ETC系統(tǒng)中的車牌識別技術(shù)研究

汪毅

摘 要：車牌識別技術(shù)，識別過程包括車牌定位、字符分割和字符識別3個(gè)部分。本文首先根據(jù)車牌的水平和垂直投影，找出一個(gè)長方形區(qū)域，定位出車牌的真實(shí)位置；然后將字符二值化為可識別的黑白圖像，采用字符間距對車牌號進(jìn)行字符分割并歸一化；最后識別字符，將取出的字符與事先建立的字符模板庫做差，為0就表示兩者之間完成了匹配。把每一個(gè)相減為0的字符保存，也即為所求的車牌。

關(guān)鍵詞：車牌識別技術(shù) 字符分割 字符識別 字符模式匹配

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2018）02（a）-0029-03

1 設(shè)計(jì)原理

車牌定位識別系統(tǒng)的目的是獲得整個(gè)圖像區(qū)域內(nèi)的車牌，并能夠準(zhǔn)確識別出車牌。它能從靜態(tài)圖片或者動(dòng)態(tài)視頻中識別出車牌號碼來，它是通過對不同顏色區(qū)域進(jìn)行字符劃分來識別的。它的硬件部分包括了線圈觸發(fā)裝置、抓拍設(shè)備、中央處理機(jī)等；而軟件部分則包括了車牌區(qū)域定位算法、牌照字符分割算法以及光學(xué)字符識別算法等。當(dāng)車輛通過車道檢測線圈時(shí)，觸發(fā)車輛檢測元件，系統(tǒng)獲知有車輛通過，激活圖像采集單元開始工作，抓拍到車輛通過時(shí)的圖像。車牌識別單元開始分析圖像，定位出整張圖像中的牌照部分，劃分出車牌的單個(gè)字符，依次識別出車牌號后再重組輸出。

2 設(shè)計(jì)步驟

2.1 車牌定位

在車牌的實(shí)際使用中，拍攝有汽車圖像的圖片背景較復(fù)雜，并且光照也不平衡，在這樣的環(huán)境圖像中如何識別出車牌區(qū)域來是整個(gè)識別過程的關(guān)鍵。在圖像的采集過程中需要進(jìn)行大范圍的搜索，選定若干候選區(qū)域，逐一對這些區(qū)域進(jìn)行識別，最后將車牌區(qū)域定位出來，并將其從整張圖像范圍中分割出來。

2.2 車牌字符分割

將車牌區(qū)域定位出來以后，把連續(xù)的車牌區(qū)域劃分成單一的字符形式，并依次識別這些字符。我們通常采用對字符區(qū)域進(jìn)行垂直投影的方式進(jìn)行分割。這種方法是利用多個(gè)字符之間做垂直方向上的投影，取每個(gè)字符夾縫中的最小值，將得出的范圍進(jìn)行判斷，看是否滿足車牌規(guī)范的字符尺寸、字符格式等條件。

2.3 車牌字符識別

一般來說，對字符定位識別的方法有兩大類：一類是利用神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行識別；另一類是建立模板庫，利用模板匹配的方法來進(jìn)行識別。基于人工神經(jīng)網(wǎng)絡(luò)的算法又可以分為兩種方法：一種方法是特征提取出待處理的字符，然后使用這些特征對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，另一種方法是直接利用互聯(lián)網(wǎng)資源輔助我們來識別字符，通過網(wǎng)絡(luò)將所篩選出的特征值輸入，最后輸出識別的結(jié)果。車牌的識別率與牌照的當(dāng)前狀況和攝像裝置所拍攝圖像的清晰程度有關(guān)。牌照的當(dāng)前狀況有很多，如車牌生銹、污跡沾染車牌、車牌油漆部分脫落、字符字體模糊、故意遮擋車牌、車牌歪斜等狀況；而在具體的使用過程中，環(huán)境亮度、攝像裝置的好壞、車速等因素也會給拍攝帶來影響。這樣的各種因素都將影響車牌的識別率，這也是我們要克服的困難。為了提高識別率，雖然現(xiàn)在識別算法不斷進(jìn)步，但也還需要克服自然的光照條件，這樣有利于識別收集到的圖像。

