，不同的色彩通道值不盡相同。在識(shí)別系統(tǒng)中，為了方便對(duì)像素?cái)?shù)據(jù)進(jìn)行處理，采用加權(quán)平均法把RGB三通道圖像轉(zhuǎn)換為單通道灰度圖像，即對(duì)車牌圖像中每個(gè)像素的R、C、B值加起來求平均值，求得每個(gè)像素點(diǎn)的平均值作為車牌灰度圖像的像素值。

由公式（1）計(jì)算得到的所有灰度值構(gòu)成新灰度圖像。圖2為原始車牌圖像，圖3為灰度化的車牌圖像。

2.2 均值濾波

由于車牌圖像在采集過程中所處的環(huán)境不同，以及受限于采集圖像設(shè)備性能，使采集到的車牌圖像存在各種各樣的噪音，這些干擾信號(hào)會(huì)使圖像質(zhì)量降低，給車牌識(shí)別工作帶來困難。因此，對(duì)采集到的圖像進(jìn)行濾波操作是消除干擾信號(hào)的重要措施。在車牌定位之前，要對(duì)采集到的車牌圖像進(jìn)行濾波操作，在保留原始車牌特征基礎(chǔ)上，過濾掉干擾信號(hào)，盡量減少噪聲帶來的影響。均值濾波是低通數(shù)字濾波的一種，具有效率高、執(zhí)行速度快的優(yōu)點(diǎn)，采用3*3的均值濾波卷積核對(duì)灰度化的車牌圖片進(jìn)行濾波操作，以過濾掉圖像中存在的噪音。均值濾波的卷積核為：

具體操作步驟為：對(duì)于卷積核錨點(diǎn)（帶“”的位置）覆蓋下的像素點(diǎn)，其像素值等于3*3鄰域范圍內(nèi)所有像素值的和進(jìn)行均值濾波，得到的圖像如圖4所示。

2.3 邊緣提取

車牌圖像邊緣提取就是獲取車牌圖像中像素階躍較大的像素群，這些像素群中包含車牌輪廓，邊緣提取為接下來的車牌定位打下了基礎(chǔ)。Sobel算子常用于獲取圖像的一階梯度值，分別用3*3的水平方向卷積核和垂直方向卷積核對(duì)均值濾波后的圖像進(jìn)行卷積操作，求出車牌圖像中每個(gè)像素值的橫向梯度值和縱向梯度值。

得到圖像每個(gè)像素點(diǎn)的梯度。設(shè)置閾值，如果該像素點(diǎn)的梯度值C大于Dt，就認(rèn)為該點(diǎn)是邊緣點(diǎn)，對(duì)該像素點(diǎn)予以保留;如果梯度值小于Dt，就將其舍棄。提取邊緣后的圖像如圖5所示。

2.4 形態(tài)學(xué)車牌定位處理

2.4.1 形態(tài)學(xué)處理

數(shù)學(xué)形態(tài)學(xué)是一門建立在集合論基礎(chǔ)上的學(xué)科，在圖像處理領(lǐng)域應(yīng)用廣泛，其基本操作包括：膨脹（Dilate）、腐蝕（Erode）。膨脹操作可以連接相近的圖像區(qū)域，腐蝕操作可以去除孤立區(qū)域，通過交替進(jìn)行的膨脹、腐蝕操作，找到包含車牌信息的矩形輪廓結(jié)構(gòu)。本文為使車牌字符區(qū)域能夠連通起來，依次進(jìn)行兩次橫向的膨脹操作，再經(jīng)過4次迭代腐蝕操作，以盡可能多地去除車牌圖像之外的小塊碎片區(qū)域，最后再進(jìn)行兩次膨脹操作，以恢復(fù)由腐蝕操作造成的車牌圖像不連通區(qū)域。經(jīng)過形態(tài)學(xué)處理的圖像如圖6所示。

2.4.2 車牌輪廓查找與篩選

圖6中3塊白色圖形其中一個(gè)包含了車牌的輪廓與位置信息，車牌輪廓查找與篩選要從這3個(gè)圖形中選出正確的車牌輪廓。分別計(jì)算這3個(gè)圖形水平方向與垂直方向上不為0的像素點(diǎn)個(gè)數(shù)，作為其長（Height）與寬（Width）;根據(jù)設(shè)置車牌長寬比參數(shù)i（2.5

