基于車牌號碼識別的機器視覺系統設計

潘磊，趙亮，劉丁丁，馬義豪，彭世晨，豐安輝

（安徽大學，安徽 合肥 230601）

1 機器視覺系統概述

1.1 機器視覺的發展歷程

機器視覺技術出現于上世紀中期，早期的研究則是由20世紀60年代中期美國學者L．R．羅伯茲在對理解多面體組成的積木世界研究開始的。羅伯茲用邊緣檢測的方式識別邊緣線、用區域分析的方法分割圖像以及采用的預處理、對象匹配等技術，也在后來的機器視覺中得到應用。到了20世紀70年代，一些機器視覺系統也陸續萌芽；70年代中期麻省理工學院（MIT）開設了“機器視覺”課程，極大的吸引著世界各地的學者，甚至包括1977年提出有別于“積木世界”分析方法的計算視覺理論創始人David Marr教授。80年代中期，隨著新理念、新方案的不斷涌現，加上CCD、圖像處理技術的進步，機器視覺得到了空前發展。

1.2 機械視覺的工作原理

在一個完備的機器視覺系統中，首先是作為輸入信息的攝像頭模塊，該模塊將圖像傳感器所檢測到的光學圖像，轉化為計算機所能識別處理的電信號，進而傳送至專用的圖像處理系統；圖像處理系統對接收到信息進行相應的運算處理，抽取目標的特征信息（如輪廓、位置、數量等），最后根據與預設的條件對比，輸出檢測結果數據。值得注意的是，系統輸出的并非圖像信息信號，而是經過處理后的檢測結果（如尺寸、角度信息）。上位機實時的利用這些數據，控制運動系統。

2 機械視覺的系統設計

完備的機器視覺系統一般包括光源、鏡頭、相機、圖像采集卡、圖像處理軟件、通訊/輸入輸出單元等基本模塊以及一些輔助模塊。

2.1 光源

光源的作用主要是放大圖像特征、削弱外來影響光的干擾。光源從空間結構上來說基本可分為直射、側射、背部照射三大類，基于實際物體，不同的場合應用的光源略有差異。一般來說，曲面檢測宜用圓頂光源，光滑平面宜用同軸光源，光滑平面宜用明試場光源。綜合考慮市面上存在的一些視覺光源，LED光源具有耗能小、壽命長、反應快、形式多、穩定性強等優點，因而有較廣的應用范圍。

2.2 工業相機

攝像機可謂是視覺系統的關鍵性硬件，充當著系統的眼睛，其本質功能就是將檢測到的光信號轉換成有序的電信號傳遞給圖像采集卡。選擇不同的攝像機直接影響著系統的檢測精度，也影響著系統所能發揮作用的場合。

（1）分辨率(Resolution)：一般用水平分辨率（或水平清晰度）來評估攝像機的分辨率。而水平分辨率的大小與電子耦合器件以及鏡頭密切相關。常用的黑白攝像機的分辨率一般為380～600、彩色攝像機的分辨率在320到500電視線之間，主要有330線、380線、420線、460線、500線等不同檔次。

（2）曝光方式（Exposure）：對于線陣型攝像機一般都是采用逐行曝光，曝光時間可以設置成與行周期一致或者固定的時間周期；面陣相機的曝光主要有幀曝光、場曝光以及滾動曝光等幾種方式。

（3）快門速度（Shutter）：電子快門是利用電子技術在時間上控制芯片上的電荷轉移，從而達到“快門”效果。對靜止的研究對象，快門速度影響不大，但當研究對象為運動物體時，必須采用高速相機，防止圖像失真。

（4）像元尺寸(Pixel Size)：像元大小和像元數(分辨率)共同決定了相機靶面的大小。目前數字工業相機像元尺寸一般為3～10μm。一般來說，像元尺寸越小，制造難度越大，圖像質量也越不容易提高。

（5）光譜響應特性(Spectral Range)：光譜響應特性反映了像元傳感器對不同光波的敏感特性，一般響應范圍是350～1000nm，有時可在靶面前加了一個濾鏡，濾除系統無需敏感的色光。

（6）信噪比（Signal-Noise Ratio）：即信號電壓與噪聲電壓的比值，典型的CCD攝像機信噪比在45～55dB之間，在環境照度不好的條件下，信噪比越高，圖像越清晰。

