屠 菁，劉登勝，鐘雪景

（1.合肥學(xué)院 人工智能與大數(shù)據(jù)學(xué)院，安徽 合肥 230601；2.東南大學(xué) 軟件學(xué)院，江蘇 蘇州 215123）

車牌識(shí)別（Automatic license plate recognition，ALPR）［1］是先通過(guò)彩色、黑白或紅外相機(jī)拍攝圖像，然后由機(jī)器通過(guò)圖像處理或模式識(shí)別相關(guān)算法達(dá)到自動(dòng)識(shí)別車牌號(hào)碼的目的，用于減輕人為的工作量以及提高管理效率。 但是，車牌類型或環(huán)境的不確定增加了車牌的檢測(cè)和識(shí)別難度，如車輛型號(hào)和相機(jī)距離的不同， 會(huì)對(duì)車牌的定位造成困擾；另外環(huán)境和光線也給拍攝的圖像識(shí)別造成了困難。

車牌識(shí)別技術(shù)在智能處理領(lǐng)域一直是國(guó)內(nèi)外學(xué)者主要的研究方向。例如，以色列Hi-Tech 公司和新加坡Optasia 公司，都研制了比較成熟的產(chǎn)品［2-3］。我國(guó)學(xué)者也一直在進(jìn)行相關(guān)識(shí)別算法的研究，如劉軍等［4］使用兩層高斯金字塔模型分析漢字圖像，再由神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)漢辨別；陳宏照等［5］提出基于OpenCV 的車牌定位方法，即將色彩與紋理相結(jié)合；張變蓮等［6］利用 SUSAN 算子和 SIFT 算法實(shí)現(xiàn)對(duì)車牌區(qū)域邊緣檢測(cè)和字符識(shí)別；林乾畢［7］提出通過(guò) SVM 分類器判斷圖像中的車牌區(qū)域［8］，然后由ANN 神經(jīng)網(wǎng)絡(luò)完成字符識(shí)別。 國(guó)內(nèi)外車牌的排列規(guī)則不同，雖然國(guó)外研究效果較好，但是并不適用國(guó)內(nèi)。 而國(guó)內(nèi)的研究注重對(duì)算法的理論研究，較少與實(shí)際應(yīng)用場(chǎng)景相結(jié)合。

本文主要討論基于K- nearest neighbor（KNN）分類算法的車牌識(shí)別在停車場(chǎng)中的具體應(yīng)用，系統(tǒng)擬在原車輛信息管理的基礎(chǔ)上，增加車牌自動(dòng)識(shí)別模塊。首先，預(yù)處理原始車輛圖像，削弱噪聲的影響并緩和圖像模糊；其次，通過(guò)邊緣檢測(cè)定位車牌區(qū)域及目標(biāo)圖像，采用垂直投影的方法進(jìn)行字符分割；然后，通過(guò)KNN 算法完成車牌號(hào)碼的最終識(shí)別。最后， 通過(guò)與ANN 神經(jīng)網(wǎng)絡(luò)算法、SIFT 算法進(jìn)行實(shí)驗(yàn)比較， 驗(yàn)證KNN 方法的精度和效率以及實(shí)際應(yīng)用價(jià)值。

1 KNN（K-nearest neighbor）算法

在模式識(shí)別技術(shù)中，KNN 算法被廣泛應(yīng)用于基于小訓(xùn)練集的有監(jiān)督機(jī)器學(xué)習(xí)算法， 它通過(guò)計(jì)算兩點(diǎn)之間的距離來(lái)發(fā)現(xiàn)兩點(diǎn)之間的相似性， 該算法的優(yōu)點(diǎn)是易于開(kāi)發(fā)構(gòu)造和計(jì)算復(fù)雜度較低［9］［10］(P228-231)。該算法基于3 個(gè)主要原則：(1) 確定每個(gè)訓(xùn)練樣本到目標(biāo)點(diǎn)的距離；(2)通過(guò)距離的遠(yuǎn)近選擇目標(biāo)點(diǎn)最近的k 個(gè)鄰居；(3)用k 個(gè)樣本為目標(biāo)點(diǎn)的投票，共同確定目標(biāo)點(diǎn)的類別。圖1 給出了KNN 算法的實(shí)現(xiàn)原理［11］。

