數(shù)字圖像處理技術(shù)在車牌識(shí)別系統(tǒng)中的應(yīng)用

摘 要：隨著數(shù)字圖像處理技術(shù)及交通智能化的發(fā)展，圖像處理技術(shù)在當(dāng)前的智能交通系統(tǒng)中，扮演著極其重要的角色。本文主要針對(duì)數(shù)字圖像處理技術(shù)在智能交通系統(tǒng)中的應(yīng)用，特別是其在車牌識(shí)別系統(tǒng)中的算法應(yīng)用做了詳細(xì)的闡述，并對(duì)技術(shù)難題和發(fā)展趨勢(shì)做了深入的探討。

關(guān)鍵詞：數(shù)字圖像處理；車牌定位；字符分割；字符識(shí)別

中圖分類號(hào)：TP391.41

隨著世界經(jīng)濟(jì)全球化發(fā)展，人們生活和消費(fèi)水平的日益提高，對(duì)汽車的需求量也越來(lái)越大，其結(jié)果是巨大的城市交通壓力擺到了人們的面前，于是如何運(yùn)用高新科學(xué)技術(shù)來(lái)解決城市交通管理的問題越來(lái)越受到人們的重視。智能交通系統(tǒng)（Intelligent Transportation System，ITS）的出現(xiàn)大大的緩解了城市交通所帶來(lái)的巨大壓力，它被認(rèn)為是有效改善城市交通狀況最有利的工具。如今，數(shù)字圖像處理技術(shù)（Digital Image Processing）已發(fā)展成為城市生命體承載系統(tǒng)的健康識(shí)別和調(diào)控理論與方法的研究熱點(diǎn)。它的應(yīng)用范圍已從傳統(tǒng)的圖像處理技術(shù)發(fā)展到人工智能和高新科技領(lǐng)域，如計(jì)算機(jī)視覺、數(shù)碼變焦、機(jī)器人學(xué)和交通視頻監(jiān)測(cè)技術(shù)等，以數(shù)字圖像處理技術(shù)為主的研究也成為智能交通系統(tǒng)中的重要前沿研究領(lǐng)域。本文根據(jù)數(shù)字圖像處理技術(shù)的特點(diǎn)，詳細(xì)的介紹了其在車牌識(shí)別系統(tǒng)中的應(yīng)用。

1 車牌識(shí)別系統(tǒng)簡(jiǎn)介

數(shù)字圖像處理技術(shù)在ITS中最令人感興趣的便是車牌識(shí)別系統(tǒng)（License Plate Recognition System）。車牌識(shí)別是一個(gè)復(fù)雜的過程，包括圖像采集、圖像預(yù)處理、車牌定位與分割、字符識(shí)別、輸出結(jié)果等階段。圖像采集多是由硬件來(lái)完成的，是抓取車牌輸入到車牌識(shí)別系統(tǒng)中的過程；圖像預(yù)處理是對(duì)車牌圖像進(jìn)行處理，減小其數(shù)據(jù)量和突出圖像有價(jià)值信息的過程；定位與分割是從處理好的圖像中只提取車牌信息，再將它們分隔成單個(gè)的字符；字符識(shí)別是將分割后的字符識(shí)別出來(lái)的過程。整個(gè)車牌識(shí)別過程如圖1所示：

圖1 車牌識(shí)別過程框圖

2 車牌定位

車牌定位算法有很多，其核心都離不開車牌圖像中車牌所在區(qū)域的特征。其中車牌的字符紋理特征、顏色特征以及幾何特征是研究車牌定位的主要方向。圍繞著這三個(gè)特征，車牌定位方法的主要思想即是如何突出車牌的紋理特征，怎樣根據(jù)車牌的顏色特征以及如何運(yùn)用車牌的幾何特征來(lái)進(jìn)行車牌定位。

