基于MATLAB 的車牌識(shí)別系統(tǒng)設(shè)計(jì)

王艷輝WANG Yan-hui；翟力欣ZHAI Li-xin；旦增曲珍Danzeng quzhen

（①山西約翰芬雷設(shè)計(jì)工程有限公司，南京 210031；②金陵科技學(xué)院，南京 211169）

0 引言

針對(duì)車牌識(shí)別遇到的問題，提高車牌識(shí)別系統(tǒng)的識(shí)別率，目前采用的方法先對(duì)視頻流中車輛的整體情況做出判斷，隨后對(duì)車牌進(jìn)行精確定位，通過算法對(duì)車牌進(jìn)行字符和數(shù)字識(shí)別。如果算法是最優(yōu)的，那么識(shí)別率無疑也是最高的。而我國漢字相對(duì)較復(fù)雜，無疑給準(zhǔn)確識(shí)別字符帶來了巨大的挑戰(zhàn)，所以國內(nèi)車牌識(shí)別系統(tǒng)成熟的產(chǎn)品不多，亟需廣大科研工作者，企業(yè)、高校相關(guān)專家進(jìn)一步研究，優(yōu)化出更高效的車牌識(shí)別算法。

1 車牌識(shí)別系統(tǒng)總體方案設(shè)計(jì)

車牌識(shí)別系統(tǒng)的設(shè)計(jì)用到多種新型的技術(shù)，例如計(jì)算機(jī)技術(shù)、圖像處理技術(shù)等，所以能夠?qū)崟r(shí)準(zhǔn)確地識(shí)別出想要識(shí)別的字母、數(shù)字、漢字。建立相應(yīng)的物理模型，通過建立的模型識(shí)別出符合車輛的特征，常用的特征就是車輛的車牌。因此只要能夠從動(dòng)態(tài)視頻中尋找到我們需要的某一幀圖像，就能夠?qū)崿F(xiàn)對(duì)該圖片中存在車輛的信息進(jìn)行確定。最后自動(dòng)將車牌字符分割出來，并對(duì)字符進(jìn)行識(shí)別。將車牌識(shí)別技術(shù)應(yīng)用在現(xiàn)實(shí)生活中，可以維護(hù)好交通治安，緩解交通堵塞，對(duì)生活十分便利。圖1 是本系統(tǒng)的設(shè)計(jì)流程圖。

圖1 基于Matlab 車牌識(shí)別系統(tǒng)的設(shè)計(jì)流程圖

2 車牌識(shí)別系統(tǒng)硬件設(shè)計(jì)

2.1 車牌識(shí)別攝像機(jī)

通過攝像機(jī)來對(duì)車輛的車牌圖像進(jìn)行獲取，而這臺(tái)攝像機(jī)配置了大規(guī)模的集成電路，其具有制作簡(jiǎn)單、重量輕、對(duì)能量需求小，所以應(yīng)用較廣泛。通過將其布置在車道的兩側(cè)，那么當(dāng)車輛從此處通過時(shí)，攝像機(jī)就能夠獲取到其車牌的信息。裝置可以采集車牌圖像，對(duì)獲取到的模擬信號(hào)進(jìn)行離散化從而對(duì)其進(jìn)行存儲(chǔ)。當(dāng)車輛通過時(shí)，采集卡就會(huì)采集到圖像信息，并且以文件的類型保存下來。同時(shí)，我們還需要通過對(duì)識(shí)別系統(tǒng)所發(fā)出的識(shí)別結(jié)果進(jìn)行接收的設(shè)備，并且實(shí)現(xiàn)和攝像裝置的配合，實(shí)現(xiàn)對(duì)多個(gè)拍攝設(shè)備的同時(shí)管控。

2.2 Matlab R2014a 硬件環(huán)境

借助了Matlab 平臺(tái)實(shí)現(xiàn)了對(duì)其的開發(fā)。將硬件設(shè)備采集到的不同車牌圖像輸入到Matlab R2014a 軟件中，運(yùn)行所編寫的算法程序，最終完成對(duì)車牌的識(shí)別。在Matlab R2014a 軟件中以文本的形式將車牌字符識(shí)別結(jié)果輸出顯示在車牌圖像中。

