基于顏色特征與模板匹配的車牌識別系統設計與實現

張俊峰+尚振宏+劉輝

摘要：為實現對國內藍底白字車牌的快速識別，提出一種基于顏色特征與模板匹配的車牌識別系統。通過分析長寬比、白色比例對車牌候選區域進行多次篩選以檢測車牌位置，然后對車牌區域進行圖像灰度化、傾斜校正、二值化、擦除反色與裁剪后，利用垂直投影分割出字符，最后通過比較字符圖像與模板字符的相似度識別出字符。通過對400張不同顏色和背景條件下的車輛圖像進行測試，系統處理時間為1.97s，識別正確率達到92%。

關鍵詞：車牌識別；圖像處理；字符分割；模板匹配；字符識別

DOIDOI：10.11907/rjdk.171996

中圖分類號：TP317.4

文獻標識碼：A文章編號文章編號：1672-7800（2018）001-0212-04

Abstract：In order to realize the fast recognition of domestic blue and white plate， the license plate recognition method based on the color feature and template matching was proposed. Through the analysis of the aspect ratio， the proportion of white in the license plate candidate area to detect the location of license plate， and then through the image was grayed， tilt was corrected， binarized， erasedand inversed， cropped， the character was segmented by using vertical projection， and finally through the similarity comparison of character image and template characters to identify the character. Through the 400 vehicle images was tested under different color and background， the recognition accuracy is 92%， and the system processing time is 1.97s.

Key Words：license plate detection；image processing；character segmentation； template matching；character recognition

0引言

隨著智能交通系統的快速發展和大量車輛進入家庭，車牌識別系統作為智能交通的重要組成部分，在交通監控、公路收費和智能停車場中發揮了重要作用。智能車牌定位及識別技術的發展，對維護交通安全、社會治安，防止交通擁塞，實現交通智能化管理有著重要的現實意義。

以往的車牌識別大都是基于灰度圖像處理的識別技術，從車輛圖像中定位車牌區域則是車牌識別的關鍵部分。首先要求正確可靠地檢測出車牌區域，為此，研究者們提出了許多方法，如Hough變換、灰度閾值、區域生長、紋理特征分析等。Hough變換對圖像噪聲比較敏感，在檢測車牌邊界直線時容易受到車牌變形或噪聲等因素影響，具有較大的誤檢機率；灰度閾值分割、區域生長等方法比直線檢測方法穩定，但當圖像中包含某些與車牌灰度非常類似的區域時，便不再適用；紋理分析在遇到類似的車牌紋理特征時，也可能造成定位失敗。

針對以上不足，本文提出了基于顏色特征的車牌定位方法[1-2]，新的定位方法避免了如Hough變換[3]、小波變換[4]以及邊緣檢測[5]等算法耗時過長的問題，有助于實現車牌的快速定位。

1系統整體設計

車牌識別系統[6]包括4個步驟：車牌定位（包括識別圖像中的車牌位置并將其分割）、圖像處理、字符分割與字符識別，如圖1所示。車牌定位的主要功能是從圖像中可能包含車牌的候選區域中定位車牌區域；圖像處理的功能是強化車牌關鍵特征；字符分割的功能是將車牌字符從檢測到的車牌區域背景中分離出來；字符識別的功能是用已知字符識別分割得到的字符。

2車牌定位算法

車牌定位是車牌識別算法的第一步[7]。顏色特征在定位和識別系統中起著重要作用，車牌區域的顏色具有顯著特征[8]。采用橫向掃描和縱向掃描的車牌定位算法。車牌區域的搜索有時會受車輛本身一些廣告和商標等圖案的干擾，而車牌區域在圖像中的位置一般比這些干擾所在的位置低。因此，通過從下至上搜索車牌區域可有效地減少這些干擾。掃描得出的區域可能不止一個，再根據該區域的長寬比例和藍白色的比例，驗證是否為車牌區域。車牌區域定位和分割過程通過顏色范圍定義、行列掃描的方式實現。Y方向對應行，X方向對應列，具體過程如下：