2.1 基于紋理特征的車牌定位算法

車牌本身含有豐富的紋理信息，其主要體現(xiàn)在字符上面，因?yàn)樽址y理信息是非常有規(guī)則的，關(guān)于如何通過這個(gè)特征來(lái)進(jìn)行定位的算法比較多，如Liu等[1]提出了一種基于紋理特征自動(dòng)定位車牌的算法，該算法是通過一維周期算法來(lái)進(jìn)行定位，該方法可以有效的過濾掉車牌周圍的噪聲，定位準(zhǔn)確；全書海等[2]提出一種改進(jìn)Sobel算子的來(lái)進(jìn)行車牌定位，該方式是通過將傳統(tǒng)的Sobel算子只利用水平和垂直方向算子來(lái)計(jì)算邊緣信息改進(jìn)為通過輸出6個(gè)方向的算子計(jì)算出的值的最大值，最大值對(duì)用的模板表示的方向作為該點(diǎn)的邊緣方向；Zheng等[3]利用奇異值特征來(lái)定位，即通過車牌灰度化后，利用灰度化后字符特征具有一定的跳變性，從而能夠?qū)④嚺七M(jìn)行定位。此類算法對(duì)復(fù)雜背景下的圖像，也有較好的定位效果，并且具有較好的適應(yīng)性和魯棒性；Anagnostopoulos等[4]提出了一種滑動(dòng)同心窗口的方法來(lái)定位車牌，該方法認(rèn)為圖像中車牌的紋理是不規(guī)則的，因此，局部特征發(fā)生突變的區(qū)域即是可能的車牌區(qū)域；Caner等[5]利用Gabor濾波算法分析紋理信息，這個(gè)方法對(duì)于分析紋理的無(wú)限方向和尺度十分地有效；Zhang等[6]運(yùn)用基于Adaboost學(xué)習(xí)算法結(jié)合Harr-like特征，并采用一種分級(jí)分類器的結(jié)構(gòu)來(lái)進(jìn)行車牌定位。Harr-like特征常用來(lái)進(jìn)行目標(biāo)檢測(cè)，它可以利用分類器分類出車牌的亮度、顏色、尺寸和位置等不變量。

所有基于紋理特征的車牌定位算法即使是對(duì)車牌邊緣發(fā)生畸變的情況都十分地有效。然而，這些方法在擁有較多邊緣、復(fù)雜背景下和不同光照條件下時(shí)運(yùn)算起來(lái)都比較復(fù)雜。

2.2 基于顏色特征的車牌定位算法

車牌是由特定的背景顏色組合和字符組成的，因此我們可以通過顏色特征對(duì)車牌進(jìn)行定位?；陬伾卣鱽?lái)進(jìn)行車牌定位算法大致可以概括為兩種：一種是將提取出的車牌從RGB空間轉(zhuǎn)換到HSV（或HSI）空間從而進(jìn)行車牌定位；另一種則是利用彩色圖像的顏色特征來(lái)檢測(cè)圖像邊緣信息，以達(dá)到定位車牌的目的。

中國(guó)科技大學(xué)的陳鍛生等[7]研究出了在豐富的背景下對(duì)于帶有顏色的汽車圖像牌照提取與分割技術(shù)。該算法通過車牌牌照自身標(biāo)準(zhǔn)模式的多種重要特征，綜合了局部特征分布、形狀、彩色等信息從而進(jìn)行車牌定位；華中科技大學(xué)的任仙怡等[8]提出了一種利用顏色信息的車牌定位方法。該算法首先將RGB圖像的顏色模型轉(zhuǎn)化為HSI模型，再利用顏色信息對(duì)車牌圖像進(jìn)行彩色粗分割，然后將分割的候選車牌分為目標(biāo)區(qū)域和偽車牌區(qū)域這兩種類型，接著通過投影檢測(cè)的方法對(duì)這兩種類型進(jìn)行處理，以獲得精確的車牌區(qū)域；Yang等[9]運(yùn)用車牌顏色與字符顏色的固定搭配生成一個(gè)邊緣圖像。對(duì)圖像進(jìn)行水平掃描，如果有任何一個(gè)像素的值出現(xiàn)在車牌顏色的范圍內(nèi)，接著繼續(xù)水平掃描與之鄰近的顏色值，若有兩個(gè)或者更多鄰近的值在同一個(gè)字符顏色的范圍內(nèi)，那么這個(gè)像素即被認(rèn)為是一幅新的邊緣圖像的邊緣像素，分析新圖像中所有的這些邊緣即可找出車牌所在的候選區(qū)域；Wang等[10]為了處理不同光照情況下基于顏色特征的車牌定位問題，提出了一種基于模糊邏輯的方法。運(yùn)用HSV彩色空間模型，首先將色度、飽和度、亮度三個(gè)權(quán)值根據(jù)不同的隸屬函數(shù)映射到模糊集合中，然后用這三個(gè)權(quán)值隸屬度結(jié)合起來(lái)描述模糊分類函數(shù)用以定位車牌。

利用顏色特征有利于定位出產(chǎn)生傾斜和畸變的車牌，然而直接運(yùn)用顏色投影的方法有時(shí)可能會(huì)造成檢測(cè)出錯(cuò)，特別是當(dāng)圖像的某些部分，如車身與車牌部分顏色一樣時(shí)。

