車輛牌照識別技術現狀

鄧嘉誠 黃賀聲 楊林 魏亞東

摘 ?要：車輛牌照識別技術（Vehicle License Plate Recognition，VLPR）以快速準確從圖像中檢測出車牌號碼的優點，成為智能交通網絡實現的前提。車輛牌照識別技術的實現主要分為圖像預處理、車牌定位、字符分割和字符識別等部分，每個部分均有若干方式可以實現，本文先介紹了車輛牌照技術中常用的方法，再對比了各種方法之間的優點和缺陷。

關鍵詞：車牌識別;圖像預處理;車牌定位;字符分割;字符識別

中圖分類號：TP391.41 ? ? 文獻標識碼：A 文章編號：2096-4706（2019）16-0078-06

Abstract：Vehicle License Plate Recognition （VLPR） technology，which has the advantage of fast and accurate detection of license plate numbers from images，has become a prerequisite for the implementation of ITN. The realization of vehicle license plate recognition technology is mainly divided into image preprocessing，license plate location，character segmentation and character recognition. Each part can be realized in several ways. This paper first introduces the commonly used methods in vehicle license plate technology，and then compares the advantages and disadvantages of each method.

Keywords：license plate recognition;image preprocessing;license plate location;character segmentation;character recognition

0 ?引 ?言

近些年來，人們經濟能力提高、城市化建設快速，車輛變得越來越多，交通擁堵逐漸成為我們的日常。目前解決該難題的辦法是建立智能交通網絡，而車牌識別的精準實現是該網絡搭建的前提。

1 ?緒論

1.1 ?背景與意義

現代人由于經濟能力的提高和生活的需要，把原本是奢侈品的汽車作為代步必需品帶入家庭，城市車流量也不斷增加。加上早期城市規劃不完善，建筑密集，道路明顯擁擠。另外，城市的發展吸引了大量人口就業，對交通擁堵也會造成一定的影響。最慘的擁堵一定是節假日在高速路上，其中原因之一就在于收費站沒有全面普及ETC收費，讓車流一下子堵在了收費站。VLPR通過攝像頭拍取圖片，對圖像分析并得到車牌號碼，以效率快、準確度高的優點緩解了交通壓力。識別的流程圖如圖1所示。

VLPR的應用，能有效地協助管理人員管理小區或城鎮、監控車輛進出、不停車收費、違規記錄等，提高城市交通管理效率和減少停車帶來的空氣污染。

1.2 ?國內外研究現狀

VLPR研究國外起步較早，大約20世紀80年代就有相關圖像處理方法提出，但由于信息處理和計算機性能原因妨礙了發展。90年代發展較為迅速，有A.S.Johnson、P.V.Suryanarayanna、EunRyung Lee等優秀學者在圖像特征提取和字符識別上提出了意見。早期國外典型的車牌識別系統有英國的RGUS、新加坡的VLPRS等。我國對此研究起步較晚，典型的有武漢大學的喻曉、李幕龍、張礽婧等人提出的基于車牌顏色和紋理特征定位車牌[1]。北京航空航天大學的胡愛明、周孝寬提出的上下矩比值失配比例加權懲罰模板匹配[2]。

2 ?圖像預處理

由于拍攝的車牌受到光照強弱、泥土遮擋、陰雨天氣、相機成像位置等因素影響，對照片進行初步處理，能去除無用信息而保留有效信息，還能提高車牌的定位精確度。

2.1 ?圖像灰度化

攝像頭的輸出一般是彩色圖像，包含豐富的色彩信息，直接處理運行量大又耗時。根據后期需要可轉換色彩空間，車牌圖像處理一般采用的色彩空間是RGB、HSV和HIS，但通常在RGB空間處理。0代表值最暗，255代表最亮。RGB圖像常用灰度化方法[3]如下。

3.3 ?基于混合特征的車牌定位

混合特征組合主流的是HSV顏色搭配紋理特征。一種做法是利用HSV閾值大致篩選出車牌候選區域，再利用車牌區域的紋理特征篩選確定位置;另外一種做法是先用紋理特征檢測出具有車牌紋理特征的區域，再由HSV閾值來篩選。RGB與紋理特征也有人在用，主要是分情況去增加RGB通道，這樣就能把具有車牌顏色特性的保留下來，再使用紋理特性也大致能確定位置。

學界上關于混合特征的定位有很多，例如胡峰松、朱浩提出的基于HSI顏色空間和行掃描的車牌定位[18]，王枚、王國宏、潘國華提出的融合邊緣檢測與HSV顏色特征的車牌定位技術[19]，楊濤、張森林提出的一種基于HSV顏色空間和SIFT特征的車牌提取算法[20]。

