林國聰 王冬青 薛斌強(qiáng) 劉金燕

摘要：針對汽車牌照自動識別技術(shù)在現(xiàn)代社會車輛管理中的應(yīng)用，本文研究了一種基于Matlab軟件的車牌識別系統(tǒng)。該系統(tǒng)包括圖像預(yù)處理、車牌定位、字符分割及字符識別幾部分。對采集好的車牌圖像進(jìn)行圖像預(yù)處理，采用統(tǒng)計像素法對車牌圖像進(jìn)行定位，二值化已定位好的車牌圖像，對處理過的車牌圖像字符進(jìn)行分割，并采用模板匹配法對分割好的車牌字符進(jìn)行識別，同時選用100張不同場景、不同省份、不同品牌的汽車牌照，采用Matlab軟件進(jìn)行仿真實驗。仿真結(jié)果表明，有79張汽車牌照識別正確，說明本文可以實現(xiàn)較為準(zhǔn)確的車牌識別。該研究具有一定的實際應(yīng)用參考價值。

關(guān)鍵詞：車牌識別; 車牌定位; 字符切割; 字符識別

汽車牌照自動識別技術(shù)是實現(xiàn)智能交通管理的關(guān)鍵技術(shù)之一，廣泛應(yīng)用于停車場及小區(qū)入口等地方。它以數(shù)字圖像處理和模式識別技術(shù)為基礎(chǔ)，對攝像頭采集到的車輛圖像或視頻進(jìn)行處理分析，得到通過車輛的牌照號碼，完成汽車牌照的自動識別過程。隨著經(jīng)濟(jì)的發(fā)展，私家車數(shù)量越來越多，車牌自動識別問題引起了許多學(xué)者的關(guān)注。車牌定位是車牌識別的第一步，也是實現(xiàn)車牌識別最重要的一步，國內(nèi)外眾多學(xué)者提出了許多車牌定位算法。劉永俊等人[1]采用基于幾何和顏色綜合特征的車牌自動定位方法，通過檢測車牌顏色和車牌垂直邊緣實現(xiàn)定位，但當(dāng)背景顏色和車牌顏色一致時，容易造成車牌的誤定位;王艷等人[2]針對基于顏色或邊緣的車牌定位算法常出現(xiàn)誤定位的問題，使用最大穩(wěn)定極值區(qū)域（maximally stable extremal regions，MSER）算法進(jìn)行連通域分析獲取車牌位置;在字符分割方面，朱麟[3]提出了一種基于幾何形態(tài)學(xué)的車牌字符分割算法;賴道亮等人[4]提出一種灰度拉伸的車牌字符分割方法。字符識別是從多個字符分割后的圖像識別車牌號碼;王曉華等人[5]采用基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和模板匹配方法實現(xiàn)車牌識別過程;D.Menotti等人[6]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)字符識別（optical character recognition，OCR）特征提取方法，提取車牌號碼特征并進(jìn)行識別?；诖耍疚膶ο到y(tǒng)的車牌定位、字符分割和字符識別進(jìn)行研究，并對部分環(huán)節(jié)進(jìn)行改進(jìn)，使其在車牌定位時不受背景顏色影響，并可以快速準(zhǔn)確的識別車牌號碼。該研究具有一定的應(yīng)用價值。

1 系統(tǒng)總體方案設(shè)計

本文主要對車牌自動識別系統(tǒng)進(jìn)行研究，采用Matlab自帶的函數(shù)庫進(jìn)行仿真實驗。首先對采集到的車牌圖像灰度化增加對比度，用Canny算子進(jìn)行邊緣檢測，采用形態(tài)學(xué)處理圖像，篩選查找矩形輪廓，確定車牌的大體位置[7]，然后統(tǒng)計車牌輪廓的白色像素點，粗定位車牌輪廓的行列起始位置和終止位置，灰度化二值化上述處理過的車牌圖像，設(shè)置閾值，裁剪低于閾值的圖像，實現(xiàn)車牌的精確定位[8]。對精確定位的車牌圖像進(jìn)行灰度化二值化形態(tài)學(xué)濾波，當(dāng)列累積像素低于設(shè)置的閾值時，該處即為車牌字符的間隔，由此從右向左切割字符[9]。提前建立各個省份的簡稱、數(shù)字0～9、字母A～Z的模板庫，將切割好的字符歸一化后與模板庫里預(yù)存的字符逐一像素點進(jìn)行比較[10]，相同則加1，數(shù)值最大即為匹配度最高。