2.3 基于幾何特征的車牌定位算法

利用車牌的幾何特征來(lái)進(jìn)行車牌的定位，其基本原理就是在對(duì)車牌進(jìn)行預(yù)處理后的基礎(chǔ)上通過幾何特征來(lái)進(jìn)行定位。檢測(cè)所得候選區(qū)域的幾何特征，即長(zhǎng)度和寬度，通過設(shè)定閾值去掉不適合的候選區(qū)域，可以很好的提取出真正的車牌區(qū)域。因?yàn)楹蜻x區(qū)域集中在車身中間，且高度比大致為140/440=0.318，這里選取[0.30，0.45]作為判斷區(qū)間，據(jù)此幾何特征，能夠把干擾的區(qū)域剔除掉。

運(yùn)用幾何特征來(lái)進(jìn)行車牌定位的算法有很多，如Nelson等[11]利用幾何特征定位線形成一個(gè)矩形來(lái)檢測(cè)出車牌的矩形位置；Zheng等[12]利用與垂直邊緣的匹配程度選出車牌的候選區(qū)域，車牌的垂直邊緣被看成是對(duì)車牌進(jìn)行定位的一個(gè)至關(guān)重要的特征，因?yàn)橹焕盟竭吘壢菀讬z測(cè)到保險(xiǎn)杠從而定位出錯(cuò)；基于塊的車牌定位方法，具有高尖邊緣的塊被認(rèn)為是可能的車牌所在區(qū)域，因?yàn)榛趬K的方法并不依賴于車牌邊界的邊緣，因此它也適用于車牌邊界不清晰的圖像；運(yùn)用基于邊界提取的Hough變換檢測(cè)圖像中的直線來(lái)進(jìn)行定位車牌，Hough變換對(duì)多達(dá)30°的傾斜直線的檢測(cè)都十分地有效，當(dāng)結(jié)合形態(tài)學(xué)的方法消除不需要的邊緣后，定位的準(zhǔn)確率將得到了大幅的提高。

3 字符分割

定位出準(zhǔn)確的車牌位置后，下一步則是將車牌字符識(shí)別出來(lái)。但是車牌里面的字符是由一連串字符組成的，直接對(duì)車牌進(jìn)行識(shí)別十分地困難，因此就需要通過字符分割的方法對(duì)車牌進(jìn)行處理，然后對(duì)車牌里面的7個(gè)字符進(jìn)行提取，這樣將使接下來(lái)的字符識(shí)別過程變得更容易一些。常用的字符分割方法主要有以下三種：基于投影特征的字符分割算法、基于字符先驗(yàn)知識(shí)的字符分割算法和基于字符輪廓的字符分割算法。

3.1 基于投影特征的字符分割算法

字符顏色與車牌背景顏色有所不同，它們?cè)诙祱D像中往往呈現(xiàn)出完全相反的二進(jìn)制值。因此，首先運(yùn)用去噪處理結(jié)合字符序列分析，接著利用垂直投影分割出字；提出了一種對(duì)提取出的二值車牌圖像進(jìn)行垂直投影的方法，確定出起始和結(jié)束的字符位置，接著對(duì)提取出的字符進(jìn)行水平投影分割出每個(gè)字符；利用投影后字符的顏色信息代替運(yùn)用二值車牌圖像進(jìn)行投影的方法進(jìn)行字符分割。綜合以上文獻(xiàn)中的方法，可以發(fā)現(xiàn)利用垂直和水平像素投影的方法明顯的要更簡(jiǎn)單跟常見一些。

基于投影特征的字符分割算法的優(yōu)點(diǎn)在于它并不依賴于字符所在的位置，車牌也可以存在一定角度的傾斜。不過，此方法取決于圖像的質(zhì)量，任何噪聲都可能會(huì)影響投影值。

3.2 基于字符先驗(yàn)知識(shí)的字符分割算法

字符的先驗(yàn)知識(shí)可以用來(lái)幫助我們進(jìn)行車牌的字符分割。利用行掃描二值圖像的方法找出字符起始和結(jié)束的位置以進(jìn)行字符分割，當(dāng)掃描的某行中字符像素與背景像素的比例先超過某一特定的閾值然后接著低于該閾值，就認(rèn)為此行是字符所在的起始位置；把定位出的車牌調(diào)整到一個(gè)已知的模板大小，在此模板中，所有的字符位置都是已知的。經(jīng)過調(diào)整后，與模板中位置一致的即是字符所在的位置，此方法具有簡(jiǎn)單易現(xiàn)實(shí)的優(yōu)點(diǎn)；首先采用顏色匹配的方法定位出車牌在圖像中的位置，然后利用每個(gè)字符的尺寸進(jìn)行字符分割操作；在文獻(xiàn)中提到，臺(tái)灣的車牌全都具有相同的顏色分布情況：白底黑字。如果采用行掃描的方法檢測(cè)黑白點(diǎn)的跳變個(gè)數(shù)應(yīng)為6～14個(gè)，運(yùn)用Hough變換矯正可能存在的車牌傾斜，最后利用混合二值化技術(shù)可以分割出受污染的車牌字符。

