基于MATLAB的車牌識別系統設計與實現*

劉忠杰，宋小波，何 鋒，李 芬，周培瑩，劉百辰

（常州先進制造技術研究所 機器人系統實驗室，江蘇 常州 213164）

隨著世界經濟和科學技術的不斷發展,智能交通系統越來越多地被人們所關注。車牌識別LPR(License Plate Recognition)是智能交通系統中重要研究課題[1]，已成為圖像處理和模式識別研究中的熱點。整個車牌識別系統主要包括圖像預處理、車牌定位、車牌字符分割、車牌字符識別4個模塊，其流程圖如圖1所示。

圖1車牌識別流程圖

圖像預處理主要是將輸入的彩色圖像轉換為灰度圖像，再進行灰度增強，以達到較好的凸顯車牌字符的效果。這里首先將 24位R、G、B的彩色圖像按式(1)轉換成256級的灰度圖，以減少存儲和計算量，圖2是轉換后的車牌灰度圖。

1車牌定位

車牌定位是車牌識別系統中關鍵的一步，直接關系到車牌字符分割的準確性和系統識別的正確率[2]。通過比較4種典型的邊緣檢測算子，選擇Canny算子對車牌進行邊緣檢測，然后對車牌進行形態學處理，并統計圖像中白色像素點的個數定位出車牌區域。

1.1 4種典型的邊緣檢測算子

邊緣檢測的目的是標識數字圖像中亮度變化明顯的點，車牌識別4種典型的邊緣檢測算子有：Roberts算子、Prewitt算子、Sobel算子和 Canny算子，圖 3是這 4種典型的邊緣檢測算子對車牌圖像的檢測效果圖。

圖3不同邊緣檢測算子比較

實驗結果表明,Roberts算子對邊緣定位比較準，但對噪聲過于敏感，在圖像噪聲較少的情況下分割效果相當不錯。Prewitt算子有一定的抗噪能力，但是這種抗噪能力是通過像素平均來實現的,相當于低通濾波，所以圖像有一定模糊,其邊緣檢測時會受到一定影響。Soble算子對噪聲有抑制作用,但對邊緣的定位不是很準確，不適合對邊緣定位的準確性要求很高的應用。Canny算子具有高定位精度，即能準確地把邊緣點定位在灰度變化最大的像素上，同時較好地保留了原有車形的邊緣特征，并能抑制虛假邊緣的產生，因此本文選取Canny算子作為車牌圖像邊緣檢測算子。

Canny算子邊緣檢測的實現是由MATLAB圖像處理工具箱中edge函數來完成的。edge函數主要是在灰度圖像中查找圖像的邊緣，處理圖像的格式為BW=edge(I,′Canny′,thresh),其中I為灰度圖像；thresh是一個包含兩個閾值的向量，第一個元素是低閾值，第二個元素是高閾值，本文Canny算子邊緣檢測的MATLAB參數設置如下：

1.2數學形態學處理

數學形態學是由一組形態學的代數運算算子組成的，用這些算子可以對圖像的形狀和結構進行分析及處理[3]。通過對圖像的腐蝕和膨脹運算能使車牌區域連通，并最大限度地消除非車牌區域的噪聲干擾。腐蝕和膨脹后的車牌圖像如圖4所示。

圖像經過膨脹以后依然存在許多連通的小區域，但這些小區域明顯不是車牌候選區域且形狀不規則。由車牌的先驗信息知,我國車牌形狀為矩形，一般高14 cm,寬44 cm,寬高比3.14。根據我國車牌的特征很容易就能夠刪除這些干擾對象，即使用bwareaopen函數來處理干擾對象。bwareaopen函數的格式為BW2=bwareaopen(BW,P,conn)，其作用是移除二值圖像BW中面積小于閾值P的對象。通過實驗得閾值P取2 000～3 500之間效果較好，這里閾值P的取值為2 800。圖5是移除小對象后得到的車牌圖像。

1.3車牌剪切

通過數學形態學處理之后已大體上定位出車牌的位置，接下來就是從原彩色圖像中把車牌剪切出來，并去除車牌邊框。圖像中車牌位置可以通過統計圖像中的白色像素點的個數獲得[4]，再使用MATLAB中imcrop函數剪切出車牌。針對車牌邊框可以通過設置不同的閾值來去除，以L1=Width/7為閾值對剪切出的車牌圖像按行掃描，如果有線段的長度大于L1就可以認為是牌照的上下邊框,再以L2=Height×3/5為閾值對剪切出的車牌圖像按列掃描，如果有線段的長度大于L2，則認為是牌照的左右邊框。找到車牌的上、下、左、右邊框之后，重新剪切車牌圖像去除車牌邊框,完成車牌的定位,如圖6所示。

