圖像識別在智能交通領域中的應用

張 哲，李 挺

（1.延安大學，陜西 延安 716000；2.大連交通大學，遼寧 大連 116021）

由于當前交通擁堵問題日趨嚴重，智能交通系統應運而生，針對我國當前的現實狀況，單純地去加寬路面、限行等方法都不能從源頭上解決交通擁堵的問題，并且傳統的方法不論是在資金的投入以及城市空間的消耗上都不具優勢。智能交通系統則是融合各種高新技術和大數據的代表[1]，能夠從根本上很好地優化人、道路、車、環境等因素之間的關系，解決道路擁堵等交通問題。

1 智能交通存在問題概述

1.1 車身顏色識別

當前智能交通系統在實驗室中已經取得了較好的研究成果，尤其是在車身識別方面。但是實驗室中的研究都是基于一種特定的理想的環境，并不能完全地模仿真實的道路交通環境。車體在現實生活中的行駛過程中會受到許多外界因素的干擾，例如天氣、光線、灰塵、遮擋等，這些都會影響識別的結果和準確性[2]。當前較為主流的研究方向主要集中在對車身顏色的識別。在實際的測試中，室外不穩定因素多，由于車的顏色不同其對光線反射的能力存在著較大的差別，車身紋理的不同，攝像頭的不同導致其對顏色的響應存在差異。在實驗中我們不難發現影響顏色識別的因素主要有3種：顏色的非恒定性、運動目標不完整分割，以及目標本身顏色的復雜性[3]。所以，如何使車身顏色識別避免或者減少外界因素的影響，成為當前研究的重點和難點。目前的解決方法主要有提高攝像頭的圖像捕捉和處理能力，但是僅僅從攝像頭入手仍然不能解決實際使用中遇到的問題。研發有效的處理技術提高車輛顏色識別算法精度是當前的首要問題。

1.2 車身形狀識別

在智能交通系統的發展中我們一直長期致力于對車輛檢測算法的發展。雖然研究時間長，但成果并不是很成熟，在實際的操作中還是有一些客觀條件影響著形狀識別的準確性。客觀因素主要有以下幾方面：（1）車輛自身的尺寸雖然固定，但在行駛的過程中由于行駛速度的不同會導致對車身尺寸識別的不同。（2）車輛從攝像頭中駛過的角度不同，角度的不同同樣也影響著大小的識別。（3）在行駛過程中車輛之間會有遮擋。（4）關照條件的不同影響識別的能力和結果。所以當前的車身識別能力與實際使用的要求還有一定的差距[4]。我們只有運用更加先進的圖像處理技術，綜合更多的車身信息才能得到準確的識別結果。

2 圖像處理與圖像識別新技術在智能交通中的運用與實踐

在智能交通領域車牌的識別技術同樣具有重要的意義，并且被用在許多場合，車輛車牌的識別對于車輛的管理、定位有著決定性的作用，通過監控的圖像錄入，對錄入圖像進行分析處理從而識別車牌。在高速公路收費站、停車場的進出口等場所，車牌識別都有著廣泛的運用，不僅提高了工作的效率，而且也省去了人工成本，為交通以及車牌定位等提供了極大的便利。

2.1 車牌圖像特征提取

2.1.1 車牌像素特征提取

在車牌像素特征提取[5]中可以將圖像在識別過程中把像素點的顏色進行黑白二值化，即將黑色的像素點表示為1，白色的像素點表示為0，再將像素點1和像素點0進行排列，通過維數和黑白像素點的個數，最終確定圖形對應的向量矩陣，這種方式的優點是操作較為方便，不足是實用性不夠高。

2.1.2 車牌骨架特征提取

圖像線條寬度的不同在很大程度上會影響圖像識別的效果，給圖片處理的結果帶來差異，因此在對車牌的骨架圖像處理[6]之前，需要先將輪廓的寬度進行統一處理，去除輪廓寬度帶來的不利影響，從而降低車架輪廓寬度帶來的差異化影響。由此得到車牌骨架特征，進而得到圖像特征向量矩陣。這種方法得到的特征向量矩陣具有很好的普適性。

2.1.3 車牌圖像特征點提取

車牌特征提取常用方法主要包括：梯度統計、弧度統計、角點提取等方法[7]。13點車牌圖像特征提取法具有很強的識別性，能夠識別字符傾斜，消除由于字符傾斜造成的誤差，較好地彌補其他方法適應性不強的缺點。其特征提取原理是：將字符等分為8個模塊，計算黑色像素點的個數，作為8個象限的特征。再對處于水平和豎直的中間兩個模塊的黑色像素點進行統計，第13個特征為所有的黑色像素點，13點特征法的優點是適應性極強，同時也存在特征點較少，收斂性不強的缺點。

