摘要：為了提高車牌識別的準確率，在MATLAB平臺中設(shè)計出一種車牌識別系統(tǒng)，該系統(tǒng)主要工作流程有：對車牌進行形態(tài)學預(yù)處理、車牌定位、字符分割、字符識別。在處理過程中，通過優(yōu)化算子、算法和對大量的不同形態(tài)的車牌圖像進行測試，得到車牌定位的最佳自適應(yīng)坐標算法，并采用改進迭代閾值算法對定位車牌后的圖形進行二值化處理，在車牌精確定位中取得了較好的效果。實驗結(jié)果表明，該系統(tǒng)對車牌識別的準確率達97qo，效果較好。

關(guān)鍵詞：MATLAB;車牌定位;車牌識別

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）05-0194-03

開放科學（資源服務(wù)）標識碼（OSID）：

截至2019年上半年，我國汽車保有量已達3.4億，人工汽車管理難度日益增加，對汽車自動精確識別提出很大的需求。汽車車牌的自動識別技術(shù)作為現(xiàn)代智慧交通重要組成部分，通過圖像識別技術(shù)對汽車車牌進行自動精確識別，在汽車進出管理、汽車交通違章、汽車布控巡查等情境下有著廣泛的應(yīng)用]1，2]。

自動汽車車牌識別系統(tǒng)是基于圖像識別技術(shù)，對監(jiān)視器所拍攝的圖像進行研究。常見的車牌識別主要是依據(jù)車牌圖像不同部分的有效信息不同，通過研究有效信息，對有效信息進行檢測，如有對車牌特有的顏色對車牌進行定位識別[13];有使用車牌特有的紋理特征對車牌定位識別[4，5];有多種混合特征對車牌定位識別[6，7]。但在實際車牌識別中，有少量的車牌邊緣特征無法捕捉，有識別速度和精度不協(xié)調(diào)，有車牌識別率不高等缺點。

針對上述情況，本文在充分考慮國內(nèi)車牌大量為藍底、矩形、7個字符的基礎(chǔ)上，在MATLAB平臺設(shè)計出車牌識別系統(tǒng)。該系統(tǒng)是對監(jiān)視器拍攝帶有車牌的車輛圖片進行識別，從而提取車牌信息，對汽車進行精確識別，其主要工作流程有：拍攝汽車圖像、對汽車圖像形態(tài)學預(yù)處理、車牌定位、字符分割、字符識別、車牌號碼輸出。該識別系統(tǒng)在預(yù)處理中加入中值濾波來抑制噪聲;在車牌定位中，優(yōu)化算子和算法，在精確定位車牌的基礎(chǔ)上減少車牌邊緣丟失的缺點;考慮算法的數(shù)據(jù)處理時間，協(xié)調(diào)識別速度和精度，做到高效率的快速識別。

1 研究方法

1.1 車輛圖像形態(tài)學預(yù)處理

圖像的形態(tài)學處理指使用數(shù)學形態(tài)學提取圖像有用的重要分量，例如邊界、骨架等[8]。車輛圖像的形態(tài)學預(yù)處理是對車牌進行精確定位的第一步，其具體流程有：灰度化處理、中值濾波、邊緣檢測、腐蝕邊緣、閉運算、去除小面積區(qū)域，最終得到車牌的二值圖像。本文使用圖1作為車牌識別的最初圖像。

因Sobel算子[9]在圖像邊緣檢測中對像素位置的影響有加權(quán)處理效果，有效降低了圖像邊緣模糊程度，故使用Sobel算子對車輛圖像進行邊緣檢測。圖2所示為對灰度化處理、中值濾波后的車輛圖像進行Sobel算子邊緣檢測后得到的圖像。在圖2中可發(fā)現(xiàn)，邊緣檢測后基本保留了車牌的邊緣，但同時也有無用背景的邊緣信息。為去除無用邊緣信息，本設(shè)計使用lmer-ode（image，[1;1;1]）命令對圖1進行腐蝕，腐蝕后得到圖3。從圖2可發(fā)現(xiàn)，背景無效信息大部分被去除，但車牌所在位置的有效信息也有部分被去除。若想對車牌位置進行精確定位，車牌所在位置有效信息必須較多，為解決圖2問題，使用閉運算對圖3進行有效信息填充，同時使用bwareaopen函數(shù)對無效信息的填充進行去除，為高效率保留有效信息的填充和去除無效信息的填充，本設(shè)計在大量測試的基礎(chǔ)上，得到去除無效信息填充和保留有效信息的最佳閾值，最終得到圖4。從圖4可發(fā)現(xiàn)，車牌所在位置有效信息均被保留，其他無效信息均被去除。

1.2 車牌定位

在車牌識別中，最重要的就是對車牌所在圖像位置進行定位。我們通過尋找圖4，這一二值圖像中車牌所在位置的具體坐標來確定車牌的位置。因車牌形狀為矩形，所以只需要計算出車牌的兩個具體坐標，即左上點坐標和右下點坐標。

