基于MATLAB的車牌識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

張文俊 李小蘭

關(guān)鍵詞：智能交通;車輛牌照識(shí)別技術(shù);MATLAB;圖像處理;形態(tài)學(xué)處理

0引言

隨著經(jīng)濟(jì)的不斷發(fā)展，汽車已成為人們交通出行的常用選擇。隨著車輛數(shù)量的增加，交通管理問(wèn)題變得更加突出，智能化車輛管理成為道路交通管理的重點(diǎn)。在智能化車輛管理中，車輛牌照識(shí)別（VehicleLi?censePlateRecognition，VLPR）技術(shù)顯得尤為重要，可應(yīng)用于停車場(chǎng)管理、高速公路違法車輛監(jiān)控識(shí)別、小區(qū)智慧車輛管理等場(chǎng)景。車牌作為車輛的唯一標(biāo)識(shí)，是車輛的“身份證”，如何進(jìn)行快速、實(shí)時(shí)、準(zhǔn)確的車輛牌照識(shí)別是關(guān)鍵。

要實(shí)現(xiàn)車輛牌照的精確識(shí)別，有多種方法可選：基于特征提取的方法[1]、基于模板匹配的方法[2]、基于分類器的方法[3]、基于神經(jīng)網(wǎng)絡(luò)的方法[4]等。基于特征提取的車牌識(shí)別方法對(duì)于處理車牌畸變、傾斜或光照不均等復(fù)雜背景下的識(shí)別效果較好，但需要消耗大量計(jì)算資源，當(dāng)數(shù)據(jù)量過(guò)大時(shí)會(huì)導(dǎo)致識(shí)別速度變慢。基于分類器和基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法雖然能夠快速處理不同類型的車牌并識(shí)別字符，但需要大量訓(xùn)練數(shù)據(jù)和計(jì)算資源，并需要根據(jù)評(píng)估結(jié)果反復(fù)調(diào)整模型參數(shù)。而基于模板匹配的方法快速簡(jiǎn)單，不需要大量數(shù)據(jù)作為訓(xùn)練支撐，因此本文選擇研究基于模板匹配的車輛識(shí)別方法。考慮到車牌圖像的角度、大小和字體等問(wèn)題，本文引入結(jié)構(gòu)相似性度量（SSIM）值來(lái)計(jì)算字符的匹配程度，從而成功識(shí)別出車牌號(hào)碼。

1相關(guān)方法概述

在車牌號(hào)碼識(shí)別的過(guò)程中，圖像質(zhì)量的好壞直接影響最終識(shí)別結(jié)果的準(zhǔn)確率。為了改善圖像質(zhì)量，在處理車牌圖像時(shí)需要進(jìn)行一系列的預(yù)處理操作，以去除背景噪聲和干擾信息。經(jīng)過(guò)預(yù)處理后，能夠增強(qiáng)圖像中目標(biāo)區(qū)域特征，有助于后續(xù)的車牌定位、分割和識(shí)別。

車牌區(qū)域的分割是識(shí)別過(guò)程中的關(guān)鍵步驟之一。文獻(xiàn)[5]提到了基于二值圖像像素分割的方法，利用閾值將圖像轉(zhuǎn)換為黑白形式，并通過(guò)標(biāo)記連通區(qū)域來(lái)實(shí)現(xiàn)分割。另外，文獻(xiàn)[6]利用極值區(qū)域和Top-Hat變換來(lái)分割車牌區(qū)域，通過(guò)判斷關(guān)聯(lián)區(qū)域來(lái)獲取特征，使得分割更準(zhǔn)確。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（CNN）、BP神經(jīng)網(wǎng)絡(luò)等模型[7]也被廣泛應(yīng)用于車牌字符的分割和識(shí)別，能夠自動(dòng)學(xué)習(xí)和提取圖像中的特征，實(shí)現(xiàn)高精度的字符分割和識(shí)別。

在車牌定位方面，也有多種算法用于精確定位車牌位置。數(shù)學(xué)形態(tài)學(xué)方法通過(guò)膨脹和腐蝕等操作來(lái)提取車牌區(qū)域，而基于顏色的分割方法[8]則通過(guò)設(shè)定特定的顏色范圍來(lái)定位車牌。另外，基于紋理和特征的方法利用圖像中的紋理和邊緣信息來(lái)識(shí)別車牌位置。

