車牌識(shí)別系統(tǒng)開發(fā)與實(shí)現(xiàn)

梁宏 劉琦 西安科技大學(xué)信息網(wǎng)絡(luò)中心

車牌識(shí)別系統(tǒng)開發(fā)與實(shí)現(xiàn)

梁宏 劉琦 西安科技大學(xué)信息網(wǎng)絡(luò)中心

隨著汽車保有量的迅速增長，交通擁堵頻繁發(fā)生。如何使用智能化的方式對(duì)交通進(jìn)行高效的管理，成為交管部門的迫切需求。車牌識(shí)別系統(tǒng)利用圖像預(yù)處理、車牌檢測與定位、字符識(shí)別很好的實(shí)現(xiàn)了對(duì)車牌的自動(dòng)識(shí)別。車牌識(shí)別系統(tǒng)的開發(fā)和實(shí)現(xiàn)，將會(huì)促進(jìn)交通管理的智能化和計(jì)算機(jī)化，減少日益增長的車輛管理壓力。

智能交通 車牌識(shí)別 圖像灰度化

近年來，全國各地的車輛保有量急劇增長，交通擁堵頻繁發(fā)生。采取傳統(tǒng)意義上的增加道路公里數(shù)、限制車輛數(shù)量、限制出行已經(jīng)不能很好的解決存在的問題。交通管理受人員數(shù)量的限制，不可能實(shí)時(shí)實(shí)地的對(duì)道路車輛進(jìn)行監(jiān)管，因此交通管理的智能化受到了越來越多的關(guān)注。目前，在我國的部分一線城市，交警已經(jīng)開始大規(guī)模的利用智能交通系統(tǒng)進(jìn)行交通管理。車牌識(shí)別系統(tǒng)的技術(shù)研究，將會(huì)促進(jìn)交通管理的智能化和計(jì)算機(jī)化，減少日益增長的車輛管理壓力。

1 車牌識(shí)別技術(shù)現(xiàn)狀

車牌識(shí)別技術(shù)主要分為兩大類，即傳統(tǒng)的間接識(shí)別法和直接識(shí)別法。間接法通過掃描車輛上的IC卡或者是磁條信息，進(jìn)而確認(rèn)車牌的信息。但是，需提前部署識(shí)別信息。直接識(shí)別法，通過對(duì)圖像的處理，進(jìn)而識(shí)別出車牌信息。直接法的原理是數(shù)字圖像處理和模式識(shí)別技術(shù)。通過圖像進(jìn)行預(yù)處理、識(shí)別，進(jìn)而得出車牌的信息。直接法的優(yōu)點(diǎn)是省時(shí)省力，不用對(duì)車輛進(jìn)行IC卡或者磁條信息安裝。但是直接法的技術(shù)難度相對(duì)較大，在一些情況下的識(shí)別率不是非常理想。

車牌識(shí)別主要是利用計(jì)算機(jī)圖像處理和模式識(shí)別技術(shù)。因此，車牌識(shí)別技術(shù)的關(guān)鍵就在于從圖像定位出車牌位置和進(jìn)行車牌字符識(shí)別。從圖像中定位車牌位置來講，其精確度會(huì)受各種環(huán)境的干擾導(dǎo)致定位錯(cuò)誤。在字符識(shí)別上，因?yàn)槲覈嚺频奶厥庑?，含有漢字、數(shù)字和字母三種字符，增加了字符識(shí)別的難度。目前，我國的車牌共由7個(gè)字符組成。車牌中，首字符是漢字字符，是各省的簡稱。第二個(gè)字符為字母字符，代表發(fā)牌機(jī)關(guān)號(hào)。后五個(gè)字符為數(shù)字和字母的組合，代表序號(hào)。

從車牌識(shí)別的關(guān)鍵來分析，車牌識(shí)別的難點(diǎn)主要在于以下幾點(diǎn)：

①識(shí)別受環(huán)境影響較大，對(duì)于惡劣的天氣情況，識(shí)別難度大。

②對(duì)于一些強(qiáng)光照條件下，識(shí)別的難度比較大。

③個(gè)別車牌污損情況比較嚴(yán)重，對(duì)于字符識(shí)別加大了難度。

④我國車牌字符較多，尤其是漢字字符，增加了識(shí)別的難度。

2 車牌識(shí)別系統(tǒng)的設(shè)計(jì)

根據(jù)本系統(tǒng)的整體設(shè)計(jì)，本系統(tǒng)主要分為三個(gè)模塊。即，圖像預(yù)處理、車牌定位、字符識(shí)別。其中，圖像預(yù)處理模塊是實(shí)行圖像初步處理。預(yù)處理實(shí)現(xiàn)輸入的圖像灰度化、濾波等一系列的操作。車牌定位模塊是按照我國車牌的特點(diǎn)，遍歷可能是車牌位置的矩形區(qū)域。然后，找出準(zhǔn)確的車牌位置，并且將定位出來的車牌單獨(dú)裁剪出來。字符識(shí)別是利用各個(gè)字符特點(diǎn)，完成字符分割。然后，調(diào)用Tesseract工具進(jìn)行識(shí)別，并且將識(shí)別的信息保存輸出。本系統(tǒng)的模塊結(jié)構(gòu)如圖所示。