2 車牌圖像預(yù)處理

3） 對梯度幅值進(jìn)行非極大值抑制，排除非邊緣像素，保留細(xì)線條。

4） 設(shè)置高閾值和低閾值2個閾值，若某處像素值高于高閾值，保留為邊緣像素，低于低閾值則排除，介于兩者之間，僅在連接到一個高閾值時像素保留[13]。Canny邊緣檢測后圖像如圖3所示。

2.3 形態(tài)學(xué)處理圖像

數(shù)學(xué)形態(tài)學(xué)的基本運算主要包括腐蝕、膨脹、開運算和閉運算，本操作調(diào)用腐蝕函數(shù)imerode，該函數(shù)主要對圖像的白色（高亮）部分進(jìn)行處理，使其擁有更小的高亮區(qū)域。

對邊緣檢測后的圖像進(jìn)行腐蝕操作，腐蝕后的邊緣檢測圖像如圖4所示。填充操作可實現(xiàn)二值化圖像空洞區(qū)域的填充，調(diào)用Matlab軟件中的imfill函數(shù)，對腐蝕后的圖像進(jìn)行填充操作，腐蝕后的填充圖像如圖5所示。

2.4 移除小目標(biāo)

由圖5可以看出，該圖像中還存在其他多余部分需要去除，調(diào)用Matlab軟件中的bwareaopen函數(shù)，從二值圖像中移除面積小于閾值的連通區(qū)域。經(jīng)過多次實驗，把閾值設(shè)置為2 000時，移除效果最佳，移除小目標(biāo)后的圖像如圖6所示。

3 車牌定位

國內(nèi)車牌定位算法很多，如基于彩色圖像信息的算法、基于紋理特征的算法、基于邊緣檢測的算法等。基于彩色圖像信息的算法雖然識別準(zhǔn)確率高，但是運算量太大，不能滿足系統(tǒng)的實時性;基于紋理特征的算法雖應(yīng)用廣泛，

但抗干擾能力較弱，無法解決復(fù)雜背景的車牌定位。本系統(tǒng)采用基于邊緣檢測的算法，較好的克服了以上缺點。

3.1 矩形輪廓查找與篩選

車牌區(qū)域具有下面2個特征：

1） 一個矩形區(qū)域內(nèi)包含多個字符。

2） 矩形區(qū)域長度和寬度成固定比例[14]。

經(jīng)過圖像的腐蝕填充操作后，車牌上的字符連成一個矩形區(qū)域，再根據(jù)上述車牌特點進(jìn)行進(jìn)一步篩選[15]，最終定位車牌所在的矩形區(qū)域。

3.2 車牌的粗定位

從左往右統(tǒng)計車牌所在矩形區(qū)域白色像素點，高于閾值即為車牌區(qū)域的行起始位置，同理可得車牌區(qū)域的行終止位置;從上往下統(tǒng)計車牌所在矩形區(qū)域白色像素點，高于閾值即為車牌區(qū)域的列起始位置，同理可得車牌區(qū)域的列終止位置。粗定位后的彩色車牌圖像如圖7所示，原圖行方向像素點累積和如圖8所示，原圖列方向像素點累積和如圖9所示。

3.3 車牌的精確定位

對粗定位后的車牌圖像進(jìn)行精確定位之前，先對其進(jìn)行二值化，二值化是將圖像上像素點的灰度值設(shè)置為0或255，使圖像只有黑白兩種顏色。粗定位車牌二值化后的圖像如圖10所示，粗定位車牌圖像列方向像素點值累計和如圖11所示[16]。

