基于GUI 圖形處理系統的車牌識別

孫 淳

（山東科技大學計算機科學與工程學院，山東青島 266590）

0 引言

1 車牌識別系統設計

系統首先通過圖片選擇功能選定一幅要處理的圖片，然后進行圖像識別，最后對識別的車牌進行語音播報，相應流程如圖1 所示。

Fig.1 System flow圖1 系統流程

針對識別模塊，圖像識別處理流程又大致分為對圖像進行粗定位、圖像灰度化、傾斜矯正處理、二值化處理、形態學處理等，最后得到精準定位的圖像。具體流程如圖2所示。

Fig.2 Image recognition processing flow圖2 圖像識別處理流程

本系統采用GUI 圖形處理系統處理車輛圖片，從中提取車牌號碼，系統可顯示運行時間，且界面簡潔、操作簡便。系統主界面如圖3 所示。

Fig.3 Main interface of the system圖3 系統主界面

2 車牌識別系統測試

2.1 粗定位處理

由于車牌大都是以藍底作為背景，所以系統首先對一幅圖片的橫坐標和縱坐標方向設置藍色邊界閾值；然后根據設置的長寬比得到車牌圖像初步邊界。車牌號碼一般是白色的，因此設置白色像素點變量，之后進行統計；接下來根據長寬比與白藍比提取車牌圖像；最后根據圖像像素面積、設置閾值對提取的圖像進行二次修正。定位處理效果如圖4 所示。

Fig.4 Rough positioning effect圖4 粗定位效果

2.2 灰度化處理

一般將彩色圖像轉化為灰色圖像的過程稱為灰度化處理，是一個降維處理過程［9-10］。灰度變換是數字圖像處理中常用的圖像增強技術［11］。目前大部分彩色圖像采用RGB 顏色模式，圖像處理時要分別對R、G、B 3 個分量進行相應處理。其實灰度圖像也可反映圖像形態特征，是一種R、G、B 3 個分量都相同的特殊彩色圖像，各像素點僅表現為一種顏色［12］。因此，處理彩色圖像要先進行圖像灰度化處理，以減少圖像計算量，然后通過灰度變換增強圖像對比度。常見的圖像灰度化算法有：①最大值法。可使轉化后R、G、B 的值等于轉化前3 個值中最大的一個，該方法轉換的灰度圖亮度較高；②平均值法。可使轉化后R、G、B 的值為轉化前R、G、B 的平均值，該方法轉換的灰度圖較為柔和。因此，本文采取加權平均值法對圖像進行灰度處理，公式如下：

式中,wR、wG、wB代表R、G、B 權值，不同值會生成不同的灰度圖像。通過人的視覺對顏色敏感度進行顏色權值排序，為wG＞wR＞wB，能得到較易識別的灰度圖像。通常當wR=0.299,wG=0.587,wB=0.114 時得到的灰度圖效果最好，處理效果如圖5 所示。

2011年的夏天，牧場城鎮化迅速推進，我的家也在拆遷之列。當我拿到新樓房鑰匙的時候，心里別提有多開心了，我知道這一切都是母親的功勞，于是鄭重地把樓房鑰匙交到母親手中。

Fig.5 Grayscale treatment effect圖5 灰度化處理效果

2.3 圖片傾斜矯正與二值化處理

由于處理車牌圖像時車牌可能出現傾斜的情況，所以需要對圖像進行傾斜校正處理。常見的傾斜校正方法有基于投影的傾斜校正，但該方法一般需要提前知道圖像大概的傾斜狀況，然后選定角度進行投影計算，否則會加大運算量；此外還有Hough 變換的傾斜校正與外接矩形的傾斜校正，通過實驗發現，后者在整體速度和效果上要優于前者。為了找到兩個圖像之間的幾何對應關系，通常會計算包含平面變換（例如平移、旋轉、縮放、投影、仿射）的單應矩陣［13］，該過程稱為幾何變換。在使用外接矩形的傾斜校正方法處理圖像過程中，可使用基于連通域聚集的方式提取所需對象，形成外接矩形，然后通過選取長邊與水平方向的夾角θ，以圖像左下角為圓心，利用幾何變換將圖像順時針旋轉θ角度。其幾何變換公式如下：

上式中，(x0,y0)與(x1,y1)代表旋轉前后的圖像中心點。圖像傾斜矯正效果如圖6 所示。

Fig.6 Image tilt correction圖6 圖像傾斜矯正

二值化處理的目的是將需要識別的目標與背景分離開，其算法一般分為兩種：傳統的非機器學習方法和基于圖像分割的深度學習方法［14］。本系統采用灰度閾值變換方法，選取合適的閾值將背景與車牌號分離，最后獲得二值化圖像。灰度閾值變換可將一幅灰度圖像轉換成黑白二值圖像。用戶指定一個可起分界線作用的灰度值，如果圖像中某像素灰度值小于該灰度值，則將該像素灰度值設置為0，否則設置為255。這個起分界線作用的灰度值稱為閾值，灰度的閾值變換也常被稱為閾值化或二值化。灰度閾值變換的函數表達式如下：

