車牌識別綜述

摘 要：本文介紹了車牌識別技術的基本方法，四個主要環節包括圖像預處理、車牌定位、字符分割和字符識別。并在此基礎上討論了當前車牌識別面臨的一些問題以及未來的發展趨勢。

關鍵詞：智能交通；車牌識別；計算機視覺；車牌定位；字符識別

中圖分類號：TP391.41 文獻標識碼：A 文章編號：2096-4706（2018）05-0004-03

A Review of License Plate Recognition

ZHU Kejia1，HAO Qinghua2，LI Shiyong1，HU Changyu3

（1.Guangdong Innovative Technical College，Dongguan 523960，China；2.Harbin Institute of Information Technology，Harbin 150000，China；3.Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China）

Abstract：The basic method of license plate recognition technology is introduced in this paper. The four main links are image preprocessing，license plate location，character segmentation and character recognition. Finally，some problems and future trends of vehicle license plate recognition are discussed.

Keywords：intelligent transportation；license plate recognition；computer vision；license plate location；character recognition

0 引 言

隨著世界經濟的高速發展，各國大城市均面臨著交通擁擠、事故多發以及交通環境日趨惡化等城市交通問題，因此“智慧城市”的概念應用而生，“智能視頻監控”“智能交通”逐漸被提上研究日程，以實現城市的各項管理智能化。

1990年美國智能交通學會提出智能交通的概念，隨即我國也開始對車牌識別技術進行研究。它融合了智能控制、計算機視覺、圖像處理和通信技術等諸多電子技術為一體，使交通向著合理化、人性化和智能化的方向前進。車牌自動識別技術是智能交通的重要組成部分，它通過對圖像的采集和處理來獲取當前的重要信息，為更高層次的智能化奠定基礎。本文對車牌識別技術主要環節的常用方法進行分類闡述。

1 車牌識別

車牌識別技術包括圖像預處理、車牌定位、字符分割和字符識別。

1.1 車牌圖像預處理

通常監控或者攝像機獲取的車牌圖像帶有諸多干擾因素，諸如光照、傾斜、陰影等，這給車牌識別造成很大的干擾，需要提取車牌的相關顏色信息，進行車牌掃描、灰度化、增強對比度、統一車牌背景、圖像二值化、圖像傾斜校正以及干擾濾波等，這些即為圖像預處理。

1.1.1 顏色掃描和轉化處理

通常，紅（Red）、綠（Green）、藍（Blue）三種基本色光可以通過不同的組成構成絕大多數彩色，被稱作光三基色，構成RGB顏色空間，但三基色容易受光照影響，且三者之間具有較高的相關性，因此常將其轉換為HSV、HIS等顏色空間。

1.1.2 車牌掃描

通過用相關算子進行邊緣檢測，得到的是車牌邊緣輪廓。常用的邊緣檢測算子主要有Sobel、Laplace和Canny算子等。Canny算子先對圖像高斯濾波，再差分運算，最后雙閾值判斷檢測邊緣，因而具有良好的邊緣檢測效果。

1.1.3 圖像灰度化

彩色圖像包含著大量的顏色信息，直接處理會因占用大量資源而影響處理速度，需要將彩圖轉化為灰度圖像。考慮到人的主觀感受，三基色中，人眼對綠色最敏感主觀感受亮度最亮，紅色次亮，藍色最暗，將三基色以不同比例加權灰度亮度值，即為加權平均法。

1.1.4 增強圖像對比度

增強圖像對比度可以削弱消除實際圖像中的一些額外干擾因素，通常加強關注部分的像素特征，縮小消除微小影響部分的像素。圖像增強的方法主要分為兩類：

（1）空間域增強方法。在時間域內，直接采用算法對圖像像素直接處理；

（2）頻域增強法方法。通常先對原圖像進行區域變換，去除變換后區域的某些次要信號，反變換到原來區域，進而提高圖像對比度。

1.1.5 車牌背景顏色統一

目前，我國車牌牌照主要有四種顏色：藍色、白色、黑色和黃色。顏色配置為：白底黑字車牌、黑底白字車牌、藍底白字車牌、黃底黑字車牌等[1]。通常將車牌底色轉換為亮區，字符設置為暗區。

