一種車牌識別軟件系統研究

楚 巖，邵 嚴，陳 亮，巨永鋒

（長安大學 電子與控制工程學院，陜西 西安 710064）

一種車牌識別軟件系統研究

楚 巖，邵 嚴，陳 亮，巨永鋒

（長安大學 電子與控制工程學院，陜西 西安 710064）

針對現有車牌識別算法中的車牌定位、字符分割和字符識別三個核心模塊存在的不足，提出了一種基于邊緣兩側顏色檢測的車牌定位方法；通過采用動態閾值調整方法，很好的實現了字符分割；對神經網絡在字符識別技術中的應用進行了大量的研究和實驗，根據漢字和數字、字母特征提取的不同，在對字符信息初識別時將漢字和數字、字母采用不同結構參數設置的神經網絡進行識別，并對識別結果中包含的具有形體相近的字符提出了一種“不等權值”的方法。結果證明識別率有了明顯提高。

車牌識別；邊緣檢測；動態閾值調整；神經網絡；不等權值

隨著我國交通管理自動化的快速發展，車輛牌照識別技術已成為我國實現交通智能化的重要組成部分，被廣泛應用于停車場管理、高速公路電子收費系統ETC（Electronic Toll Collection）、違章交通管理系統等方面，對于全面建設智能交通系統ITS（Intelligent Transportation System）具有十分重要的意義[1]。

早在20世紀90年代初國外研究人員就己經開始了對車牌識別系統的研究，應用最多的實現方法就是首先對車牌圖像進行圖像處理分析、然后進行車牌定位、車牌字符分割和字符識別，最終通過將識別出的單個字符信息進行組合從而得到完整的車牌信息。我國開始對車牌識別系統的研究主要始于90年代中期，在人們對車牌識別系統算法研究的過程中，雖然嘗試過各種方法，也提出了許多新的理論和改進方法，但由于車牌自身所包含的特征的復雜性與不確定性，車牌圖像信息質量對拍攝角度的嚴重的依賴性以及車牌本身污染或車牌信息斷裂等原因使得車牌識別系統發展緩慢。文中針對現有車牌識別算法中的車牌定位、字符分割和字符識別3個核心模塊存在的不足，進行了優化和完善。

1 車牌圖像信息邊緣處理

通過CCD攝像機得到的車輛圖像信息中包含許多顏色分布相近的區域，如果僅以簡單的規則來作為連通區域劃分標準會產生許多無用的連通區域和干擾信息，從而增加了車牌定位的計算量和降低了準確率。本文通過對我國大量車牌圖片進行分析，總結出我國車牌顏色配比固定為深藍底色配白字字體、白色底色配黑字或紅字字體、黑色底色配白字字體和黃色底色配黑字字體的分布特點，一共涉及到6種顏色信息。通過對大量車牌圖片實驗研究，總結出以上6種顏色在HSV顏色模型中的閾值，例如白顏色在HSV模型中的閾值為V>80，S＜0.3，藍色在HSV模型中的閾值條件為45＜H＜48，S>0.1等[2]。同時滿足這兩個條件便可判斷出藍底白字車牌在圖片中的邊緣分布情況，其他類別車牌邊緣判別處理類似。在圖像背景非常混亂的情況下，忽略圖片中其他類型邊緣，只考慮藍－白、白－黑、黑－白和黃－黑四種顏色的邊緣分布。這樣，只有極少數的邊緣圖像被檢測到，極大的減少了干擾區域產生的邊緣信息對車牌邊緣信息提取產生的影響，省去了大量的無用計算過程，提高了車輛牌照區域定位的準確率。

2 車牌圖像信息動態二值化閾值處理

閾值的選取在車牌灰度圖像二值化處理過程中顯得尤為重要。把值為1的點視為前景區域，值為0的點視為背景區域。如果閾值選擇過高，則可能造成車牌區域圖像點被劃為背景圖像，以致無法識別。如果閾值選擇過低，則有過多背景圖像點被劃入車牌區域，與字符信息相粘連，影響識別準確度。所以閾值選區是否合理，直接影響到車牌圖像識別系統的整體效果。文中采用了最大類間方差法進行閾值的選取[3]。

最大類間方差法的實現思想是：設圖像像素為N，灰度范圍為[0，L－1]，對應灰度級的像素數為 ni，幾率為：

把圖像中的像素按灰度值用閾值T分為兩類C0和Cl，C0由灰度值在[0，T]之間的像素組成，C1由灰度值在[T+1，L－1]之間的像素組成，對于灰度分布幾率，調整圖像的均值為:

則C0和C1的均值為：

由上面3式可得：

類間方差定義為：

讓T在[0，L－1]范圍內依次取值，使 σ2最大的 T值就是最佳閾值。

然而最大類間方差法求出的閾值并不是最合理的，應根據具體情況實時修改，才能使得二值化效果達到最好的效果。

文中實現二值化閾值可調的方法步驟如下：

1）首先將最大類間方差法計算的值作為車牌圖像的初始閾值，并以此對圖像進行二值化；

2）統計二值化后圖像白點的總體數目，如果總數占所有像素點的比例在0.2～0.3之間，則以當前閾值作為二值化閾值，如果白點所占比例大于0.3，則說明閾值過小，應適當增大閾值；若白點所占比例小于0.2，說明閾值過大，應適當減小閾值。

