摘  要: 通過(guò)對(duì)車(chē)牌定位、車(chē)牌字符分割和車(chē)牌字符識(shí)別進(jìn)行研究，提出了一種車(chē)牌識(shí)別系統(tǒng)的設(shè)計(jì)和實(shí)驗(yàn)仿真方法。該方法首先采用基于Canny 算子邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)相結(jié)合的方法定位出車(chē)牌,進(jìn)行二值化、濾波和形態(tài)學(xué)開(kāi)運(yùn)算后使用投影二分法分割出7個(gè)車(chē)牌字符,最后使用模板匹配和特征統(tǒng)計(jì)相結(jié)合的方法識(shí)別出車(chē)牌字符。試驗(yàn)表明該方法是有效的、可行的,與傳統(tǒng)使用單一算法相比較，該方法大大提高了車(chē)牌識(shí)別系統(tǒng)的正確率。
關(guān)鍵詞: 圖像預(yù)處理； 車(chē)牌定位； 車(chē)牌字符分割； 車(chē)牌字符識(shí)別

    隨著世界經(jīng)濟(jì)和科學(xué)技術(shù)的不斷發(fā)展,智能交通系統(tǒng)越來(lái)越多地被人們所關(guān)注。車(chē)牌識(shí)別LPR(License Plate Recognition)是智能交通系統(tǒng)中重要研究課題[1]，已成為圖像處理和模式識(shí)別研究中的熱點(diǎn)。整個(gè)車(chē)牌識(shí)別系統(tǒng)主要包括圖像預(yù)處理、車(chē)牌定位、車(chē)牌字符分割、車(chē)牌字符識(shí)別4個(gè)模塊，其流程圖如圖1所示。

    圖像預(yù)處理主要是將輸入的彩色圖像轉(zhuǎn)換為灰度圖像，再進(jìn)行灰度增強(qiáng)，以達(dá)到較好的凸顯車(chē)牌字符的效果。這里首先將24位R、G、B的彩色圖像按式(1)轉(zhuǎn)換成256級(jí)的灰度圖，以減少存儲(chǔ)和計(jì)算量，圖2是轉(zhuǎn)換后的車(chē)牌灰度圖。

1 車(chē)牌定位
    車(chē)牌定位是車(chē)牌識(shí)別系統(tǒng)中關(guān)鍵的一步，直接關(guān)系到車(chē)牌字符分割的準(zhǔn)確性和系統(tǒng)識(shí)別的正確率[2]。通過(guò)比較4種典型的邊緣檢測(cè)算子，選擇Canny算子對(duì)車(chē)牌進(jìn)行邊緣檢測(cè)，然后對(duì)車(chē)牌進(jìn)行形態(tài)學(xué)處理，并統(tǒng)計(jì)圖像中白色像素點(diǎn)的個(gè)數(shù)定位出車(chē)牌區(qū)域。
1.1 4種典型的邊緣檢測(cè)算子
　邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)，車(chē)牌識(shí)別4種典型的邊緣檢測(cè)算子有：Roberts算子、Prewitt算子、Sobel算子和Canny算子，圖3是這4種典型的邊緣檢測(cè)算子對(duì)車(chē)牌圖像的檢測(cè)效果圖。

