基于彩色圖像信息的車牌自動識別系統仿真研究

林國聰 王冬青 薛斌強 劉金燕

摘要：針對汽車牌照自動識別技術在現代社會車輛管理中的應用，本文研究了一種基于Matlab軟件的車牌識別系統。該系統包括圖像預處理、車牌定位、字符分割及字符識別幾部分。對采集好的車牌圖像進行圖像預處理，采用統計像素法對車牌圖像進行定位，二值化已定位好的車牌圖像，對處理過的車牌圖像字符進行分割，并采用模板匹配法對分割好的車牌字符進行識別，同時選用100張不同場景、不同省份、不同品牌的汽車牌照，采用Matlab軟件進行仿真實驗。仿真結果表明，有79張汽車牌照識別正確，說明本文可以實現較為準確的車牌識別。該研究具有一定的實際應用參考價值。

關鍵詞：車牌識別; 車牌定位; 字符切割; 字符識別

汽車牌照自動識別技術是實現智能交通管理的關鍵技術之一，廣泛應用于停車場及小區入口等地方。它以數字圖像處理和模式識別技術為基礎，對攝像頭采集到的車輛圖像或視頻進行處理分析，得到通過車輛的牌照號碼，完成汽車牌照的自動識別過程。隨著經濟的發展，私家車數量越來越多，車牌自動識別問題引起了許多學者的關注。車牌定位是車牌識別的第一步，也是實現車牌識別最重要的一步，國內外眾多學者提出了許多車牌定位算法。劉永俊等人[1]采用基于幾何和顏色綜合特征的車牌自動定位方法，通過檢測車牌顏色和車牌垂直邊緣實現定位，但當背景顏色和車牌顏色一致時，容易造成車牌的誤定位;王艷等人[2]針對基于顏色或邊緣的車牌定位算法常出現誤定位的問題，使用最大穩定極值區域（maximally stable extremal regions，MSER）算法進行連通域分析獲取車牌位置;在字符分割方面，朱麟[3]提出了一種基于幾何形態學的車牌字符分割算法;賴道亮等人[4]提出一種灰度拉伸的車牌字符分割方法。字符識別是從多個字符分割后的圖像識別車牌號碼;王曉華等人[5]采用基于脈沖耦合神經網絡和模板匹配方法實現車牌識別過程;D.Menotti等人[6]提出了一種基于卷積神經網絡的光學字符識別（optical character recognition，OCR）特征提取方法，提取車牌號碼特征并進行識別。基于此，本文對系統的車牌定位、字符分割和字符識別進行研究，并對部分環節進行改進，使其在車牌定位時不受背景顏色影響，并可以快速準確的識別車牌號碼。該研究具有一定的應用價值。

1 系統總體方案設計

本文主要對車牌自動識別系統進行研究，采用Matlab自帶的函數庫進行仿真實驗。首先對采集到的車牌圖像灰度化增加對比度，用Canny算子進行邊緣檢測，采用形態學處理圖像，篩選查找矩形輪廓，確定車牌的大體位置[7]，然后統計車牌輪廓的白色像素點，粗定位車牌輪廓的行列起始位置和終止位置，灰度化二值化上述處理過的車牌圖像，設置閾值，裁剪低于閾值的圖像，實現車牌的精確定位[8]。對精確定位的車牌圖像進行灰度化二值化形態學濾波，當列累積像素低于設置的閾值時，該處即為車牌字符的間隔，由此從右向左切割字符[9]。提前建立各個省份的簡稱、數字0～9、字母A～Z的模板庫，將切割好的字符歸一化后與模板庫里預存的字符逐一像素點進行比較[10]，相同則加1，數值最大即為匹配度最高。

2 車牌圖像預處理

3） 對梯度幅值進行非極大值抑制，排除非邊緣像素，保留細線條。

4） 設置高閾值和低閾值2個閾值，若某處像素值高于高閾值，保留為邊緣像素，低于低閾值則排除，介于兩者之間，僅在連接到一個高閾值時像素保留[13]。Canny邊緣檢測后圖像如圖3所示。

2.3 形態學處理圖像

數學形態學的基本運算主要包括腐蝕、膨脹、開運算和閉運算，本操作調用腐蝕函數imerode，該函數主要對圖像的白色（高亮）部分進行處理，使其擁有更小的高亮區域。

對邊緣檢測后的圖像進行腐蝕操作，腐蝕后的邊緣檢測圖像如圖4所示。填充操作可實現二值化圖像空洞區域的填充，調用Matlab軟件中的imfill函數，對腐蝕后的圖像進行填充操作，腐蝕后的填充圖像如圖5所示。

