基于計(jì)算機(jī)視覺的車牌識(shí)別系統(tǒng)方法研究

陳子言，丁楊軍

（1 武漢東湖學(xué)院 湖北 武漢 430212）

（2 南京審計(jì)大學(xué) 江蘇 南京 211815）

0 引言

車牌識(shí)別在車輛定位、高速公路自動(dòng)化監(jiān)管以及公路收費(fèi)站等方面廣泛應(yīng)用，提高了智慧交通的管理效率。隨著經(jīng)濟(jì)發(fā)展和人民生活水平提高，越來越多的人使用汽車作為出行工具，這使得汽車數(shù)量迅速增加，從而給交通管理帶來了巨大壓力。為了規(guī)范車輛行駛以及合理引導(dǎo)車流，對車輛精準(zhǔn)識(shí)別尤為重要。車牌號(hào)作為汽車的“身份證號(hào)”，對于車輛的識(shí)別主要是對車牌號(hào)的識(shí)別，因此采用何種技術(shù)識(shí)別車輛已成為相關(guān)部門和企業(yè)所關(guān)注的熱點(diǎn)問題。本文分析了當(dāng)前車牌識(shí)別的主流方法，在此基礎(chǔ)上將車牌識(shí)別處理過程分為車牌圖像預(yù)處理、車牌定位、字符分割和字符識(shí)別4個(gè)步驟，并搭建了車牌識(shí)別系統(tǒng)。

1 圖像預(yù)處理

1.1 圖像灰度化

車輛圖片樣本一般是包含大量顏色數(shù)據(jù)的彩色圖像，雖然在人眼看來色彩豐富，但在機(jī)器處理時(shí)由于含有多余顏色數(shù)據(jù)而降低處理效率。在圖像中，每個(gè)像素點(diǎn)RGB值可能都不同，當(dāng)R=G=B=Gray時(shí)，Gray的值為灰度值，灰度化就是把圖像中的所有像素值的RGB值統(tǒng)一轉(zhuǎn)化為灰度值[1]。將彩色圖像轉(zhuǎn)換為灰度圖主要有三種計(jì)算方法，分別是平均值法、加權(quán)平均值法和最大值法[2]。采用加權(quán)平均值法將圖像灰度化，圖像灰度化效果對比圖如圖1所示。

圖1 車輛灰度化對比效果圖

1.2 圖像增強(qiáng)與去噪

由于圖像經(jīng)過灰度化處理而失去顏色，圖像中的車牌區(qū)域在圖像中不突出，若采集的圖片是昏暗或明亮環(huán)境，會(huì)影響后續(xù)的車牌定位效果，故要使用圖像增強(qiáng)技術(shù)，提高車牌區(qū)域的對比度，減弱干擾信息。為了盡可能地降低噪聲，要對圖像做平滑處理。一般來說，車牌內(nèi)容大部分都在圖像的高頻區(qū)域，而此區(qū)域也存在一些高頻干擾，且噪聲的頻率與特征信息的頻率不同，使用低通濾波器將車牌內(nèi)容與其他噪聲頻率區(qū)分開，減少車牌區(qū)域內(nèi)非車牌信息的噪聲[3-4]。圖像增強(qiáng)與去噪后的效果圖如圖2所示。

圖2 去噪后的增強(qiáng)圖

1.3 圖像邊緣檢測

邊緣通常有兩種類型，一種是指在邊緣兩側(cè)灰度值急劇變化的階躍狀邊緣，另外一種是屋頂狀邊緣，邊緣處于灰度值從小到大再到小的變化轉(zhuǎn)折點(diǎn)處[5]。圖片邊緣是圖像最基本的特征，也是圖像中灰度值變化較大的區(qū)域。經(jīng)典的邊緣檢測算法的研究過程是以某個(gè)像素為原點(diǎn)，和周圍的像素構(gòu)成邊緣檢測算子，計(jì)算其微分值的高低來表明該區(qū)域灰度的強(qiáng)弱[6]。邊緣檢測的目的是對圖像中亮度變化明顯的像素點(diǎn)進(jìn)行標(biāo)注，而車牌底色和車牌字符有著明顯的灰度變化，所以通過邊緣檢測的方法將車牌區(qū)域從整幅圖中凸顯出來。