    實(shí)驗(yàn)結(jié)果表明,Roberts算子對(duì)邊緣定位比較準(zhǔn)，但對(duì)噪聲過(guò)于敏感，在圖像噪聲較少的情況下分割效果相當(dāng)不錯(cuò)。Prewitt算子有一定的抗噪能力，但是這種抗噪能力是通過(guò)像素平均來(lái)實(shí)現(xiàn)的,相當(dāng)于低通濾波，所以圖像有一定模糊,其邊緣檢測(cè)時(shí)會(huì)受到一定影響。Soble算子對(duì)噪聲有抑制作用,但對(duì)邊緣的定位不是很準(zhǔn)確，不適合對(duì)邊緣定位的準(zhǔn)確性要求很高的應(yīng)用。Canny算子具有高定位精度，即能準(zhǔn)確地把邊緣點(diǎn)定位在灰度變化最大的像素上，同時(shí)較好地保留了原有車(chē)形的邊緣特征，并能抑制虛假邊緣的產(chǎn)生，因此本文選取Canny算子作為車(chē)牌圖像邊緣檢測(cè)算子。
    Canny算子邊緣檢測(cè)的實(shí)現(xiàn)是由MATLAB圖像處理工具箱中edge函數(shù)來(lái)完成的。edge函數(shù)主要是在灰度圖像中查找圖像的邊緣，處理圖像的格式為BW=edge(I,′Canny′,thresh),其中I為灰度圖像；thresh是一個(gè)包含兩個(gè)閾值的向量，第一個(gè)元素是低閾值，第二個(gè)元素是高閾值，本文Canny算子邊緣檢測(cè)的MATLAB參數(shù)設(shè)置如下：
    I2=edge(I1,′Canny′,[0.25,0.65]);
    figure(3),imshow(I2);title(′Canny算子邊緣檢測(cè)′);
1.2數(shù)學(xué)形態(tài)學(xué)處理
　數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運(yùn)算算子組成的，用這些算子可以對(duì)圖像的形狀和結(jié)構(gòu)進(jìn)行分析及處理[3]。通過(guò)對(duì)圖像的腐蝕和膨脹運(yùn)算能使車(chē)牌區(qū)域連通，并最大限度地消除非車(chē)牌區(qū)域的噪聲干擾。腐蝕和膨脹后的車(chē)牌圖像如圖4所示。

    圖像經(jīng)過(guò)膨脹以后依然存在許多連通的小區(qū)域，但這些小區(qū)域明顯不是車(chē)牌候選區(qū)域且形狀不規(guī)則。由車(chē)牌的先驗(yàn)信息知,我國(guó)車(chē)牌形狀為矩形，一般高14 cm,寬44 cm,寬高比3.14。根據(jù)我國(guó)車(chē)牌的特征很容易就能夠刪除這些干擾對(duì)象，即使用bwareaopen函數(shù)來(lái)處理干擾對(duì)象。bwareaopen函數(shù)的格式為BW2=bwareaopen(BW,P,conn)，其作用是移除二值圖像BW中面積小于閾值P的對(duì)象。通過(guò)實(shí)驗(yàn)得閾值P取2 000~3 500之間效果較好，這里閾值P的取值為2 800。圖5是移除小對(duì)象后得到的車(chē)牌圖像。
1.3車(chē)牌剪切
    通過(guò)數(shù)學(xué)形態(tài)學(xué)處理之后已大體上定位出車(chē)牌的位置，接下來(lái)就是從原彩色圖像中把車(chē)牌剪切出來(lái)，并去除車(chē)牌邊框。圖像中車(chē)牌位置可以通過(guò)統(tǒng)計(jì)圖像中的白色像素點(diǎn)的個(gè)數(shù)獲得[4]，再使用MATLAB中imcrop函數(shù)剪切出車(chē)牌。針對(duì)車(chē)牌邊框可以通過(guò)設(shè)置不同的閾值來(lái)去除，以L1=Width/7為閾值對(duì)剪切出的車(chē)牌圖像按行掃描，如果有線段的長(zhǎng)度大于L1就可以認(rèn)為是牌照的上下邊框,再以L2=Height×3/5 為閾值對(duì)剪切出的車(chē)牌圖像按列掃描，如果有線段的長(zhǎng)度大于L2，則認(rèn)為是牌照的左右邊框。找到車(chē)牌的上、下、左、右邊框之后，重新剪切車(chē)牌圖像去除車(chē)牌邊框,完成車(chē)牌的定位, 如圖6所示。