Minkowski 距離是傳統(tǒng)KNN 中廣泛使用的距離度量之一。如果樣本特征具有相同的規(guī)模和數(shù)據(jù)分布，那么Minkowski 距離可以表示兩點(diǎn)之間的實(shí)際距離。 本文將特征值之間的差異指數(shù)設(shè)為2，即歐式距離，因?yàn)槠椒胶陀欣诿枋龆嗑S點(diǎn)距離。 當(dāng)特征點(diǎn)的個(gè)數(shù)為m 時(shí)，計(jì)算訓(xùn)練樣本p = (x1, … ,xm)和測(cè)試樣本q =(y1, … , ym)之間的歐式距離為公式（1）所示：

兩個(gè)點(diǎn)之間的距離越短，它們之間的相似性越大。 在計(jì)算所有點(diǎn)對(duì)的距離后，可確定測(cè)試樣本的類別。KNN 分類算法易于實(shí)現(xiàn)、分類性能好，主要表現(xiàn)為：算法的性能只與訓(xùn)練集有關(guān)，當(dāng)測(cè)試樣本發(fā)生變化時(shí)不會(huì)產(chǎn)生影響，且樣本集越大性能越好［12］；算法通用性強(qiáng)，對(duì)于不同場(chǎng)景問(wèn)題，無(wú)需重復(fù)建模，只需調(diào)整參數(shù)。

2 車牌圖像的預(yù)處理與字符分割

2.1 基于高斯濾波算法的車牌圖片預(yù)處理

車牌圖片采集時(shí)因?yàn)槭墉h(huán)境或車型的影響，容易產(chǎn)生噪聲干擾識(shí)別的穩(wěn)定性， 需預(yù)處理車牌圖像，主要步驟如下。

步驟 1：濾波去噪、高斯濾波（Gauss Filter）算法可以較好地消除白噪聲。具體方法為：通過(guò)計(jì)算像素點(diǎn)和鄰域內(nèi)其他像素點(diǎn)的值的加權(quán)平均值后， 每一個(gè)像素點(diǎn)的高斯濾波值即可獲得。如公式（2） 所示。

經(jīng)過(guò)高斯濾波之后的圖像和原圖像對(duì)比的示例如圖2 所示。

圖2 原始彩色圖像與濾波后的圖像

步驟2：圖像的灰度化。 灰度圖像相比彩色圖像而言，每個(gè)像素點(diǎn)只需要一個(gè)字節(jié)存放，既減少了計(jì)算量，又不會(huì)影響圖像處理的正確率。 一般可以采用加權(quán)平均法進(jìn)行灰度處理，將每一個(gè)像素點(diǎn)的原有三個(gè)顏色參數(shù)轉(zhuǎn)換為一個(gè)參數(shù)值來(lái)代替。如公式（3）所示。

以圖1 的圖像為例，灰度化后的圖像如圖3 所示。對(duì)于灰度化后的圖像可進(jìn)一步通過(guò)大津法［13］將其二值化，主要思想是：(1)選取一個(gè)灰度閥值t，根據(jù)閥值t 將圖像中的所有像素點(diǎn)分為兩類C0和C1；（2）由公式（4）分別計(jì)算出 C0和 C1出現(xiàn)的概率W0和 W1，然后由公式（5）計(jì)算出類 C0和 C1的平均灰度值u0和u1，最后根據(jù)公式（6）計(jì)算出類間方差g（t）。 當(dāng)所得到的類間方差最大時(shí)，此時(shí)對(duì)應(yīng)的閥值t 即為目標(biāo)最佳閥值。

2.2 基于邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的車牌定位方法

要獲得汽車的車牌內(nèi)容，首先需要從復(fù)雜的車輛照片中準(zhǔn)確定位車牌的位置。車牌定位算法主要是根據(jù)車牌的一些獨(dú)有特征來(lái)獲取圖像中的車牌照［14］（P14-20）。 我國(guó)的車牌在幾何、顏色和紋理特征等方面具有明顯的特征，主要表現(xiàn)為：車牌為規(guī)則具有特定比例的矩形，車牌的顏色較為固定，且其中的字符排列規(guī)則，字符之間都有一定的距離。