2.2 車牌圖像分割

2.2.1 車牌圖像灰度轉化

灰度圖像中每一個像素的R，G，B值相等，因此不能夠顯示絢麗的顏色，而彩色圖像的每一個像素 R，G，B值是不相等的。車牌圖像獲取可以得到256色位圖圖像，對256色位圖圖像進行灰度化處理，可以將復雜的位圖圖像轉化為可以進一步處理的灰度圖像[8]。在灰度圖形中，灰度值小的像素點為暗色，而灰度值較大的像素點亮為白色。

2.2.2 車牌圖像二值化

256色位圖像經過灰度轉換處理后，可以獲得圖像中像素的灰度值。二值化處理可以將圖像中像素進行灰度值獲取分化[9]，其大小決定了亮度和暗度。在智能交通系統中通過像素的灰度值處理成為黑白兩色，進一步結合閾值法能夠得到轉化后的車牌圖像。

2.2.3 車牌圖像梯度銳化處理

在現實生活中當汽車行駛字在道路上時，我們所獲取的汽車圖像往往是通過攝像頭拍攝獲取的，汽車所處的環境、光線的明暗往往差異較大，因此獲取的汽車圖像也比較模糊，需要進行銳度化處理，獲取較為清晰的汽車圖像。

在圖像的銳度化處理過程中常用的方法是微分法與高通濾波法。圖像的邊緣是由灰度級以及相鄰域點的不同像素點形成的，要突出相鄰域點之間灰度級別的變化來增強圖像邊緣。圖像的邊緣像素值通常無法所知，與此同時，由于無法實現對輪廓取向進行確定，因此通常采用不具備方向性的旋轉不變特性的線性算子。利用微分法求得梯度，利用差分運算近似計算圖像邊緣處的像素值可以使邊緣模糊的圖像清晰化。

2.2.4 車牌識別噪聲處理

在車牌照片拍照中，車牌定位時已進行部分去噪處理，但這一去噪，對于字符圖像的處理并不適合，在處理過程中，這樣的去噪方式容易將像素圖像也去除。具體方法為：在對圖像進行處理時，當發現有明顯信號集中時，掃描周邊信號，若信號強烈，且在一定范圍內，則認為是非離散信號；若周邊信號較弱，則認為是離散信號，需要將它去除掉。

2.2.5 車牌圖像分割車牌字符分割算法

車牌圖像分割車牌字符分割算法主要有垂直投影法、靜態邊界法以及連通區域法。這3種方法能夠確定車牌字符的邊界、分割得到車牌的清晰圖像，但是各存在其優缺點。垂直投影法是利用字符塊在垂直方向上投影的特點開展的方法，從左至右檢測車牌坐標垂直投影數值，認定局部最小值為最左字符的邊界。然后從右到左檢測，得到的最小值為最右字符的邊界。但是“黑”“L”“N”等字符出現過度切割的可能性較大，應用垂直投影法的過程中應當事先確定好最小值和寬度閾值。靜態邊界法能夠利用車牌的模板特征進行分割，但是由于對車牌定位要求過高，可能造成字符分割誤差過大。連通區域法則是利用字符連通域的特點對車牌字符進行切割，但是實際車牌中存在的噪聲區域較多，與字符線條連接在一起，難以獲得滿意的效果。

2.2.6 在同一圖像中對不同尺寸、位置的文字進行歸一處理

比如，在實際應用中，往往會根據圖像識別的字符外框，進行等比例的放大或縮小，或根據相關位置關系，對不同圖像進行歸一處理，從而將大小、為止、顯示特征不同的字符圖形，轉化為相對統一的字符，從而提高識別準確率。

3 結語

綜上所述，智能交通領域中圖像識別和處理相關技術應用已經極其普遍。本文對行進中的汽車車型和顏色等相關問題進行了討論，之后對如何提取車牌圖像以及車牌圖像特征進行了分析，介紹了多種車牌分割方法，并對各自優缺點進行了分析，從而探尋更為高效和更為準確的文字數字識別方案。隨著智能識別技術在交通領域的應用，識別能力將隨之大大增強，但就目前來看，單純識別數字的識別技術已較為成熟，但涉及漢字、字母、數字的混合識別，準確率還有待進一步提高。