武云飛

(安徽工貿(mào)職業(yè)技術(shù)學(xué)院，安徽 淮南 232007)

隨著人口的增長以及國民經(jīng)濟(jì)水平的不斷提高，近年來汽車使用量一直在增加，汽車在交通運(yùn)輸中起著很大的作用，隨之而來的車輛檢測(cè)和違規(guī)行為抓拍成為影響車輛管理的關(guān)鍵。車牌識(shí)別是一種僅通過車牌識(shí)別車輛的圖像處理技術(shù)，無須識(shí)別外部的卡片、標(biāo)簽或發(fā)射器，只需識(shí)別車牌即可。因而，實(shí)時(shí)車牌識(shí)別在交通規(guī)則的自動(dòng)監(jiān)控和公共道路的執(zhí)法維護(hù)中起著重要的作用[1]。

車輛牌照的提取與識(shí)別是汽車識(shí)別領(lǐng)域的研究熱點(diǎn)之一，王保全[2]提出了利用光學(xué)字符識(shí)別技術(shù)實(shí)現(xiàn)自動(dòng)車牌識(shí)別的方法?；萑私躘3]給出了車輛自動(dòng)識(shí)別的知識(shí)邊界跟蹤和模板匹配。李艷玲[4]將雙向聯(lián)想記憶(BAM)神經(jīng)網(wǎng)絡(luò)用于車牌識(shí)別，但是經(jīng)驗(yàn)證它僅僅適用于少量的模式。馬婉婕[5]提出了基于模糊邏輯和神經(jīng)網(wǎng)絡(luò)的汽車車牌識(shí)別算法，采用模糊邏輯進(jìn)行分割，離散元神經(jīng)網(wǎng)絡(luò)(DTCNN)進(jìn)行特征提取?？紤]到單一類別車輛的形狀和尺寸的多樣性，使用簡(jiǎn)單的參數(shù)很難對(duì)車輛進(jìn)行分類，當(dāng)需要多個(gè)類別且在諸如遮擋、陰影、相機(jī)噪音、光線變化和天氣狀況等復(fù)雜環(huán)境條件時(shí)，識(shí)別過程變得更加困難。

1 車牌識(shí)別系統(tǒng)

在本研究中，基于車牌區(qū)域的提取、車牌字符的分割和字符的識(shí)別對(duì)車牌進(jìn)行識(shí)別。本系統(tǒng)主要分為對(duì)象提取、目標(biāo)跟蹤、遮擋判定、遮擋區(qū)域隔離、給出車牌字符的分割、基于統(tǒng)計(jì)模板匹配算法的字符識(shí)別等幾個(gè)模塊。該系統(tǒng)的輸入是由攝像機(jī)捕捉到的車輛圖像，從4～5米外采集的圖像，通過車牌提取器進(jìn)行處理，并將其輸出到分割部分，分割部分將字符單獨(dú)分割。最后是識(shí)別部分，識(shí)別結(jié)果為車牌號(hào)碼的字符。

1.1 目標(biāo)定位

圖像預(yù)處理模塊。該模塊目的是豐富邊緣特征，由于檢測(cè)方法是基于邊界特征的，因此圖像經(jīng)過預(yù)處理可以提高檢測(cè)模塊的成功率。圖像預(yù)處理模塊使用的算法有灰度化、規(guī)格化和直方圖均衡化。在獲得灰度圖像后，使用Sobel過濾器提取邊緣圖像，然后對(duì)圖像進(jìn)行二值化閾值處理。此后，使用局部自適應(yīng)閾值算法進(jìn)行二值化。

作為該算法的第一步，從相機(jī)捕獲的圖像首先轉(zhuǎn)換成只有1和0組成的二進(jìn)制圖像(只有黑白)。通過對(duì)輸入圖像中亮度小于閾值的所有像素進(jìn)行閾值化，使其像素值為0(黑色)，其余像素為1(白色)。捕獲的圖像(原始圖像)和二值化圖像分別如圖1(a)和1(b)所示。