3.4 ?基于神經網絡的車牌定位

此方法首先就要收集各種各樣的訓練樣本，建立神經網絡模型訓練，假設輸出為1則為含有車牌的圖像，0為不含車牌的圖像，訓練完畢后就可以調用此神經網絡檢測車牌了。使用時，用一個M*N的滑動窗口在預處理圖像自左而右、自上而下移動并歸一化后送入神經網絡輸入層，待滑動窗口完全遍歷整個圖像，就能得到車牌位置。該方法前期需要巨大的訓練樣本進行訓練，拍攝圖像影響到滑動窗口的大小，窗口不同運算的速度也不同，很難滿足實時性要求，故前期不建議采用此做法。

4 ?字符分割

字符分割簡單來說就是從二值化車牌圖像中，分割出長寬相等的單獨字符圖像。分割時要注意，字符間隔最大的是第二與第三個字符。實際拍攝的車牌存在光照強弱、遮擋、變形、單雙層車牌等現象，使分割工作更加困難。

4.1 ?基于水平投影與垂直投影的方法

這是分割字符最常用的做法，實現方式簡單。水平投影是從上到下統計一行中的像素點為1的個數，而垂直投影是從左到右統計列中像素點為1的個數。先后對二值化圖像進行水平投影和垂直投影，分別得到切割字符高的起點和終點、寬的起點和終點，接著對每個區域邊界進行分割。分割是要注意字符間的距離，若僅從投影來說的話，有可能將漢字切成幾份，但考慮上距離就能把將漢字切割完整。[21，22]

4.2 ?基于連通域分割

逐行逐列掃描二值化圖像像素點周圍的4個或8個像素點，判斷是否都為1，是的話就更改一個值（不同連通域用不同的值）構成該字符部分的連通域。數字和字母形成單一連通域，但首字符是漢字，可能會形成多個連通域。由于切割字符的寬高是一致的，尋找連通域的最小外接矩形，從右往左切割，最后剩下的多連通域的區域即為漢字。

該方法在字符傾斜時，分割效果也好。但由于我們一般進行過傾斜度矯正，此方法的優勢也就沒體現出來，反而會拖慢總體的速度。[23]

4.3  基于靜態邊界的方法

車牌的長寬比以及字符間的距離都有規定。在車牌定位十分精確的情況下，將車牌縮放至某個合適的大小，根據此知識，就能判斷出每個字符在二值化圖像中的哪個位置。

字符經過切割后會得到同樣大小的圖片，方便下一步對字符進行識別。切割效果如圖4所示。

5 ?字符識別

5.1 ?基于模板匹配的字符識別

由于VLPR處理的是印刷體，采用模板匹配來識別也是可行的。模板匹配目前流行的是基于灰度值匹配和基于特征提取匹配?；谔卣魈崛〉哪０迤ヅ浞椒ㄐ枰婕按罅康膸缀魏托螒B學計算，需要復雜的計算，滿足不了車牌識別實時性要求，故此方法不推薦使用[24]。基于灰度值的模板匹配方法，計算量雖然相對較小，要求與模板差別不大時才會獲得較好的效果，當字符模糊時，成功率會大大降低。

優缺點分析：卷積神經網絡的優點在于參數共享，大大簡化了運算量，特征的選取不需要手動輸入，只要訓練好權重，就能得到好的分類效果，但前提是要做好訓練的工作，除了需要準備訓練樣本和測試樣本外，還要在訓練過程中根據經驗不斷調參;缺點是輸入圖像過大或者圖像色彩數過多，學習參數量將會非常龐大。

6 ?結 ?論

車牌識別環節受到諸多因素的干擾，比如漢字結構、光照、字符的舊損、車牌變形等都令車牌識別有了阻礙，因此車牌識別率仍是研究難點。在整個車牌識別項目中，若用某一步驟的最好處理效果來選方法的話，會加大程序的運算時間，建議是前期的處理能簡便的就簡便。目前，市場上的車牌識別產品使用神經網絡的不多，同時識別時會有觸發拍照的條件，對視頻中運動車輛的車牌檢測還有待進一步研究。

參考文獻：

[1] 喻曉，李慕龍，張礽婧，等.復雜車輛圖像中的車牌定位 [J].電子設計工程，2010，18（12）：120-123.

[2] 胡愛明，周孝寬.車牌圖像的快速匹配識別方法 [J].計算機工程與應用，2003（7）：90-91+110.