由于粗定位之后的車牌區(qū)域包含車牌邊框，因此需要去掉車牌區(qū)域的邊框。去邊框處理方法是從左向右、從上往下統(tǒng)計行（列）中白色像素點數(shù)，當(dāng)出現(xiàn)白色像素點時即為出現(xiàn)字符時，裁剪未出現(xiàn)白色字符區(qū)域[17]。去除左側(cè)邊框的二值車牌圖像如圖12所示，精確定位的車牌二值圖像如圖13所示。

4 字符分割與識別

4.1 車牌字符分割

車牌字符分割最快的方法是模板匹配法，在確定精確定位的車牌二值圖像后，采用車牌切割模板（其中H為車牌字符高度），車牌切割模板如圖14所示。從左向右掃描精確定位的車牌二值圖像，可將車牌字符快速分割出來。該方法解決了二值車牌字符黏連和鉚釘?shù)膯栴}，但極度依賴車牌二值圖像的精確和規(guī)范性，會使車牌出現(xiàn)變形，車牌分割失敗。

車牌字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，利用垂直投影法，車牌圖像中的字符分割效果[18]較好。首先將精確定位好的車牌灰度化二值化，設(shè)置閾值T，范圍在0～1之間，在低于閾值的地方裁剪圖像，裁剪后的車牌圖像如圖15所示。

4.2 車牌字符識別

車牌字符識別方法主要有神經(jīng)網(wǎng)絡(luò)法和模板匹配法，由于神經(jīng)網(wǎng)絡(luò)法需要多個樣本進(jìn)行多次訓(xùn)練，并且我國汽車牌照字符比較工整規(guī)范，所以本文系統(tǒng)選擇了簡單快速的模板匹配法。

分割后的車牌圖像跟模板庫里的圖像在大小方面有所差距，所以需要改變分割后的車牌圖像大小，才能與模板庫里的圖像進(jìn)行比較。調(diào)用Matlab軟件中的imresize函數(shù)改變分割后車牌圖像的大小[19]，對改變大小之后的圖像和模板庫中的圖像逐一像素點進(jìn)行比較，相同則加1，數(shù)值最大即為匹配度最高[20]。

4.3 實驗與結(jié)果

在Matlab仿真實驗平臺下，對車牌識別系統(tǒng)進(jìn)行仿真實驗，采用100張不同場景、不同省份、不同品牌的汽車牌照進(jìn)行測試。車牌原圖像如圖16所示，識別結(jié)果如圖17所示。

統(tǒng)計結(jié)果顯示，汽車牌照識別正確的有79張。由統(tǒng)計結(jié)果可以看出，本文可以實現(xiàn)較為準(zhǔn)確的車牌識別。

5 結(jié)束語

本文主要基于Matlab軟件對車牌自動識別系統(tǒng)進(jìn)行研究。該研究通過對采集好的車牌圖像進(jìn)行圖像預(yù)處理，采用統(tǒng)計像素法對車牌圖像進(jìn)行定位，二值化定位好的車牌圖像，對處理過的車牌圖像字符分割，采用模板匹配法對分割好的車牌字符進(jìn)行識別，最后采用Matlab軟件進(jìn)行仿真實驗。仿真結(jié)果表明，該系統(tǒng)可有效識別汽車牌照，具有一定的實際意義。但本系統(tǒng)還具有一定的不足，車牌上的陰影、傾斜和污物、光照強(qiáng)度及天氣條件的變化、攝像機(jī)與車輛之間的距離變化以及車牌的旋轉(zhuǎn)等問題，都可能造成車牌識別不準(zhǔn)確，因此需要進(jìn)一步改進(jìn)。

參考文獻(xiàn)：

[1] 劉永俊， 秦立浩， 徐亮. 基于幾何和顏色綜合特征的車牌自動定位及識別[J]. 常熟理工學(xué)院學(xué)報， 2019， 33（2）： 37-42.