式中，T為指定閾值。灰度閾值變換的用途很廣，可擴展性也非常強。通常將一幅灰度圖像轉化為二值圖像，在復雜背景中直接提取出感興趣的目標。

二值化處理結果如圖7 所示。

Fig.7 Binary processing圖7 二值化處理

2.4 圖像形態學處理與精確定位

圖像形態學處理是應用最廣泛的圖像技術之一，其目的主要是提取圖像中對識別有意義的圖像分量，能夠抓住圖像最本質的形狀特征。圖像形態學處理的主要運算方法包括：膨脹、腐蝕、開運算以及閉運算等［15］。圖像經過腐蝕運算后可使邊緣變得雜亂［16］。膨脹是指一個集或對象目標從其原來的形狀擴大的過程［17］。腐蝕能夠去除圖像邊界，而膨脹與其相反，能夠擴大圖像邊界。本系統運用形態學的開運算（先腐蝕后膨脹）進行圖像處理，移除車牌圖像的連通與孤立像素，使圖像輪廓變得更加光滑。

使用結構元素S對A進行開運算，記作A°S，可表示為：

一般來說，開運算可使圖像輪廓變得光滑，斷開狹窄的連接并消除細毛刺。

如圖8 所示，開運算斷開了圖中兩個小區域間的狹窄連接，并去除了右側物體上部突出的一個小于結構元素的2×2 區域（去除細小毛刺）。但與腐蝕不同的是，圖像大的輪廓并沒有發生整體收縮，物體位置也沒有發生任何變化。

本系統使用開運算運行后的圖像形態學處理結果如圖9 所示。

Fig.8 Open operation effect圖8 開運算效果

Fig.9 Results of image morphology processing圖9 圖像形態學處理結果

系統通過編寫投影函數進一步處理裁剪圖像，使其邊框貼近字體，部分代碼如下：

精確定位圖像結果如圖10 所示。

Fig.10 Accurate positioning of image results圖10 精確定位圖像結果

2.5 圖像車牌分割處理

圖像分割是圖像處理和計算機視覺中應用的基本技術手段［18］，國內外廣泛使用的圖像分割方法主要包括閾值分割法、聚類分割法、區域生長法、深度學習法等［19］。文獻［20］通過對比字符寬度對車牌圖像進行分割，但效果不夠理想。本系統采用閾值分割方法，針對圖像像素灰度值的不同，選取閾值將圖片中的車牌號與背景分割開。常見的閾值分割方法有：①直方圖閾值化法。其根據直方圖谷底確定閾值，但當圖像直方圖兩個區域峰值相差很遠，且圖像受噪聲影響時，該算法則不適用；②迭代選擇閾值法。但該算法的閾值迭代選擇規則不容易選取；③最小均方誤差法。該算法確定閾值時使用的參數非常復雜，而且對圖像有正態分布的要求；④最大類間方差法。該方法不需要人為設定其它參數，是一種自動選擇閾值的方法，而且能得到較好的結果。最大類間方差法的原理為：對圖像進行閾值分割時，選定的分割閾值應使前景區域、背景區域與整幅圖像的平均灰度之間差別最大，這種差異用區域的方差表示。該方法不僅適用于包含兩個區域的單閾值選擇，也適用于多區域的多閾值選擇，而且計算簡單，不受圖像對比度與亮度影響，是閾值分割算法中錯分概率最小的一種算法。

設圖像中灰度為i的像素數為ni，灰度范圍為[0,L-1]，則總像素數為：

各灰度值出現概率為：

對于pi，有：

將圖像中的像素根據閾值T分成兩類C0和C1，C0由灰度值在[0,T-1]范圍內的像素組成，C1由灰度值在[T,L-1]范圍內 的像素組成。則區域C0和C1在整個圖像中出現的概率分別為：

區域C0、C1的平均灰度分別為：

其中，μ是整幅圖像的平均灰度。

兩個區域的總方差為：

在[0,L-1]范圍內對T依次取值，使最大的T值便為最佳區域分割閾值。

接著對字母與數字進行歸一化處理，本系統采用圖像矩歸一化方法校正字符傾斜度，通過圖像矩得到字體實際大小[w1,h1]與中心位置[xz,yz]，修改后的區域為[xz-，計算公式如下：

β作為經驗值通常取β=4，圖像矩計算公式如下：

式中，x、y為圖像坐標像素點，f(x,y)為圖像像素值。

最終的圖像分割效果如圖11 所示。

Fig.11 Image segmentation effect圖11 圖像分割效果

2.6 語音播報

系統會對最后的識別結果進行語音播報，系統中有提前錄制好的數字、字母語音素材，系統通過相應函數實現其功能，部分關鍵代碼如下：

3 結語

本文采用GUI 圖形處理系統進行車牌識別，并通過語音播報讀出結果，可令使用者更方便地使用。測試結果表明，系統對車牌識別的精確度可由95% 提高到96.5%。由于字符筆劃包含豐富的角點信息，后期還可采用角點字符檢測方法提取出圖像中的字符信息，并嘗試使用神經網絡算法，以期提高識別精確度至97% 以上。