復(fù)雜環(huán)境下車牌識別算法研究

龍思穎 蘭良 梁杏

摘要：目前市場上已有較多應(yīng)用成熟、穩(wěn)定的車牌識別算法，但是大部分需要在單一背景環(huán)境下，否則識別效果不佳，所以存在復(fù)雜環(huán)境下（如光照不均、大角度、多車牌、亮度低等）車牌定位與識別準(zhǔn)確率低的問題。文章提出一種復(fù)雜環(huán)境下多車牌識別算法來應(yīng)對此問題，采取了SVM模型定位車牌、外部輪廓和外接矩形法分隔字符、BP神經(jīng)網(wǎng)絡(luò)法識別字符。其中，對非連續(xù)性字符（如中文字符）分隔提出改進(jìn)算法，取得良好的效果。

關(guān)鍵詞：多車牌;車牌識別;傾斜矯正;SVM;神經(jīng)網(wǎng)絡(luò)

0 引言

隨著生活質(zhì)量的提高和科技的發(fā)展，智能交通應(yīng)用越來越廣泛，車牌識別系統(tǒng)的意義也越來越重要，是智慧交通、智慧城市必不可少的部分。雖然很多成熟的車牌識別算法準(zhǔn)確率高達(dá)98%以上，應(yīng)用廣泛，但是在低像素圖像或復(fù)雜環(huán)境中識別準(zhǔn)確率達(dá)不到正常使用的要求。

在許多實際情況中，監(jiān)控環(huán)境比較復(fù)雜（比如高速公路、城市道路的監(jiān)視圖像會出現(xiàn)多輛汽車，背景有樹木、房屋等），導(dǎo)致現(xiàn)有的單一背景車牌識別算法無法直接應(yīng)用。因此，本文提出一種復(fù)雜環(huán)境下多車牌識別算法來應(yīng)對此問題，其包括車牌定位、字符分割與識別三個主要過程[1]。

1 車牌定位

車牌識別首先需要快速精準(zhǔn)地進(jìn)行車牌定位，從而準(zhǔn)確找到車牌所在圖像中的具體像素坐標(biāo)。文中車牌定位首先經(jīng)過車牌粗定位獲取大致像素坐標(biāo)，再通過車牌精細(xì)定位獲取準(zhǔn)確像素坐標(biāo)。

1.1 車牌粗定位

傳統(tǒng)的車牌粗定位算法有基于RGB圖像顏色處理方法和基于灰度域的紋理特征方法。前者算法對于圖像邊緣信息、色差不明顯情況下定位不準(zhǔn)確，同時處理R、G、B三維矩陣運算量大，導(dǎo)致定位運行效率低;而后者算法復(fù)雜度高[2][3]。本文提出的車牌定位算法無需每一幀像素參與運算，降低了運算量，提高識別效率，具體過程如圖1所示。

[TS）]

（1）獲取原始圖像（如圖2所示），將原始圖像縮放成原來的1/3，根據(jù)色彩特征提取可能含有車牌的像素點，然后灰度化車牌像素圖像，降低存儲空間，加快運算速度。（2）將灰度圖像二值化，通過形態(tài)學(xué)閉運算降低噪點，同時刪除像素點<2的連通區(qū)域，采用矩形算子膨脹運算，并刪除像素點<200的連通區(qū)域。（3）使用中值濾波降低噪聲，將濾波降噪后的圖像和原始縮放圖像相乘還原車牌RGB圖像，獲取閉合區(qū)域的中心像素坐標(biāo)，并根據(jù)中心像素坐標(biāo)和車牌寬高比例摳出車牌圖像區(qū)域，即為粗定位后的輸出（如圖3所示）。

