基于決策樹模型的車牌數字識別

朱瑤

基于決策樹模型的車牌數字識別

朱瑤

（長安大學汽車學院，陜西 西安 710064）

隨著汽車普及的廣泛化，車輛在為我們帶來便捷和舒適的同時也帶來了極大的挑戰。城市的交通問題、交通壓力、交通風險，都迫使著智能交通系統（Intelligent Transportation System, ITS）的提出，以此緩解汽車普及化帶來的交通問題、壓力及風險。智能交通系統中，最核心的內容便是車牌識別系統。為使智能交通系統更好的發揮作用，增強車牌識別系統是目前研究設計優化的重點，且具有極大的現實意義。文章車牌識別軟件識別對象僅為車牌中的數字字符，識別過程采用了決策樹模型，并使用MATLAB進行圖像預處理操作及車牌數字的識別。

決策樹；ID3算法；車牌識別；MATLAB

引言

據中華人民共和國公安部的統計，截止至2021年5月，我國的機動車保有量突破了3.8億輛。我國經濟社會的持續發展不單單意味著我國社會經濟水平的高速提升，還象征著我國人民生活水平的快速提高，因此，機動車保有量的持續快速增長似乎成為必然。但事實上，如果按我國人口數為14億，機動車保有量3.8億輛計算，我國的千人汽車保有量僅有271輛，遠不及美國千人汽車保有量758輛（人口3.3億，機動車保有量2.5億輛）和日本千人汽車保有量584輛（人口1.268億，機動車保有量0.74億輛）[1]。盡管如此，由于我國交通基礎設施的建設速度遠不及交通工具的增長速度，導致與別國相比，我國所面臨的城市交通壓力更大，道路交通風險更高，道路安全隱患更多。

為了在道路等硬件設施條件的約束下，短時間內有效緩解城市交通壓力、降低道路交通風險、避免道路交通安全隱患；保證人、車輛、道路三者間的和諧關系，并以道路為對象，實現人、非機動車輛、機動車輛的統一管理；盡可能降低人工成本，最終實現交通運輸系統安全、節能、準確、高效的美麗愿景，智能交通系統（Intelligent Transportation System, ITS）的概念被提出了[2]。

截至目前，我國ITS發展已經實現了大幅飛躍。智能交通系統作為一種綜合性系統，具有一定的復雜性，從該系統的系統組成方面看，可以將其分為七個子系統[3]。能夠實現對指定監控路面上的過往車輛進行包括中英文字符和阿拉伯數字的字符識別的技術，被稱為車牌識別技術（VLPR）。該項技術在ITS的多個子系統中均得到了運用，是ITS中的一個基本且關鍵的組成。車牌識別系統的應用極為廣泛，開展車牌識別的研究，逐步提高車牌識別的準確性和高效性，具有極高的應用價值。

1 車牌識別系統研究現狀

1.1 國外研究現狀

早期，車牌識別技術受到了基礎理論知識和技術設備條件的限制，研究水平只能夠停留在簡單的圖像處理技術層面，車牌識別的結果離不開人力操作進行干預處理，并未形成完整的體系。當數學形態學越來越多地運用于圖像處理應用中，J.C.H.Poon和M.Ghadiali等人提出了一種基于灰度形態學運算的算法用于檢測圖像中的車牌位置，雖然圖像復雜度高且噪聲大，但該算法對輸入圖像沒有限制。T.Sirithinaphong和K.Chamnongthai[4]提出利用機動車調節和字符模式識別進行車牌提取，該方法進行實測后的結果顯示，車牌提取率為84.29%，識別率為80.81%。Kaushik Deb和Kang-Hyun Jo[5]提出了一種基于HSI顏色的車牌檢測方法，該方法在應對如照明不良或天氣變化等不良條件時非常有效。Hitesh Rajput和Tanmoy Som[6]等人提出基于單級小波變換的方法在不同照明條件和距離下對40種不同型號的汽車進行試驗，字符識別率達95.6%。

