張 哲，李 挺

（1.延安大學(xué)，陜西 延安 716000；2.大連交通大學(xué)，遼寧 大連 116021）

由于當(dāng)前交通擁堵問(wèn)題日趨嚴(yán)重，智能交通系統(tǒng)應(yīng)運(yùn)而生，針對(duì)我國(guó)當(dāng)前的現(xiàn)實(shí)狀況，單純地去加寬路面、限行等方法都不能從源頭上解決交通擁堵的問(wèn)題，并且傳統(tǒng)的方法不論是在資金的投入以及城市空間的消耗上都不具優(yōu)勢(shì)。智能交通系統(tǒng)則是融合各種高新技術(shù)和大數(shù)據(jù)的代表[1]，能夠從根本上很好地優(yōu)化人、道路、車、環(huán)境等因素之間的關(guān)系，解決道路擁堵等交通問(wèn)題。

1 智能交通存在問(wèn)題概述

1.1 車身顏色識(shí)別

當(dāng)前智能交通系統(tǒng)在實(shí)驗(yàn)室中已經(jīng)取得了較好的研究成果，尤其是在車身識(shí)別方面。但是實(shí)驗(yàn)室中的研究都是基于一種特定的理想的環(huán)境，并不能完全地模仿真實(shí)的道路交通環(huán)境。車體在現(xiàn)實(shí)生活中的行駛過(guò)程中會(huì)受到許多外界因素的干擾，例如天氣、光線、灰塵、遮擋等，這些都會(huì)影響識(shí)別的結(jié)果和準(zhǔn)確性[2]。當(dāng)前較為主流的研究方向主要集中在對(duì)車身顏色的識(shí)別。在實(shí)際的測(cè)試中，室外不穩(wěn)定因素多，由于車的顏色不同其對(duì)光線反射的能力存在著較大的差別，車身紋理的不同，攝像頭的不同導(dǎo)致其對(duì)顏色的響應(yīng)存在差異。在實(shí)驗(yàn)中我們不難發(fā)現(xiàn)影響顏色識(shí)別的因素主要有3種：顏色的非恒定性、運(yùn)動(dòng)目標(biāo)不完整分割，以及目標(biāo)本身顏色的復(fù)雜性[3]。所以，如何使車身顏色識(shí)別避免或者減少外界因素的影響，成為當(dāng)前研究的重點(diǎn)和難點(diǎn)。目前的解決方法主要有提高攝像頭的圖像捕捉和處理能力，但是僅僅從攝像頭入手仍然不能解決實(shí)際使用中遇到的問(wèn)題。研發(fā)有效的處理技術(shù)提高車輛顏色識(shí)別算法精度是當(dāng)前的首要問(wèn)題。

1.2 車身形狀識(shí)別

在智能交通系統(tǒng)的發(fā)展中我們一直長(zhǎng)期致力于對(duì)車輛檢測(cè)算法的發(fā)展。雖然研究時(shí)間長(zhǎng)，但成果并不是很成熟，在實(shí)際的操作中還是有一些客觀條件影響著形狀識(shí)別的準(zhǔn)確性?？陀^因素主要有以下幾方面：（1）車輛自身的尺寸雖然固定，但在行駛的過(guò)程中由于行駛速度的不同會(huì)導(dǎo)致對(duì)車身尺寸識(shí)別的不同。（2）車輛從攝像頭中駛過(guò)的角度不同，角度的不同同樣也影響著大小的識(shí)別。（3）在行駛過(guò)程中車輛之間會(huì)有遮擋。（4）關(guān)照條件的不同影響識(shí)別的能力和結(jié)果。所以當(dāng)前的車身識(shí)別能力與實(shí)際使用的要求還有一定的差距[4]。我們只有運(yùn)用更加先進(jìn)的圖像處理技術(shù)，綜合更多的車身信息才能得到準(zhǔn)確的識(shí)別結(jié)果。

2 圖像處理與圖像識(shí)別新技術(shù)在智能交通中的運(yùn)用與實(shí)踐

在智能交通領(lǐng)域車牌的識(shí)別技術(shù)同樣具有重要的意義，并且被用在許多場(chǎng)合，車輛車牌的識(shí)別對(duì)于車輛的管理、定位有著決定性的作用，通過(guò)監(jiān)控的圖像錄入，對(duì)錄入圖像進(jìn)行分析處理從而識(shí)別車牌。在高速公路收費(fèi)站、停車場(chǎng)的進(jìn)出口等場(chǎng)所，車牌識(shí)別都有著廣泛的運(yùn)用，不僅提高了工作的效率，而且也省去了人工成本，為交通以及車牌定位等提供了極大的便利。