2車牌字符分割

車牌字符分割是指將單個字符從車牌圖像中分離出來。車牌字符分割方法主要有數學形態學法、投影法、松弛標記法、連通分支法和顏色塊法[5]。本文綜合使用了數學形態學和投影法來分割車牌字符,其基本流程是：首先對定位出的車牌進行二值化和形態學開運算，以去除灰塵及鉚釘等干擾噪聲，然后利用投影二分法分割出7個車牌字符，并對字符進行歸一化。

2.1二值化和形態學開運算

二值化圖像的目的主要是找出一個合適的閾值或一個閾值范圍，將車牌區域劃分為前景和背景兩部分，以方便車牌字符的分割。常用的二值化方法有直方圖統計法、固定門限法、動態閾值法、松弛法、抖動矩陣二值法等。本文使用了迭代求圖像最佳分割閾值的算法，得到的二值化圖像如圖7所示。

二值化圖像以后，使用fspecial函數對圖像進行平滑濾波，在保留字符筆畫結構特征的前提下，盡可能去除噪聲。然后對圖像進行形態學開運算，以去除圖像中的孤立區域和毛刺，將背景保留下來，得到背景的估計，并使圖像的邊界變得平滑。圖8所示為濾波及形態學開運算圖像。

2.2字符分割及歸一化

在車牌字符分割中，使用最多的是垂直投影法，該方法將灰度車牌圖像像素列方向上求和，這樣有字符的地方投影較高，而字符中間，理想情況下是沒有像素的，但現實圖像中由于噪聲的干擾會存在一定的像素。在現實環境中車牌圖像上往往有灰塵、鉚釘等噪聲，由于垂直投影受噪聲影響較大，易造成分割字符的粘連與斷裂，嚴重情況下會造成車牌字符之間的投影很難辨認，在一定程度上影響了車牌的識別率。針對傳統投影法的不足，冼允廷等提出了基于投影二分法的車牌字符分割方法[6]。該方法主要是通過迭代尋找最佳分割點，能夠很好地解決車牌字符分割中存在的粘連和斷裂問題，因此本文選用投影二分法對車牌圖像進行分割，通過投影二分法分割出的車牌字符圖像如圖9所示。

由于分割出的字符大小尺寸不相同，為提高車牌字符識別準確率，需要對分割出的字符進行歸一化處理。本文采用最近鄰插值法，即為零階插值，其輸出的像素值就等于離它映射到的位置最近的輸入像素的值。圖10是將字符的大小歸一化為40×20的圖像。

3車牌字符識別

在車牌字符識別環節，本文使用模板匹配和特征統計相結合的方法，通過計算待識別字符與各樣本字符的歐氏距離來實現對該字符的模板匹配識別，然后再對相似字符進行特征統計優化識別結果，以提高車牌字符識別的準確率。

3.1模板匹配初次識別

模板匹配方法是最直接的識別字符方法，其實現方式是計算輸入模式與樣本之間的相似性，取相似性最大的作為輸入模式所屬類別。我國車牌有7個字符，其標準車牌格式是：X1X2·X3X4X5X6X7，X1是各省、直轄市和自治區的簡稱，X2是英文字母，X3X4是英文字母或阿拉伯數字，X5X6X7是阿拉伯數字。根據我國車牌的特征，建立3個模板庫，即漢字庫、字母庫和數字庫，識別時，對第1個字符采用漢字庫，第2個字符采用字母庫，第5～7個字符采用數字庫，其他的采用數字庫和字母庫。

模板匹配法的基本算法是最小歐氏距離法，即對任一原型模式Zi，計算它和待匹配字符X的歐氏距離Di，Di=｜X－Zi｜,然 后 找 到 最 小 的 Di， 其 對 應 的 Zi就 是 識 別 出的字符。下面以二維圖像的處理為例來說明模板匹配算法，具體描述如下：