3）運用新閾值重新進行二值化，按照步驟2）再次判定，直到求出最佳二值化效果閾值。

3 字符識別

3.1 特征提取

為了避免字符偏離中心位置或大小不一對網格的特征提取產生較大偏差的影響，首先應對字符進行歸一化處理。歸一化處理就是通過裁剪除字符以外的其他區域，將字符進行填充到統一大小，并將偏離中心位置的待識別字符的中心點統一到相同位置。文中將字符歸一化為32×32的尺寸大小。

文中采用粗網格特征提取[4]和線素特征提取相結合[5]的方法，對歸一化的待識別字符進行特征提取。粗網格特征又稱局部灰度特征，它將通過把歸一化之后的字符分為4×4個網格，統計每個網格中白色像素點數目，從而得到16個特征；線素特征提取是統計待識別字符某一行或某一列總像素數字符的局部特征，文中分別在字符水平方向和垂直方向三等分處各做直線穿過整個字符并統計線穿過的白色像素點數從而得到4個特征，如圖1所示。在識別階段，把各個部分特征組合起來作為字符的統計特征。

圖1 線素特征提取示意Fig.1 Line element feature extraction

3.2 BP神經網絡設計

1）訓練樣本庫設計

本文設計的BP神經網絡訓練樣本庫由500張字符訓練樣本組成，該500張訓練樣本針對我國車牌所包含的26個漢字和34個字母，在復雜環境下拍攝的1000張具有代表性的車牌圖像中提取。

2）BP網絡結構設計

①輸入層節點數

輸入層節點數根據待識別字符所提取的特征維數決定，例如本設計中的字母和數字提取了20個局部特征，漢字提取了46個局部特征，因此它們的輸入層節點數分別為20和46。

②隱含層個數

雖然隱含層的個數越多網絡的非線性越好，學習速度越快，但是計算量也隨之成倍增加，容易導致BP網絡的歸納能力和逼近能力的下降，所以在達到相同誤差目標的情況下，應盡量少使用隱含層。而且根據研究表明，用單隱層的BP函數可以逼近任何在閉區間內連續的函數。因此本設計采用具有單個隱含層的BP網絡。

③隱含層神經元數目[6]

隱含層節點數的確定是設計者根據經驗確定的。但是隱含層的節點數卻非常重要，如果隱含層節點數過少，訓練網絡時可能會出現誤差陷入局部極小點，始終無法收斂。同樣，隱含層節點數過多會導致網絡計算時間過長、誤差增大，從而導致網絡性能下降、不能識別未知的樣本。公式 （8）是一個可用于選擇最佳隱含層節點數的經驗公式：

其中，s為隱含層數目，m為輸入節點數，n為輸出節點數。

④輸出層節點數

輸出層節點數是由所采用的目標種類表示方法所確定。常用的表示方法有兩種:一種是一個輸出層節點對應一個目標種類，即目標種類的個數就是輸出層節點的個數，這種表示適用于目標種類較小的情況。另一種是采用目標種類的二進制表示，即如果目標種類為N=2M個，輸出層節點為M個，這種表示方法適用于目標種類較多的情況。文中訓練的漢字子網共有26個漢字，所以采用第一種表示方法，輸出層節點數為26，字母數字子網有34個字符，因而輸出神經元數目為34。

車牌識別系統的兩個神經網絡的網絡結構和訓練參數設置如表1所示。

表1 車牌識別系統的兩個神經網絡的網絡結構和訓練參數設置Tab.1 Network structure and training parameter settings of two neural network of license plate recognition system

權值和閾值的初始化。初始權值和閾值直接影響到網絡訓練的迭代次數、網絡是否收斂，所以需要慎重選擇。如果所選擇的初始權值或閾值過大或過小，都會使激勵函數的輸出值落入飽和區，導致權值和閾值更新過慢，網絡無法收斂。經過多次實驗測試，本設計的網絡初始權值和閾值取（－1，1）之間的隨機數為最佳。

學習函數的確定。學習速率決定每一次循環訓練所產生的權值變化量。大的學習速率可能導致系統不穩定，小的學習速率導致較長的訓練時間，可能收斂很慢，學習速率選取范圍在0.01～0.8之間。

3.3 形體相近字符識別校正網絡設計

在車牌字符信息中含有一些形體十分相近的字符[7]，經大量實驗表明，這些相近字符因為模板自身的相似性導致在分類時出現誤分類的概率比其他字符約高出20%左右，直接影響到車牌字符的最終識別效果。所以在經過以上字符識別后仍要對識別結果中包含相近形體的字符進行區分識別，從而增加車牌字符識別的準確率。