2.1 車牌圖像特征提取

2.1.1 車牌像素特征提取

在車牌像素特征提取[5]中可以將圖像在識(shí)別過(guò)程中把像素點(diǎn)的顏色進(jìn)行黑白二值化，即將黑色的像素點(diǎn)表示為1，白色的像素點(diǎn)表示為0，再將像素點(diǎn)1和像素點(diǎn)0進(jìn)行排列，通過(guò)維數(shù)和黑白像素點(diǎn)的個(gè)數(shù)，最終確定圖形對(duì)應(yīng)的向量矩陣，這種方式的優(yōu)點(diǎn)是操作較為方便，不足是實(shí)用性不夠高。

2.1.2 車牌骨架特征提取

圖像線條寬度的不同在很大程度上會(huì)影響圖像識(shí)別的效果，給圖片處理的結(jié)果帶來(lái)差異，因此在對(duì)車牌的骨架圖像處理[6]之前，需要先將輪廓的寬度進(jìn)行統(tǒng)一處理，去除輪廓寬度帶來(lái)的不利影響，從而降低車架輪廓寬度帶來(lái)的差異化影響。由此得到車牌骨架特征，進(jìn)而得到圖像特征向量矩陣。這種方法得到的特征向量矩陣具有很好的普適性。

2.1.3 車牌圖像特征點(diǎn)提取

車牌特征提取常用方法主要包括：梯度統(tǒng)計(jì)、弧度統(tǒng)計(jì)、角點(diǎn)提取等方法[7]。13點(diǎn)車牌圖像特征提取法具有很強(qiáng)的識(shí)別性，能夠識(shí)別字符傾斜，消除由于字符傾斜造成的誤差，較好地彌補(bǔ)其他方法適應(yīng)性不強(qiáng)的缺點(diǎn)。其特征提取原理是：將字符等分為8個(gè)模塊，計(jì)算黑色像素點(diǎn)的個(gè)數(shù)，作為8個(gè)象限的特征。再對(duì)處于水平和豎直的中間兩個(gè)模塊的黑色像素點(diǎn)進(jìn)行統(tǒng)計(jì)，第13個(gè)特征為所有的黑色像素點(diǎn)，13點(diǎn)特征法的優(yōu)點(diǎn)是適應(yīng)性極強(qiáng)，同時(shí)也存在特征點(diǎn)較少，收斂性不強(qiáng)的缺點(diǎn)。

2.2 車牌圖像分割

2.2.1 車牌圖像灰度轉(zhuǎn)化

灰度圖像中每一個(gè)像素的R，G，B值相等，因此不能夠顯示絢麗的顏色，而彩色圖像的每一個(gè)像素 R，G，B值是不相等的。車牌圖像獲取可以得到256色位圖圖像，對(duì)256色位圖圖像進(jìn)行灰度化處理，可以將復(fù)雜的位圖圖像轉(zhuǎn)化為可以進(jìn)一步處理的灰度圖像[8]。在灰度圖形中，灰度值小的像素點(diǎn)為暗色，而灰度值較大的像素點(diǎn)亮為白色。

2.2.2 車牌圖像二值化

256色位圖像經(jīng)過(guò)灰度轉(zhuǎn)換處理后，可以獲得圖像中像素的灰度值。二值化處理可以將圖像中像素進(jìn)行灰度值獲取分化[9]，其大小決定了亮度和暗度。在智能交通系統(tǒng)中通過(guò)像素的灰度值處理成為黑白兩色，進(jìn)一步結(jié)合閾值法能夠得到轉(zhuǎn)化后的車牌圖像。

2.2.3 車牌圖像梯度銳化處理

在現(xiàn)實(shí)生活中當(dāng)汽車行駛字在道路上時(shí)，我們所獲取的汽車圖像往往是通過(guò)攝像頭拍攝獲取的，汽車所處的環(huán)境、光線的明暗往往差異較大，因此獲取的汽車圖像也比較模糊，需要進(jìn)行銳度化處理，獲取較為清晰的汽車圖像。