設輸入字符用輸入函數f(x,y)表示，標準模板用函數F(x,y)表示，在相關器中比較后輸出為T(x,y)。隨機變量用x、x1表示，相關器輸出為：

式(3)和式(4)為輸入字符的自相關函數，且有T(0,0)≥T(X,Y)成立。T(X,Y)會在T(0,0)處出現主峰，而在其他標準字符處出現一些副峰，然后選用相關函數來對這些主峰和副峰進行鑒別。圖像與模板匹配程度的相關函數可以由式(5)來測定：

其中,R(i,j)為互相關算子，S為待檢測的圖像，Si,j為待檢測的子圖，T為模板。將待識別的字符逐一和所有模板進行匹配，并用上述相似度式子來計算車牌字符與每個模板字符的匹配程度，最相似的就是匹配結果，從而判斷并識別出待識別的字符。

計算二維圖像相似度可以用Matlab中提供的corr2函數來實現。corr2函數的調用方法是R=corr2(A，B)，其中R是相關系數，數據類型為雙精度，A、B為大小和數據類型相同的圖像矩陣。因為前面的車牌字符分割環節中已把車牌字符大小歸一化為40×20的圖像，與模板圖像大小相同，所以模板匹配過程只需調用此函數，將分割出來的每個字符與設置好的模板進行相關運算，然后使用MATLAB中max函數尋找出它們中的最大相關值，即最相似的匹配結果，就完成了模板匹配過程。

3.2特征統計優化識別

由于車牌字符中的個別英文字母與阿拉伯數字具有相似的結構特征，投影點的歐氏距離相差較小,因此，需要對部分相似字符的識別結果進行優化識別，并將優化結果作為最終識別結果輸出。例如：

(1)數字 0與 8：利用數字 0與 8的“空心”個數進行區分。數字0從上到下只有一個空心，而數字8從上到下有兩個空心。因此，可以將數字0與8區分開。

(2)數字 6與 9：利用數字 6與 9的“空心”區域分別位于圖像的中下部與中上部的特點，可以將其區分開。

(3)數字8與字母B：利用數字8和字母 B中部左邊像素點的位置進行區分。對字符圖像的中部(從上向下第11個像素點至第21個像素點)從左向右檢測第1個白色像素點，并記錄該點的位置。取這些點的算術平均值，若該值在 4個像素點以下，則該字符為字母 B，否則為數字8。

本文對不同天氣情況下采集的358幅圖片進行了MATLAB仿真測試。如果僅使用模板匹配法，可以識別出284幅圖片，識別正確率為79.3%，其中有45幅是在相似字符識別時出錯；如果使用模板匹配和特征統計相結合的方法,可以識別出329幅圖片,識別正確率為91.9%，其中相似字符的識別準確率大大提高。與單一使用模板匹配相比較，本文方法明顯優于傳統的模板匹配法，分析原因主要是通過特征統計對相似字符的再次識別彌補了模板匹配對相似字符識別較弱的不足。與傳統使用神經網絡方法識別率只有75.7%相比較,本文91.9%的識別正確率具有明顯優勢。總之實驗結果表明，經過特征統計再次優化識別以后大大提高了整個系統的識別正確率,圖11所示為本文車牌識別圖像。

目前，車牌識別技術已經取得一定突破，但在現實應用中車牌識別正確率還不理想，僅使用一種特征和識別方法都有其優點和局限性，走多特征組合、多方案集成的道路，已成為車牌識別系統走向實用化的有效途徑，因此車牌識別系統算法實用化的研究十分重要。

[1]GUO J M,LIU Y F.License plate localization and character segmentation with feedback self-learning and hybrid binarization techniques[J].Transactions on Vehicular Technology,2008,57(3)：1417-1424.

[2]ZHANG C,SUN G M,CHEN D M.A rapid locating method of vehicle license plate based on characteristics of characters′connection and projection[C].Proc of the Second IEEE Conference on Industrial Electronics and Applications,2007：2546-2549.

[3]BAI H L,LIU C P.A hybrid license plate extraction method based on edge statistics and morphology[C].Proc of the 17th International on Pattern Recognition,2004：831-834.

[4]沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀 器 儀 表 學 報 ，2008,29(12)：2673-2677.

[5]CHANG S L,CHEN L S,CHUNG Y C.Automatic license plate recognition[J].IEEE Transactions on Intelligent Transportation System,2004,5(1)：42-53.

[6]冼允廷,路小波,施毅，等.基于投影二分法的車牌字符分割方法[J].交通計算機,2007,25(5)：69-71.