1.1.6 圖像傾斜校正

在攝像機獲取圖像的過程中，很多因素諸如攝像機傾斜、路面傾斜、車牌傾斜等都會造成所拍圖像傾斜，后面字符分割和識別工作要求必須進行傾斜度的校正。

常用傾斜校正方法[2]為以下幾種：

（1）使用Hough變換法求傾斜角度；

（2）模板匹配法，用選定模板在目標圖像區域中滑動搜索計算相似度，進而確定車牌傾斜度數；

（3）投影分析法，利用車牌字符區域橫向縱向像素差值，計算傾斜車牌傾斜角度；

（4）通過分析主方向車牌字符方向，并且字符邊界在同一條水平線上，實現傾斜角度的校正。

1.1.7 圖像二值化與濾波

圖像灰度化以后，即可按照一定規則對灰度圖像二值化，將多個灰度圖像簡單分為背景和前景目標黑白兩種像素，可以更好地找到字符。

圖像獲取過程中不可避免地會受到諸多干擾信號影響，圖像的處理過程往往也需要對其濾波處理。可使用最值濾波、均值濾波、中值濾波、維納濾波、高斯濾波、銳化濾波等，根據不同的情況選擇不同的濾波方式。中值濾波由于具有優秀的去椒鹽噪聲的性能而被大量使用。

1.2 車牌定位

車牌定位是從所獲取圖像中運用某些算法，通過圖像處理找出車牌在圖像中的位置。目前，最常用的方法主要有四大類：基于顏色特征、基于邊緣特征、基于混合特征和基于神經網絡的車牌定位。

1.2.1 基于顏色特征的車牌定位

由于牌照的顏色是確定的，它是車牌特有的特征。通常車牌顏色與車身不同，很多研究人員根據顏色特征[3-5]提出了一些定位方法。王衛、陳繼榮、徐璟業[6]分析原始圖像得到一組特定的色彩距離圖譜，再使用自適應熵閾值，進而快速粗略選定車牌區域；重慶大學潘寒飛將HSV顏色空間特征與彩色紋理特征相結合，設計出一種車牌粗定位方法[7]。

基于顏色特征的車牌識別容易受到光和影子等的干擾，因此實際中常與其他對車牌進行定位的方法一起使用。

1.2.2 基于邊緣特征的車牌定位

基于邊緣特征的車牌定位根據字符特點、車牌的邊緣等信息來對圖像中的車牌進行定位。車牌區域由于字符的存在具有強烈的邊緣，表現為從背景到車牌、車牌背景到車牌字符有較大邊緣以及密度較大等邊緣特征。通過判斷邊緣變化劇烈程度來對車牌位置加以定位。蔡欽濤、方水良、任俊[8]采用灰度局部方差極大的原則以邊緣生長的方式檢測邊緣。邊緣生長結束后，再判斷其是否是車牌字符的邊緣，最后使用字符與車牌的幾何位置關系準確定位車牌；卓煒、齊春[9]主要根據車牌區域邊緣信息豐富的特點，結合脈沖耦合神經網絡與Sobel算子，對輸入彩色圖像實行多通道邊緣檢測與分割，再結合投影信息進行定位；廖曉姣、李英[10]將邊緣檢測和數學形態學算法結合來對車牌進行定位。

1.2.3 基于神經網絡的車牌定位

基于神經網絡[11，12]的車牌定位的主要步驟為：

（1）將車牌圖像送入神經網絡訓練，車牌位置輸出值高，非車牌輸出值低；

（2）對新圖像車牌定位時，選M*N大小的滑動窗口，在待檢測的車牌圖像上從左自右、自上而下移動，將窗口內的區域圖像送入神經網絡運算，與閾值進行比較，判窗口內否有車牌。