3 車牌識(shí)別系統(tǒng)軟件設(shè)計(jì)

3.1 車牌圖像預(yù)處理

由于攝像頭抓拍到的圖像會(huì)受到光照、車輛行駛速度、道路行駛車輛稠密度、車輛新舊程度、攝像頭是否抖動(dòng)、攝像頭拍攝的角度以及拍攝的距離等因素的影響，直接獲取到的車牌圖像可能存在著一些噪點(diǎn)，導(dǎo)致無法直接從其中提取到車牌的真實(shí)信息，因此需要通過圖像預(yù)處理，從而提升采集到的信息的質(zhì)量。通常對(duì)圖像進(jìn)行濾波去噪是改善圖像質(zhì)量的一種有效途徑。

3.2 邊緣檢測(cè)

攝像頭拍攝出來的圖像是彩色圖像，然而在實(shí)際的邊緣過程中，其檢測(cè)對(duì)象都是灰度圖像，因此需要對(duì)采集到的圖像進(jìn)行灰度轉(zhuǎn)換。總的來說，就是將彩色圖像的三個(gè)通道信號(hào)轉(zhuǎn)變?yōu)閱瓮ǖ佬盘?hào)，因此灰度圖像的每一個(gè)像素點(diǎn)只有一個(gè)像素值。圖像如果顯示從最暗的黑色到最亮的白色，這樣的圖像一般就是灰度圖像，在灰色圖像中，最暗的黑色像素值為0，最亮的白色像素值是255。

邊緣檢測(cè)有多種算法，例如canny 算法、sobel 算法。在本論文中選用robert 算法對(duì)轉(zhuǎn)換得到的灰度圖像做邊緣檢測(cè)。

3.3 形態(tài)學(xué)處理

圖像形態(tài)學(xué)處理也是圖像處理中應(yīng)用非常廣泛的技術(shù)，這種技術(shù)方法主要從圖像中提取對(duì)識(shí)別結(jié)果的有意義的圖像分量。圖像形態(tài)學(xué)處理方法有腐蝕、膨脹、開和閉。在本論文中主要用到腐蝕和膨脹。腐蝕和膨脹可以分割出獨(dú)立的圖像分量并將這些分量融合成一塊區(qū)域，起到消除噪聲的作用。腐蝕就是能夠消融物體的邊界，而膨脹是與腐蝕相反的一個(gè)處理過程，膨脹可以使圖像中物體邊界擴(kuò)大。無論是腐蝕操作，還是膨脹，處理的結(jié)果都與圖像本身和選取的結(jié)構(gòu)元素有關(guān)。結(jié)構(gòu)元素可以是一個(gè)n×n 的矩陣，也可以是選取的任意一塊形狀的圖形區(qū)域，在Matlab R2014a 軟件中有專門構(gòu)建結(jié)構(gòu)元素的函數(shù)。

3.4 車牌字符分割

圖像分割，同樣作為車牌識(shí)別系統(tǒng)設(shè)計(jì)中關(guān)鍵的一個(gè)步驟，就是把車牌圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程，即可以將圖像中不同物體的像素區(qū)域分割開來，如前景與背景的分割。圖像分割主要有以下幾種方法：基于閾值的圖像分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。

基于閾值分割是一種常用的圖像分割技術(shù)，此技術(shù)方法，是根據(jù)實(shí)際處理設(shè)定相應(yīng)的閾值，通過這個(gè)閾值，把圖像中所有像素點(diǎn)分為若干類。此方法計(jì)算簡(jiǎn)便、運(yùn)行效率高，在某些實(shí)際應(yīng)用場(chǎng)合中應(yīng)用廣泛。