2.4 移除小目標

由圖5可以看出，該圖像中還存在其他多余部分需要去除，調用Matlab軟件中的bwareaopen函數，從二值圖像中移除面積小于閾值的連通區域。經過多次實驗，把閾值設置為2 000時，移除效果最佳，移除小目標后的圖像如圖6所示。

3 車牌定位

國內車牌定位算法很多，如基于彩色圖像信息的算法、基于紋理特征的算法、基于邊緣檢測的算法等。基于彩色圖像信息的算法雖然識別準確率高，但是運算量太大，不能滿足系統的實時性;基于紋理特征的算法雖應用廣泛，

但抗干擾能力較弱，無法解決復雜背景的車牌定位。本系統采用基于邊緣檢測的算法，較好的克服了以上缺點。

3.1 矩形輪廓查找與篩選

車牌區域具有下面2個特征：

1） 一個矩形區域內包含多個字符。

2） 矩形區域長度和寬度成固定比例[14]。

經過圖像的腐蝕填充操作后，車牌上的字符連成一個矩形區域，再根據上述車牌特點進行進一步篩選[15]，最終定位車牌所在的矩形區域。

3.2 車牌的粗定位

從左往右統計車牌所在矩形區域白色像素點，高于閾值即為車牌區域的行起始位置，同理可得車牌區域的行終止位置;從上往下統計車牌所在矩形區域白色像素點，高于閾值即為車牌區域的列起始位置，同理可得車牌區域的列終止位置。粗定位后的彩色車牌圖像如圖7所示，原圖行方向像素點累積和如圖8所示，原圖列方向像素點累積和如圖9所示。

3.3 車牌的精確定位

對粗定位后的車牌圖像進行精確定位之前，先對其進行二值化，二值化是將圖像上像素點的灰度值設置為0或255，使圖像只有黑白兩種顏色。粗定位車牌二值化后的圖像如圖10所示，粗定位車牌圖像列方向像素點值累計和如圖11所示[16]。

由于粗定位之后的車牌區域包含車牌邊框，因此需要去掉車牌區域的邊框。去邊框處理方法是從左向右、從上往下統計行（列）中白色像素點數，當出現白色像素點時即為出現字符時，裁剪未出現白色字符區域[17]。去除左側邊框的二值車牌圖像如圖12所示，精確定位的車牌二值圖像如圖13所示。

4 字符分割與識別

4.1 車牌字符分割

車牌字符分割最快的方法是模板匹配法，在確定精確定位的車牌二值圖像后，采用車牌切割模板（其中H為車牌字符高度），車牌切割模板如圖14所示。從左向右掃描精確定位的車牌二值圖像，可將車牌字符快速分割出來。該方法解決了二值車牌字符黏連和鉚釘的問題，但極度依賴車牌二值圖像的精確和規范性，會使車牌出現變形，車牌分割失敗。

車牌字符在垂直方向上的投影必然在字符間或字符內的間隙處取得局部最小值的附近，利用垂直投影法，車牌圖像中的字符分割效果[18]較好。首先將精確定位好的車牌灰度化二值化，設置閾值T，范圍在0～1之間，在低于閾值的地方裁剪圖像，裁剪后的車牌圖像如圖15所示。

4.2 車牌字符識別

車牌字符識別方法主要有神經網絡法和模板匹配法，由于神經網絡法需要多個樣本進行多次訓練，并且我國汽車牌照字符比較工整規范，所以本文系統選擇了簡單快速的模板匹配法。

分割后的車牌圖像跟模板庫里的圖像在大小方面有所差距，所以需要改變分割后的車牌圖像大小，才能與模板庫里的圖像進行比較。調用Matlab軟件中的imresize函數改變分割后車牌圖像的大小[19]，對改變大小之后的圖像和模板庫中的圖像逐一像素點進行比較，相同則加1，數值最大即為匹配度最高[20]。

4.3 實驗與結果

在Matlab仿真實驗平臺下，對車牌識別系統進行仿真實驗，采用100張不同場景、不同省份、不同品牌的汽車牌照進行測試。車牌原圖像如圖16所示，識別結果如圖17所示。