[3] 江進.基于灰度化及邊緣檢測算法的車牌識別技術研究 [J].現代計算機（專業版），2014（1）：38-41.

[4] 李耀輝，劉保軍.基于直方圖均衡的圖像增強 [J].華北科技學院學報，2003（2）：65-67.

[5] 李青，王福明.基于傅里葉變換的指紋圖像增強算法 [J].計算機時代，2010（2）：56-57.

[6] 張威，孫玉秋，趙天玉.一種基于頻率域和空間域相結合的圖像增強方法 [J].長江大學學報（自科版），2013，10（19）：50-52+161.

[7] 葛小鳳，陳亞軍.經典邊緣檢測算子及其抗噪性能研究 [J].數字技術與應用，2015（2）：107-109.

[8] 賀桂嬌.幾種經典的圖像邊緣檢測算子分析比較 [J].計算機光盤軟件與應用，2014，17（9）：182-183.

[9] 李碩明，付仲良，彭彬慧.基于字符行特征的車牌傾斜矯正算法 [J].江漢大學學報（自然科學版），2006（1）：35-37.

[10] 路小波，包明，黃衛.基于投影的車牌傾斜檢測方法 [J].交通運輸工程與信息學報，2004（4）：10-15.

[11] 吳一全，丁堅.基于邊緣點投影方差最小的車牌傾斜校正方法 [J].系統仿真學報，2008（21）：5829-5832.

[12] 黃紅燕，葉綠.文字圖像的整體傾斜矯正 [J].計算機工程與應用，2006（6）：58-61.

[13] 譚司庭，胡志坤.基于HSV色空間的車牌定位綜合方法 [J].計算機與應用化學，2011，28（7）：903-906.

[14] 張麗靜，孫杰，殷曉宇.基于HSV顏色空間的車牌定位方法 [J].微計算機信息，2008（7）：247-248.

[15] 常巧紅，高滿屯.基于HSV色彩空間與數學形態學的車牌定位研究 [J].圖學學報，2013，34（4）：159-162.

[16] 牛欣，沈蘭蓀.基于特征的車輛牌照定位算法 [J].交通與計算機，2000（1）：31-33.

[17] 蔡欽濤，方水良，任俊.基于邊緣生長的車牌定位新方法 [J].公路交通科技，2004（11）：110-113.

[18] 胡峰松，朱浩.基于HSI顏色空間和行掃描的車牌定位算法 [J].計算機工程與設計，2015，36（4）：977-982.

[19] 王枚，王國宏，潘國華.融合邊緣檢測與HSV顏色特征的車牌定位技術 [J].計算機應用研究，2007（8）：209-211.

[20] 楊濤，張森林.一種基于HSV顏色空間和SIFT特征的車牌提取算法 [J].計算機應用研究，2011，28（10）：3937-3939+3976.

[21] 黃文杰.基于投影的車牌字符分割方法 [J].現代計算機（專業版），2009（8）：57-60.

[22] 蔣傳偉.車牌識別系統中車牌定位與字符分割的研究 [D].武漢：華中科技大學，2006.

[23] 蘭偉.驗證碼字符圖像分割技術研究 [J].軟件導刊，2014，13（10）：130-131.

[24] 李強，張鈸.一種基于圖像灰度的快速匹配算法 [J].軟件學報，2006（2）：216-222.

[25] 顧晨勤，葛萬成.基于模板匹配算法的字符識別研究 [J].通信技術，2009，42（3）：220-222.

[26] 楊海廷.基于紋理特征的車牌識別系統的研究與實現 [D].成都：電子科技大學，2005.

[27] 賈婧，葛萬成，陳康力.基于輪廓結構和統計特征的字符識別研究 [J].沈陽師范大學學報（自然科學版），2006（1）：43-46.

[28] 吳裔慧.基于卷積神經網絡的場景理解方法研究 [D].北京：清華大學，2015.

[29] 陳先昌.基于卷積神經網絡的深度學習算法與應用研究 [D].杭州：浙江工商大學，2014.

[30] 何小飛，鄒崢嶸，陶超，等.聯合顯著性和多層卷積神經網絡的高分影像場景分類 [J].測繪學報，2016，45（9）：1073-1080.

[31] 謝寶劍.基于卷積神經網絡的圖像分類方法研究 [D].合肥：合肥工業大學，2015.

作者簡介：鄧嘉誠（1998-），男，漢族，廣東湛江人，本科在讀，研究方向：AI與機器視覺;通訊作者：魏亞東（1977-），男，漢族，河北武邑人，博士，副教授，研究方向：光電技術及系統、AI與機器視覺與核探測技術等方面。