經過世界各國科研人員數十年的努力，車牌識別系統已取得重大進展，其準確性和高效性日益增強。如果將車牌識別系統的運行概括為圖像捕捉、車牌定位、車牌分割和字符識別的依次進行[7]。車牌定位的方法可以高達七種[8]，車牌分割的方法有五種，字符識別的方法也不止一種。

1.2 國內研究現狀

由于各個國家的汽車牌照各不相同，國外的汽車識別系統并不能直接適用于我國的車輛牌照識別。根據我國車牌的不用分類、規格、構成等，我國必須研發出適用于識別本國汽車牌照的識別系統。雖然中國的車牌識別系統相比于國外起步稍晚，但取得的研究成果相當可觀。

早在1988年，西安交通大學人工智能與機器人研究所的研究人員就已經提出了一種利用漢字投影直方圖對中國省名進行識別的系統，該方法具有較強的抗噪性和較高的處理速度，對模糊字符的識別率超過90%，且識別時間不到1秒。而后，大連海事大學信息工程學院的研究人員提出了一種基于改進反向傳播神經網絡的中國車牌識別算法，為嚴重退化的車牌識別提供了解決方案，且取得了不錯的效果[9]。王偉華提出了一種基于徑向基函數神經網絡的車牌識別算法，與反向傳播神經網絡相比，徑向基函數神經網絡可以降低6%以上的誤差識別率，縮短識別時間約0.5秒[10]。邢建軍、李俊[11]等人采用模板匹配處理車牌圖像并用Radon變換進行校正，識別率可達95%以上。

2 決策樹原理

2.1 決策樹模型

決策樹又稱為判定樹，是一種基本的分類與回歸方法，顧名思義其結構呈樹狀。決策樹模型作為一種用以描述對實際例子進行分類判別的樹狀結構，其組成包含了結點和有向邊。其中，結點又有內部結點和葉結點兩種類型。如果將決策樹從根節點到葉節點的每一條路徑都建立一種規則，讓每個內部結點都一一與規則條件相對應，并讓葉節點分別代表對應規則的結果，那么此時的決策樹可以視為?規則的集合[12]。在?集合中，每一個實際例子都可以找到唯一一條與之相對應的路徑，即?集合中的規則具有互斥且完備的性質。

2.2 特征選擇

特征選擇是對給定的訓練集進行數據分類特征的選取過程，正確的特征選取可提高決策樹的學習效率并增加決策樹預測的準確性。當選擇特征后的數據無法與隨機分類時的數據結果產生較大差別時，可以知道該特征不具備足夠的分類能力，選取該特征的意義不大，在決策樹學習中，可以選擇忽略這樣的特征，此時，對決策樹的精度影響并不大。在進行決策樹的特征選擇時，通常以信息增益來作為衡量標準，一般會選擇具有最高信息增益的特征作為該結點特征，這樣會使得分類所需的信息量最小，即使此時的決策樹不一定為最簡單的決策樹。

2.3 決策樹構建

ID3算法的核心是對決策樹所有結點選擇合適的特征以構建決策樹。在構建決策樹時，應以根節點作為起點開始計算所有結點的所有可能特征的信息增益，并加以比較，根據比較的結果，從中選取信息增益增大的特征作為結點特征，而后，通過對該結點特征的不同取值進行子節點構建，再對子節點遞歸進行上述方法來構建決策樹，當所有特征信息增益均為一定標準之下，或者已經不再存在可選的特征，則決策樹的構建至此結束。因此，決策樹構建的關鍵在于選擇合適的特征來構建決策樹的分支。一般地，我們希望得到的理想決策樹標準有三個，分別是葉子結點數量最少、葉子結點深度最小或同時滿足上述兩個標準。從這三個標準中選擇一個作為決策樹構建的標準，會更加便于得到理想的簡單決策樹。

3 車牌數字識別設計及實現

3.1 實驗平臺

3.1.1軟件平臺

在車牌識別系統的設計過程中，常選用的編程語言有C語言、Java等，而在本次設計中，采用了MATLAB r2019b進行車牌數字識別軟件的設計。MATLAB的優勢在于其強大的數學計算功能，對大規模的數據計算可以保證其高效性。MATLAB集眾多數學函數于一體，是一個專業且高效的工具。