圖3 基于Canny 算法的邊緣檢測(cè)步驟

圖4 數(shù)學(xué)形態(tài)學(xué)和連通域分析后的圖像

圖5 基于垂直投影的車牌分割流程

圖6 基于垂直投影的車牌字符分割方法示例

車牌定位常使用基于邊緣檢測(cè)、基于數(shù)學(xué)形態(tài)學(xué)和基于數(shù)字特征等定位方法，其中邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)依賴于圖像的紋理和邊緣特征，研究綜合了兩者的優(yōu)點(diǎn)，對(duì)光線較弱、有噪聲干擾的的車牌圖像也能實(shí)現(xiàn)快速的定位，具有良好的魯棒性和準(zhǔn)確性。車牌區(qū)域中字符與底色之間灰度有著明顯性的變化特征， 車牌區(qū)域中的灰度變化幅度比較大，具有規(guī)律性［15］。 Canny 邊緣檢測(cè)算法使用了變分法(Calculus of variations)，通過(guò)優(yōu)化特定功能的函數(shù)達(dá)到最優(yōu)檢邊緣檢測(cè)，Canny 算法包含許多可以調(diào)整的參數(shù)， 可調(diào)整優(yōu)化算法計(jì)算的時(shí)間與實(shí)效。具體步驟如圖3 所示：

若垂直和水平方向的差分分別為Gy （x, y）和Gx（x, y），根據(jù)一階偏導(dǎo)有限差分，則梯度值 φ（x，方向 θ（x, y）=tan-1（Gy（x, y）/Gx（x, y））。

對(duì)于車牌位置對(duì)應(yīng)形狀的提取，可在不影響圖細(xì)節(jié)和邊緣的前提下，通過(guò)數(shù)學(xué)形態(tài)學(xué)簡(jiǎn)化形狀結(jié)構(gòu)來(lái)提取選取的元素內(nèi)容，主要采用的閉運(yùn)算和開(kāi)運(yùn)算后的圖像，具體如圖4 所示。

數(shù)學(xué)形態(tài)學(xué)處理后的圖像中，往往會(huì)有多個(gè)連通候選區(qū)域， 根據(jù)對(duì)車牌照固定的長(zhǎng)寬比的分析（大約為3.14），篩選出特定的連通候選區(qū)域。 由于拍照和處理過(guò)程中其他種種因素的影響，車牌圖像的具體大小會(huì)發(fā)生變化，通過(guò)設(shè)置合適的車牌長(zhǎng)寬比，可以達(dá)到剔除范圍外區(qū)域、得到真正的車牌連通區(qū)域的目的，然后根據(jù)連通域中的坐標(biāo)從原始圖像中提取完整的車牌照。 分析結(jié)果如圖4(C)所示。

2.3 基于垂直投影的車牌字符分割方法

對(duì)定位后的車牌照進(jìn)行整體識(shí)別，難度既大而且識(shí)別率較低，需要先對(duì)車牌照進(jìn)行字符分割。 為了具有良好的實(shí)時(shí)性和準(zhǔn)確性，本文采用垂直投影法，具體流程如圖5 所示。

圖6 為字符分割過(guò)程的示例圖。由圖，可知，字符間的間距在經(jīng)過(guò)垂直投影后會(huì)形成波谷，而字符處的投影則會(huì)形成波峰。根據(jù)波谷處的像素點(diǎn)為0 來(lái)進(jìn)行分割，(c)表示的字符為垂直投影分割后的結(jié)果。

3 基于KNN 分類算法的車牌字符識(shí)別

分割字符之后，下一步需要對(duì)字符進(jìn)行識(shí)別處理。傳統(tǒng)的識(shí)別方法是將圖像進(jìn)行二值化處理轉(zhuǎn)換成0, 1 矩陣， 但是字符特別是漢字字符的筆畫(huà)斷裂等現(xiàn)象會(huì)大大影響識(shí)別效果。HLBP［16］特征結(jié)合了LBP（局部二值化模式）特征和 Haar 型特征［17］（P511-518），更能有效地反映圖像局部的灰度變化，該算子以對(duì)稱的方式給出8 組編碼模型，如圖7 所示。

圖7 HLBP 的8 組編碼模型

其中， 中心點(diǎn)P0記錄 Haar 型特征的紋理變化，以 P0為中心構(gòu)成了 5×5 的小窗 W（x, y），圖像中任意像素 I（x, y）對(duì)于其 W（x, y）的 HLBP 算子可由公式（7）計(jì)算得到。

其中Mk分別對(duì)應(yīng)圖8 中的編碼模型，T 為灰度劃分的閾值。對(duì)車牌漢字和數(shù)字進(jìn)行HLBP 算子特征提取之后，就可以采用KNN 算法進(jìn)行分類。為了識(shí)別方便，我們將全圖像的HLBP 特征進(jìn)行直方圖統(tǒng)計(jì)，生成直方圖向量。 采用此方法為訓(xùn)練樣本集中的圖像均做HLBP 特征分析與提取。為了后期分類方便，可將直方圖進(jìn)行歸一化處理，具體如公式（8）所示。