3.5 車牌字符識(shí)別

字符識(shí)別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法?；谀０迤ヅ渌惴ㄊ鞘紫葘⒎指詈蟮淖址祷?，并將其尺寸縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有模板進(jìn)行匹配，最后選取最佳匹配作為結(jié)果，可見建立數(shù)字庫對(duì)該方法在車牌識(shí)別過程中的重要性。基于人工神經(jīng)元網(wǎng)絡(luò)的算法有兩種，一種是先對(duì)特征提取待識(shí)別字符，然后用所獲得的特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)；另一種是直接將待處理圖像輸入網(wǎng)絡(luò)由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別結(jié)果。在本論文中，字符識(shí)別的方法選用神經(jīng)網(wǎng)絡(luò)算法。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 軟件環(huán)境

為驗(yàn)證本文方法的有效性，本文針對(duì)不同車牌圖像做了相關(guān)實(shí)驗(yàn)，在實(shí)驗(yàn)中用到微型計(jì)算機(jī)一臺(tái)，實(shí)驗(yàn)的編譯環(huán)境為MATLAB R2014a，操作系統(tǒng)為Windows7 64 位操作系統(tǒng)。

4.2 實(shí)驗(yàn)結(jié)果

在本論文中選取了多個(gè)車牌做了實(shí)驗(yàn)，在本節(jié)中選取一組車牌圖像做實(shí)驗(yàn)結(jié)果展示。輸入的車牌圖像如圖2 所示，將原始圖像先轉(zhuǎn)換成灰度圖像，灰度圖像如圖3 所示。對(duì)車牌圖像進(jìn)行邊緣檢測(cè)，檢測(cè)結(jié)果為圖4 所示。

圖2 車牌原始圖像

圖3 車牌灰度圖像

圖4 邊緣檢測(cè)后圖像

選取結(jié)構(gòu)元素為3*1 的向量，經(jīng)過腐蝕、膨脹形態(tài)學(xué)處理之后的車牌圖像如圖5、圖6 所示，最后經(jīng)過中值濾波后的圖像如圖7 所示。

圖5 腐蝕后邊緣圖像

圖6 膨脹后邊緣圖像

圖7 經(jīng)過濾波之后的圖像

在確定車牌字符位置時(shí)，由于通過處理后圖像的行方向像素點(diǎn)灰度值累計(jì)和或者列方向像素點(diǎn)灰度值累計(jì)和是不一樣的，所以在車牌字符處像素累計(jì)必然多，由此確定車牌字符的位置。（如圖8 所示）

圖8 不同行、列像素點(diǎn)灰度值累計(jì)和

隨后車牌定位剪切出來的彩色車牌圖像如圖9 所示。

圖9 定位剪切后的彩色車牌圖像

確定車牌位置后下一步的任務(wù)就是將字符區(qū)域與車牌背景分離開。然后對(duì)圖像中每個(gè)字符進(jìn)行分割，在分割時(shí)經(jīng)過多次試驗(yàn)，選出合適的閾值。二值化的圖像如圖10、圖11 所示。

圖10 二值化后圖像

圖11 中值濾波后的二值化圖像

構(gòu)造訓(xùn)練樣本，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)識(shí)別車牌字符。最后識(shí)別結(jié)果以標(biāo)題形式顯示在車牌原始圖像上。識(shí)別結(jié)果如圖12。

圖12 字符識(shí)別結(jié)果

最終實(shí)驗(yàn)結(jié)果顯示，本文方法可以準(zhǔn)確地檢測(cè)并識(shí)別車牌字符。

5 結(jié)論

本文對(duì)汽車牌照定位分割和自動(dòng)識(shí)別問題進(jìn)行了研究，提出了汽車車牌識(shí)別系統(tǒng)的思路和總體設(shè)計(jì)方案。通過實(shí)際拍攝車牌圖像反復(fù)研究和比較，執(zhí)行車牌識(shí)別系統(tǒng)圖像預(yù)處理，車牌定位，字符分割，字符識(shí)別等方面的技術(shù)和算法改進(jìn)，完成車牌識(shí)別系統(tǒng)的設(shè)計(jì)。