國內車牌定位識別系統設計與實現

劉佳慧，李檬，秦松，賈小林

（西南科技大學計算機科學與技術學院，綿陽 621010）

0 引言

隨著科學技術的不斷發展，圖像、視頻、紅外、無線射頻等技術的不斷進步，為車輛信息管理提供了多種技術選擇[1]。車牌識別技術起于國外，早在20世紀80年代就有對車牌進行識別研究。國內在90年代也開始自己的汽車牌照編碼識別研究。其主要途徑是通過對照片進行處理，識別出照片里的車牌，同時自動提取車牌信息，實現字符分割。

項目以圖像處理中字符定位、分割和識別等算法為基礎，進行針對國內車牌識別技術的研究，建立識別系統，通過對出入車輛圖像的采集和處理，實現車牌號碼的準確識別，提高停車場和交通管理效率，緩解車輛管理等問題。

1 基于數學形態學和邊緣分析的車牌定位處理

1.1 圖像預處理

針對攝像機采集到的圖像，首先對讀入的圖像進行預處理，從而選擇出車牌號碼在圖像上的大概區域，通過進一步定位，得到最終的車牌區域。其主要步驟如下：

灰度化：灰度主要是為了將圖片轉化為單通道的圖像，更利于后續的二值化等處理。

二值化：采用迭代閾值法對圖像進行二值化，直到算法收斂，將圖像分成黑和白，更加有利于做圖像處理判別。

圖像閾值分割-迭代算法處理流程：

（1）為全局閾值選擇一個初始估計值T(圖像的平均灰度)。

（2）用T分割圖像。產生兩組像素：G1有灰度值大于T的像素組成，G2有小于等于T像素組成。

（3）計算G1和G2像素的平均灰度值m1和m2；

（4）計算一個新的閾值:T=(m1+m2)/2;

（5）重復步驟（2）和（4）,直到連續迭代中的 T 值間的差小于一個預定義參數為止。

Gaussian去噪：通過高斯平滑處理，以減少數字圖像中噪聲對車牌圖像后續處理中的干擾。

圖1 攝像頭采集到的原始圖像

圖2 高斯濾波后得到的圖像

圖3 突出垂直邊緣

圖4 閾值化處理后的圖像

對圖像進行閾值處理之后，利用數學形態學（主要為開運算和閉運算）和邊緣分析，得到連通域和無干擾的預處理圖片[2]。先對圖像進行膨脹，調用CvDilate()函數，具體的次數為三次，如果結構元素的值都為正的，則輸出圖像會比輸入圖像亮，根據輸入圖像中暗細節的灰度值以及它們的形狀相對于結構元素的關系，結構元素在運算中或被消減或被除掉[3]。

閉運算:將車牌字母連接，形成一個連通域，便于輪廓提取。

開運算:排除一些干擾。

圖5 開運算處理后的圖像

圖6 閉運算處理后的圖像

1.2 粗定位

得到預處理后的圖像，即可以運用一定的比例（在程序中設置寬高比為5:17的矩形[1]）來定位圖像車牌號碼所在部分的大體位置。

（1）選出有可能是車牌的區域

可以根據車牌區域的寬高比例，面積占有率以及車牌的高度和圖片的高度進行比較，進而確定出車牌所在圖像中的具體位置。利用OpenCV中findContours函數，尋找到車牌可能的輪廓如圖7所示。

（2）選出有可能是車牌的區域

排除非車牌部分的可能輪廓，即可得到車牌號碼所在的精確區域，如圖8所示。

圖7 車牌號碼可能輪廓抽取

圖8 排除非車牌輪廓部分的結果

2 基于Hough旋轉變換和投影分析的字符分割

在獲取到車牌較為精確的輪廓位置之后，針對圖像的預處理、號碼部分的圖像二值化、字符切分、特征提取等模塊的算法，在原始的基礎上做了進一步改進。為了提高圖像的識別正確率，利用霍夫變換和投影分析等算法，對圖像還做了傾斜矯正處理。

圖9 提取到的輪廓

針對邊緣檢測的圖像，設置相關閾值，記錄最小線段長度和線段間距容忍度，通過投票表決的形式，確定圖像中央位置[4]。設置一定角度，利用getRotationMatrix2D獲取旋轉矩陣，warpAffine實現坐標系仿射變換，旋轉圖片，使其趨于水平。