3 車牌字符分割

車牌字符識(shí)別是一種基于單字符的識(shí)別方法，識(shí)別的前提是對(duì)連通的車牌圖像進(jìn)行分割，獲得單字符圖像。車牌字符的正確分割直接影響到字符識(shí)別環(huán)節(jié)，因而在車牌字符分割前，對(duì)車牌圖像進(jìn)行預(yù)處理就顯得尤為重要。

3.1 車牌字符分割預(yù)處理

首先對(duì)提取出的車牌進(jìn)行灰度化、二值化等操作，便于車牌像素信息的計(jì)算和統(tǒng)計(jì)。車牌邊框在車牌字符識(shí)別中屬于無用信息，需要去除。車牌邊框是一些水平排列的像素點(diǎn)和垂直排列的像素點(diǎn)，定義閾值分別為車牌圖像平均每行像素值和每列像素值的1.6倍，通過依次掃描圖像中的行像素值與列像素值，與閾值進(jìn)行比較，對(duì)低于閾值的行和列刪除，以達(dá)到去除車牌邊框的目的。去除邊框后的車牌圖像如圖8所示。

3.2 基于列像素均值的車牌字符分割法

在車牌圖像中，包含車牌字符區(qū)域白色較多，相應(yīng)的列像素值較高，而沒有字符的區(qū)域基本為黑色，相應(yīng)的列像素值就較低。車牌字符分割方法可檢測車牌圖像列像素值的變化。首先計(jì)算所有列像素值的和S，然后求取列像素的均值，將閾值設(shè)置為所有列像素均值的70%。對(duì)車牌圖像進(jìn)行逐列掃描，求其列像素值，將超過閾值對(duì)應(yīng)列的值置為“l(fā)”，直到找到一個(gè)低于閾值的列，并將其值置為“0”。

從P_c=1列開始，直到出現(xiàn)P_c=0的n列，中間的n-j列即為車牌字符分割長度len。為了增加字符分割的準(zhǔn)確性，在得到字符分割寬度len之后，考慮到車牌中只有7個(gè)字符，再通過判斷l(xiāng)en的值與車牌寬度的1/7作比較，如果len大于車牌寬度的1/7，即視為合理分割寬度，否則視為不合理分割寬度。最后，根據(jù)得到的合理分割寬度進(jìn)行車牌字符分割。車牌字符分割效果如圖9所示。

4 基于改進(jìn)K-近鄰算法的車牌字符識(shí)別

我國小型汽車號(hào)牌字符包含3類，分別為以“京”、“滬”、“粵”等31個(gè)漢字代表省、自治區(qū)、直轄市簡稱，除去字母0和I的24個(gè)從A-Z的大寫英文字母，以及0-9的10個(gè)阿拉伯?dāng)?shù)字。車牌字符識(shí)別目的是從已經(jīng)分割的單個(gè)車牌字符圖像中識(shí)別出對(duì)應(yīng)的65個(gè)字符中的一個(gè)。K-近鄰算法是分類數(shù)據(jù)最簡單有效的算法，在車牌字符識(shí)別方面有著廣泛應(yīng)用。K近鄰算法在輸入新的分類對(duì)象時(shí)，會(huì)與已有模板數(shù)據(jù)進(jìn)行比較，根據(jù)模板數(shù)據(jù)與輸人數(shù)據(jù)距離的大小，從模板數(shù)據(jù)中選出與需要分類對(duì)象最為相似的模板數(shù)據(jù)作為預(yù)測輸出。本文提出改進(jìn)的K近鄰算法，在獲得輸入數(shù)據(jù)與模板數(shù)據(jù)的距離后，根據(jù)距離權(quán)值得分相加得到標(biāo)簽的總得分，進(jìn)而判斷出輸人數(shù)據(jù)所屬的標(biāo)簽。