對(duì)于車牌字符的識(shí)別，模板匹配是一種常用的方法，通過(guò)將待識(shí)別的字符與預(yù)定義的標(biāo)準(zhǔn)模板進(jìn)行匹配來(lái)確定字符的類別。Gabor變換也被用于車牌字符的識(shí)別，通過(guò)提取特定頻率和方向的信息來(lái)進(jìn)行識(shí)別。當(dāng)然，基于深度學(xué)習(xí)的方法也在車牌字符識(shí)別中得到廣泛應(yīng)用，能夠提高識(shí)別的準(zhǔn)確性和效率。

2總體設(shè)計(jì)方案

在本文中，車輛牌照識(shí)別系統(tǒng)的總體設(shè)計(jì)主要包括車輛圖像預(yù)處理、車輛區(qū)域的分割、車牌字符的分割和車牌字符的識(shí)別。首先，對(duì)采集到的車輛圖像進(jìn)行預(yù)處理，去除部分會(huì)影響最終結(jié)果的噪聲和干擾信息。隨后，通過(guò)行列像素掃描定位車牌位置并粗略分割出車牌圖像，利用形態(tài)學(xué)方法去除車牌圖像的邊框，精準(zhǔn)定位到車牌字符區(qū)域。接著，通過(guò)垂直方向投影，結(jié)合字符的寬高比，選取合適的分割閾值進(jìn)行車牌字符的分割。然后，建立字符模板庫(kù)，通過(guò)計(jì)算分割字符與模板字符的結(jié)構(gòu)相似性度量（SSIM）值來(lái)識(shí)別車牌號(hào)碼，最后輸出結(jié)果。總體流程如圖1所示，該過(guò)程采用MATLAB2019a軟件實(shí)現(xiàn)，并在Windows10系統(tǒng)環(huán)境下完成。

2.1車輛圖像預(yù)處理

由于實(shí)驗(yàn)數(shù)據(jù)獲取條件有限，采集到的自然圖像中包含大量干擾信息，如光照不均勻、空氣中的灰塵、非車輛物體噪聲等。為了消除圖像中噪聲對(duì)結(jié)果的影響，需要對(duì)采集到的圖像進(jìn)行預(yù)處理。預(yù)處理過(guò)程包括：圖像灰度化、中值濾波、邊緣檢測(cè)和形態(tài)學(xué)圖像處理操作（腐蝕、閉操作、刪除小對(duì)象）。彩色圖像中的每個(gè)像素由R、G、B三個(gè)分量決定，為了降低計(jì)算量，對(duì)自然圖像進(jìn)行灰度化處理。本文使用公式（1）所示的加權(quán)平均值法進(jìn)行灰度化，并將灰度化后的圖像存儲(chǔ)下來(lái)便于后續(xù)操作。

其中，Gray為圖像的灰度值像素，R、G、B分別為圖像的紅、綠、藍(lán)三個(gè)通道對(duì)應(yīng)的像素值。計(jì)算出Gray灰度值后，將該灰度值賦給對(duì)應(yīng)位置，從而得到灰度圖像，如圖2所示。

灰度化處理后，對(duì)圖像進(jìn)行濾波操作可以有效減少圖像中的噪聲。本文運(yùn)用中值濾波器去除噪聲，改善了圖像質(zhì)量，同時(shí)保留了圖像的邊緣信息。中值濾波是一種常見的濾波方法，可以有效抑制椒鹽噪聲和脈沖噪聲等。

在完成圖像濾波后，本文采用Roberts算子進(jìn)行邊緣檢測(cè)，以增強(qiáng)圖像中車輛的邊緣信息。Roberts算子，也稱為羅伯茨算子，是一種利用局部差分算子尋找邊緣的算子，通過(guò)計(jì)算對(duì)角線方向相鄰像素之差的近似梯度幅值來(lái)檢測(cè)邊緣，對(duì)垂直邊緣的檢測(cè)效果尤佳。在圖像中，車牌區(qū)域主要為矩形或類矩形區(qū)域，因此采用Roberts算子來(lái)增強(qiáng)車牌位置的邊緣信息，處理后的結(jié)果如圖3所示。

經(jīng)過(guò)邊緣檢測(cè)后，對(duì)圖像進(jìn)行形態(tài)學(xué)處理。形態(tài)學(xué)圖像處理操作包括圖像腐蝕、膨脹、開運(yùn)算、閉運(yùn)算和擊中-擊不中變換。通過(guò)形態(tài)學(xué)操作，可以從圖像中提取有利于描述和使用的區(qū)域形狀，如邊界、骨架和凸殼等圖像分量。在本文中，主要使用了腐蝕、閉運(yùn)算和刪除小對(duì)象操作。通過(guò)腐蝕，可以去除背景中的不連通區(qū)域，如樹木等。隨后采用閉運(yùn)算平滑邊界，通過(guò)刪除小對(duì)象操作即可得到車牌區(qū)域，如圖3所示。可以看到，通過(guò)腐蝕運(yùn)算，圖像中雜亂的背景信息被有效去除；經(jīng)過(guò)閉運(yùn)算，得到了較大的車牌連通區(qū)域以及小的背景干擾區(qū)域；最后，通過(guò)刪除小對(duì)象，得到了完整的車牌區(qū)域。通過(guò)形態(tài)學(xué)處理，可以有效消除圖像中非車牌位置的干擾信息，為后續(xù)的車牌定位和分割操作提供便利。