圖10 傾斜矯正前

圖11 傾斜矯正后

對傾斜矯正后的圖像，首先檢測到白色區域，減去白色區域，即可去除邊框和外界區域，利用二值化后的圖像，通過顏色判斷即可去除多余的空白[5]。

圖12 去除邊框前

圖13 去除邊框后

由于只對單個字符所占輪廓大小進行簡單比較，從檢測到白色的邊一直擴展到黑色的區域作為一個字符，不能有效避免字體結構的干擾和中間的小圓點，因此，實驗中對字符的切割做了改進，即增加一個最小距離的限制，使得靈活性變小，避免了字體干擾問題。用切割函數將車牌內容分割成單個字符如下：

圖14 切割前

圖15 切割后

3 研究字符識別的相關算法——OCR文字識別等的研究

Tesseract是一個Google支持的開源的OCR圖文識別開源項目，識別率非常高。在程序中采用了這個插件進行字符識別。調用OCR圖文識別TesseractAPI對以上處理好的圖片進行識別，輸出分析得出的結果。

圖16 識別車牌川BXX621的結果

4 實驗結果分析

實驗中對大量的車牌進行了識別，在光照條件良好、車身盡量干凈、車身與車牌中心顏色對比度較高、環境里沒有類似于車牌的雜物的情況下，能取得較好的識別率，對于傾斜矯正，能檢測到的角度極限為15度。如果車頭形狀干擾因素較多，垂直邊緣便會大大增加，導致極為容易檢錯。實驗發現，幾乎沒有辦法處理這種車牌。只能替換邊緣檢測這種思路，采用顏色區分等方法。此外，為了方便下一步進行檢測，開運算與閉運算必須要控制好。

目前針對測試圖片來說，檢測工作做得很好，但不一定適用于所有的情況。車牌定位以及圖像處理算法的一個大的問題就是健壯性，換一個場景可能就得換一套參數，因此需要結合使用場景來做調整。

對大量實驗車牌做了調查，因為前期的預處理上做得不是很細致，沒有致力于分析圖像的整體特征，所以算法的精度上面還有提高的空間。對于85%的車牌，我們可以實現檢測，而剩下的車牌，需要調整參數，才能實現。

在實際應用中要求識別算法快速、準確，研究車牌號碼的快速識別算法，并將其應用于實際車牌識別裝置中[7]。根據圖像的局部特征，充分研究字符的分割算法，采用三步投影法對圖像進行一次分割，針對灰度分布不均勻的圖像導致的分割問題采用二次分割實現對每個字符的準確定位[8]。

5 結語

各類圖像處理算法的不斷改進與有機結合，使得圖像的識別效率和精度都得到了巨大提高，推動了我國交通管理方面的發展。尤其是在科學技術迅猛更迭的今天，對進一步改善和研究車牌識別技術具有十分重要的作用和意義。從現有的研究結果來看，基于圖像識別的算法依然受某些外界因素的影響，如圖片的過度傾斜、背景復雜度、光照條件，車身的整潔程度以及顏色對比度等干擾問題，都會識別的精度和效率。實驗結果中，設計還可以進一步改進車牌識別算法，可以采用基于字符結構特征的識別算法以增強識別效果，從而提高車牌識別的正確率和適應性。

參考文獻：

[1]朱美玲，劉晨，王雄斌，韓燕波.基于車牌識別流數據的車輛伴隨模式發現方法[J].軟件學報,2017,28(06):1498-1515.

[2]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.

[3]李建華.基于圖像處理技術的車牌識別方法研究與實現[D].河南大學,2015.

[4]袁捷,胡正儀,王延平.用Hough變換的方法提取圖像拐點[J].武漢大學學報(自然科學版),1998(01):86-89.

[5]Wen-Min L.Research on Image Acquisition and License Plate Location in Vehicle License Plate Recognition System[J].Computer&Modernization,2009.

[6]Hong S,Hwang S,Kim S.A License Plate Recognition System Robust to Vehicle Location and Viewing Angle[J].2012,49(12):113-123.

[7]Muetzel R.License Plate Recognition System and Location Forecasting[J]，2014.

[8]Rastegar S,Ghaderi R,Ardeshir G,et al.An Intelligent Control System Using an Efficient License Plate Location and Recognition Approach[J].International Journal of Image Processing,2009,3(5):252-264.