長(zhǎng)春理工大學(xué) 張振鐸

1 前言

近年來(lái)我國(guó)智能交通行業(yè)快速發(fā)展，車牌識(shí)別系統(tǒng)作為智能交通的重要組成部門，廣泛應(yīng)于城市的非現(xiàn)場(chǎng)執(zhí)法中，但是目前車牌識(shí)別系統(tǒng)還存在很多問(wèn)題，例如：杭州市交警支隊(duì)2015年提出，目前現(xiàn)有系統(tǒng)頻射燈補(bǔ)光會(huì)造成城市光污染，且容易對(duì)讓司機(jī)短暫視覺(jué)障礙造成交通隱患；霧天低照度情況下成像質(zhì)量不佳等暫存問(wèn)題。

本文利用近紅外成像探測(cè)具有目標(biāo)細(xì)節(jié)表達(dá)清晰、目標(biāo)識(shí)別能力強(qiáng)、可實(shí)現(xiàn)隱秘主動(dòng)成像、可微光夜視探測(cè)、對(duì)霧霾氣候條件和塵煙應(yīng)用環(huán)境適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，研究可見光與近紅外成像結(jié)合的雙波段成像技術(shù)在車牌識(shí)別系統(tǒng)中的應(yīng)用，探索智能交通技術(shù)進(jìn)步的新方向。

2 系統(tǒng)設(shè)計(jì)

車牌識(shí)別系統(tǒng)在智能交通中有很多的應(yīng)用，如交通卡口違法、車輛違停、重點(diǎn)區(qū)域進(jìn)出車輛統(tǒng)計(jì)等。一般情況下與路面上的各類傳感器、智能檢測(cè)算法等相互配合，構(gòu)成整體系統(tǒng)，為后續(xù)業(yè)務(wù)提供車牌數(shù)據(jù)。如圖1所示，通過(guò)圖像識(shí)別算法，該車輛在禁停區(qū)域違法停車，通過(guò)違章停車攝像頭所采集數(shù)據(jù)，識(shí)別出車牌號(hào)碼，與違章時(shí)間、違章地點(diǎn)、違章圖片等共同構(gòu)成違法數(shù)據(jù)上傳到交通管理平臺(tái)。由于該數(shù)據(jù)為真實(shí)數(shù)據(jù)，根據(jù)規(guī)定隱去具體信息。

圖1 違章停車數(shù)據(jù)采集

太陽(yáng)光透過(guò)大氣遇到氣體分子、塵埃、水分子團(tuán)等都要發(fā)生散射。光散射并不耗散光的傳播能量，而是改變光的空間分布，使沿指定方向傳輸?shù)墓饽苤饾u衰減。在大氣的散射粒子＜光波波長(zhǎng)時(shí)，散射系數(shù)表達(dá)示為：

圖2 系統(tǒng)設(shè)計(jì)框圖

圖3 算法流程圖

式中，A為散射微粒的橫截面積，N為每單位體積中的粒子數(shù)，λ為光波長(zhǎng)。近紅外波段較可見光波段波長(zhǎng)要長(zhǎng)所以在霧霾等惡劣狀況下衰減少，且近紅外為不可見光，在夜間補(bǔ)光不會(huì)對(duì)司機(jī)視覺(jué)造成影響，可以避免安全隱患。

近紅外成像設(shè)備相對(duì)于其他專業(yè)紅外設(shè)備有足夠價(jià)格優(yōu)勢(shì)，適合大面積應(yīng)用，根據(jù)以上思路，所以選擇近紅外/可見光這兩個(gè)波段。

本文所研究的的雙波段車牌識(shí)別系統(tǒng)主要包含圖像采集系統(tǒng)、車牌識(shí)別算法系統(tǒng)兩部分。

2.1 圖像采集系統(tǒng)

由圖2所示，該系統(tǒng)采用近紅外/可見光雙波段成像模式，有一個(gè)近紅外攝像頭和一個(gè)可見光攝像頭，補(bǔ)光系統(tǒng)采用近紅外/可見光雙波段補(bǔ)光模式，控制器內(nèi)置pm2.5、pm10、照度計(jì)等檢測(cè)儀器及傳感器，根據(jù)不同業(yè)務(wù)場(chǎng)景需要，控制不同的成像、補(bǔ)光模式，采集后的圖像數(shù)據(jù)存入儲(chǔ)存器，再傳輸?shù)椒?wù)器上進(jìn)行車牌的識(shí)別。

2.2 車牌識(shí)別算法

車牌識(shí)別算法對(duì)傳輸?shù)膱D像數(shù)據(jù)進(jìn)行處理，識(shí)別出圖像數(shù)據(jù)中車牌信息，為后續(xù)智能交通系統(tǒng)中后續(xù)業(yè)務(wù)提供數(shù)據(jù)。