2 車(chē)牌字符分割
　車(chē)牌字符分割是指將單個(gè)字符從車(chē)牌圖像中分離出來(lái)。車(chē)牌字符分割方法主要有數(shù)學(xué)形態(tài)學(xué)法、投影法、松弛標(biāo)記法、連通分支法和顏色塊法[5]。本文綜合使用了數(shù)學(xué)形態(tài)學(xué)和投影法來(lái)分割車(chē)牌字符,其基本流程是：首先對(duì)定位出的車(chē)牌進(jìn)行二值化和形態(tài)學(xué)開(kāi)運(yùn)算，以去除灰塵及鉚釘?shù)雀蓴_噪聲，然后利用投影二分法分割出7個(gè)車(chē)牌字符，并對(duì)字符進(jìn)行歸一化。
2.1二值化和形態(tài)學(xué)開(kāi)運(yùn)算
　二值化圖像的目的主要是找出一個(gè)合適的閾值或一個(gè)閾值范圍，將車(chē)牌區(qū)域劃分為前景和背景兩部分，以方便車(chē)牌字符的分割。常用的二值化方法有直方圖統(tǒng)計(jì)法、固定門(mén)限法、動(dòng)態(tài)閾值法、松弛法、抖動(dòng)矩陣二值法等。本文使用了迭代求圖像最佳分割閾值的算法，得到的二值化圖像如圖7所示。

2.2字符分割及歸一化
　在車(chē)牌字符分割中，使用最多的是垂直投影法，該方法將灰度車(chē)牌圖像像素列方向上求和，這樣有字符的地方投影較高，而字符中間，理想情況下是沒(méi)有像素的，但現(xiàn)實(shí)圖像中由于噪聲的干擾會(huì)存在一定的像素。在現(xiàn)實(shí)環(huán)境中車(chē)牌圖像上往往有灰塵、鉚釘?shù)仍肼?，由于垂直投影受噪聲影響較大，易造成分割字符的粘連與斷裂，嚴(yán)重情況下會(huì)造成車(chē)牌字符之間的投影很難辨認(rèn)，在一定程度上影響了車(chē)牌的識(shí)別率。針對(duì)傳統(tǒng)投影法的不足，冼允廷等提出了基于投影二分法的車(chē)牌字符分割方法[6]。該方法主要是通過(guò)迭代尋找最佳分割點(diǎn)，能夠很好地解決車(chē)牌字符分割中存在的粘連和斷裂問(wèn)題，因此本文選用投影二分法對(duì)車(chē)牌圖像進(jìn)行分割，通過(guò)投影二分法分割出的車(chē)牌字符圖像如圖9所示。