其中，灰度區(qū)間［0, L］，rk為灰度值，nk是 rk的像素個(gè)數(shù)，p（rk）即為其出現(xiàn)的概率。

對(duì)于待識(shí)別字符， 可采用KNN 分類算法進(jìn)行歐式距離的計(jì)算和識(shí)別， 實(shí)現(xiàn)分類和字符識(shí)別，具體如圖8 KNN 算法所示。

圖8 KNN 分類算法

關(guān)鍵步驟的Python 語(yǔ)言實(shí)現(xiàn)代碼如下所示：

4 系統(tǒng)實(shí)現(xiàn)與性能分析

4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)搭建的服務(wù)數(shù)據(jù)環(huán)境為：PC 電腦（硬件配置為: 酷睿 i5 四核，500 GB HDD，8 GB 內(nèi)存），操作系統(tǒng)為Windows 8.1 中文版， 數(shù)據(jù)庫(kù)版本為MySQL 5.5，采用 Python 3.7 作為開(kāi)發(fā)工具。

實(shí)驗(yàn)?zāi)M了小區(qū)停車場(chǎng)的應(yīng)用場(chǎng)景，常見(jiàn)的車型（包括豐田、福特、東風(fēng)等品牌），包含1 025 張車輛的前視圖像，圖像尺寸為1 200×900，圖像拍攝于多種環(huán)境下，有晴天、陰天、逆光等，如圖9 所示。

圖9 測(cè)試集圖像示例

4.2 車牌識(shí)別模塊

系統(tǒng)模擬了停車場(chǎng)的車牌識(shí)別，通過(guò)獲取攝像頭拍攝到的圖片后對(duì)其進(jìn)行處理，如圖10 所示，界面左側(cè)顯示預(yù)處理的車牌照片信息，右側(cè)顯示圖像識(shí)別之后的結(jié)果。

圖10 車牌識(shí)別結(jié)果界面

4.3 性能分析

車輛識(shí)別結(jié)果的性能評(píng)估，可根據(jù)車牌字符識(shí)別精度, 即車牌字符序列識(shí)別正確與否來(lái)定義，具體如公式（9）所示：

將ANN 神經(jīng)網(wǎng)絡(luò)算法、SIFT 算法和與本文中使用的KNN 算法進(jìn)行比較， 針對(duì)1 000 張完整車牌進(jìn)行實(shí)驗(yàn)，選取850 張車牌圖像作為字符訓(xùn)練集和150 張車牌圖像作為字符測(cè)試集，檢測(cè)各算法的車牌識(shí)別效果。 實(shí)驗(yàn)結(jié)果如表1 所示。

表1 不同識(shí)別算法下的車牌識(shí)別準(zhǔn)確率和速度性能

由表1 可知，ANN 雖然在訓(xùn)練集和測(cè)試集均能得到較高的識(shí)別準(zhǔn)確率，但車牌整體識(shí)別的準(zhǔn)確率較低且耗時(shí)較多，原因在于車牌是多個(gè)字符的組合。 SIFT 和KNN 在訓(xùn)練集精度和車牌識(shí)別率上均表現(xiàn)較好，但是KNN 的時(shí)間性能更加出色，且實(shí)現(xiàn)起來(lái)更為直觀，通過(guò)調(diào)整參數(shù)對(duì)性能進(jìn)行微調(diào)也較容易。因此，本文采用的KNN 分類算法總體性能上識(shí)別準(zhǔn)確率更好，識(shí)別率高且耗時(shí)時(shí)間較少，且隨著訓(xùn)練集樣本增多，其識(shí)別精度還會(huì)更高。

5 結(jié)語(yǔ)

本文具體論述了車牌識(shí)別過(guò)程中的關(guān)鍵步驟與關(guān)鍵技術(shù)， 并介紹了KNN 分類算法在字符識(shí)別中的應(yīng)用。經(jīng)測(cè)試，應(yīng)用KNN 分類算法的車牌識(shí)別本系統(tǒng)能夠很好地對(duì)車牌圖像進(jìn)行識(shí)別和提取出正確的車牌號(hào)碼。 但是測(cè)試過(guò)程中也發(fā)現(xiàn)一些不足，例如當(dāng)車牌圖片受天氣、光線等因素影響時(shí)，由于圖像噪聲增多，會(huì)影響識(shí)別的正確率。 在今后的研究中，可以引入深度學(xué)習(xí)相關(guān)算法，如卷積神經(jīng)網(wǎng)絡(luò)等，以提高車牌識(shí)別精度和普適性。