3.3 基于字符輪廓的字符分割算法

字符的輪廓模型也可以用于進(jìn)行車牌的字符分割。利用一種快速變化推進(jìn)算法建立了一種以形狀驅(qū)動(dòng)的主動(dòng)輪廓模型。此模型分為兩步進(jìn)行處理，首先運(yùn)用一種普通的快速推進(jìn)技術(shù)結(jié)合一個(gè)梯度依賴和曲率依賴的速度函數(shù)粗定位出每個(gè)字符的大致位置，然后利用一種特殊的快速推進(jìn)方法獲得字符所在位置的準(zhǔn)確邊界，進(jìn)而分割出每個(gè)字符。

4 字符識(shí)別

準(zhǔn)確分割出車牌的字符后，下一步則是將車牌字符識(shí)別出來(lái)。然而在車牌識(shí)別系統(tǒng)中字符識(shí)別可能存在以下一些困難：由于鏡頭的縮放，可能導(dǎo)致分割出的字符大小和厚度不一致；不同的國(guó)家所用的車牌字符的字體都不一樣；分割出的車牌字符可能存在噪點(diǎn)和缺損；分割出的車牌字符可能存在一定角度的傾斜等。接下來(lái)，本文將把現(xiàn)有的一些常見的車牌字符識(shí)別算法根據(jù)他們的特點(diǎn)分成兩類，以解決在進(jìn)行字符識(shí)別時(shí)遇到的困難。

4.1 基于模板匹配的字符識(shí)別算法

在字符識(shí)別的算法中，模板匹配算法是一種既簡(jiǎn)單又容易的方法。該方法判斷字符與模板之間匹配的相似度，與模板中的字符相似度最高的即為車牌的字符。大多數(shù)模板匹配算法都采用二值圖像來(lái)進(jìn)行處理，這是由于灰度跳變會(huì)受不同光照條件的影響。

在對(duì)字符進(jìn)行歸一化處理之后，都采用字符匹配算法來(lái)進(jìn)行車牌的字符識(shí)別，文獻(xiàn)中定義了幾個(gè)相似性的度量技術(shù)，如馬氏距離和貝葉斯決策定理，杰卡德值，豪斯多夫距離和漢明距離，利用歸一化互相關(guān)系數(shù)作為模板匹配分割出的字符，每個(gè)模板逐列的掃描字符以計(jì)算歸一化互相關(guān)系數(shù)，模板中的最大值即為最相似的字符。

模板匹配算法對(duì)識(shí)別單個(gè)字體、非旋轉(zhuǎn)的、非缺損的和固定大小的字符十分地有效。但是，如果遇到因一個(gè)字符產(chǎn)生形變、旋轉(zhuǎn)或有噪點(diǎn)等情況，就可能影響到模板匹配算法識(shí)別的準(zhǔn)確率。

4.2 基于特征提取的字符識(shí)別算法

因?yàn)椴⒉皇敲總€(gè)字符的像素點(diǎn)都對(duì)區(qū)分字符具有相同的重要性，一種提取某些字符特征的特征提取方法是一個(gè)很好的可替代灰度級(jí)模板匹配的算法。這種算法降低了用模板匹配法來(lái)進(jìn)行處理的時(shí)間，因?yàn)椴⒉皇撬械南袼攸c(diǎn)都會(huì)涉及到。該方法也克服了模板匹配法無(wú)法做到的對(duì)產(chǎn)生了形變的字符進(jìn)行識(shí)別的問題。