圖像二值化處理。為了找到平板區(qū)域，首先使用了涂抹算法，沿著垂直和水平方向(掃描線)對(duì)圖像進(jìn)行處理。如果白色像素的數(shù)量小于所需閾值或大于任何其他所需閾值，則將白色像素轉(zhuǎn)換為黑色[6]。在這個(gè)系統(tǒng)中，水平和垂直涂抹的閾值都被選擇為10和100。如果“白色”像素?cái)?shù)< 10，像素則成為“黑”。

f白像素的數(shù)量{沒有變化

>100像素變?yōu)楹?/p>

(1)

在得到板的位置后，只涉及板的區(qū)域被切割，得到圖2。

圖2 板圖片

1.2 區(qū)域定位

對(duì)圖像進(jìn)行形態(tài)學(xué)操作，以確定印版的位置。為了找到準(zhǔn)確的區(qū)域并消除其他區(qū)域，對(duì)圖像進(jìn)行了模糊和濾波處理。經(jīng)過這一階段處理后的圖像如圖3(a)所示，只涉及車牌板的圖像如圖3(b)所示。

圖3 平板區(qū)域及圖像

對(duì)于板區(qū)域的提取，基于邊緣統(tǒng)計(jì)與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的技術(shù)具有很好的效果。在這些算法中，通過計(jì)算圖像不同部分的梯度幅值和方差，可以看出基于車牌區(qū)域的亮度變化比其他區(qū)域更顯著和更頻繁。然后，將邊緣幅值高、邊緣方差大的區(qū)域識(shí)別為可能的牌照區(qū)域。該方法不依賴于車牌邊界的邊緣，可以應(yīng)用于車牌邊界不清晰的圖像，實(shí)現(xiàn)簡(jiǎn)單快速。一個(gè)缺點(diǎn)是基于邊緣的方法很難單獨(dú)應(yīng)用于復(fù)雜的圖像，因?yàn)樗鼈儗?duì)不想要的邊緣過于敏感，而這些邊緣也可能顯示出很高的邊緣幅度或方差(例如，車輛前視圖的散熱器區(qū)域)。盡管如此，結(jié)合去除處理后圖像中不需要的邊緣的形態(tài)學(xué)步驟，與其他方法相比，車牌提取率相對(duì)較高，速度也較快。

2 圖像分割

2.1 分割步驟

圖像分割階段確定的候選車牌在車牌識(shí)別階段進(jìn)行檢驗(yàn)。識(shí)別階段主要包括字符分割分離和字符識(shí)別兩個(gè)階段。字符分割是通過投影、形態(tài)學(xué)、松弛標(biāo)記、連通成分和斑點(diǎn)著色等技術(shù)來實(shí)現(xiàn)的。由于投影方法假設(shè)車牌的方向已知，而形態(tài)學(xué)方法要求知道字符的大小，因此這兩種方法都不適合本文的應(yīng)用。松弛標(biāo)記本質(zhì)上是迭代的，而且常常很費(fèi)時(shí)間。

2.2 車牌分割

在本研究中，將車牌分割成多個(gè)組成部分，分別獲得車牌字符。首先對(duì)圖像進(jìn)行濾波，增強(qiáng)圖像，去除噪聲和多余的斑點(diǎn)。然后對(duì)圖像進(jìn)行膨脹操作，使字符之間距離較近時(shí)進(jìn)行分離。在此操作之后，應(yīng)用水平和垂直涂抹來尋找字符區(qū)域。結(jié)果如圖4所示。

圖4 車牌字符位置

圖5 單個(gè)字符

分割剪板字是通過在水平方向上查找字符的起始點(diǎn)和結(jié)束點(diǎn)來完成的。從底片上剪下的單個(gè)字符如圖5所示。

3 字符識(shí)別

3.1 字符匹配

在字符識(shí)別之前，需對(duì)所有字符進(jìn)行歸一化處理，將字符細(xì)化為一個(gè)塊，所有四個(gè)邊都不包含額外的空白(像素)，如圖6所示。

圖6 大小相同的字符

模板匹配需要采用擬合方法。為了使字符與數(shù)據(jù)庫匹配，輸入圖像的大小必須與數(shù)據(jù)庫字符相同，從車牌中提取的字符和數(shù)據(jù)庫中的字符大小相等。下一步是模板匹配，就是將字符圖像與數(shù)據(jù)庫中的字符圖像進(jìn)行比較，得出最佳相似度。

