基于圖像處理的車牌識(shí)別研究

李玲　賈磊磊　張旭

摘 要：該文對(duì)基于圖像處理的車牌識(shí)別算法進(jìn)行了研究。首先，采用灰度化和閾值法進(jìn)行圖像預(yù)處理，消除一部分背景信息；其次，采用Canny邊緣檢測(cè)算法提取車牌邊緣，采用開(kāi)運(yùn)算和閉運(yùn)算等形態(tài)學(xué)操作來(lái)改善邊緣提取的效果，使車牌區(qū)域盡量互相連通，進(jìn)一步消除干擾，準(zhǔn)確定位車牌；第三，采用垂直投影法對(duì)車牌進(jìn)行字符分割；最后，采用模板匹配的算法對(duì)車牌字符進(jìn)行識(shí)別。Matlab仿真分析表明，該文設(shè)計(jì)的車牌識(shí)別算法可有效地實(shí)現(xiàn)車牌識(shí)別。

關(guān)鍵詞：圖像處理 車牌定位 字符分割 字符識(shí)別

中圖分類號(hào)：TN91 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2015）06（a）-0020-02

Abstract：Algorithms of License plate recognition are researched in this paper.Firstly，Canny operator and morphological operation are employed on image after graying and threshold to locate the license plate.Secondly，vertical projection is used for character segmentation.Thirdly，the template matching algorithm is carried out for character recognition.Simulation results in Matlab show that the algorithm here can identify the license plate effectively.

Key Words：Image Processing License Plate Location Character Segmentation Character Recognition；

車牌識(shí)別不僅可用于公路布控、高速公路上的事故自動(dòng)測(cè)報(bào)、小區(qū)車輛管理等，還是智能交通的核心環(huán)節(jié)。國(guó)內(nèi)外學(xué)者對(duì)基于圖像的車牌識(shí)別進(jìn)行了很多研究，但目前還沒(méi)有一種車牌識(shí)別算法可以獲得非常理想的識(shí)別效果。車牌識(shí)別的流程一般是車輛圖像的預(yù)處理、車牌定位、字符分割和字符識(shí)別。該文針對(duì)靜態(tài)圖像的車牌識(shí)別，研究了基于邊緣檢測(cè)和形態(tài)學(xué)濾波的車牌定位，基于投影算法的車牌字符分割和基于模板匹配算法進(jìn)行車牌字符識(shí)別，并進(jìn)行了仿真分析。

1 車牌圖像預(yù)處理

車牌顏色種類較多，不同顏色的車牌灰度化后可以統(tǒng)一處理。閾值分割可以將目標(biāo)區(qū)域和背景分割開(kāi)來(lái)，方便后續(xù)定位和識(shí)別。該文首先采用加權(quán)平均值法對(duì)圖像進(jìn)行灰度化，然后采用otsu算法進(jìn)行閾值分割，得到的灰度圖和二值圖如圖1和圖2所示。

可見(jiàn)，灰度化后的圖像沒(méi)有丟失主要信息；二值圖消除了大部分背景信息，較準(zhǔn)確的分割出了車牌區(qū)域，有利于后續(xù)的車牌定位和提取。

2 車牌定位與提取

2.1 車牌定位

該文采用邊緣檢測(cè)和形態(tài)學(xué)操作進(jìn)行車牌定位。邊緣檢測(cè)能顯示圖像的大體輪廓，但檢測(cè)后的車牌邊緣是不連續(xù)的。形態(tài)學(xué)處理中閉運(yùn)算可以使圖像的輪廓線更為光滑，消除狹窄的間隙和細(xì)長(zhǎng)的鴻溝，消除小的孔洞，彌補(bǔ)輪廓線中的斷裂，開(kāi)運(yùn)算能消除細(xì)小部分[1]。

對(duì)灰度化和二值化后的圖像進(jìn)行Canny邊緣檢測(cè)，如圖3所示。可見(jiàn)，目標(biāo)邊緣被比較完整的檢測(cè)出來(lái)了，但邊緣連續(xù)、不完整的情況依然嚴(yán)重，很多背景邊緣信息也被保留了。為改善效果，對(duì)邊緣檢測(cè)后的圖像進(jìn)行形態(tài)學(xué)操作。進(jìn)行一次閉運(yùn)算和兩次開(kāi)運(yùn)算，結(jié)果如圖4所示。形態(tài)學(xué)操作較準(zhǔn)確的定位了車牌區(qū)域，并消除了部分干擾和小連通域。