該方案需要大量的訓練樣本，窗口大小的選擇也受圖像大小的影響，窗口大小的選擇還會影響運算的速度，很難滿足實時性要求，有待繼續研究。

1.2.4 基于混合特征的車牌定位

實際獲得的車牌圖像都含有很多雜質干擾信息，使用車牌的多個特征進行配合往往會取得更好的定位效果，很多學者提出基于混合特征的車牌定位[13-15]方法。國防科技大學趙兵等[16]通過綜合利用車牌的顏色、紋理和結構幾何等多維特征，實現了車牌定位的算法。車牌定位非常重要，車牌定位的準確與否直接關系到后續字符分割環節能否正確進行。

1.3 字符分割

字符分割錯誤會造成字符不能識別或者識別錯誤，字符分割是從含有字符的車牌中分割出單獨字符。實際拍攝的車牌存在圖像光照變化、圖像被陰影遮擋、車牌不清潔、字符斷裂、單雙層車牌以及邊框等現象，使分割的難度大幅度增加。常用的分割方法主要有基于投影、邊緣、輪廓提取的字符分割方法。

（1）基于投影的字符分割方法的依據為[17，18]：由于車牌字符與車牌背景之間灰度具有跳變特性，而且單行車牌字符和雙行車牌同一行的字符具有相同的寬度和高度，該方法正是利用這些特點進行分割；

（2）基于邊緣的字符分割方法基本思想是：首先檢測出字符邊緣，再利用字符連通特性加以標記，分析輪廓實現字符分割。

（3）基于輪廓的提取字符分割方法，基本過程是：

1）先對圖像進行二值化獲取車牌字符的輪廓；

2）車牌字符含有漢字、字母以及數字時，考慮連通性可以將漢字與字母、數字區分開，再利用字符的寬高比可去除非字符。該方法一個顯著缺點是對非連通類漢字不能一次正確識別，常要配合其他條件實現漢字字符的完整分割。

1.4 字符識別

車牌字符排列規則為：首字符為漢字，第二個字符為字母，最后一個字符也可能為漢字警、學、掛或者數字、字母等，其余字符為字母與數字的混合，一些特殊字母與數字之間，如I與1，D與0，B與8等，容易造成錯誤識別。常用的字符識別包括以下幾種。

1.4.1 基于模板匹配的字符識別

傳統的模板匹配方法實現匹配的主要過程為：

（1）先將待識別的測試樣本變換為訓練測試樣本的字符大小；

（2）再將待測試對象與訓練樣本庫中的樣本逐個進行對比；

（3）將相似度最高的作為字符識別結果。

光照的強弱角度、陰影的遮擋、字符的新舊都會對模板識別造成較大的影響。實踐發現模板越大，字符識別的實時性越低。因此，提高匹配速度是一個研究熱點。

1.4.2 基于特征的字符識別方法

基于特征的字符識別方法[19，20]先求取字符特征，再設定分類器識別字符。常用統計特征和結構特征[21]對字符加以區分；統計特征一般考慮字符在網格內的分布和字符外圍的輪廓特征、筆畫書寫的走向筆鋒等復雜性特征以及字符占有的面積。

漢字是方塊字，其筆畫平面各方向不同，因此，可考慮使用筆劃平面不同性特征和所占面積表示特征。字符的結構特征可以使用骨架特征、描述字符外圍輪廓和內圍輪廓的周長特征，考慮字符連通性可以使用描述字符缺口或者孔洞的特征，描述字符組成可以考慮類似樹干的鏈碼的特征。

1.4.3 基于人工神經網絡的字符識別方法

可以將人工神經網絡[19，22，23]應用于字符識別來訓練神經網絡，具體方法如下：

（1）可先對神經網絡輸入字符，根據字符和非字符神經網絡輸出不同，提取字符特征對字符識別；

（2）也可先將待識別字符特征輸入神經網絡訓練，然后對字符加以區分。因此，提取字符的特征是重點。

2 結 論

汽車車牌的識別環節受到諸多因素的干擾，比如光照、傾斜度、陰影、字符的舊損等都給車牌識別增加了難度。此種情形下，車牌識別率仍是研究難點。目前主流的車牌識的，研究對象仍然是單個車牌無遮擋的靜止圖像，對于運動中的車牌識別仍需繼續研究。

參考文獻：

[1] 嚴麗.車牌識別系統的關鍵技術研究 [D].南京：南京理工大學，2012.

