基于MATLAB的車牌識別系統研究

摘 要：為了提高車牌識別準確率，以MATLAB為平臺，對車牌識別系統部分算子選擇及算法進行調整和優化。在具體處理中，通過灰度拉伸、頂帽變換、二值化等實現車牌預處理，用邊緣檢測、形態學處理等實現車牌定位，通過多種算法對比選擇合適的車牌矯正方法，結合車牌垂直投影法、模板匹配法完成車牌識別系統設計。該系統對車牌識別的準確率由96.5%提升至97.5%，識別效果較好。

關鍵詞：車牌識別;頂帽變換;形態學處理;車牌定位;車牌矯正

DOI： 10. 11907/rjdk.191347

開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP301

文獻標識碼：A

文章編號：1672-7800（2020）001-0050-05

0 引言

車牌之于車輛，就像身份證之于人。無論是在交通管理中還是在小區車輛進出監控中，都可以通過對車牌號的采集，與原先錄入系統資料庫中的信息進行對比，找到一系列車輛及車主相關信息，實現有效監管[1]。車牌識別準確與否直接關系到監管質量好壞，因此在實際應用中需求車牌識別系統有很高的準確率。

20世紀80年代開始，國外在交通管理方面就開始使用智能聯網方法，在車牌識別技術領域更是處于領先水平[2]。像英國的ANPR系統，在20世紀70年代就已出現，在80年代初就已經能在250ms內識別車牌。經過不斷改進和完善，如今的ANPR系統已經是全英國車牌識別系統的代表;新加坡Optasia公司研發了適用于道路車牌識別的VLPRS系統，該系統的使用進一步推動了新加坡交通智能化發展，準確率已達99.8%[3];美國的GE車牌識別系統也表現出出色的識別能力[3];法、日、德、加拿大等國家的車牌識別技術發展迅速，準確率均達98%以上。

我國車牌識別系統研究從20世紀90年代真正開始，國內行駛車輛快速增長，車牌識別技術發展迫在眉睫[4]。喀什大學賈秀紅[5]通過OSTU算法，使車牌識別率達到93%以上;西安航空學院馬晨[6]采用神經網絡算法，在200ms內實現車牌識別。但由于噪聲、光線等影響，圖像清晰度不夠，車牌識別系統準確率嚴重下降[7-8];在實際定位車牌時，少量邊緣信息存在丟失現象;車牌識別系統設計中，速度和精度協調不易把控[9-11]。

針對上述情況，本文充分考慮國內車牌特點，以國內藍底車牌為例在MATLAB中進行車牌識別系統設計。在預處理時將灰度拉伸、頂帽變換、二值化等多種方法相結合，實現噪聲抑制，突出目標特征。對定位方法加以改進，適當拓寬定位目標面積，減少邊緣信息丟失情況。對校正方法加以選擇，在保證精度的情況下選擇數據處理時間較短的算法，實現系統速度和精度的協調。

1 車牌提取

在實際情境中，為提高圖像質量，往往選擇分辨率較高的圖像采集設備，導致采集的圖像像素也相應增大，這給系統識別速度帶來了很大壓力。為了保證系統運行速度，在讀取圖像后，需對不滿足系統規定尺寸的圖片進行等比例壓縮。本系統將要處理的圖像尺寸設置為400#300，在讀入圖像時，先計算圖像尺寸，當圖像高度高于400時，以（400/y）的壓縮比進行壓縮。

2 預處理

2.1 灰度化處理

系統在數據處理時，彩色圖像需要處理的數據遠遠大于灰度圖像。在不影響處理效果的前提下，出于系統識別速度的考量，將圖像進行灰度化。灰度化采用加權平均算法[12]：

式（2）中f（x，y）為原圖像，其灰度范圍為[a，b];B（x，y）為處理之后的圖像，其灰度范圍為[c，d]。對灰度變換后的車牌圖像進行拉伸實際上是將原圖像的灰度等級擴展至[0，255]范圍之內。灰度拉伸前后對比如圖l所示，由于為拉伸前灰度圖的灰度級較為分散，因而灰度拉伸后效果并不明顯。

