基于圖像處理的社區車牌檢測系統

任芳 齊立萍

【摘 要】智能交通的出現緩解了現今嚴峻的交通問題，車牌檢測作為其一重要環節，應用十分廣泛。本文針對社區停車場問題提出基于圖像處理的車牌檢測系統設想。該設想對社區住戶的車輛牌照進行自動檢測，綜合運用圖像預處理、圖像增強、車牌定位等技術提取車牌信息以識別該車輛是否為本社區車輛，防止住戶私有車位被外部車輛占用，同時可以促進該地區停車場業的發展。

【關鍵詞】車牌檢測；圖像增強；車牌定位；停車管理

中圖分類號： TP391.41 文獻標識碼： A 文章編號： 2095-2457（2018）01-0182-002

【Abstract】The emergence of intelligent traffic relieves the serious traffic problems. As an important link， license plate detection is widely used.In this paper， the idea of license plate detection system based on image processing is proposed for the problem of community parking lot. It is intended to automatically detect vehicle licenses for community households.The technology of image pre-processing， image enhancement and license plate location is used to extract license plate information to identify whether the vehicle is the community vehicle， to prevent the occupancy of private parking spaces from being occupied by external vehicles， and to promote the development of parking industry in the area.

【Key words】License plate detection； Image denoising； License plate location； Parking lot management

0 引言

近幾年交通行業發展迅速，私家車數量也愈趨增多，同時也造成了停車難的問題。許多市民在自己社區內已購買了車位，但是仍有部分人為避免去繳費停車場停車而選擇占用他人車位，使原本已購買車位的住戶無處停車。有些社區針對這種現象設計了一個IC卡，讓住戶在停車前刷卡進行身份驗證。為了方便用戶不必下車刷卡、減少過檢時間，對此，我提出設想，將所有住戶的車輛牌號統一由停車場警衛室電腦記錄，在社區停車場入口處增加一個攝像頭，對來往車輛拍照獲取其車牌照片。之后計算機運用圖像處理技術分析圖片并提取該車牌信息，若檢測出的牌照信息顯示為本社區車輛，停車場放行，否則由相關工作人員進行處理。

1 相關理論概述

圖像作為人類感知世界的重要媒介，為我們提供了許多直觀信息。為使之更適宜應用于某些領域，則需要對圖像進行處理。圖像處理 （image processing）[1]是計算機根據所需效果對圖像進行分析的一種技術。一般所說的圖像處理都是指數字圖像處理 （Digital Image Processing）[2]就是通過計算機對圖像進行去噪、增強、復原、分割、提取特征等處理的技術，例如車牌檢測技術VLPR （Vehicle License Plate Recognition）[3]。20世紀70年代初，數字圖像處理技術呈逐漸上升趨勢。數字圖像處理技術在眾多領域都受到廣泛重視同時在一些領域取得杰出成績。交通領域中基于圖像處理的車牌檢測可以在不影響車輛的行駛情況下完成車牌檢測，減輕人力資源的浪費，是目前研究的熱點。

2 系統流程

首先檢測裝置檢測到車輛駛來隨即發出信號，觸發攝像頭對車輛進行拍照，同時計算機收到剛捕捉到的圖像，之后計算機采取圖像預處理、車牌定位、字符提取等技術對圖像進行分析。最終將分析出的車牌字符與住戶車輛信息進行對比，判斷其是否為本社區車輛。該系統流程圖如圖1示。

2.1 獲取圖像

當汽車行駛到停車場門前處于檢測范圍時，檢測裝置觸動攝像頭，對車輛進行拍照存儲，再傳送至計算機。但是由于車輛的行駛速度，天氣狀態或者是攝像頭鏡面等原因，可能會導致獲取的圖像有噪＼點干擾、光線不均的情況。為改善圖像質量，對圖像進行以下處理。