1.4 圖像二值化

圖像二值化是將背景區(qū)域與前景分離的過程[7]。首先將像素點(diǎn)的灰度值設(shè)為0或255，根據(jù)設(shè)定的圖像閾值進(jìn)行分割，確定當(dāng)前像素是背景區(qū)域還是前景區(qū)域，從而將圖像呈現(xiàn)出黑白效果，實(shí)現(xiàn)將整個(gè)圖像像素點(diǎn)的灰度值轉(zhuǎn)化為只有0或255兩種級(jí)別的二值化圖像。經(jīng)過二值化后，圖像既保留了車牌區(qū)域的特征，又減少了背景干擾，從而突出目標(biāo)位置的輪廓。圖像二值化效果如圖3所示。

圖3 二值化圖像

2 車牌區(qū)域的定位

2.1 生成邊緣點(diǎn)圖

對車輛圖像進(jìn)行二值化處理后，用白點(diǎn)將特征區(qū)域及其內(nèi)容清晰地描繪出來，但是這些線條還是不夠細(xì)，不容易用這些特征來定位車牌位置，下一步的處理要將二值圖像生成邊緣點(diǎn)圖，這樣可以將圖像的特征區(qū)域的線條變成由一個(gè)個(gè)白點(diǎn)組成的邊緣點(diǎn)圖，之后可以利用生成的邊緣點(diǎn)圖定位車牌區(qū)域[8]。I是行數(shù)，設(shè)初始時(shí)I=1，求邊緣點(diǎn)的算法描述如下：

（1）檢查I行的每一個(gè)像素點(diǎn)，若像素點(diǎn)的像素值為0（黑色），則繼續(xù)向后檢查；若像素點(diǎn)的像素值為255（白色），則檢查該點(diǎn)左邊相鄰點(diǎn)的像素值：若值為0，不做處理；若值為255，則將當(dāng)前點(diǎn)像素值設(shè)為0。繼續(xù)向后掃描，直到掃描完該行最后一個(gè)像素點(diǎn)。

（2）若I為最后一行，結(jié)束掃描；否則I++，繼續(xù)執(zhí)行第一步。

執(zhí)行完以上算法，能夠得出邊緣點(diǎn)圖。生成的邊緣點(diǎn)圖如圖4所示。

圖4 邊緣點(diǎn)圖

2.2 車牌定位

根據(jù)邊緣點(diǎn)圖定位車牌，車牌定位的過程如下：

（1）尋找車牌的可能范圍。掃描整個(gè)圖片，從第一行開始，搜索可能邊點(diǎn)數(shù)，以確定車牌可能的范圍，首先確定閾值N，若存在連續(xù)N行均有一個(gè)大于等于車牌長度的線段，則找到一個(gè)可能的車牌區(qū)域，記錄該區(qū)域的起始行數(shù)和尾行數(shù)；然后在此范圍做到掃描，再確定該車牌候選區(qū)域的起始列坐標(biāo)和結(jié)尾列坐標(biāo)，這樣就確定了一個(gè)可能的車牌區(qū)域[9]。

（2）繼續(xù)掃描圖片，尋找其他的可能區(qū)域，直至掃描整個(gè)圖片。

（3）找到真正的車牌位置。經(jīng)過以上兩個(gè)步驟后，會(huì)發(fā)現(xiàn)一組可能是車牌的范圍，這就需要排除干擾范圍區(qū)域，找出唯一的最可能的車牌位置。國內(nèi)的車牌的長寬比例是固定的，可以根據(jù)這個(gè)特點(diǎn)相應(yīng)地找出實(shí)際的車牌范圍。