利用對(duì)二值圖像進(jìn)行水平和垂直投影獲得特征向量，把二進(jìn)制的字符分割成3×3的像素塊以獲取特征向量，然后統(tǒng)計(jì)每個(gè)像素塊中黑色像素的值。在對(duì)字符進(jìn)行細(xì)化操作之后把二進(jìn)制的字符分割成3×3的像素塊并統(tǒng)計(jì)它們?cè)?°、45°、90°和135°傾斜角時(shí)的像素個(gè)數(shù)以獲取特征向量；首先沿著中心軸掃描字符，該中心軸是上限水平中心矩和下限水平中心矩的連接，然后由字符到背景轉(zhuǎn)換的數(shù)量和他們之間的間距形成了每個(gè)字符的特征向量。該方法對(duì)字符產(chǎn)生旋轉(zhuǎn)的情況一樣有效，因?yàn)樗@得的特征向量是一致的；利用采樣的字符輪廓所得到的波形量化為特征向量。該方法可用于識(shí)別多字體和多尺寸的字符，因?yàn)樽址妮喞⒉皇茏煮w和尺寸改變的影響。

5 結(jié)論及發(fā)展趨勢(shì)

本文綜述了當(dāng)前現(xiàn)有的一些比較成熟的車牌識(shí)別算法，并根據(jù)其在每個(gè)階段不同的特征對(duì)這些算法進(jìn)行了分類?？傊?，由于車牌識(shí)別系統(tǒng)是計(jì)算機(jī)視覺和數(shù)字圖像處理技術(shù)在智能交通領(lǐng)域的重要研究?jī)?nèi)容，因此它對(duì)于現(xiàn)代智能交通有著十分重要的意義。接下來(lái)，車牌識(shí)別技術(shù)的發(fā)展趨勢(shì)將主要集中在多風(fēng)格的車牌識(shí)別系統(tǒng)、基于攝像頭拍攝的實(shí)時(shí)信息的車牌識(shí)別系統(tǒng)、多車牌同時(shí)進(jìn)行處理的識(shí)別系統(tǒng)、高清晰度的車牌圖像處理系統(tǒng)以及模糊字符的車牌識(shí)別系統(tǒng)等方向。

參考文獻(xiàn)：

[1]Liu CY，Chang FL.A novel algorithm of license plates automation location based on texture feature[C].Proceedings of the IEEE International Conference on Automation and Logistics.China：Shenyang，2009：1360-1363.

[2]王濤，全書海.基于改進(jìn)Sobel算子的車牌定位方法[J].微計(jì)算機(jī)信息，2008（05）：312-314.

[3]Zheng DN，Tao YN.An efficient method of license plate location[J].Pattern Reconiton Letters，2005（26）：2431-2438.

[4]C.-N.E.Anagnostopoulos，I.E. Anagnostopoulos，V.Loumos，and E.Kayafas.A license plate-recognition algorithm for intelligent transportation system applications[C].IEEE Trans.Intell.Trans.Syst.，2006：377-392.

[5]H.Caner，H.S.Gecim， and A.Z.Alkar.Efficient embedded neural-network-based license plate recognition system[C].IEEE Trans.Veh.Tech.，2008：2675-2683.

[6]H.Zhang，W.Jia，X.He，and Q.Wu.Learning-based license plate detection using global and local features[C].In Proc.Int.Conf.Pattern Recognit.，2006：1102-1105.

[7]陳鍛生，謝志鵬，劉政凱.復(fù)雜背景下彩色圖像提取與字符分割技術(shù)[J].小型計(jì)算機(jī)系統(tǒng)，2002（09）：1144-1148.

[8]任仙怡，周曉，張桂林等.彩色汽車牌照定位[J].紅外與激光工程，2002（03）：204-207.

[9]Y.-Q.Yang，J.B.R.-L.Tian，and N. Liu. A vehicle license plate recognition system based on fixed color collocation[C].In Proc. Int. Conf. Mach.Learning Cybern.，2005：5394-5397.

[10]F.Wang，L.Man，B.Wang，Y.Xiao，W.Pan，and X.Lu.Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognit.Lett.，2008：1007-1020.

[11]C.Nelson Kennedy Babu and K. Nallaperumal.An efficient geometric feature based license plate localization and recognition[C].Int.J.Imaging Sci.Eng.，2008：189-194.

[12]D.Zheng，Y.Zhao，and J.Wang.An efficient method of license plate location[J].Pattern Recognit.Lett.，2005：2431-2438.

作者簡(jiǎn)介：高軍（1987-），男，湖北武漢人，博士研究生，研究方向：圖像處理，車牌識(shí)別和汽車防撞；朱宏輝（1956-），男，湖北武漢人，博士，教授，研究方向：智能控制及嵌入式技術(shù)研究，計(jì)算機(jī)輔助測(cè)試與控制。

作者單位：武漢理工大學(xué)物流工程學(xué)院物流自動(dòng)化系，武漢 430063