2.3 頂帽（Top-hat）變換

汽車圖像在采集時往往存在光照不均勻問題，直接影響后期圖像的準確分割.因此在前期圖像預處理時減少光照影響尤為重要。

頂帽變換的實質是通過一個結構元素對要處理的圖像進行開運算，并將該運算得出的圖像通過差操作從原圖像中刪除[14-16]。

T hat（f） =f-（f°b）

（3）

式（3）中，b為結構元素，f為待處理圖像。

根據式（3），定義一個半徑為16的圓盤為結構元素，對灰度拉伸處理后的圖像進行開操作，分離出的背景圖像如圖2所示，原圖像與背景圖像做差運算，得出處理后的增強圖像如圖3所示。

值得注意的是，所選取的結構元素一定要足夠大，防止出現擬合物體現象。從圖2和圖3可以看出，本設計選用的元素結構對背景分離有很好的效果。

2.4 二值化圖像

二值化圖像的目的是進一步減少多余數據量，使所要提取的圖像特征更明顯。二值化處理過程中，確定適當的閾值尤為重要，它將直接決定處理效果。由于車牌識別系統對圖像處理速度和精確度要求都較高，傳統平均值法、設定閾值法呈現效果并不理想，而雙峰法、迭代法和OSTU大律法都需要相當的計算時間，因此在確定閾值時根據經驗選擇如下方法：

式（4）中T為所求閾值，MAX為待處理圖像矩陣的最大值，MIN為待處理圖像矩陣的最小值。

通過計算，取圖像矩陣中的最大值和最小值分別帶人式（4）中，得出二值化處理的最佳閾值。二值化處理后的圖像見圖4。用該方法處理圖像，既能達到系統所需效果，也能在極短時間內確定合適的閾值。

3 定位

3.1 邊緣檢測

邊緣檢測和形態學處理為車牌定位奠定了基礎。邊緣檢測方法有很多，Laplacian算子、Roberts算子、Sobel算子、P rewitt算子和Canny算子在不同場合中有不同的優勢[16-17]。Laplacian算子和Roberts算子對邊緣定位雖然精確度高，但是Roberts算子會丟失一部分邊緣，而且兩種算法受噪聲的影響也較大。Sobel算子和Prewitt算子雖然在邊緣提取時速度快，但是會因為混合噪聲的影響而誤判，該系統運行環境復雜，因此并不適合。而Canny算子與其它算子相比有較強的去噪能力，尤其適合于有噪聲的圖像。

提取的車牌往往受環境影響存在噪聲，因此在邊緣提取時用Cannv算子較為合適。Cannv邊緣檢測首先要選定G auss濾波器對待處理圖像進行平滑濾波，然后采取非極值抑制技術進行處理得到最終邊緣圖像[16]。具體步驟如下：

（1）Gauss平滑濾波，去除噪聲：

3.2 車牌粗定位

為防止車牌在定位時出現部分信息丟失情況，對邊緣提取后的圖像進行閉運算，以填補圖像中存在的部分孔洞，同時保證原本連接區域處于連通狀態。根據經驗以一個7*19的矩形結構元素對圖像進行閉操作，結果如圖6所示。

由圖6可以看出，閉運算后的圖像存在大量小對象，對車牌定位存在很大程度的干擾。基于上述原因，對閉操作后的圖像以一個7*19的矩形結構元素進行開操作，消除圖像中存在的小對象和小面積噪聲。結果見圖7，車牌大致位置鎖定在白色區域內。

3.3 車牌精確定位

對于部分車牌而言，粗定位只是縮小了車牌在圖像中的范圍，車牌具體位置還沒有確定，因此需要精確定位車牌位置。

車牌精確定位步驟如下：①根據粗定位中車牌可能存在的位置進行標記;②對標記過的區域逐一進行面積、寬度、高度等一系列參數計算;③根據車牌國標尺寸確定車牌區域，藍牌尺寸為440*140mm。