2.2 車牌提取

車牌具有一定的長(zhǎng)度和寬度，因此車牌定位后的圖像上，非零像素點(diǎn)集中在某些行和列上，可以根據(jù)這一特點(diǎn)進(jìn)行車牌提取。對(duì)形態(tài)濾波后圖像進(jìn)行行、列方向上的像素點(diǎn)掃描，統(tǒng)計(jì)得到像素值和，據(jù)此確定車牌的起始位置和終止位置[2]。圖5和圖6為車牌在行、列方向上的像素值和，車牌行方向像素集中在900～1200區(qū)域，車牌列方向像素集中在1600～2300區(qū)域，其它區(qū)域的像素則為干擾。

車牌具有一定的寬高比，可以排除干擾。最后可分割出車牌圖像如圖7所示。

3 車牌字符分割

車牌字符之間存在均勻的間隔，在垂直方向上的投影峰谷交替，因此可以利用垂直投影法提取字符[3]。垂直投影如圖8所示，垂直投影共八個(gè)區(qū)域，其中在300～400列間的區(qū)域?qū)?yīng)園點(diǎn)。可根據(jù)垂直投影方便的分割出每個(gè)獨(dú)立字符。為了字符識(shí)別的準(zhǔn)確性，將分割出的字符圖像進(jìn)行歸一化處理[4]，如圖9所示。

4 車牌字符識(shí)別

該文使用的是模板匹配法實(shí)現(xiàn)的字符識(shí)別，其基本思想是將歸一化的字符與預(yù)先建立的模板庫(kù)中的字符進(jìn)行匹配，模板庫(kù)中的字符與車牌字符相似程度最高的就是匹配結(jié)果。模板匹配法實(shí)現(xiàn)簡(jiǎn)單且識(shí)別率高，是車牌字符識(shí)別的主要方法[5]。

該文采用了一種快速匹配方法，將車牌字符與模板庫(kù)中的各字符圖像相減，得到差值圖像，計(jì)算差值圖像的像素的絕對(duì)值和，該值表示了車牌字符和模板庫(kù)字符之間的誤差。最小誤差所對(duì)應(yīng)的模板庫(kù)字符就是匹配字符。以數(shù)字“6”的模板識(shí)別為例進(jìn)行說(shuō)明。表1所示為數(shù)字6的模板匹配情況，可見(jiàn)最小誤差對(duì)應(yīng)的模板庫(kù)字符為“6”，該方法可正確識(shí)別。

5 結(jié)語(yǔ)

該文采用灰度化和閾值法進(jìn)行了圖像預(yù)處理，采用Canny緣檢測(cè)和形態(tài)學(xué)操作進(jìn)行了車牌定位，采用基于垂直投影的垂直切分算法對(duì)車牌進(jìn)行了字符分割，采用模板匹配的算法對(duì)車牌字符進(jìn)行了識(shí)別。仿真結(jié)果表明，設(shè)計(jì)的車牌識(shí)別算法可有效地實(shí)現(xiàn)車牌識(shí)別。

參考文獻(xiàn)

[1] 閆敬文.圖形圖像處理（MATLAB版） [M].北京：國(guó)防工業(yè)出版社，2007：79-82.

[2] 袁卉平.基于MATLAB的車牌識(shí)別系統(tǒng)的設(shè)計(jì)與研究[J].工業(yè)控制計(jì)算機(jī)， 2010，23（10）：73-74.

[3] 陳寧寧，蘇坤.基于MATLAB的車牌識(shí)別系統(tǒng)研究與實(shí)現(xiàn)[J].電子測(cè)試，2013， 22（2）：67-68.

[4] 劉忠杰，宋小波，何鋒，等.基于MATLAB的車牌識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].微型機(jī)與應(yīng)用， 2011，30（14）：37-40.

[5] 仇成群.基于MATLAB圖像處理的汽車牌照識(shí)別系統(tǒng)[J].機(jī)械工程師， 2008，20（8）：87-89.