谷秋頔,白艷萍
(中北大學理學院,山西太原 030051)
車牌自動識別系統(tǒng)在交通管理中占有重要的地位,可以用于自動收費系統(tǒng)、停車場管理等?,F在較為常用的車牌字符識別方法有:神經網絡[1-4]、模板匹配[5]、特征匹配[6-7]和支持向量機[8]。
中國汽車牌照中的漢字字符由于特殊性和復雜性在識別過程中容易出錯。文中針對漢字字符識別提出了一個以圖像處理為基礎,運用數學邏輯運算,以Matlab[9]為操作平臺的方法,通過運用合適的判別函數提高車牌漢字的識別率。
以往是將漢字進行水平或豎直方向的投影,得出投影圖像。再根據投影圖中的波谷和波峰判斷漢字的間斷點和較長的直線,而波峰和波谷的判定較為復雜。因此提出在待識別字符與模板進行邏輯運算后,直接運用數學函數作為判別函數的判定識別結果,簡化了識別過程,并提高了識別率。
數字圖像處理指用計算機處理數字圖像。數字圖像由有限的元素組成,每一個元素都有一個特定的位置和幅值,這些元素稱為圖像元素、畫面元素或像素[10]。因此每一幅數字圖像都可以定義為一個矩陣。
將一幅圖像進行灰度二值化后,白色部分像素值為1,黑色部分像素值為0。因此將兩幅圖像進行邏輯‘與’運算結果為:白&&白=白,白&&黑=黑,黑&&白=黑,黑&&黑=黑。
以‘京’字為例,下圖分別表示了待識別字符‘京’與3個不同標準字符模板進行邏輯‘與’運算后的結果。
圖3 與模板‘冀’匹配
圖中(a)表示字符‘京’、‘津’和‘冀’的標準模板,(b)表示待識別的字符‘京’,(c)表示待識別字符與該模板運算后的結果。從圖中可以看出,待識別字符與相應的模板進行運算后得到的結果較為清晰,而與其他模板進行運算后得到的結果則更加模糊。
每一個標準字符模板都有一個固定的二值矩陣元素和sum(Ai),每一個待識別字符也有一個二值矩陣的元素和sum(B),將待識別字符與標準字符模板進行匹配后得到一個新的圖像,這個匹配結果的二值矩陣元素和為sum(Ci)。
由圖1、圖2和圖3可以看出,當待識別字符與不適合的模板進行匹配后,白色像素少于與相應的模板匹配,因此文中提出采用求取sum(Ci)最大值作為一個判別函數。同時可以看出,待識別字符與相應模板進行匹配得到的結果變化最小,因此提出以求取sum(Ai)、sum(Ci)和sum(B)標準差的最小值作為另一個判別函數。
Ck=max(sum(Ci)),i,k=1,2,3,…,31 (1)
式(1)表示找出元素和sum(Ci)最大值對應的二值矩陣 Ck,k=1,2,3,…,31,則與二值矩陣 Ck,k=1,2,3,…,31 對應的二值矩陣 Ak,k=1,2,3,…,31 所代表的模板即為識別結果。
式(2)表示求出sum(B),sum(Ai)和 sum(Ci)標準差最小值對應的二值矩陣 Cj,j=1,2,3,…,31,則與二值矩陣 Cj,j=1,2,3,…,31 對應的二值矩陣 Aj,j=1,2,3,…,31所代表的模板即為識別結果。
(1)首先將標準車牌漢字字符模板存儲在計算機中,標準模板如圖4所示。
圖4 標準模板
(2)將這些模板進行灰度化和二值化,得到相應二值矩陣 Ai,i=1,2,3,…,31。
(3)將待識別的車牌漢字字符進行灰度化和二值化,得到相應的二值矩陣B。
(4)將二值矩陣 B 分別與二值矩陣 Ai,i=1,2,3,…,31進行邏輯‘與’運算,得到新的二值矩陣Ci,i=1,2,3,…,31。
(5)最后根據預先設定好的判別函數得出最終的識別結果。
表1 識別結果對比
通過表1可以看出,對同一識別過程,兩種不同的判別函數會產生較大的差別,判別函數(2)的總識別率遠高于判別函數(1)。
表2 結果對比
通過表2可以看出,與文獻[6]相比,文中的兩個判別函數在不同漢字字符的識別上顯示出了各自的優(yōu)勢,判別函數(1)在筆畫較為復雜的字符識別上具有優(yōu)勢,判別函數(2)識別結果較為穩(wěn)定。尤其是‘津’和‘青’兩個字符的識別率,文中的兩個判別函數都高于文獻[6]。
因為兩個判別函數各有優(yōu)勢,所以提出將兩個判別函數結合使用。通過對兩判別函數識別結果的對比發(fā)現,判別函數(1)對于部分字符識別率較高,而這部分字符的二值矩陣元素和sum(B)集中在(550,600)之間,因此通過編寫相應的程序:當sum(B)在此區(qū)間內時,調用判別函數(1),否則調用判別函數(2)。實驗結果如表3所示。
表3 合用函數與文獻[6]對比
結果顯示,合用函數與判別函數(2)具有相同穩(wěn)定性的同時,在一些字符識別率上有所提高,例如‘青’和‘黑’,且大部分字符識別率高于文獻[6]。
通過實驗發(fā)現,對于同一識別方法,選取合適的判別函數對最終的識別結果有一定的影響。每個函數都有其自身的優(yōu)缺點,因此,將不同的函數進行結合使用,可以兼顧二者的優(yōu)點,從而達到更好地識別效果。
[1]蘇厚勝.車牌識別系統(tǒng)的設計與實現[J].可編程控制器與工廠自動化,2006(3):103-107.
[2]吳成東,劉文涵,傅小菲,等.基于粗網格神經網絡的車牌字符識別方法[J].沈陽建筑大學學報:自然科學版,2007,23(4):693 -697.
[3]楊大力,劉舒.基于神經網絡的車牌漢字識別方法[J].中國人民公安大學學報:自然科學版,2009(3):56-58.
[4]趙先軍.基于神經網絡的車牌識別技術研究[D].西安:西安電子科技大學,2005.
[5]吳煒,楊曉敏,劉大宇,等.一種基于模糊模板匹配的車牌漢字識別方法[J].微型機與應用,2005(11):57-59.
[6]王磊.基于投影特征匹配的車牌漢字識別方法研究[D].哈爾濱:東北林業(yè)大學,2008.
[7]姜瑾,張桂林,許慧慧.基于投影特征曲線匹配的車牌字符識別算法[J].計算機與數字工程,2007,38(6):20 -22.
[8]黃凡.車牌字符識別技術的研究與實現[D].重慶:重慶大學,2008.
[9]楊杰.數字圖像處理及Matlab實現[M].北京:電子工業(yè)出版社,2010.
[10]GONZALEZ R C,WOODS R E.Digital image processing[M].Second Edition.Beijing:Publishing House of Electronics Industry,2007.
[11]張向東,馬月濤,楊奇澤.一種基于灰度圖像的車牌快速定位算法[J].電子科技,2007,20(5):76-78,82.