3 圖像預(yù)處理

3.1 圖像灰度處理，生成灰度直方圖

在車牌識(shí)別實(shí)際場(chǎng)景應(yīng)用中，因受到各種噪聲、照度等工作環(huán)境影響和不同成像系統(tǒng)本身因素，得到的原始圖像數(shù)據(jù)圖像質(zhì)量不佳，并且所要識(shí)別的特征不明顯。一般情況下對(duì)于這些圖像質(zhì)量不佳原始圖像數(shù)據(jù)，需要對(duì)其進(jìn)行圖像的預(yù)處理，消除其干擾噪聲，使圖像特征更清晰，為后續(xù)識(shí)別算法穩(wěn)定準(zhǔn)確工作做保證。在預(yù)處理工程中，輸出的圖像數(shù)據(jù)特征表達(dá)較為清晰，噪音較少，有利于車牌識(shí)別算法對(duì)圖像數(shù)據(jù)的特征分析、車牌定位和分割等后續(xù)處理。文中所使用的圖像預(yù)處理方試主要有彩色圖像灰度化、邊緣算子檢測(cè)、直方圖均衡化處理等。

3.2 邊緣算子檢測(cè)

用于邊緣算子檢測(cè)的算子有很多，例如：Sobel、canny算子等。其中Sobel算子的工作特點(diǎn)是把重心放在接近于卷積模板中心的像素點(diǎn)，利用了像素點(diǎn)橫向、縱向相鄰點(diǎn)的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值這一現(xiàn)象進(jìn)行邊緣檢測(cè)。Sobel算子優(yōu)勢(shì)在于對(duì)噪聲有一定的抑制作用，在車牌識(shí)別業(yè)務(wù)場(chǎng)景中比較適用，因而本文利用Sobel算子做邊緣算子檢測(cè)處理。由于近紅外圖像和可見光圖像的差異，此處應(yīng)做參數(shù)自適應(yīng)調(diào)整。

Sobel算子核心公式為：

3.3 圖像邊緣輪廓圓滑處理

因?yàn)檐嚺谱R(shí)別圖像數(shù)據(jù)源信息比較復(fù)雜，通過(guò)邊緣輪廓圓滑處理，移出圖像中最小對(duì)象來(lái)完成車牌的初步定位。

3.4 對(duì)車牌進(jìn)行定位并切割

根據(jù)圖像預(yù)處理結(jié)果確定車牌合理區(qū)域，對(duì)車牌進(jìn)行定位切割。車牌切割有很多輔助精確定位，主要是通過(guò)車牌位置特征、幾何特征、顏色特征、紋理特征等。

本系統(tǒng)因?yàn)殡p波段成像的特殊性，采取位置特征定位。

4 識(shí)別前處理

通過(guò)如圖3所示，通過(guò)灰度、二值化、均值濾波、腐蝕等處理，對(duì)圖像濾除噪聲等干擾，為后續(xù)識(shí)別做準(zhǔn)備。

5 車牌字符分割與識(shí)別

5.1 去邊框處理

因?yàn)槲覈?guó)現(xiàn)未對(duì)車牌邊框?qū)嵭薪y(tǒng)一的標(biāo)準(zhǔn)，不同廠商的車牌邊框存在一定差異，所以在去邊框處理中不能用單獨(dú)的范圍值來(lái)判斷邊框大小，否則會(huì)出現(xiàn)車牌邊框殘留或者車牌字符不完整等問(wèn)題，車牌去邊框處理是字符切割前序處理中的很重要一步。

本文將采用水平投影法對(duì)水平邊框做去除處理。首先對(duì)圖像預(yù)處理中得到的車牌二值化圖像做水平投影。根據(jù)邊框的尺寸等特征與做水平投影處理后波峰、波谷形態(tài)設(shè)定一個(gè)閾值做水平方向邊框的去除處理。根據(jù)車牌邊框在車牌圖像數(shù)據(jù)的寬度比例關(guān)系，選定車牌寬度的1/10作為閾值。然后以水平投影的縱坐標(biāo)軸中心為起點(diǎn)，分別向上、下兩個(gè)方向的邊緣各自找出小于閾值的投影線，根據(jù)投影線調(diào)整上、下邊界的大小，并對(duì)原始圖像進(jìn)行分割處理，時(shí)限水平去邊框處理。