2.2 圖像預處理

圖像預處理解決由噪聲等干擾引起的圖像不清晰、車牌特征不明顯等問題。其主要包括圖像灰度化、圖像去噪[4]和圖像增強[5]。

攝像頭獲取的都是RGB圖像，因為彩色圖像會增加存儲空間，增長計算機運算時間，造成資源與時間的雙重浪費，所以需將彩色圖像變為灰度圖像。根據人眼識別系統對顏色的敏感程度，綠色>紅色>藍色，使用加權平均值算法對圖像顏色進行提取，繪制的圖像更適宜計算機識別。轉化公式如公式（1）示：

Gray（x，y）=0.587G（x，y）+0.299R（x，y）+0.114B（x，y）（1）

其中（x， y）為圖像上任意一點的像素值，Gray為該點對應的灰度值。R、G、B三個量分別表示紅色、綠色和藍色，對這三個量進行加權求均值，三個量的權值分別為：0.299、0.587、0.114。

圖像灰度化后，噪聲干擾明顯可見，利用小波去噪[6]方法對圖像進行去噪處理。其基本思想來源于Donoho理論[7]，因為經過小波分析后，圖像中的有用信息都分布在低頻率中，而噪聲和其他圖像細節信息則分布在高頻率中。通過運算削弱或消除高頻系數中的部分系數值，再將處理過的高頻系數和分割的低頻系數進行圖像重構[8]，就可達到圖像去噪的目的。

圖像增強就是依據某種需要，強調圖像中有用的信息特征，削弱無用信息特征，增強圖像的視覺判別效果。這里采取邊沿密度增強算法，用Sobel算子計算出的邊沿梯度同閾值相比較得出邊沿圖像。需注意：（1）要提高整體與局部的對比度，根據車牌部分存在較強的水平和垂直邊緣響應，增強局部信息。（2）車牌的水平邊沿長度在特定的范圍內，過長或過短都應排除。（3）車牌字符的邊沿密度近似相等。近幾年出現較多圖像增強算法，但是沒有一種算法可以使所有指標達到最優。這將是我們以后努力的一個方向。

2.3 車牌定位與分割

車牌定位就是在預處理后的圖像中定位到車牌所在位置。車牌定位為后續的字符提取奠定了基礎。

車牌定位最重要的兩個因素就是定位速度和定位準確率。本文將利用多信息融合[9]的定位技術進行車牌定位。首先，利用邊沿密度分布具有的規律排除大量背景部分，提高定位速率。之后根據車牌字符是分布在一條直線或兩條直線上以此實現定位。最后分割車牌字符看其是否符合車牌信息特征。我國車牌由漢字、字母和數字組成。因為漢字的識別率要低于字母和數字的識別率，所以從第二個字母開始識別。因為模板匹配的識別率不高且魯棒性差，所以利用圖像的HOG （Histogram of Oriented Gradient）特征[10]并結合SVM（支持向量機）分類器[11]進行定位。若字符中有5個或以上的數字則被識別為車牌區域，否則為背景區域。

2.4 字符提取

上文實現了車牌分割，現在對分割后的圖像中的字符進行提取。目前字符識別方法主要有模板匹配[12-14]和字符特征提取[15]兩大類。模板匹配主要是根據模板圖像與實際圖像的相似度做判定依據，其原理簡單，計算方便，被廣泛應用。但是模板識別會忽視字符的細節信息使其難適應字符變換，無法分辨相似漢字導致識別率太低。字符特征提取的方法主要有基于全像素、小波矩特征提取等。但是這些方法提取的特征維數過大以致識別速度低。基于這兩種算法的優點使用字符多特征提取方法[16]，使得提取的結果識別率高，魯棒性好。首先利用高斯拉普拉斯算子（LOG）作為二值化算法，能有效應對光照、天氣等因素造成的圖像斷裂或粘連的情況。之后再對圖像細化處理，以提高識別率。針對數字和字母，利用直線彎曲程度特征，點所在位置特征，環數特征以及環面積特征進行提取，對漢字利用13點特征[17]提取，都能有效提高提取字符的準確率。