3 詳細(xì)設(shè)計(jì)步驟

3.1 圖像信息的采集與轉(zhuǎn)換

通過對我國現(xiàn)行的車牌調(diào)查研究，可以發(fā)現(xiàn)我國的車牌背景顏色和字符顏色的搭配有不同的形式，一般有5種：分別為藍(lán)底白字、黃底黑字、白底紅字、黑底白字和白底黑字。我們要識別字符，需要將字符從背景圖像中分離出來。以最常見的藍(lán)底白字牌照為例，在藍(lán)色通道的映襯下，牌照字符在該區(qū)域不能很好地區(qū)分開來。因?yàn)樗{(lán)色（255，0，0）和白（255，255，255）在藍(lán)色信道沒有太大的區(qū)別，而在G、R通道中或是灰度圖中就不會出現(xiàn)這樣的情況。因此，在識別的時(shí)候需要將彩色圖像先轉(zhuǎn)換為灰度圖，原始彩色車牌圖像如圖1、圖2所示。

3.2 邊緣提取

一個(gè)圖像的邊緣部分邊界兩端的亮度各不相同，使用邊緣信息可以幫助我們提取目標(biāo)物體的形狀特征。我們做圖像邊緣檢測的主要目的是增強(qiáng)圖像對比度，主要工作是使車牌顯示的更加清晰可見，以便快速選擇出車牌區(qū)域，然后準(zhǔn)確地分割出車牌字符。對圖像對比度進(jìn)行增強(qiáng)主要有兩種方法：一種是當(dāng)灰度值不準(zhǔn)確時(shí)，對灰度值的校正處理；另一種是當(dāng)圖像的邊緣較粗糙時(shí)，對圖像做平滑處理。

3.2.1 灰度校正

攝像頭在對車牌部分拍攝時(shí)會受到周圍光線的影響，這會造成圖像的灰度值與實(shí)際不符；而攝像頭所處的位置偏差也可能使得車輛的灰度圖不完整。前面得到的這些錯(cuò)誤圖像信息都會給后續(xù)的操作帶來影響，為了減弱這些不利因素，我們采用灰度校正的方法對其進(jìn)行彌補(bǔ)，當(dāng)灰度值不夠時(shí)，可增大灰度的層次感，這樣可以增強(qiáng)圖像的對比度；當(dāng)灰度范圍太小時(shí)，可擴(kuò)大灰度值的覆蓋范圍，可達(dá)到提高圖像分辨率的作用。

3.2.2 平滑處理

由于圖像存在著噪聲，并且噪聲多是高頻分量。因此，我們采用低通濾波的方式將噪聲干擾濾除掉，可采用在參考點(diǎn)附近求領(lǐng)域平均值的方法來減少噪聲的干擾，我們通常稱這種方法為圖像的平滑處理。噪聲往往與圖像中的信號形影不離，如果平滑操作使用不當(dāng)，會造成圖像邊緣的輪廓模糊化的結(jié)果。為了克服這個(gè)弊端，可以設(shè)定一個(gè)閾值，當(dāng)某點(diǎn)的像素值大于閾值，將該點(diǎn)表示為鄰域平均值；而當(dāng)像素值小于或等于閾值時(shí)，保留原來的值不變，減少細(xì)節(jié)模糊帶來的影響。車牌有很多特征，主要特征是：從圖像處理的角度來看，車牌區(qū)域顯示為一個(gè)近乎水平的矩形框，車牌號也是沿著橫軸依次排列的，并且它們之間的間距都一樣。根據(jù)這樣的特點(diǎn)，將牌照進(jìn)行相應(yīng)的圖像變換，可以清楚地反映出圖像邊緣，可以采用Roberts算子邊緣提取法來提取邊緣，如圖3所示。