3.1.2硬件平臺

本次軟件設計中所使用的硬件平臺參數如表1所示。

表1 硬件平臺參數

硬件參數信息 操作系統macOS High Sierra 處理器1.6 GHz Intel Core i5 內存4 GB 1600 MHz DDR3 顯卡Intel HD Graphics 6000 1536 MB

3.2 實驗結果

3.2.1決策樹構建

本設計將決策樹的ID3算法應用于車牌數字識別軟件的設計過程中，為實現車牌數字的成功識別，需構建一個決策樹。為了保護車牌信息的隱私性，本設計中采用手寫數字圖片替代真實汽車牌照圖片進行決策樹訓練集的建立及軟件測試。

圖1 圖像預處理過程效果圖像

為獲得數字圖片，首先使用MATLAB軟件進行編程得到可以實現手寫板功能的程序，手寫輸入數字0—9各10個并分別儲存為.jpg形式的圖片，共計圖片100幅，并以此作為決策樹的訓練集。通過對樣例圖像進行二值化、圖像網格化、灰度值統計等一系列預處理過程后，將每幅圖像的各子圖像作為不同屬性進行特征提取，由此，可以得到100行、16列的原始訓練集數據。

因為本設計中選用的手寫板為白底黑字，故圖像二值化過程并不能直觀觀察出圖像的變化，而是改變了表示圖像的矩陣數值。本設計中圖像二值化的實現是用MATLAB的graythresh函數，使用最大類間方差法計算得到該圖像的合適閾值，并利用該閾值將原始圖像轉換為二值圖像。而后找到二值圖像中包含該數字的最小矩形區域進行分割。本設計將圖像分為面積相等的4×4區域，并對每一區域進行灰度值統計，將每個區域中的圖像占該矩形面積的比值作為該區域的特征值。該圖像進行計算后得到16個特征值如表2所示。

圖2 決策樹

為了方便決策樹建立過程中的計算，根據過往經驗，選取值為0.10的閾值對原始訓練集進行簡化，可以得到特征值僅存在0和1的新訓練集數據，且其大小為100×16。該樣例圖像特征值進行簡化后得到新特征值如表3所示。

根據新訓練集及決策樹的期望信息量、熵及信息增益的定義公式，可以計算得到所有屬性的信息增益，從中選取信息增益最大的屬性作為本設計中決策樹的根節點。經過計算比較可以得出，該訓練集中信息增益最大的屬性為屬性10，信息增益值為3.265 2。因此將屬性10作為決策樹的根節點，同時，可以理解為每幅圖像的第10塊子圖像對數字識別至關重要。而后，根據決策樹構建方法進一步計算得到決策樹的各子節點，直至訓練集為空或者所有樣本屬于同一類為止。最后完成決策樹的構建。根據該訓練集，本設計所建決策樹如圖2所示。

表2 樣例圖像特征值

特征值 0.142 90.281 10.161 30.153 60.129 50.245 50.157 80.117 60000.268 80.164 40.164 40.188 70.227 3

表3 樣例圖像新特征值

新特征值 1111111100011111

在建立的決策樹中，未注明的分支均默認左側為特征值為0時的路徑，右側為特征值為1時的路徑。

3.2.2軟件測試

通過MATLAB中的手寫板程序進行測試數字圖像的輸入，對測試圖像進行預處理、特征提取，將提取到的特征根據所建決策樹進行分類，并輸出識別的數字結果。

在軟件測試中，輸入了數字0—9的數字圖像各一個，測試結果顯示，準確率為90%，正確識別的數字有：0、1、2、4、5、6、7、8、9；未能正確識別的數字為：3，且識別結果為數字8。

根據本設計建立的決策樹對該測試圖像進行分類，得到錯誤地識別結果：數字8。

本次軟件測試的結果如表4所示。

表4 軟件測試結果

測試數字特征值識別結果 011111001100111110 100110111111011001 211100010011011112 311110111011111118 401101110111101004 511101000111111115 601001000111111116 711110001001000107 811111110110111118 911111111001001009