（1）Y方向：對每一個像素進行分析，統計滿足條件的像素所在行對應的個數。

for i=1：y

for j=1：x

if（（myI（i，j，1）<=48）&&（（myI（i，j，2）<=100）&&（myI（i，j，2）>=40））&&（（myI（i，j，3）<=220）&&（myI（i，j，3）>=80）））

Blue_y（i，1）=Blue_y（i，1）+1；%藍色像素點統計

end

end

end

找到所有藍點較多的行，向上追溯，直到車牌候選區域上邊界PY1；向下追溯，直到車牌區域下邊界PY2，對車牌區域進行修正，得到Y方向的車牌候選區域。endprint

（2）X方向：統計滿足條件的像素所在列對應的個數。

for j=1：x

fori=PY1：PY2

if（（myI（i，j，1）<=65）&&（（myI（i，j，2）<=90）&&（myI（i，j，2）>=30））&&（（myI（i，j，3）<=160）&&（myI（i，j，3）>=90）））

Blue_x（1，j）=Blue_x（1，j）+1；%藍色象素點統計

end

end

end

找到車牌候選區域的左邊界PX1和右邊界PX2，對候選區域進行修正。

（3）同理提取其余藍色點較多的區域，標記為車牌候選區域，這些區域包括了車牌區域和非車牌區域。

（4）統計車牌候選區域中的白色像素點。

for i=PY1：PY2

for j=PX1：PX2

if（std（[myI（i，j，1）myI（i，j，2）myI（i，j，3）]，1，2）<=20）&&（myI（i，j，1）>=85）&&（myI（i，j，1）<=255）

White=White+1； %白色像素點統計

end

end

end

（5）計算車牌候選區域寬度和高度之間的比率，選擇具有滿足預定義約束寬高比的候選區域。根據我國小型汽車的車牌特征為藍底白字白框線，長寬標準為440mm*140mm，考慮到拍攝角度及傾斜等因素，長寬比例范圍通常為1.3～3.5，白色比例范圍通常為0.12～0.5。

（6）根據長寬比例和白色比例，淘汰其余車牌候選區域，實現對車牌的最終定位。

（7）分割車牌區域。車牌定位和分割結果如圖2所示，圖2（a）為車輛圖像，圖2（b）為車牌分割結果。

3車牌圖像處理

3.1圖像灰度化

道路監控攝像機抓拍的圖像一般為RGB真彩圖像，在RGB格式中，每個像素有3個顏色分量：紅，綠，藍。車牌圖像的每個像素由3個值確定紅綠藍分量。在RGB模型中，當R=G=B為灰度色。灰度圖像保持了強度信息而沒有顏色信息。采用加權平均值法對RGB進行灰度化，得到灰度圖的亮度值。設置合理的權值能較好地突出灰度圖亮度。任意一種顏色可表示為：

系數r、g、b分別為紅綠藍權值，這里r=0.299，g=0.587，b=0.114，能獲得適合人眼觀察的灰度圖像，如圖3所示。

3.2傾斜校正

在車牌識別過程中，車牌傾斜對車牌字符分割與最終識別結果有著顯著影響。由于拍攝角度、車輛狀態及道路狀況等原因影響，如在抓拍中圖像位置不固定，車頭或鏡頭出現晃動及路況較差，都會造成牌照中的字符傾斜，給字符的分割和識別增加難度。因此，需對定位后的車牌進行矯正。采用Radon變換方法進行車牌圖像傾斜矯正，原理是將圖像朝著各個方向投影，然后分析投影特征，確定車牌傾斜角度。

設函數f（x，y）為某一方向的投影，即其在指定方向上的線積分。設直角坐標系（x，y）旋轉后獲得新的坐標系（，）：

p（，θ）為原函數f（，）的投影，即f（x，y）沿旋轉坐標系中軸方向的線積分。

其中，0≤θ≤π。這是函數f（x，y）的Radon變換。找出p（，θ）中的局部最大值，可確定傾斜角度。將傾斜的車牌圖像作90-θ度旋轉，實現傾斜校正，如圖4所示。