3.3 車牌的定位和分割

車牌識別的關(guān)鍵是找到車牌的定位位置并將字符逐個(gè)分割出來，首先在前面獲取的灰度圖中搜索到車牌的實(shí)際位置，從背景區(qū)域中分離出車牌圖像，然后將車牌的字符進(jìn)行讀取識別。識別之前首先要將字符串分割成單個(gè)字符。在原始圖像中的車牌圖像是一個(gè)非常特別的子區(qū)域，形狀與矩形相似，并且由于車牌是牢牢固定住的，它的位置相對穩(wěn)定，這給識別也帶來了方便。又因?yàn)檐嚺祁伾蛙嚿眍伾话闱闆r下是不同的，因此，它與周圍的環(huán)境變量具有不同的灰度值，邊緣部分與外界之間會發(fā)生灰度值的突變，可以方便地通過邊緣檢測定位。

3.4 牌照區(qū)域的定位

經(jīng)過上述的處理后，車牌區(qū)域已經(jīng)大致明晰起來。同時(shí)通過膨脹操作，將車牌的邊緣加粗，使邊緣線光滑。本文采用數(shù)學(xué)形態(tài)學(xué)的方法來解決問題，它的主要功能是對圖像的形狀以及結(jié)構(gòu)進(jìn)行分析或處理。數(shù)學(xué)形態(tài)學(xué)可以保留圖像的形態(tài)特征值，將干擾的對象去除。在本例中主要采用膨脹和閉合操作相結(jié)合的方式，最終目的是去除圖像中不相干的對象。

3.5 牌照區(qū)域的剪切和進(jìn)一步處理

對車牌的分割算法現(xiàn)在已經(jīng)發(fā)展的較為成熟，本例是采用彩色圖像分割法。在我們預(yù)先知道車牌顏色的情況下，例如藍(lán)底車牌，我們就找出藍(lán)色所對應(yīng)的RGB色度范圍，通過行列掃描的方法找出像素點(diǎn)為藍(lán)色的區(qū)域，最后經(jīng)過定位剪切后得出我們所需要的車牌區(qū)域。

在經(jīng)過車牌圖像剪切后，圖像中還存在著噪聲干擾，要從圖像中準(zhǔn)確地提取出目標(biāo)對象來，最簡單的方法是設(shè)置閾值，我們假設(shè)閾值表示為T，它可將圖像數(shù)據(jù)劃分為兩個(gè)部分：像素點(diǎn)小于T的部分或像素點(diǎn)大于T的部分，這也就是對圖像的二值化過程。使用均值濾波法對圖像進(jìn)行處理，具體方法是找到目標(biāo)像素點(diǎn)以及臨近的像素點(diǎn)區(qū)域來創(chuàng)建一個(gè)模板，將原先的像素值用模板區(qū)域的平均值來代替。

3.6 字符的分割與歸一化

3.6.1 字符分割

字符分割在整個(gè)識別過程中起著承上啟下的作用。方法是：先定位車牌的位置，然后分割車牌，最后識別分割后的結(jié)果。真實(shí)的車牌字符間距還是比較大的，并且兩個(gè)字符之間不存在著重疊或是相接的情況。我們直接對前面剪切出的車牌二值圖像中的字符串進(jìn)行逐一檢查，如果字符的長度小于某一個(gè)閾值時(shí)，它是單個(gè)字符；當(dāng)字符長度大于這個(gè)閾值時(shí)，它是兩個(gè)相連的字符，需要將這兩個(gè)字符分割開來。