通過(guò)對(duì)車牌特征的分析可得出，車牌圖像在垂直方向投影時(shí)，字符內(nèi)部或字符間會(huì)有一個(gè)局部最小值。字符切割的正確位置就應(yīng)在最小值附近；在車牌第二個(gè)字符和第三個(gè)字符中間，會(huì)有較大的間隔，結(jié)合這個(gè)特征，利用字符統(tǒng)計(jì)信息，就能實(shí)現(xiàn)字符切割，不再需要去除垂直方向的邊框。

5.2 字符分割

（1）通過(guò)水平投影處理，計(jì)算得出字符的高度，再通過(guò)計(jì)算水平投影圖像數(shù)據(jù)的前S列中所包含平均像素?cái)?shù)，計(jì)算得出字符字符高度nHeight。

（2）通過(guò)垂直投影處理計(jì)算得出字符的間距和字符的寬度，并且得到間距的最大值。掃描垂直投影圖像的最上兩行，計(jì)算連續(xù)黑色像素點(diǎn)個(gè)數(shù)和連續(xù)白色像素點(diǎn)個(gè)數(shù)并且求出平均值，分別記做字符間距nSpace、字符寬度nWidth，并得出nSpacemaX，根據(jù)以上得出的閾值，進(jìn)行確定向左、右掃描的起始點(diǎn)。從兩個(gè)掃描起始點(diǎn)各自向左、右掃描車牌的垂直投影圖像，通過(guò)上述閾值的大小和某一列上黑色像素的總和來(lái)判斷字符的邊界。右掃描確定五個(gè)字符，左掃描確定兩個(gè)字符。

5.3 歸一化處理

經(jīng)過(guò)切割的字符圖像一定幾率出現(xiàn)大小不一現(xiàn)象，未不影響后續(xù)字符識(shí)別處理，需要對(duì)其進(jìn)行字符歸一化處理。

歸一化公式可以表示為：

gnew表示歸一化后的字符圖像，gold表示歸一化前的字符圖像。

Hold.Wold分別表示歸一化前的字符的高和寬。

Hnew.Wnew分別表示經(jīng)過(guò)歸一化后的字符圖像的高和寬。

i, j 分別表示歸一化前的字符圖像的坐標(biāo)。

得到切割后歸一化字符。

5.4 BP神經(jīng)網(wǎng)絡(luò)識(shí)別

首先要先分析我國(guó)車牌信息的具體特征，一般情況下為漢字+字母.字母或數(shù)字形式，所以需要構(gòu)建2個(gè)包含1個(gè)隱含層的2層BP神經(jīng)網(wǎng)絡(luò)，分別進(jìn)行識(shí)別.

用來(lái)識(shí)別漢字的BP神經(jīng)網(wǎng)絡(luò)，應(yīng)有一百二十個(gè)節(jié)點(diǎn)輸入，四十個(gè)個(gè)節(jié)點(diǎn)輸出：用來(lái)識(shí)別英文字母的BP神經(jīng)網(wǎng)絡(luò)，應(yīng)有六十五個(gè)節(jié)點(diǎn)輸入，二十五個(gè)節(jié)點(diǎn)輸出；用來(lái)識(shí)別數(shù)字的BP神經(jīng)網(wǎng)絡(luò)，應(yīng)有六十五個(gè)節(jié)點(diǎn)輸入，十個(gè)節(jié)點(diǎn)輸出。

搭建好訓(xùn)練環(huán)境和訓(xùn)練數(shù)據(jù)庫(kù)后進(jìn)行識(shí)別訓(xùn)練，最終實(shí)現(xiàn)成排的識(shí)別。

6 結(jié)語(yǔ)

目前雙波段成像應(yīng)用在智能交通車牌識(shí)別系統(tǒng)中還存在很多問(wèn)題與不足需要時(shí)間去研究改進(jìn)。比如近紅外/可見光攝像機(jī)復(fù)雜環(huán)境互補(bǔ)性問(wèn)題、夜間近紅外成像車牌特殊物質(zhì)熒光效應(yīng)改進(jìn)、可見光與近紅外場(chǎng)景圖像融合等。但是相對(duì)目前解決方案，擁有很多傳統(tǒng)成像所不具備的優(yōu)勢(shì)，是車牌識(shí)別系統(tǒng)改進(jìn)的一個(gè)新的方向。

[1]彭文藝.基于神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識(shí)別系統(tǒng)研究[D].華中科技大學(xué),2006.

[2]趙成龍.復(fù)雜自然環(huán)境下車牌識(shí)別算法研究[D].山東大學(xué),2017.

[3]陳泓佑.智能視頻監(jiān)控中的目標(biāo)檢測(cè)及分類技術(shù)研究[D].西南科技大學(xué),2015.

[4]彭健敏.車牌識(shí)別中的車牌定位與字符識(shí)別技術(shù)研究及實(shí)現(xiàn)[D].湖南大學(xué),2006.