2.1 車牌圖像預(yù)處理模塊

系統(tǒng)首先對(duì)圖像進(jìn)行預(yù)處理。通過前期的灰度化、高斯濾波、中值濾波三步處理，讓圖像達(dá)到系統(tǒng)的要求。

圖像灰度化。由于在圖像采集的過程中，車牌背景不統(tǒng)一。因此，首先對(duì)圖像進(jìn)行灰度化處理，因?yàn)橹苯訉?duì)彩色圖像進(jìn)行處理，運(yùn)算量太大。所以，首先要將圖像轉(zhuǎn)化為灰度圖。圖像灰度化常用方法有三種。最大值法，平均值法，加權(quán)平均值法。

圖像去噪處理。在獲取圖像的過程中，由于一些因素的干擾，圖像可能受一些噪聲滋擾。這樣會(huì)或多或少降低圖像質(zhì)量，可能影響圖像的分析。所以，系統(tǒng)應(yīng)該排除噪聲干擾，并且提高圖像質(zhì)量。對(duì)圖像進(jìn)行平滑化和去噪處理。使用高斯濾波和中值濾波法。

2.2 車牌定位模塊

首先采用sobel算子進(jìn)行邊緣檢測。然后選取合適的閾值，進(jìn)行閾值分割。將我們要的目標(biāo)通過二值化處理，與背景分割開來。隨后，使用形態(tài)學(xué)變形的方法。對(duì)圖像進(jìn)行開閉運(yùn)算，使的車牌連通區(qū)域更加明顯。最后進(jìn)行車牌提取，利用車牌的固定長寬比，還有一定的面積大小，進(jìn)行車牌精定位。在排除干擾，確定車牌位置后。系統(tǒng)將車牌從原圖像中裁剪出來，以便于下一步的識(shí)別。

2.3 字符識(shí)別系統(tǒng)

首先，對(duì)車牌圖片進(jìn)行閾值分割。提取出車牌中的字符。其次，對(duì)字符進(jìn)行分割，分割為漢字與非漢字字符。最后，利用Tesseract—OCR開源引擎，進(jìn)行字符識(shí)別。在實(shí)際識(shí)別中使用自己的字符庫，識(shí)別率比較理想。

3 車牌識(shí)別系統(tǒng)實(shí)現(xiàn)與測試

車牌識(shí)別系統(tǒng)是在Windows平臺(tái)上，基于MFC對(duì)話框的應(yīng)用。主要實(shí)現(xiàn)的功能是圖像的輸入，一鍵識(shí)別，將識(shí)別的結(jié)果到保存到數(shù)據(jù)文件。并且提供單步運(yùn)行的功能，逐步完成車牌的識(shí)別，包括分步獲取車牌識(shí)別的各個(gè)步驟，以便于更好的分析識(shí)別率和識(shí)別失敗的一些原因。

系統(tǒng)完成開發(fā)工作后，對(duì)采集到的100多張照片進(jìn)行了分析測試，并且對(duì)結(jié)果進(jìn)行了統(tǒng)計(jì)分析。在車牌定位測試中，對(duì)116張圖像進(jìn)行定位測試，成功定位出車牌的共105張，定位正確率為90.5%，如表1所示。

表1 車牌定位測試結(jié)果

隨后，再進(jìn)行字符識(shí)別測試。分別計(jì)算漢字和非漢字的識(shí)別率。表2是漢字識(shí)別率的統(tǒng)計(jì)，針對(duì)105張車牌照片，105個(gè)漢字字符，漢字字符識(shí)別成功的共81個(gè)，正確識(shí)別率為78%。表3是非漢字字符識(shí)別率的統(tǒng)計(jì)。對(duì)于105張照片，630個(gè)數(shù)字字母字符，正確識(shí)別個(gè)數(shù)為576個(gè)，正確識(shí)別率為91%。

表2 漢字字符測試結(jié)果

表3 非漢字字符測試結(jié)果

通過對(duì)上述結(jié)果進(jìn)行分析，識(shí)別錯(cuò)誤的車牌主要是字符識(shí)別錯(cuò)誤引起的，通過單步運(yùn)行分析原因，主要原因是采用的算法還具有一定的不足。其次，還有圖像的質(zhì)量問題、拍攝環(huán)境問題和角度問題，最后導(dǎo)致字符識(shí)別錯(cuò)誤。

4 結(jié)束語

總體而言，車牌識(shí)別系統(tǒng)較好的完成了對(duì)車牌的識(shí)別和辨識(shí)功能，在后期通過對(duì)算法進(jìn)行優(yōu)化，可以提高車牌識(shí)別率，達(dá)到應(yīng)用推廣的目的。隨著智能化應(yīng)用在交通管理中的廣泛推廣使用，以車牌識(shí)別技術(shù)為主體的智能化應(yīng)用也將在交通智能化中的占有更加重要的地位。

TP311

A

梁宏（1976-），男，工程師，主要從事網(wǎng)絡(luò)建設(shè)和運(yùn)維管理工作。