在對相似字符進行識別時，首先將待識別字符劃分為6個不同的子區域， 分別定義為 A11，A12、A21、A22、A31 和A32，如圖2所示。

圖2 字符子區域劃分Fig.2 Character sub-zoning

對于車牌信息中含有的形體相近字符僅有個別區域存在不同，針對這個特點，在構造判別函數時，相應的將這些區域所占的權值增大，減小其余相似部分的權值，在獲得待識別字符的特征向量時用該區域提取的特征值與賦予的權值系數做乘法運算，將該結果用以構造判別函數，以達到在識別過程中對不同區域賦予的權重，突出兩個字符的不同。通過對實驗結果歸納總結得到常見相似字符的子區域權值取值如表2所示。

表2 常見相似字符的子區域權值Tab.2 Sub-area weights of common similar characters

3.4 實驗數據比較

該識別算法與普通識別算法的最大區別在于規定子區域權值，實現了對形體相近字符的精準判別，因此在進行算法比較時采用了兩種測試方式，算法的識別效果比較如下：

第一種測試方式：將形近字符校正加入到整個識別算法之中使識別一次完成，以是否加入形近字符校正為區別，參加測試的是所有車牌字符樣本未經任何事先選擇，識別統計數據如表3。

第二種測試方式：將形近字符校正單獨取出進行測試，以使用原識別算法與形近字符校正為區別，參加測試的是車牌字符樣本中的相似字，即前述的相似字組合中的任意一個，識別統計數據如表3。

表3 識別統計數據Tab.3 Identifying statistics

4 結束語

文中主要介紹了車牌識別系統的軟件設計方案，具體的算法為圖像預處理、車牌定位、字符分割和字符識別4部分。現有的車牌識別算法己有很多，但都有自己的缺點，要么識別率低，要么識別速度慢。本設計采用HSV彩色空間對圖像做預處理；通過彩色邊緣對檢測與數學形態學相結合的方法對車牌區域進行定位；在字符分割部分通過采用動態閾值調整方法，很好的實現了字符分割；利用BP神經網絡訓練了一個字符分類器對分割出的字符進行識別，并對識別結果中包含的具有形體相近的字符提出了一種 “子區域不等權值”的方法進行校對。最后通過實際測試，給出系統的識別率。

[1]劉麗英，潘景山，史永，等.智能交通系統的發展狀況研究[J].信息技術與信息化，2005（6）:17-18.

LIU Li-ying，PAN Jing-shan，SHI Yong，et al. The development research of intelligent transportation systems[J].Information Technology and Information，2005（6）:17-18.

[2]黃信想，劉秉瀚.基于HSV色彩空間的云模型車牌陰影檢測[J].福州大學學報：自然科學版，2008，36（6）:809-813.

HUANG Xin-xiang，LIU Bing-han.Vehicle shadow detection based on HSV color space and cloud model[J].Journal of Fuzhou University：Natural Science，2008，36（6）:809-813.

[3]Dubey P.Heuristic Approach for License Plate Detection[C]//IEEE.Proceedings of IEEE Conference on Advanced Video and Signal Based Surveillance， Italy，2005:366-370.

[4]JIA Wen-jing，ZHANG Huai-feng，HE Xiang-jian.Mean shift for accurate license plate localization[A].IEEE.Proceedings of the 18th International IEEE Conference on Intelligent Transportation Systems， HongKong，2005:566-571.

[5]童劍軍，鄒明福.車牌字符的一種精判別識別方法[J].計算機工程與應用，2005（2）:223-226.

TONG Jian-jun，ZOU Ming-fu.A Method of discerning precisly in plate license character recognition[J].Computer Engineering and Applications，2005（2）:223-226.

[6]Hegt H.A.，Khan N.A..A high performance license plate recognition system [C]//IEEE. Proceedings of IEEE Conference on Systems， Alaska，1998:4357-4362.

[7]WANG Shen-zheng，Lee H..Detection and recognition of license plate characters with different appearances[A].IEEE.Proceedings of 2003 IEEE Intelligent Transportation System，Shanghai，2003:979-984.

Study of License plate recognition software system

CHU Yan， SHAO Yan， CHEN Liang， JU Yong-feng
（Electronic&Control Engineering Department，Chang’an University，Xi’an 710064， China）

For the shortcomings of the existing license plate recognition algorithm in three core modules of license plate location， character segmentation and character recognition， proposing a license plate location method based on the edge of both sides of the color detection； The method of dynamic threshold adjustment achieved the character segmentation well；Much research and experiment for neural network applications in character recognition have been done.According to the different of feature extraction of characters， numbers and letters， the different network parameters are set to recognition.For similar character of recognition results，proposing a method of differ-weights.The results show that the recognition rate has been markedly improved.

license plate recognition； edge detection； dynamic threshold adjustment； neural network； differ-weights

TP31

A

1674－6236（2013）04－0149－03

2012－11－16稿件編號201211128

楚 巖（1962—），女，河南滎陽人，副教授。研究方向：電子技術應用。