[2] 羅正華，柳進，陳凱.基于改進傾斜校正算法的車牌識別技術 [J].成都大學學報（自然科學版），2017，36（3）：269-271.

[3] 孫金嶺，龐娟，張澤龍.基于顏色特征和改進Canny算子的車牌圖像定位 [J].吉林大學學報（理學版），2015，53（4）：693-697.

[4] 孫紅，郭凱.融合字符紋理特征與RGB顏色特征的車牌定位 [J].光電工程，2015，42（6）：14-19+44.

[5] 張曉娜，何仁，陳士安，等.基于主動學習AdaBoost算法與顏色特征的車牌定位 [J].交通運輸工程學報，2013，13（1）：121-126.

[6] 王衛，陳繼榮，徐璟業.基于顏色特征的車牌快速定位 [J].計算機工程與應用，2006（1）：226-229.

[7] 潘寒飛.基于顏色特征的車牌定位與分割技術研究 [D].重慶：重慶大學，2012.

[8] 蔡欽濤，方水良，任俊.基于邊緣生長的車牌定位新方法 [J].公路交通科技，2004（11）：110-113.

[9] 卓煒，齊春.基于邊緣信息的車牌定位 [J].中國科技論文在線，2011，6（4）：305-309.

[10] 廖曉姣，李英.基于邊緣檢測和形態學的車牌定位算法 [J].現代電子技術，2011，34（10）：17-19.

[11] 霍祥湖.基于卷積神經網絡的車牌識別技術研究 [D].成都：電子科技大學，2017.

[12] 趙先軍.基于神經網絡的車牌識別技術研究 [D].西安：西安電子科技大學，2005.

[13] 陳偉.復雜背景下的混合特征車牌定位方法 [J].現代計算機（專業版），2011（15）：20-23.

[14] 岳鵬，彭進業，李大湘，等.基于混合特征的多車牌快速定位算法 [J].現代電子技術，2010，33（8）：100-103.

[15] 馮滿堂，馬青玉，成峰.基于混合特征的多車牌定位算法 [J].微計算機信息，2009，25（9）：236-238.

[16] 趙兵，魯敏，匡綱要，等.基于混合特征的車牌定位算法 [J].計算機工程與設計，2007（23）：5668-5670.

[17] 黃文杰.基于投影的車牌字符分割方法 [J].現代計算機（專業版），2009（8）：57-60.

[18] 陳濤，楊晨暉，青波.基于投影和固有特征結合的車牌字符分割方法 [J].計算機技術與發展，2009，19（5）：45-47.

[19] 羅輝武，唐遠炎，王翊，等.基于結構特征和灰度特征的車牌字符識別方法 [J].計算機科學，2011，38（11）：267-270+302.

[20] 李佐，王姝華，蔡士杰.基于特征行必要-充分性匹配的字符識別方法 [J].軟件學報，2002（1）：85-91.

[21] 黃山.車牌識別技術的研究和實現 [D].成都：四川大學，2005.

[22] 柴偉佳，王連明.一種基于混合神經網絡的車牌字符識別方法 [J].東北師大學報（自然科學版），2018（1）：63-67.

[23] 湯茂斌，謝渝平，李就好.基于神經網絡算法的字符識別方法研究 [J].微電子學與計算機，2009，26（8）：91-93+97.

作者簡介：朱克佳，男，漢族，安徽阜陽人，碩士研究生。研究方向：圖像處理、深度學習、智能控制；郝慶華，女，漢族，黑龍江哈爾濱人，副教授，碩士研究生。研究方向：通信與信息系統；李世勇，男，漢族，廣東韶關人，講師，碩士研究生。研究方向：機電技術；胡長雨，男，漢族，江西撫州人，南京航空航天大學雷達成像與微波光子教育部重點實驗室，博士研究生。研究方向：雷達決策成像、目標檢測。