其中,R(i,j)為互相關(guān)算子，S為待檢測(cè)的圖像，S為待檢測(cè)的子圖，T為模板。將待識(shí)別的字符逐一和所有模板進(jìn)行匹配，并用上述相似度式子來(lái)計(jì)算車(chē)牌字符與每個(gè)模板字符的匹配程度，最相似的就是匹配結(jié)果，從而判斷并識(shí)別出待識(shí)別的字符。
　計(jì)算二維圖像相似度可以用Matlab中提供的corr2函數(shù)來(lái)實(shí)現(xiàn)。corr2函數(shù)的調(diào)用方法是R=corr2(A，B)，其中R是相關(guān)系數(shù)，數(shù)據(jù)類型為雙精度，A、B為大小和數(shù)據(jù)類型相同的圖像矩陣。因?yàn)榍懊娴能?chē)牌字符分割環(huán)節(jié)中已把車(chē)牌字符大小歸一化為40×20的圖像，與模板圖像大小相同，所以模板匹配過(guò)程只需調(diào)用此函數(shù)，將分割出來(lái)的每個(gè)字符與設(shè)置好的模板進(jìn)行相關(guān)運(yùn)算，然后使用MATLAB中max函數(shù)尋找出它們中的最大相關(guān)值，即最相似的匹配結(jié)果，就完成了模板匹配過(guò)程。
3.2 特征統(tǒng)計(jì)優(yōu)化識(shí)別
　由于車(chē)牌字符中的個(gè)別英文字母與阿拉伯?dāng)?shù)字具有相似的結(jié)構(gòu)特征，投影點(diǎn)的歐氏距離相差較小,因此，需要對(duì)部分相似字符的識(shí)別結(jié)果進(jìn)行優(yōu)化識(shí)別，并將優(yōu)化結(jié)果作為最終識(shí)別結(jié)果輸出。例如:
　(1)數(shù)字0與8:利用數(shù)字0與8的“空心”個(gè)數(shù)進(jìn)行區(qū)分。數(shù)字0從上到下只有一個(gè)空心，而數(shù)字8從上到下有兩個(gè)空心。因此，可以將數(shù)字0與8區(qū)分開(kāi)。
　(2)數(shù)字6與9:利用數(shù)字6與9的“空心”區(qū)域分別位于圖像的中下部與中上部的特點(diǎn)，可以將其區(qū)分開(kāi)。
   (3)數(shù)字8與字母B:利用數(shù)字8和字母B中部左邊像素點(diǎn)的位置進(jìn)行區(qū)分。對(duì)字符圖像的中部(從上向下第11個(gè)像素點(diǎn)至第21個(gè)像素點(diǎn))從左向右檢測(cè)第1個(gè)白色像素點(diǎn)，并記錄該點(diǎn)的位置。取這些點(diǎn)的算術(shù)平均值，若該值在4個(gè)像素點(diǎn)以下，則該字符為字母B，否則為數(shù)字8。
   本文對(duì)不同天氣情況下采集的358幅圖片進(jìn)行了MATLAB仿真測(cè)試。如果僅使用模板匹配法，可以識(shí)別出284幅圖片，識(shí)別正確率為79.3%，其中有45幅是在相似字符識(shí)別時(shí)出錯(cuò)；如果使用模板匹配和特征統(tǒng)計(jì)相結(jié)合的方法,可以識(shí)別出329幅圖片,識(shí)別正確率為91.9%，其中相似字符的識(shí)別準(zhǔn)確率大大提高。與單一使用模板匹配相比較，本文方法明顯優(yōu)于傳統(tǒng)的模板匹配法，分析原因主要是通過(guò)特征統(tǒng)計(jì)對(duì)相似字符的再次識(shí)別彌補(bǔ)了模板匹配對(duì)相似字符識(shí)別較弱的不足。與傳統(tǒng)使用神經(jīng)網(wǎng)絡(luò)方法識(shí)別率只有75.7％相比較,本文91.9%的識(shí)別正確率具有明顯優(yōu)勢(shì)?？傊畬?shí)驗(yàn)結(jié)果表明，經(jīng)過(guò)特征統(tǒng)計(jì)再次優(yōu)化識(shí)別以后大大提高了整個(gè)系統(tǒng)的識(shí)別正確率,圖11所示為本文車(chē)牌識(shí)別圖像。

   目前，車(chē)牌識(shí)別技術(shù)已經(jīng)取得一定突破，但在現(xiàn)實(shí)應(yīng)用中車(chē)牌識(shí)別正確率還不理想，僅使用一種特征和識(shí)別方法都有其優(yōu)點(diǎn)和局限性，走多特征組合、多方案集成的道路，已成為車(chē)牌識(shí)別系統(tǒng)走向?qū)嵱没挠行緩剑虼塑?chē)牌識(shí)別系統(tǒng)算法實(shí)用化的研究十分重要。
參考文獻(xiàn)
[1]  GUO J M, LIU Y F. License plate localization and character segmentation with feedback self-learning and hybrid binarization techniques[J]. Transactions on Vehicular Technology, 2008,57(3):1417-1424.
[2] ZHANG C, SUN G M,CHEN D M. A rapid locating  method of vehicle license plate based on characteristics of characters′ connection and projection[C]. Proc of the Second IEEE Conference on Industrial Electronics and Applications,  2007:2546-2549.
[3] BAI H L, LIU C P. A hybrid license plate extraction method based on edge statistics and morphology[C]. Proc of the 17th International on Pattern Recognition,2004:831-834.
[4] 沈勇武，章專. 基于特征顏色邊緣檢測(cè)的車(chē)牌定位方法[J].儀器儀表學(xué)報(bào)，2008,29(12):2673-2677.
[5] CHANG S L,CHEN L S,CHUNG Y C. Automatic license plate recognition[J].IEEE Transactions on Intelligent Transortation System, 2004,5(1):42-53.
[6] 冼允廷,路小波,施毅，等.基于投影二分法的車(chē)牌字符分割方法[J].交通計(jì)算機(jī), 2007,25(5):69-71.