2.3 圖像采集卡

在機器視覺系統的設計中，圖像采集卡主要用于將模擬信號進行數字化的操作，通過對信號的濾波、A/D轉換，再經過圖像處理軟件對圖像進行增強、分割、特征提取。

（1）注意與工業相機的匹配，確定是否支持分辨率以及逐行掃描。

（2）注意是否具有觸發、選通、幀復位、鎖相采集、時序輸出能力。

（3）多頻道，確認圖像采集卡具不具備支持多個相機圖像進入。

3 圖像處理部分

3.1 圖像的分類

（1）灰度圖像：灰度圖像對應著一個數據矩陣（二維數組），數組元素的值（0～255）表示圖像在該位置上的亮度值。（0表示黑色，255表示白色）。

（2）RGB圖像：RGB圖像用m×n×3數組表示，第一個二維矩陣表示紅色值，第二個矩陣表示綠色值，第三個矩陣表示藍色值。

（3）HSV圖像：HSV圖像也是用m×n×3數組表示，第一個二維矩陣表示色彩值（hue），第二個二維矩陣表示飽和度（saturation），第三個二維矩陣表示亮度（value）。

3.2 常用的邊緣檢測算子

針對目前采用較多的算子，本文進行了適當的研究分析，并得出相應的結果。

（1）roberts算子采用的是對角線上相鄰兩像素的差近似梯度幅值來檢測邊緣，定位精度高。但是在有一定傾角的斜邊緣，檢測效果不理想，存在許多漏撿；而且不能有效抑制噪聲，容易產生偽邊緣。

（2）Sobel算子不但能產生較好的邊緣檢測效果，同時，由于其引入局部平均，使其受噪聲影響降低；但得到的邊緣較粗，當精度要求不高時，比較實用。

（3）Prewitt算子通過對圖像上的每個像素點八個方向的灰度加權之和來進行邊緣檢測，因此容易檢測出偽邊緣，并且邊緣定位精度較低。

（4）Log算子平滑了圖像也適當降低了噪聲，但是對圖像的平滑導致了邊緣的擴展。

（5）Canny算子信噪比良好，但為了獲取良好的邊緣檢測效果，通常需要使用較大的濾波尺度，雙閾值需要人為的選取；但定位性能好，單邊緣具有唯一的邊緣響應。

4 二維識別系統實驗

4.1 數據的獲取

基于設計好的視覺系統平臺，利用攝像頭拍攝一張待識別的圖像，如圖1所示。

圖1 車牌.jpg

4.2 圖像處理

（1）基于halcon進行讀入圖像：read_image(Image，‘車牌 1．jpg’)。

（2）將三通道圖像（見圖2）變為RGB圖像：decompose3 (Image, Red, Green, Blue)。 利 用decompose3 函數將Image圖像進行分離剝離成紅綠藍三個單通道圖像。

（3）將RGB圖像轉換成HSV圖像：trans_from_rgb (Red, Green, Blue, Hue, Saturation, Intensity,‘hsv’)。利用trans_from_rgb 將RGB圖像對應轉化為參數為色彩值、飽和度、亮度的HSV圖像。

圖2

再利用threshold函數按設置的闕值提取圖像區域，connection函數合并所有選定像素觸摸相互連通區，通過特征選擇，再經過有方向的矩形shape_trans函數選取獲得車牌所在矩形。再經過圖像分析，不斷優化車牌信息，過程如下圖3。

圖3

將識別出的實驗結果輸出與原圖像對比，系統識別信息正確。

5 結語

（1）本文所設計的機器人視覺識別系統，通過對輸入的車牌圖像進行的檢測、處理、匹配、識別，最終成功讀取出車牌的信息，展示了一定的識別能，同時也驗證了方案的可行性。

（2）視覺系統的設計中，采用一些現成的匹配模板，減少了對專業知識的需求，并積極使用一些圖像處理軟件，以減少不必要的操作時間。

[1]王志祥 ．CCD 圖像傳感器 [J]．科技信息 ,1996，(12)：8-9．

[2]王杰艷．線陣CCD圖像傳感器驅動電路的設計[J]．電子設計工程 ,2006，(9)：23-26．

[3]毛玉仁．機器人視覺系統的物體檢測技術研究[J]．浙江大學，2017．

[4]徐鵬．基于機器視覺的機械零件二維尺寸檢測系統研究[J]．華南理工大學，2015．

[5]王運哲,白雁冰,張博．機器視覺系統的設計方法[J]．中國電子科技集團公司第二研究所，2011．