[2] 王艷， 謝廣蘇， 沈曉宇. 一種基于MSER和SWT的新型車牌檢測識別方法研究[J]. 計量學(xué)報， 2019， 40（1）： 82-90.

[3] 朱麟. 車牌字符分割算法的研究比較[J]. 內(nèi)燃機(jī)與配件， 2018（22）： 231-233.

[4] 賴道亮， 趙平， 鐘昆， 等. 面向車牌字符分割的圖像預(yù)處理方法研究[J]. 計算機(jī)測量與控制， 2018， 26（9）： 250-254.

[5]? Wang X H， Yu J J， Miao Z H， et al. License plate recognition based on pulse coupled neural networks and template matching[C]∥Proceedings of the 33rd Chinese Control Conference. Nanjing， China： IEEE， 2014.

[6] Jain A， Sharma J. Classification and interpretation of characters in multiapplication OCR system[C]∥2014 International Conference on Data Mining and Intelligent Computing （ICDMIC）. New Delhi， China： IEEE， 2014.

[7] 胡浩， 李俊峰， 沈軍民. 基于機(jī)器視覺的小磁瓦表面微缺陷檢測方法研究[J]. 機(jī)電工程， 2019， 36（2）： 117-123， 184.

[8] 楊鼎鼎. 汽車牌照自動化識別若干關(guān)鍵技術(shù)研究[D]. 恩施： 湖北民族學(xué)院， 2018.

[9] 莫文英. 基于圖像處理與機(jī)器學(xué)習(xí)的車標(biāo)及安全帶識別研究[D]. 廣州： 廣州大學(xué)， 2018.

[10] 趙逸群， 劉富， 康冰. 基于車牌檢測的前方車輛識別方法[J]. 吉林大學(xué)學(xué)報： 信息科學(xué)版， 2019， 37（2）： 168-173.

[11] 洪傳豪， 丁兵兵， 靳偉. 基于OpenCv的車牌識別研究[J]. 福建電腦， 2018， 34（12）： 5-8.

[12] 楊鼎鼎， 陳世強(qiáng)， 劉靜漪. 基于車牌背景和字符顏色特征的車牌定位算法[J]. 計算機(jī)應(yīng)用與軟件， 2018， 35（12）： 216-221.

[13] 楊文文， 楊國為， 張魯波， 等. 基于Laws模板濾波的車標(biāo)定位算法[J]. 青島大學(xué)學(xué)報： 工程技術(shù)版， 2012， 27（3）： 46-50.

[14] 陳鼎. 基于Matlab的車牌識別系統(tǒng)的研究[D]. 南昌： 南昌大學(xué)， 2018.

[15] 李宇琦. 低質(zhì)量監(jiān)控視頻中的車牌識別技術(shù)研究與實現(xiàn)[D]. 南京： 南京郵電大學(xué)， 2018.

[16] 黃曉蘭. 基于改進(jìn)極限學(xué)習(xí)機(jī)的車牌字符識別方法[D]. 杭州： 中國計量學(xué)院， 2014.

[17] 畢波， 邵永謙， 孫冬軍， 等. 基于OpenCV的車牌識別[J]. 電子設(shè)計工程， 2019， 27（1）： 37-41.

[18] 張浩. 多信息融合圖像邊緣特征提取及圖像配準(zhǔn)研究與應(yīng)用[D]. 杭州： 浙江大學(xué)， 2008.

[19] 駱雪超， 劉桂雄， 馮云慶， 等. 一種基于車牌特征信息的車牌識別方法[J]. 華南理工大學(xué)學(xué)報： 自然科學(xué)版， 2003， 31（4）： 70-73.

[20] 黃雨. 基于數(shù)字的模式識別算法研究[D]. 四平： 吉林師范大學(xué)， 2017.