以圖7中形態學處理后的圖像為例，粗定位后的車牌確定在3個白色連通塊內，對連通塊進行標記，如圖8所示。

圖像在采集時由于距離等因素影響，在長度和寬度上不可能確定為440*140的尺寸，一般都會有一定比例的縮放，因此在計算出車牌區域的長度、寬度等參數之后，可以根據車牌的長寬比（約為3）設定閾值范圍為2-4，認為已標記的連通塊中，長寬比在該范圍內的即為車牌位置。

車牌區域確定后需要對車牌邊界作進一步確定，方法有對白色像素點的統計定位車牌、對藍色像素點的統計定位車牌，在本系統中采用統計藍色像素點的方法，首先對圖像行掃描，確定車牌的上下邊界，然后對圖像列掃描，確定車牌的左右邊界，掃描定位后的車牌圖像如圖9所示。

由圖9可見車牌邊框附近部分信息存在丟失現象。為了解決這一現象，在原有掃描過程后增加校正、加框操作，即針對原有掃描區域向四周適度擴展，保證有效信息在定位區域內。校正、加框后的車牌區域如圖10所示，車牌信息保留相對完整。

4 傾斜矯正

獲取車輛圖像中的車牌位置很難保持完全水平，要保證車牌中的各字符能被準確切分，需對定位、切割后的車牌區域進行矯正，使其處于水平位置。

車牌矯正方法一般有霍夫（ Hough）變換、拉東（Radon）變換、最小二乘法以及兩點法，常用的主要有Hough變換和Radon變換。本文就這兩種方法在系統中的使用情況進行對比、選擇。

4. 1霍夫（Hough）變換

Hough變換的實質是將圖像空間中的直線轉換為參數空間中的點[18-20]。其原理如圖11所示（a為圖像空間'b為參數空間）。

至此，容易看出在圖像空間中任意直線都對應參數空間中的一個點，而參數空間中存在的直線交點即說明圖像空間中重合的直線。因此，可以根據圖像空間中給出的點進行Hough變換后確定過這些點的直線，并將其轉換成參數空間的點問題加以解決。

Hough變換對車牌矯正的具體步驟如下：①將實際情況中無限的直線數目量化到參數空間（a，b）中;②構造一個元素初始值為0的累計數組，數組中的元素值表示通過該點的直線數目;③在定位切割后的車牌圖像中，認為像素值為“1”的點為要檢測的像素點，則在圖像空間中找到對應直線，并將該直線中所有點數在累計數組的元素中加1;④在累計數組的陣列中找到峰值點，對應要檢測的直線位置。

利用Hough變換矯正車牌結果如圖12所示。該方法在本系統中效果并不理想，原因在于Hough變換矯正車牌實際上是對車牌白色邊框位置的檢測矯正，而本系統中對車牌的定位、切割并沒有清晰、完整地保留車牌的白色邊框。因此，Hough變換在對車牌矯正時由于沒有正確檢測到邊框的位置而對偏轉角度計算失敗，導致車牌矯正不成功。

4.2 Radon變換

Radon變換是指將圖像空間中數字圖像的矩陣通過積分投影變換轉換到參數空間中，原理如圖13所示。圖13（a）為變換前的圖像及Radon變換所對應的坐標系，圖13（b）為原圖像在θ角處對X'軸進行的投影，通過尋找投影集合中的最大值即可以確定偏轉角度。

Radon變換在車牌矯正中的步驟：

（1）車牌水平傾斜矯正。①具體應用中，車牌水平傾斜在0° - 180°范圍之內，因此Radon變換在水平矯正時只需考慮0°- 180°方向上的投影;②累加投影的非零值，記錄該值達到最大時對應的角度θ1;③計算出的θ1即為水平方向傾斜角的補角，則車牌的水平傾斜角為90°-θ1。

（2）車牌垂直傾斜矯正。①車牌垂直方向上的傾斜角一般在-45°-45°，所以在進行投影變換的時候只需要考慮-45° - 45°的范圍即可;②累加投影的非零值，記錄該值達到最大時對應的角度θ1;③計算出的θ1，為圖13中的θ處，根據車牌在垂直方向傾斜角的范圍，可得車牌的垂直傾斜角為θ1-45°。