在互聯(lián)網(wǎng)中收集字符65*5個(gè)車牌字符圖像，依次對(duì)其進(jìn)行裁剪、灰度化處理，得到28*28的單通道灰度圖像。定義325個(gè)784列的行向量，對(duì)每個(gè)圖像的784個(gè)像素值進(jìn)行儲(chǔ)存，通過矩陣合并構(gòu)成325行784列的矩陣。

定義一個(gè)標(biāo)簽數(shù)組Labels，標(biāo)簽數(shù)組中的字符（例如“滬”、“K”）對(duì)應(yīng)DataSet矩陣中的行向量。將分割出來的車牌字符圖像同樣轉(zhuǎn)換為行向量θ_test存儲(chǔ)起來。根據(jù)DataSet矩陣行的大小，復(fù)制θ_test成為與行數(shù)相等且每行都為θ_test的矩陣lnx。

通過歐式距離公式計(jì)算lnx每行與DataSet對(duì)應(yīng)行的距離d_i，從而得到矩陣D。

計(jì)算矩陣D元素總和D_sum并得到權(quán)值矩陣Q，其中權(quán)值矩陣Q中每個(gè)元素Q_i的大小為：

對(duì)D中元素值進(jìn)行大小比較，返回K個(gè)D中最小元素所對(duì)應(yīng)的行標(biāo)m₂₁.…m_k，取出Label中行標(biāo)m所對(duì)應(yīng)的字符標(biāo)簽以及對(duì)應(yīng)的權(quán)值得分Q_i，將相同標(biāo)簽的不同Q_i加起來得到其標(biāo)簽得分M。標(biāo)簽得分M的最大值所對(duì)應(yīng)的標(biāo)簽字符即為車牌識(shí)別系統(tǒng)識(shí)別出來的車牌字符。

5 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證改進(jìn)K近鄰算法在小型汽車號(hào)牌識(shí)別系統(tǒng)中的有效性，對(duì)互聯(lián)網(wǎng)上下載的400張不同天氣、不同角度和不同照明條件下的車牌圖像，在配置為Windows 10系統(tǒng)AMD Ryzen 52600@3.4GHz CPU，16G內(nèi)存的計(jì)算機(jī)PYthon2.7平臺(tái)上進(jìn)行車牌字符識(shí)別實(shí)驗(yàn)，圖10為本文示范車牌的識(shí)別結(jié)果。與傳統(tǒng)K近鄰算法、神經(jīng)網(wǎng)絡(luò)法進(jìn)行對(duì)比，對(duì)圖像集進(jìn)行參照實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。

由表1可以看出，該算法與傳統(tǒng)K近鄰算法相比有更高的識(shí)別率，與神經(jīng)網(wǎng)絡(luò)法相比，具有結(jié)構(gòu)簡單以及更快的識(shí)別速度等優(yōu)勢。

6 結(jié)語

本文借助OpenCV圖像處理工具，設(shè)計(jì)了一種小型汽車號(hào)牌識(shí)別系統(tǒng)，對(duì)傳統(tǒng)K近鄰識(shí)別算法進(jìn)行了改進(jìn)。首先對(duì)包含車牌信息的圖像進(jìn)行灰度化、濾波、邊緣提取、形態(tài)學(xué)處理等操作，獲取圖像中可能存在的車牌圖像輪廓，根據(jù)車牌的長寬比從目標(biāo)輪廓中篩選出正確的車牌輪廓。獲得車牌圖像后，對(duì)其進(jìn)行灰度化、二值化和去邊框等預(yù)處理;然后采用基于列像素均值的車牌字符分割法，分割出車牌圖像中的單個(gè)字符;最后采用改進(jìn)的K-近鄰算法將輸人數(shù)據(jù)與模板數(shù)據(jù)之間的距離通過加權(quán)得分的方式運(yùn)用到車牌字符識(shí)別中，使得識(shí)別系統(tǒng)對(duì)車牌字符的預(yù)測相比傳統(tǒng)K近鄰算法更加準(zhǔn)確。但是本文對(duì)車牌圖像的預(yù)處理閾值均是在不斷調(diào)整中得到的，并沒有找到一種合理的閾值確定方法;改進(jìn)的K近鄰算法如何針對(duì)不同模板數(shù)據(jù)集搜索一個(gè)最優(yōu)K值，這些仍需要進(jìn)一步研究。