3.3圖像二值化

二值圖像是指整幅圖像畫面內僅有黑白二值的圖像。灰度圖像二值化不僅可大幅度減少數據運算量，并能有效突出目標輪廓，以便后續處理。在車牌處理中，二值化處理是將像素點的灰度設置為0或255，使車牌區域呈現黑白效果。對灰度圖像設置合理閾值，能夠有效保持車牌形狀信息。車牌區域二值化過程后，僅保留黑白二值的數值矩陣，每個像素取兩個離散數值0或1，0為黑色，1為白色，如圖5所示。

f（i，j）為原圖像上的像素值，b（i，j）為二值化后圖像的像素值，T為閾值。

3.4多余成分去除

經過圖像二值化取反后，車牌圖像上可能出現一些較為明顯的孤立像素點或像素塊，會對車牌的識別造成干擾。為了有效地保存目標車牌的形狀、大小及特定的幾何特征，需要去除車牌圖像中的多余成分。首先對二值圖像取反，求反變換使圖像中感興趣的細節更容易被注意到，如圖6所示。

然后對圖像作進一步裁剪，使邊框進一步貼近字體，如圖7所示。

經過圖像處理后的車牌整體區域需要分割成單個字符區域，以便后續識別。投影是有用且緊湊的形狀描述符，通過計算水平垂直峰分割所有字符[9]。一個二值目標的水平投影和垂直投影分別為hi（x）和vi（y），可使用以下公式求得：

如圖8顯示一個垂直投影，利用獨立的7個峰提取7個車牌字符，圖9為字符分割結果。

車牌字符分割后往往會出現大小不一的情況，可采用基于圖像縮放的歸一化處理方式將字符圖像進行尺寸縮放，以得到大小統一的字符圖像，便于后續的字符識別。

5字符識別

5.1字符識別簡述

常用的車牌字符識別方法有以下幾類：

（1）結構識別。該方法主要由識別和分析兩部分構成：識別部分主要包括預處理、基元抽取和特征分析；分析部分包括基元選擇與結構推理。

（2）統計識別。該方法的目的在于確定已知樣本的所屬類別，以數學的決策論為理論基礎，建立統計學識別模型。

（3）BP神經網絡。該方法以神經網絡模型為基礎，屬于誤差后向傳播的神經網絡，是神經網絡中使用最廣泛的一類，通過輸入層、隱層和輸入層三層網絡的層間全互聯方式運行，具有較高的運行效率和識別準確率。endprint

（4）模板匹配。該方法是數字圖像處理中最常用的識別方法之一，通過建立已知模板庫，再將其應用到輸入模式中，尋找與之為最佳匹配模式的處理步驟，得到相應識別結果，具有很高的運行效率。

5.2基于模板匹配的字符識別

由于車牌字符是以規范的字符為基礎的，模板匹配是以字符整體相關性為基礎的，并不強求字符整體結構的完整性。因此，模板匹配法具有較強的容錯能力，適合有較強干擾的場合。

由于前期字符的有效分割，這里采用簡單模版匹配算法[10]。該算法十分簡單，對圖像噪聲敏感性較低，識別率較高。

模板匹配[11-12]是圖像識別方法中具有代表性的方法之一，該方法首先根據已知條件建立模板庫，將分割出的車牌字符與字符模板庫中的字符進行匹配運算，圖像與模板之間的匹配程度通過互相關算子確定：