用Radon變換對車牌矯正結果見圖14，可以看出Ra-don變換對車牌矯正效果顯著。由于Radon變換矯正車牌是對車牌圖像進行各方向上的積分投影變換，得出所有投影中最大值的方向即為圖像傾斜角度，因此該方法對車牌邊框完整度要求并不高。矯正角度如圖15所示。

綜上，在該系統中利用Radon變換對車牌進行矯正更為合適。

5 結語

車牌識別準確率很大程度上依賴于前期對車牌的處理與切割。本文針對車牌識別系統中的車牌預處理、車牌定位、車牌矯正方法進行系統描述，對前期圖像處理及分割中的部分細節進行適當優化，解決了車牌定位、切割不精確，容易遺漏車牌首尾字符信息等問題。結合字符分割、模板匹配法得出的結果（見圖16、圖17）顯示，車牌預處理、定位、校正效果良好，能夠正確識別車牌。但該系統的識別率為97.5%，因此在后期進行字符識別研究時可采用神經網絡算法，以期提高識別準確度至98%以上。

參考文獻：

[1] 崔詩成，遲宗濤.基于MATLAB車牌識別的設計[J]工業控制計算機，2017，30（8）：68-69.

[2] 張溪.大數據下智能交通系統的發展綜述[J].計算機工程應用技術，201，17（1）：17-19.

[3] 彭玲玲，任占廣，周勤.基于MATLAB的車牌識別系統研究[J].電子制作，2017（22）：11.

[4] 朱克佳，郝慶華，李世勇，等.車牌識別綜述[J].現代信息科技，2018（5）：4-6.

[5] 賈秀宏.基于MATLAB的車牌定位識別方法[J].信息與電腦，2019，88（1）：88-89.

[6] 馬晨.基于MATLAB車牌字符識別算法的研究[J].數字技術與應用，2017，65（9）：121.

[7] 張學軍.基于MATLAB圖像處理的車牌號識別系統設計[J].信息通信，2018，36（7）：36-37。

[8] 胡麗娜.基于MATLAB的車牌識別號碼系統[J].山西電子技術，2017，55（4）：55-57.

[9]宋娟，肖寓芳，呂渙宇，等.汽車牌照自動識別技術研究與實現[J].現代制造技術與裝備，2017，80（9）：69-70.

[10]徐雪麗，烏旭東，白媛.車牌定位及字符切分算法的研究[J].延安大學學報：自然科學版，2018，37（3）：46.

[11] 王恰鋒.基于MATLAB車牌識別的系統的設計[J].山東工業技術，2017，149（17）：161.

[12] 王麗靜，李飛過.應用于MATLAB的車牌識別算法研究[J].電子測試，2018，20（ 21）：50-51.

[13] 楊丹，趙海濱，龍哲.MATLAB圖像處理實例講解[M].北京：清華大學出版社，2013.

[14] GONZALEZ R C，WOODS R E.數字圖像處理[M].第3版.阮秋琦，阮宇智，譯.北京：電子工業出版社，2011

[15] 張錚，王艷平，薛貴香.數字圖像處理與機器視覺-Visual C++與MALTAB實現[M].北京：人名郵電出版社，2010.

[16] SONKA M，HIAVAC V，BOYLE R.圖像處理、分析與機器視覺[M].北京：清華大學出版社，2011.

[17] STECER C，ULRICH M，WIEDEMANN C.機器視覺算法與應用[M].楊少榮，吳迪靖，譯，北京：清華大學出版社，2017.

[18]劉成龍.MATLAB圖像處理[M].北京：清華大學出版社，2017.

[19] 左飛.數字圖像處理：原理與實踐[M].北京：電子工業出版社， 2014.

[20]楊杰.數字圖像處理及MATLAB實現[M].第2版.北京：電子工業出版社.2013.

（責任編輯：孫娟）

作者簡介：陳亞（1993-），女，上海工程技術大學機械與汽車工程學院碩士研究生，研究方向為智能汽車關鍵技術。