2.2車牌區(qū)域定位及分割

在得到僅包含車牌區(qū)域的二值圖像后，為了準(zhǔn)確地對(duì)車牌進(jìn)行定位和分割，本文采用了行列像素掃描法。該方法通過(guò)逐行逐列地掃描圖像中的像素值，統(tǒng)計(jì)行和列上的像素變化情況，從而識(shí)別出車牌區(qū)域邊界。通過(guò)這種方式，可以獲取車牌區(qū)域的邊界坐標(biāo)信息，為后續(xù)的車牌定位和識(shí)別提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。

根據(jù)多張圖像實(shí)驗(yàn)結(jié)果，本文選擇分割的最佳閾值為35，超過(guò)該值時(shí)判定其為車牌區(qū)域。根據(jù)行和列的像素掃描結(jié)果，結(jié)合車牌的寬高比等信息，得出車牌區(qū)域的四個(gè)待分割邊界點(diǎn)坐標(biāo)。根據(jù)邊界點(diǎn)坐標(biāo)可以精準(zhǔn)地分割出車牌區(qū)域，如圖4所示。

2.3車牌字符分割

在獲取到車牌區(qū)域圖像之后，需要對(duì)其進(jìn)行分割以獲得單獨(dú)的車牌字符圖像。由于采集角度的問(wèn)題，車牌可能存在傾斜情況，從而影響字符識(shí)別的準(zhǔn)確率。

為了解決這個(gè)問(wèn)題，本文采用Radon變換對(duì)圖像進(jìn)行傾斜矯正。Radon變換是一種圖像處理技術(shù)，通過(guò)將圖像投影到不同方向的線上，計(jì)算其投影值，然后整合得到變換后的圖像。Radon變換對(duì)圖像進(jìn)行旋轉(zhuǎn)和平移等變換操作，實(shí)現(xiàn)圖像的傾斜矯正。通過(guò)Radon變換的應(yīng)用，我們可以將車牌圖像調(diào)整到正確的角度，從而提高后續(xù)字符識(shí)別的準(zhǔn)確率，其數(shù)學(xué)表達(dá)式如式（2）所示。

在對(duì)車牌圖像進(jìn)行傾斜校正后，進(jìn)行二值化操作以進(jìn)一步簡(jiǎn)化圖像并突出車牌字符特征。在車牌圖像中，除了車牌字符外，還包含間隔符“·”。為了更好地分割車牌字符，在分割前將間隔符去掉，得到非連通的車牌字符圖像，即每個(gè)字符在圖像中是相互獨(dú)立的。

接下來(lái)，為了更好地識(shí)別和定位車牌字符，本文采用水平方向上的垂直投影法。通過(guò)對(duì)垂直方向進(jìn)行投影，生成一個(gè)垂直投影直方圖，如圖5所示。這個(gè)直方圖清晰地展現(xiàn)了每個(gè)字符在垂直方向上的分布情況。通過(guò)觀察這個(gè)直方圖，可以看到每個(gè)字符之間明顯存在一定的空隙，這些空隙為我們提供了字符間的位置信息。根據(jù)該位置信息結(jié)合字符寬度對(duì)車牌字符進(jìn)行分割，分割后的車牌圖像如圖6所示。

2.4車牌字符識(shí)別

得到分割后的車牌字符圖像之后，本文通過(guò)計(jì)算圖像的相似性SSIM值來(lái)對(duì)車牌字符進(jìn)行識(shí)別。在進(jìn)行此步驟前建立了無(wú)干擾信息的車牌字符圖片模板庫(kù)，并將所有圖片進(jìn)行歸一化操作，統(tǒng)一它們的像素值范圍和尺寸。接下來(lái)，將分割后的車牌字符圖像與模板庫(kù)中的圖像進(jìn)行比較從而得到字符識(shí)別結(jié)果。