在圖像的銳度化處理過(guò)程中常用的方法是微分法與高通濾波法。圖像的邊緣是由灰度級(jí)以及相鄰域點(diǎn)的不同像素點(diǎn)形成的，要突出相鄰域點(diǎn)之間灰度級(jí)別的變化來(lái)增強(qiáng)圖像邊緣。圖像的邊緣像素值通常無(wú)法所知，與此同時(shí)，由于無(wú)法實(shí)現(xiàn)對(duì)輪廓取向進(jìn)行確定，因此通常采用不具備方向性的旋轉(zhuǎn)不變特性的線性算子。利用微分法求得梯度，利用差分運(yùn)算近似計(jì)算圖像邊緣處的像素值可以使邊緣模糊的圖像清晰化。

2.2.4 車牌識(shí)別噪聲處理

在車牌照片拍照中，車牌定位時(shí)已進(jìn)行部分去噪處理，但這一去噪，對(duì)于字符圖像的處理并不適合，在處理過(guò)程中，這樣的去噪方式容易將像素圖像也去除。具體方法為：在對(duì)圖像進(jìn)行處理時(shí)，當(dāng)發(fā)現(xiàn)有明顯信號(hào)集中時(shí)，掃描周邊信號(hào)，若信號(hào)強(qiáng)烈，且在一定范圍內(nèi)，則認(rèn)為是非離散信號(hào)；若周邊信號(hào)較弱，則認(rèn)為是離散信號(hào)，需要將它去除掉。

2.2.5 車牌圖像分割車牌字符分割算法

車牌圖像分割車牌字符分割算法主要有垂直投影法、靜態(tài)邊界法以及連通區(qū)域法。這3種方法能夠確定車牌字符的邊界、分割得到車牌的清晰圖像，但是各存在其優(yōu)缺點(diǎn)。垂直投影法是利用字符塊在垂直方向上投影的特點(diǎn)開(kāi)展的方法，從左至右檢測(cè)車牌坐標(biāo)垂直投影數(shù)值，認(rèn)定局部最小值為最左字符的邊界。然后從右到左檢測(cè)，得到的最小值為最右字符的邊界。但是“黑”“L”“N”等字符出現(xiàn)過(guò)度切割的可能性較大，應(yīng)用垂直投影法的過(guò)程中應(yīng)當(dāng)事先確定好最小值和寬度閾值。靜態(tài)邊界法能夠利用車牌的模板特征進(jìn)行分割，但是由于對(duì)車牌定位要求過(guò)高，可能造成字符分割誤差過(guò)大。連通區(qū)域法則是利用字符連通域的特點(diǎn)對(duì)車牌字符進(jìn)行切割，但是實(shí)際車牌中存在的噪聲區(qū)域較多，與字符線條連接在一起，難以獲得滿意的效果。

2.2.6 在同一圖像中對(duì)不同尺寸、位置的文字進(jìn)行歸一處理

比如，在實(shí)際應(yīng)用中，往往會(huì)根據(jù)圖像識(shí)別的字符外框，進(jìn)行等比例的放大或縮小，或根據(jù)相關(guān)位置關(guān)系，對(duì)不同圖像進(jìn)行歸一處理，從而將大小、為止、顯示特征不同的字符圖形，轉(zhuǎn)化為相對(duì)統(tǒng)一的字符，從而提高識(shí)別準(zhǔn)確率。

3 結(jié)語(yǔ)

綜上所述，智能交通領(lǐng)域中圖像識(shí)別和處理相關(guān)技術(shù)應(yīng)用已經(jīng)極其普遍。本文對(duì)行進(jìn)中的汽車車型和顏色等相關(guān)問(wèn)題進(jìn)行了討論，之后對(duì)如何提取車牌圖像以及車牌圖像特征進(jìn)行了分析，介紹了多種車牌分割方法，并對(duì)各自優(yōu)缺點(diǎn)進(jìn)行了分析，從而探尋更為高效和更為準(zhǔn)確的文字?jǐn)?shù)字識(shí)別方案。隨著智能識(shí)別技術(shù)在交通領(lǐng)域的應(yīng)用，識(shí)別能力將隨之大大增強(qiáng)，但就目前來(lái)看，單純識(shí)別數(shù)字的識(shí)別技術(shù)已較為成熟，但涉及漢字、字母、數(shù)字的混合識(shí)別，準(zhǔn)確率還有待進(jìn)一步提高。