3.2 模板匹配

為了度量相似度并找到最佳匹配，本文使用了霍洛維茨圖像識(shí)別技術(shù)。該方法測(cè)量了若干幅相同尺寸的已知圖像與未知圖像之間的相關(guān)系數(shù)，同時(shí)計(jì)算圖像中相關(guān)系數(shù)最高的部分之間的相關(guān)系數(shù)，從而得到最佳匹配結(jié)果。自相關(guān)函數(shù)(ACF)只涉及一個(gè)信號(hào)，并提供有關(guān)信號(hào)結(jié)構(gòu)或其時(shí)域行為的信息?；ハ嚓P(guān)函數(shù)(CCF)是對(duì)兩個(gè)信號(hào)之間相似性或共有特性的度量。由于系統(tǒng)中存在未知輸入圖像和已知數(shù)據(jù)庫圖像兩種信號(hào)，因此采用了互相關(guān)的方法。

令1≤j≤J和1≤k≤K的F1(j,k)和F2(j,k)分別表示要搜索的圖像和模板的兩個(gè)離散圖像。圖像對(duì)之間的歸一化互相關(guān)定義為[7]：

(2)

式中，m= 1,3，…，M和n= 1,3，…，N，其中M和N是奇數(shù)。

本系統(tǒng)建立專用數(shù)據(jù)庫存儲(chǔ)車牌字符，共33個(gè)字母數(shù)字字符(23個(gè)字母和10個(gè)數(shù)字)，大小為36×18。形成的數(shù)據(jù)庫如圖7所示。

圖7 數(shù)據(jù)庫角色

由于一些漢字的相似性，在識(shí)別過程中可能會(huì)出現(xiàn)一些錯(cuò)誤。易混淆的漢字主要有B和8,E和F, D和O, S和5,Z和2。為了提高漢字的識(shí)別率，系統(tǒng)對(duì)混淆漢字進(jìn)行了標(biāo)準(zhǔn)測(cè)試，確定了漢字的特征。將字符特征應(yīng)用在字符識(shí)別算法中，有效提高了識(shí)別率，使誤差最小[8]。

4 算法實(shí)驗(yàn)

4.1 測(cè)試實(shí)驗(yàn)

測(cè)試在Matlab中設(shè)計(jì)完成，系統(tǒng)輸入的圖像為彩色圖像，大小為1200×1600。實(shí)驗(yàn)圖像是在不同光照條件下拍攝的。試驗(yàn)結(jié)果如表1所示。

表1 測(cè)試結(jié)果

結(jié)果表明，提取車牌區(qū)域的正確率為97.6%，字符分割正確率為96%，識(shí)別單元正確率為98.8%。

4.2 實(shí)際實(shí)驗(yàn)

圖8 車牌識(shí)別人機(jī)交互界面

在車牌定位實(shí)驗(yàn)中，使用了1088張不同場(chǎng)景和不同條件下的圖像。其中，23幅圖像未能定位到圖像中存在的車牌，車牌定位成功率為97.9%。

5 總結(jié)

在車輛模型識(shí)別任務(wù)中，車牌位置在分割車輛前視圖的特定參考區(qū)域時(shí)起著重要的作用。 本文介紹了一種用于汽車牌照識(shí)別的應(yīng)用軟件。首先提取車牌位置，然后通過分割對(duì)車牌字符進(jìn)行單獨(dú)的分割，最后利用模板匹配方法對(duì)車牌字符進(jìn)行識(shí)別，并為每個(gè)車型創(chuàng)建數(shù)字簽名。根據(jù)輸入的車牌信息，從數(shù)據(jù)庫中提取相應(yīng)的模板圖像，并將其與實(shí)時(shí)檢測(cè)得到的圖像進(jìn)行對(duì)比。在實(shí)驗(yàn)中，分量彩色圖像序列的幀分辨率為320×240。該系統(tǒng)是為識(shí)別車牌而設(shè)計(jì)的，并在大量圖像上進(jìn)行了測(cè)試。結(jié)果表明該算法對(duì)車牌區(qū)域的提取率為97.6%，對(duì)字符的分割率為96%，對(duì)識(shí)別單元的準(zhǔn)確率為98.8%，在實(shí)際實(shí)驗(yàn)中整體系統(tǒng)的識(shí)別率為97.9%。在未來的研究中，該系統(tǒng)可以針對(duì)跨國汽車牌照進(jìn)行重新設(shè)計(jì)。