SSIM是結(jié)構(gòu)相似性度量指標(biāo)，可以衡量?jī)煞N圖像之間的相似度。SSIM算法注重圖像的結(jié)構(gòu)相似性，對(duì)于不同字體的字形，可以更好地檢測(cè)出其細(xì)微差異。通過(guò)計(jì)算每張車牌字符圖像與模板庫(kù)中字符圖像的SSIM值，可以評(píng)估它們的相似度。SSIM值越接近1，表示兩個(gè)圖像越相似，即被識(shí)別的車牌字符與對(duì)應(yīng)的模板字符圖像越匹配。圖像SSIM值的計(jì)算公式如（3）、（4）所示。

式中，分別代表兩張圖像，為圖像的標(biāo)準(zhǔn)差，為圖像的均值，為0.01，為0.03，L為255。

計(jì)算車牌字符與模板字符的SSIM值，值越高說(shuō)明兩張圖像越相似，匹配度越高，即可獲得對(duì)應(yīng)的字符。最終識(shí)別得到的結(jié)果如圖7所示。

3實(shí)驗(yàn)結(jié)果展示

本文的實(shí)驗(yàn)數(shù)據(jù)部分來(lái)源于網(wǎng)絡(luò)，部分為采集拍攝的真實(shí)車輛圖像。為了避免造成隱私信息泄露，本文在進(jìn)行實(shí)驗(yàn)前對(duì)真實(shí)車輛號(hào)碼進(jìn)行了處理。由于拍攝設(shè)備及環(huán)境影響，實(shí)驗(yàn)用到的圖像數(shù)據(jù)存在像素模糊、大小不一等問(wèn)題，從而導(dǎo)致算法分割后的車牌大小也不盡相同。因此，在進(jìn)行實(shí)驗(yàn)之前，先對(duì)實(shí)驗(yàn)圖像通過(guò)最近鄰插值法進(jìn)行處理，保證圖像數(shù)據(jù)大小的統(tǒng)一。本文中所展示的數(shù)據(jù)僅用于此次實(shí)驗(yàn)，圖8展示了部分實(shí)驗(yàn)圖片中的車輛原始圖像。

通過(guò)灰度化處理后，得到的車輛圖像如圖9所示。

圖10展示了通過(guò)車牌定位分割，以及進(jìn)行Ran?don傾斜校正后的車牌圖像。可以看到該車牌圖像中車牌字符清晰，且角度正常，為后續(xù)的車牌字符分割提供了支持。

對(duì)圖10中的車牌圖像，采用垂直投影直方圖法對(duì)其進(jìn)行分割，分割后的車牌字符圖像如圖11所示。

最終識(shí)別結(jié)果如圖12所示。從圖中可以看出，本文采用的方法能夠準(zhǔn)確識(shí)別車牌號(hào)碼。其中，部分圖片由于車牌占整個(gè)圖像比例大，車牌定位更加精準(zhǔn)；但也存在部分圖片因車輛玻璃反光等干擾信息導(dǎo)致預(yù)處理后圖像存在噪聲，因此定位相對(duì)不夠精準(zhǔn)。然而，在腐蝕閉運(yùn)算等形態(tài)學(xué)操作處理下，也能正確定位并識(shí)別出車牌字符。最后，通過(guò)模板匹配成功識(shí)別出車牌號(hào)碼。

4結(jié)論

本文主要對(duì)車輛牌照識(shí)別整個(gè)過(guò)程進(jìn)行了研究，在MATLAB軟件中實(shí)現(xiàn)了車輛圖像預(yù)處理、車牌定位與分割、車牌字符分割處理、車牌字符識(shí)別。通過(guò)對(duì)包含車輛的自然圖像進(jìn)行預(yù)處理，增強(qiáng)車牌特征信息，然后采用行列像素掃描法分割得到車牌區(qū)域；通過(guò)垂直投影直方圖法對(duì)間隙進(jìn)行分割得到車牌字符圖像；隨后建立車牌字符模板庫(kù)，通過(guò)計(jì)算待識(shí)別車牌字符圖像與模板庫(kù)中字符圖像的SSIM值來(lái)完成識(shí)別。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證了本文使用的方法能夠準(zhǔn)確快速地識(shí)別出車牌號(hào)碼。

對(duì)于車牌的模板匹配，一開始采用的是計(jì)算兩張圖像的絕對(duì)差值，值越小則匹配度越高。然而，對(duì)于歪曲字符，由于其結(jié)構(gòu)變換或圖像角度等問(wèn)題，導(dǎo)致匹配結(jié)果錯(cuò)誤。而SSIM對(duì)于字形細(xì)微差異比較敏感，因此選擇了SSIM值來(lái)判斷。最后的實(shí)驗(yàn)結(jié)果也表明該方法具有一定的魯棒性。