Ri（x，y）為互相關算子，F為待檢測圖像，Fxy為待檢測的圖像子圖，x、y為子圖左上角點在F中的坐標，T為模板，互相關算子最大對應的模板為最佳匹配模板。

字符識別流程如圖10所示。

具體過程如下：

（1）建庫。建立標準化的字符模板庫。如圖11所示。

（2）遍歷字符模板。

（3）比對。將分割的字符圖像與模板庫中的字符進行對比，根據藍底白字號牌的特點，第1位字符是漢字，分別代表各個省份，第2位是A～Z的字母，后5位是數字和字母的混合搭配。為提高比對過程的效率和準確性，分別對第1位、第2位和后5位字符進行識別。

（4）將每個字符圖像的匹配結果進行保存。

（5）輸出。在識別完成后輸出所得的車牌字符結果，如圖12所示。

6實驗與結果

為驗證系統在車牌定位和識別上的準確性，測試了400張不同場景、不同角度和不同照明條件下拍攝的車輛圖像，在配置為Windows 10系統Inter（R） Core（TM） i5-4210H、CPU2.9GHz、4GB內存的MatlabR2014a平臺上進行實驗。圖13為夜間拍攝的圖像，圖14為系統識別結果。

表1給出了系統的性能識別結果。

從表1中可以看出，系統具有較高的識別率和較好的實時性。

7結語

本文提出了一種新的車牌識別方法，車牌定位使用車牌顏色特征，通過分析車牌區域的長寬比、白色比例實現對車牌的準確定位，具有較好的實時性和準確率。車牌自動識別問題多年來獲得了廣泛研究，但由于傳感器、環境和目標的不斷變化，車牌識別還具有很多挑戰，包括在一個不受控制的環境中，對于多個車牌、各種觀測角度，以及存在背景雜波、車牌傾斜、規模變化、照明不均等問題情況下，如何能夠準確識別車牌。因此，有必要分析更多情況，以進一步提高現有車牌識別系統的魯棒性。

參考文獻：

[1]AH ASHTARI， MJ NORDIN， M FATHY. Aniranian license plate recognition system based on color features[J].IEEE Transactions on Intelligent Transportation Systems，2014，15（4）：1690-1705.

[2]MF ZAKARIA， SA SUANDI. Malaysiancar number plate detection system based on template matching and colour information[J].International Journal on Computer Science and Engineering，2010，2（4）：1159-1164.

[3]Y YANAMURA， M GOTO， D NISHIYAMA， et al. Extraction and tracking of the license plate using hough transform and voted block matching[J]. IEEE Intelligent Vehicles Symposium，2003：243-246.

[4]F M KAZEMI， S SAMADI， H R POORREZA， et al. Vehicle recognition based on Fourier， wavelet and curvelet transforms—a comparative study[J].International Journal of Computer Science and Network Security，2007，7：939-940.

[5]HASAN， MAHMUDUL. Real time detection and recognition of license plate in bengali[J].Bourns College of Engineering，2013.

[6]C N E ANAGNOSTOPOULOS， I E ANAGNOSTOPOULOS， I D PSOROULAS， et al. License plate recognition from still images and video sequences： a survey[J]. IEEE Transactions on Intelligent Transportation Systems，2008，9（3）：377-391.

[7]F WANG， L MAN， B WANG， et al. Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognition Letters，2008，29（7）：1007-1020.

[8]S NOMURA， K YAMANAKA， O KATAI， et al. A novel adaptive morphological approach for degraded character image segmentation[J].Pattern Recognition，2005，38（11）：1961-1975.

[9]PRIYA V LAKSHMI，PERUMAL K.Detecting the car number plate using segmentation[J].International Journal of Engineering and Computer Science，2014（10）：8823-8829.

[10]GUPTA PRATIKSHA， G N PUROHIT， RATHORE MANISHA.Number plate extraction using template matching[J].International Journal of Computer Applications，2014，88（3）：40-44.

[11]MH DASHTBAN， Z DASHTBAN， H BEVRANI. A novel approach for vehicle license plate localization and recognition[J]. International Journal of Computer Applications.2011，26（11）：22-30.

[12]馬永慧.車牌識別系統中車牌定位與字符分割的研究[D].太原：中北大學，2013.

（責任編輯：黃健）endprint