經(jīng)過以上步驟，從而發(fā)現(xiàn)車牌區(qū)域位置。

3 車牌字符分割

3.1 傾斜度調(diào)整

當(dāng)存在定位車牌圖像傾斜現(xiàn)象的時(shí)候，調(diào)整車牌的傾斜度至關(guān)重要，讓車牌內(nèi)的字符處于同一水平位置，這樣可以保證后面字符分割的完整性。算法思想是基于左側(cè)和右側(cè)的白色像素點(diǎn)的平均高度，若字符兩側(cè)的像素點(diǎn)的平均高度值差值過大，則該車牌角度傾斜，需要調(diào)整車牌的角度。調(diào)整過程主要是通過計(jì)算圖像左右兩半邊的像素值為255的像素點(diǎn)的平均高度，再找到斜率，依據(jù)斜率重建圖像。組建思想是：若新圖像的像素被映射到原圖像時(shí)，沒有在原圖像范圍內(nèi)，則把新圖像像素置為0[10]。

3.2 基于垂直投影的車牌字符分割方法

基于垂直投影的車牌字符分割方法算法思想是：根據(jù)在此前處理的二值化圖像，從左到右依次檢測每一個(gè)坐標(biāo)投影數(shù)值，將第一個(gè)投影數(shù)值不為0所屬的像素點(diǎn)作為第一個(gè)投影區(qū)域的左邊界；然后向右檢測，將檢測到的第一個(gè)投影數(shù)值為0所屬的像素點(diǎn)作為第一個(gè)投影區(qū)域的右邊界[11]。根據(jù)此算法再找到其余六個(gè)投影區(qū)域的左右邊界，然后根據(jù)這些區(qū)域來對整個(gè)車牌字符進(jìn)行分割，最后得到一個(gè)個(gè)的單獨(dú)的字符。應(yīng)用投影法進(jìn)行字符分割的結(jié)果如圖5所示。

圖5 車牌字符分割結(jié)果

4 車牌識(shí)別實(shí)驗(yàn)

通過pycharm平臺(tái)，選取不同拍攝場景拍攝的車牌樣本圖片400張，其中正確定位車牌位置的圖片有390張，車牌定位正確率為97.5%。對正確定位的390個(gè)車牌進(jìn)行字符識(shí)別，識(shí)別效果如圖6所示，識(shí)別結(jié)果統(tǒng)計(jì)如表1所示。

圖6 車牌識(shí)別結(jié)果頁面

表1 車牌識(shí)別結(jié)果統(tǒng)計(jì)表

由表1可知，待檢測字符共2 730個(gè)，正確識(shí)別的字符個(gè)數(shù)為2 593個(gè)，系統(tǒng)對字符的識(shí)別正確率為94.98%，其中漢字字符識(shí)別正確率為93.85%，英文字符識(shí)別正確率為94.43%，數(shù)字字符識(shí)別正確率為96.10%，由于漢字的復(fù)雜性，正確識(shí)別率低于英文和數(shù)字字符。通過對識(shí)別不正確的車牌進(jìn)行分析，發(fā)現(xiàn)主要是兩種原因所導(dǎo)致，一是由于圖片質(zhì)量低，二是車牌存在污染導(dǎo)致字符分割和識(shí)別受影響。

5 結(jié)語

本文設(shè)計(jì)并實(shí)現(xiàn)了車牌識(shí)別系統(tǒng)，解決了在復(fù)雜環(huán)境下無法準(zhǔn)確識(shí)別車牌字符的弊端。實(shí)驗(yàn)表明，車牌識(shí)別系統(tǒng)可有效應(yīng)用于不同光照條件及不同顏色車牌等復(fù)雜場景，并能夠?qū)嚺莆恢脺?zhǔn)確定位以及對畸變車牌矯正，提高了車牌字符識(shí)別準(zhǔn)確率，具有較大實(shí)用價(jià)值。但由于本人學(xué)識(shí)受限，對于車牌識(shí)別算法的研究還并未完善，在之后研究中需要進(jìn)一步優(yōu)化算法，提高車牌字符識(shí)別率，提升系統(tǒng)的整體性能。