3.6.2 字符歸一化

將字符分割完之后逐一進(jìn)行處理，最后還要將車牌還原，這就需要做歸一化操作，待處理完后交與后續(xù)步驟完成。

3.7 字符的識別

車牌的字符識別算法無外乎有兩種方法：模板匹配算法和人工神經(jīng)網(wǎng)絡(luò)算法。模板匹配算法的工作流程是：先將車牌字符二值化，后將這些字符與模板庫中存儲的信息進(jìn)行匹配，最后輸出識別結(jié)果。因?yàn)槟０鍘靸?nèi)的字符通常是A～Z，數(shù)字是0～9，漢字也僅僅是省、直轄市的簡稱或是軍、警牌，所建的模板庫容量并不是很大，所以，這種方法使用起來還是比較簡單的。并且當(dāng)字符圖像存在缺損或有污跡干擾時(shí)，還能保持很高的識別率，正是由于模板匹配法的優(yōu)勢如此明顯，現(xiàn)在已成為車牌識別的主流方法。

模板匹配算法是最具代表性的一個(gè)圖像識別方法，該方法是從待識別的圖像f（i，j）中提取特征值與相應(yīng)模板庫T（i，j）的特征值做比較，計(jì)算它們之間的相似程度。其中，兩個(gè)圖像相似程度就表示它們之間的關(guān)系比較緊密，屬于同一個(gè)類。然而，一般情況下，用于各個(gè)圖像的匹配條件也各不相同，并且噪聲干擾也較大，圖像如果在進(jìn)行預(yù)處理或是歸一化處理時(shí)出現(xiàn)讀取錯(cuò)誤，也會造成圖像的位置偏差或像素的灰度值偏離真實(shí)值的情況。在設(shè)計(jì)模板時(shí)，我們要能夠認(rèn)識到圖像區(qū)域的每一個(gè)特征，并能夠認(rèn)識到彼此之間的差異，選取特征值的時(shí)候盡量選擇不變的量進(jìn)行分析，這樣就可以提高模板的匹配程度。

我們使用減法操作在這里求得車牌字符與模板庫中存儲的字符之間的相似程度，將識別出來最相似的結(jié)果輸出。車牌字符只有7個(gè)，字符排列有其固定的規(guī)律。通常第一個(gè)字符是漢字，漢字也有其規(guī)律，一般為省、直轄市的簡稱，再加上軍牌或警牌。漢字之后是字母，字母之后是數(shù)字。我們可以以字符排列的規(guī)律為基準(zhǔn)建立字符模板庫，車牌里所用到也就40余個(gè)漢字，26個(gè)基本的大寫英文字母，10個(gè)十進(jìn)制基本數(shù)字，模板建立起來比較方便。實(shí)現(xiàn)的方法是在預(yù)先建立好模板庫的基礎(chǔ)上，將車牌字符與模板庫進(jìn)行匹配。將獲取的車牌字符與模板庫中的字符做減法，如果得到0就表示兩者之間完成了匹配。把每一個(gè)相減為0的字符保存，也即為所求的車牌。

參考文獻(xiàn)

[1] 郁梅，郁伯康，鄭義.基于視覺的車輛牌照檢測[J].計(jì)算機(jī)應(yīng)用研究，1999（5）：65-67.

[2] 葉晨洲，廖金周.一種基于紋理的牌照圖像二值化方法[J].微型電腦應(yīng)用，1999（6）：28-29.

[3] 朱學(xué)芳，石青云，程民德.一種自適應(yīng)細(xì)化方法[J].模式識別與人工智能，1997（2）：140-146.

[4] 袁志偉，潘曉露，陳艾，等.車輛牌照定位的算法研究[J].昆明理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2001，26（2）：56-60.

[5] 劉陽，伊鐵源，葛震，等.數(shù)字圖像處理應(yīng)用于車輛牌照的識別的研究[J].遼寧大學(xué)學(xué)報(bào)：自然科學(xué)版，2004，31（1）：65-68.

[6] 許志影，李晉平.MATLAB及其在圖像處理中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化，2003（4）：64-65.

[7] 梁瑋，羅劍鋒，賈云得，等.一種復(fù)雜背景下的多車牌圖像分割與識別方法[J].北京理工大學(xué)學(xué)報(bào)，2003，23（1）：91-94.