2.5 信息核對

經過上述，計算機已經識別出車輛牌號并存儲在電腦上。設計一款軟件，其包含了所有住戶信息及其車牌信息。當車輛駛來，攝像頭拍照傳送至計算機，計算機迅速對其進行車牌檢測。將檢測出的字符與預存的信息對比，若一致則放行，否則鳴笛，之后交由工作人員處理。

被檢測出的他人車輛，可由工作人員引導至收費停車場，這樣不僅保證了住戶車位的私有化，同時也增加了停車場的盈利，促進其行業發展。

3 結論

本文主要綜述了提出的基于圖像處理的社區車牌檢測系統。該系統主要包括攝像機獲取圖片，之后計算機對圖像進行預處理、車牌定位、字符提取、將處理后的字符與電腦軟件中預存信息對比，達到對已知車輛放行，未知車輛鳴笛的目的。該系統概述了各個算法，還存在些許細節問題，同時攝像頭的選取，計算機預存車牌信息的軟件也是我們需要努力的方向。隨著圖像處理技術，人工智能的發展，智能交通會走進大眾視野，屆時，本文提出的系統將真正運作起來。

【參考文獻】

[1]郭元戎.圖像處理與識別技術的發展應用[J/OL].電子技術與軟件工程，2018（01）：58-59[2018-01-07].http：//kns.cnki.net/kcms/detail/10.1108.TP.20180104.1025.094.html.

[2]陳汗青，萬艷玲，王國剛.數字圖像處理技術研究進展[J].工業控制計算機，2013，26（1）：72-74.

[3]黎洪龍.基于圖像處理技術的車牌識別方法研究[J].科技與創新，2017（19）：65-66.

[4]賀麗麗.圖像去噪處理技術在通信領域的應用[J].電子技術與軟件工程，2017（03）：30.

[5]王浩，張葉，沈宏海，等.圖像增強算法綜述[J].中國光學，2017，10（4）：438-448.

[6]馬莉，鄭世寶，劉成國.一種基于小波變換的圖像去噪算法[J].現代電子技術，2008，18（45）：160-16 2.0.

[7]李旭超.小波域馬爾可夫隨機場在圖像處理中的應用[M].北京：電子工業出版社，2011.

[8]于篤發，邵建華，張晶如.基于小波自適應閾值圖像去噪方法的研究[J].計算機技術與發展，2013，23（8）：250-253.

[9]王永杰，裴明濤，賈云得.多信息融合的快速車牌定位[J].中國圖像圖形學報，2014，19（3）：471-475.

[10]高聰，王福龍.基于模板匹配和局部HOG特征的車牌識別算法[J].計算機系統應用，2017，26（1）：122-128.

[11]Vapnik V.The nature of statistical learing theory[M].[S.I.]：Springer Verlag，2000.

[12]Comelli P，Ferragina P，Granieri M，et al.Optical recognition of motor vehicle license plates[J].IEEE Transactions on Vehicular Technology，1995，44（4）：779-799.

[13]Ko M.License plate surveillance systemusing weighted template matching[C].Proceeding of the 32nd Applied Imagery Pattern Recognition Workshop，2003：269-274.

[14]Huang Y，Lai S，Chuang W.A template-based model for license plate recognition[C].2004 IEEE International Conference on Networking，Sensing and Control，2004，2：737-742.

[15]Mori S，Suen C，Yamamoto K.Historical review of OCR research and development[J].Proceedings of the IEEE，1992，80（7）：1029-1058.

[16]何兆成，佘錫偉，余文進，等.字符多特征提取方法及其在車牌識別中的應用[J].計算機工程與應用，2011，47（23）：228-231.

[17]劉雄飛，朱盛春.車牌字符多特征提取與BP神經網絡的識別算法[J].計算機仿真，2014，31（10）：161-164.