統計結果顯示，汽車牌照識別正確的有79張。由統計結果可以看出，本文可以實現較為準確的車牌識別。

5 結束語

本文主要基于Matlab軟件對車牌自動識別系統進行研究。該研究通過對采集好的車牌圖像進行圖像預處理，采用統計像素法對車牌圖像進行定位，二值化定位好的車牌圖像，對處理過的車牌圖像字符分割，采用模板匹配法對分割好的車牌字符進行識別，最后采用Matlab軟件進行仿真實驗。仿真結果表明，該系統可有效識別汽車牌照，具有一定的實際意義。但本系統還具有一定的不足，車牌上的陰影、傾斜和污物、光照強度及天氣條件的變化、攝像機與車輛之間的距離變化以及車牌的旋轉等問題，都可能造成車牌識別不準確，因此需要進一步改進。

參考文獻：

[1] 劉永俊， 秦立浩， 徐亮. 基于幾何和顏色綜合特征的車牌自動定位及識別[J]. 常熟理工學院學報， 2019， 33（2）： 37-42.

[2] 王艷， 謝廣蘇， 沈曉宇. 一種基于MSER和SWT的新型車牌檢測識別方法研究[J]. 計量學報， 2019， 40（1）： 82-90.

[3] 朱麟. 車牌字符分割算法的研究比較[J]. 內燃機與配件， 2018（22）： 231-233.

[4] 賴道亮， 趙平， 鐘昆， 等. 面向車牌字符分割的圖像預處理方法研究[J]. 計算機測量與控制， 2018， 26（9）： 250-254.

[5]? Wang X H， Yu J J， Miao Z H， et al. License plate recognition based on pulse coupled neural networks and template matching[C]∥Proceedings of the 33rd Chinese Control Conference. Nanjing， China： IEEE， 2014.

[6] Jain A， Sharma J. Classification and interpretation of characters in multiapplication OCR system[C]∥2014 International Conference on Data Mining and Intelligent Computing （ICDMIC）. New Delhi， China： IEEE， 2014.

[7] 胡浩， 李俊峰， 沈軍民. 基于機器視覺的小磁瓦表面微缺陷檢測方法研究[J]. 機電工程， 2019， 36（2）： 117-123， 184.

[8] 楊鼎鼎. 汽車牌照自動化識別若干關鍵技術研究[D]. 恩施： 湖北民族學院， 2018.

[9] 莫文英. 基于圖像處理與機器學習的車標及安全帶識別研究[D]. 廣州： 廣州大學， 2018.

[10] 趙逸群， 劉富， 康冰. 基于車牌檢測的前方車輛識別方法[J]. 吉林大學學報： 信息科學版， 2019， 37（2）： 168-173.

[11] 洪傳豪， 丁兵兵， 靳偉. 基于OpenCv的車牌識別研究[J]. 福建電腦， 2018， 34（12）： 5-8.

[12] 楊鼎鼎， 陳世強， 劉靜漪. 基于車牌背景和字符顏色特征的車牌定位算法[J]. 計算機應用與軟件， 2018， 35（12）： 216-221.

[13] 楊文文， 楊國為， 張魯波， 等. 基于Laws模板濾波的車標定位算法[J]. 青島大學學報： 工程技術版， 2012， 27（3）： 46-50.

[14] 陳鼎. 基于Matlab的車牌識別系統的研究[D]. 南昌： 南昌大學， 2018.

[15] 李宇琦. 低質量監控視頻中的車牌識別技術研究與實現[D]. 南京： 南京郵電大學， 2018.

[16] 黃曉蘭. 基于改進極限學習機的車牌字符識別方法[D]. 杭州： 中國計量學院， 2014.

[17] 畢波， 邵永謙， 孫冬軍， 等. 基于OpenCV的車牌識別[J]. 電子設計工程， 2019， 27（1）： 37-41.

[18] 張浩. 多信息融合圖像邊緣特征提取及圖像配準研究與應用[D]. 杭州： 浙江大學， 2008.

[19] 駱雪超， 劉桂雄， 馮云慶， 等. 一種基于車牌特征信息的車牌識別方法[J]. 華南理工大學學報： 自然科學版， 2003， 31（4）： 70-73.

[20] 黃雨. 基于數字的模式識別算法研究[D]. 四平： 吉林師范大學， 2017.