圖4為二值圖像，有效信息在MATLAB軟件工作區(qū)中表現(xiàn)為矩陣元素中的1。本設(shè)計采用找到矩陣元素中所有1的坐標，并將其橫坐標和縱坐標進行相加，相加結(jié)果最小的橫縱坐標即為車牌所在位置的左上點坐標，相加結(jié)果最大的即為車牌所在位置的右下點坐標。通過左上點坐標和右下點坐標確定的矩形，可以從圖1的灰度圖像中分割出車牌。

分割出的車牌如圖5所示。

根據(jù)本系統(tǒng)的工作流程，得到精確車牌定位圖像后，將對車牌進行分割，分割成為7個字符的圖像，以便對字符進行識別。為方便分割，就必須對圖5進行二值化處理，本文使用改進迭代閾值算法對圖5進行二值化處理。二值化處理結(jié)果后發(fā)現(xiàn)，車牌的分隔點和固封螺絲出現(xiàn)在圖像中，會對車牌分割造成較大的干擾，故使用bwareaopen函數(shù)對固封螺絲和分隔點信息進行清除，得到二值化處理后車牌圖像，如圖6所示。

1.3 車牌分割

車牌分割的主要工作是對圖6進行分割，分割為7個字符。我們對圖6，這一二值化圖像的列元素進行相加，相加后發(fā)現(xiàn)需要進行分割區(qū)域的列元素相加值均為0，字符有效信息所在區(qū)域的列元素相加值均不為0?；谶@一結(jié)果，對圖6按照橫坐標順序，依次相加列元素值，當相加結(jié)果從0轉(zhuǎn)變?yōu)榉?時，記錄下非0所在的橫坐標;當相加結(jié)果從非0轉(zhuǎn)變?yōu)?時，再次記錄下此時非0所在的橫坐標，依據(jù)記錄出的這兩個橫坐標分割出第1個字符。然后以此類推，通過相同的方法，依次分割出其他6個字符，并對分割出的分割出圖像結(jié)果進行歸一化處理，最終的結(jié)果圖像如圖7所示。

1.4 車牌字符識別

字符識別的主要工作就是對圖7分割好的7個字符依次進行字符識別有效信息輸出。本設(shè)計采用模板匹配算法對字符進行識別[10.11]。將歸一化處理后的字符圖像與模板字符圖像進行減法運算，并對相減結(jié)果進行比較，比較出的最小值即為最佳匹配結(jié)果。依次對7個字符分別進行匹配，得到最佳匹配結(jié)果并輸出。最終輸出車配的信息，顯示結(jié)果圖8。從圖8中可發(fā)現(xiàn)，顯示原始圖像的識別結(jié)果為晉LAX795，字符識別成功。

2 小結(jié)

車牌圖像的形態(tài)學預(yù)處理和車牌定位算法對車牌圖像精確識別的成功率意義重大。本文所設(shè)計車牌識別系統(tǒng)在形態(tài)學預(yù)處理中，優(yōu)化部分函數(shù)的算子;在車牌定位算法中，提出尋找預(yù)處理后有效特征的坐標點，成功提取出車牌，解決了車牌定位不精確，邊緣信息容易丟失的情況。同時，在車牌字符分割中，精確分割出車牌的7個字符，并結(jié)合模板匹配算法對字符進行識別，結(jié)果顯示，車牌被正確識別出。結(jié)合大量實驗的基礎(chǔ)上，本系統(tǒng)對車牌確定識別的成功率在97%以上，若想再提高識別的成功率，可以結(jié)合神經(jīng)網(wǎng)絡(luò)算法，在深度學習的基礎(chǔ)上，發(fā)現(xiàn)新的車牌定位和字符識別算法，來提高車牌識別的準確率。

參考文獻：

[1]毛啟，張治榮，楊國榮.一種基于MATIAB的車牌提取研究[Jl.電腦知識與技術(shù)，2019，15（16）：189-190.

[2]鐘彩，唐婧，楊興耀，車牌智能識別技術(shù)的應(yīng)用研究[Jl.電腦知識與技術(shù)，2019，07（11）：189-190.

[3]趙亮.基于特征匹配的彩色車牌定位算法研究[D].長沙：湖南師范大學，2013.

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

[5]李學順，魏宗壽.基于彩色邊緣檢測和Edge Boxes的車牌定 位方法[J].電腦知識與技術(shù)，2019，07（11）：187-188.

[6]陳宏照，謝正光，盧海倫.顏色與邊緣紋理相結(jié)合的車牌定位方法[J].現(xiàn)代電子技術(shù)，2018，11（05）：67-70.

[7]張曦元.基于OpenCV的智能車牌檢測系統(tǒng)[J].電腦知識與技術(shù)，2019，13（14）：225-226.

[8]胡學龍，數(shù)字圖像處理[Ml.北京：電子工業(yè)出版社，2014：125 -130.

[9]胡徐怡，王超，厲丹，基于改進Sobel算子的邊緣檢測算法研究[J].福建電腦，2018，09（25）：235-238.

[10]張倩蓓，車牌字符識別算法研究[Dl.鄭州：鄭州大學，2019.

[11]王娜.一種基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別算法[J].電腦知識與技術(shù)，2017，32（29）：201-202.

【通聯(lián)編輯：唐一東】

收稿日期：2019 -11-15

作者簡介：高強（1988-），男，山西臨汾人，助教，碩士，主要研究方向為計算機視覺。