4 總結

本設計將決策樹的ID3算法應用于車牌數字識別軟件的設計過程中，為實現車牌數字的成功識別，需構建一個決策樹。為了保護車牌信息的隱私性，本設計中采用手寫數字圖片替代真實汽車牌照圖片進行決策樹訓練集的建立及本設計使用手寫數字圖像模擬車牌數字圖像，并利用MATLAB軟件對數字圖像進行預處理，依次完成圖像二值化、最小矩形確定、圖像網格化、灰度值統計幾個過程，每幅圖像可得到16個特征值。為方便后續工作的進行，保證決策樹的成功建立，根據經驗選取一閾值，將圖像的特征值二值化。本設計中建立的決策樹，其訓練集包含100幅圖片，故訓練集矩陣大小為100×16對這16個屬性進行信息增益的計算，得到該決策樹根節點為屬性10，而后繼續進行遞歸計算，可得到一個完整的決策樹。

以該決策樹作為車牌數字識別的分類依據，進行10次測試，識別準確率為90%，正確識別出數字：0、1、2、4、5、6、7、8、9；未能正確識別出數字：3。

[1] 鄧明陽.道路交通事故背景因素數據統計分析系統研究[D].西安:長安大學,2010.

[2] 石峻.智能公交調度系統的優化研究與實現[D].濟南:山東大學, 2005.

[3] 李偉杰.基于機器視覺的車道偏離系統的研究[D].北京:北京交通大學,2010.

[4] Microelectronics and Integrating Systems. Proceedings (Cat.No.98 EX242), Chiangmai,Thailand,1998:559-562.

[5] K. Deb and K. Jo, "HSI color based vehicle license plate detection," 2008 International Conference on Control, Automation and Systems, Seoul, 2008:687-691.

[6] H. Rajput, T. Som and S. Kar, "An Automated Vehicle License Plate Recognition System,"in Computer, vol.48,no.8,pp.56-61,Aug. 2015.

[7] 葛二壯.車牌識別系統中車牌定位與字符分割方法的研究[J].科技風,2011,(23):31-31+33.

[8] 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.

[9] 謝嘉樂.基于改進的Lm-BP神經網絡的車牌識別算法研究與應用[D].廣州:廣東工業大學,2016.

[10] 裴加強.車牌識別系統中車牌定位方法的研究[J].可編程控制器與工廠自動化,2009(09):72-74.

[11]何兆成,佘錫偉,余文進,等. 字符多特征提取方法及其在車牌識別中的應用[J].計算機工程與應用,2011, 47(023):228-231.

[12] 李世奇.面向文景轉換的中文淺層語義分析方法研究[D].哈爾濱:哈爾濱工業大學,2012.

Design of License Plate Number Recognition Based on Decision Tree

ZHU Yao

( School of Automobile, Chang'an University, Shaanxi Xi'an 710064 )

With the continuous development and progress of the economy and society, China's automobile industry is becoming increasingly prosperous, and the popularity of automobiles is becoming more and more profound, which brings us convenience and comfort as well as great challenges. In order to solve urban traffic problems, relieve urban traffic pressure and reduce urban traffic risks, Intelligent Transportation System (ITS) has been put forward. In the intelligent transportation system, the license plate recognition system's core status is beyond doubt. Therefore, the research on license plate recognition system is of great practical significance.The license plate recognition software designed in this paper only recognizes the number characters in the license plate. In the recognition process, a decision tree model is adopted, and MATLAB is used for image preprocessing and license plate number recognition.

Decision Tree; Iterative Dichotomiser 3 Algorithm; Vehicle License Plate Recognition; MATLAB

A

1671-7988(2021)22-222-04

U495；TP391.4

A

1671-7988(2021)22-222-04

CLC NO.: U495;TP391.4

朱瑤（1997—），女，碩士，就讀于長安大學汽車學院，研究方向：圖像識別。

10.16638/j.cnki.1671-7988.2021.022.057