1.2 車牌精細(xì)定位

由于粗定位得到的候選車牌區(qū)域可能會有很多，車牌精細(xì)定位則是為了突出候選車牌邊框，使精細(xì)定位后的車牌區(qū)域與實際車牌邊框一致[4]。選擇支持向量機（SupportVectorMachine，SVM）模型算法將粗定位后輸出圖像依次進(jìn)行SVM訓(xùn)練，根據(jù)訓(xùn)練結(jié)果判斷候選車牌的正確性，剔除偽車牌，并且生成一個不確定樣本提供給SVM模型。SVM模型訓(xùn)練過程如圖4所示。

對圖3中粗定位的候選車牌依次進(jìn)行SVM模型訓(xùn)練后獲取到精細(xì)定位的車牌，如圖5所示。可見，圖3中的假車牌（d）已經(jīng)被識別剔除。

2 字符分割

車牌分隔是將精細(xì)定位后輸出圖像中的漢字、字母、數(shù)字按原有順序切割分隔成單個的字符塊。中國內(nèi)地車牌每張分隔成7個字符塊[5][6]，理想情況下車牌區(qū)域經(jīng)過二值化后按垂直方向投影可準(zhǔn)確分割出7個塊區(qū)域，但實際中車牌會出現(xiàn)不清晰、有污漬、存在斷裂字符等，影響垂直投影的準(zhǔn)確度。因此文中提出一種改進(jìn)方法（取外部輪廓+外接矩形）。過程如圖6所示。

2.1 傾斜矯正

由于拍攝位置、道路彎道、坡度影響，可能造成車牌水平、垂直、水平垂直傾斜，因此車牌分割預(yù)處理中要先進(jìn)行傾斜矯正。

2.1.1 水平矯正

水平矯正法是使用Sobel算子檢測車牌橫向邊框，再進(jìn)行Hough變換檢測出水平坡度θ，利用極坐標(biāo)系方程如式（1）[7]，把原圖像變換到參數(shù)空間完成水平矯正。

2.1.2 垂直矯正

由于垂直方向邊框長度較短，使用Hough變換進(jìn)行矯正獲取的傾斜角度誤差較大，準(zhǔn)確度低，因此使用投影法對垂直方向拉伸矯正。投影法先把車牌圖像左邊框每一行的首像素投影到垂直方向上，然后按順序左移剩余像素，將垂直傾斜的平行四邊形拉伸變換成矩形。同時投影拉伸變換不會改變車牌原有的字符特征，矯正效果明顯。水平、垂直矯正后獲取圖像如圖7所示。

2.2 灰度化及二值化

精細(xì)定位后輸出的車牌區(qū)域仍然是彩色圖像，由于字符分割需要使用到灰度化圖像，并降低運算量，因此將矯正后的車牌進(jìn)行灰度化處理。同時，不同車牌顏色（如藍(lán)底白字和黃底黑字等）使用的二值化參數(shù)不一樣，所以要先判斷車牌的顏色。本文選取車牌中間區(qū)域判定車牌底色，分別在選定區(qū)域查找黃色或藍(lán)色像素點。如果黃色像素占比高于設(shè)定的顏色占比預(yù)設(shè)值，則車牌顏色判斷為黃色;同理，如果藍(lán)色像素占比高于設(shè)定的顏色占比預(yù)設(shè)值，則車牌顏色判斷為藍(lán)色;反之歸為其他顏色車牌。

本文根據(jù)判定的顏色選擇相應(yīng)二值化參數(shù)進(jìn)行處理。為了降低車牌邊緣和鉚釘干擾，選取中間部分區(qū)域分別使用Otsu算法、反向二值化法對藍(lán)色車牌、黃色車牌進(jìn)行處理。

2.3 提取外部輪廓及外接矩形

提取外部輪廓的方法在處理連續(xù)字符（如英文字母）時準(zhǔn)確率較高，但在處理非連續(xù)性文字（如“京”“川”“浙”“蘇”等）時會出現(xiàn)分割不準(zhǔn)確的問題，因此不能直接使用提取外部輪廓法進(jìn)行字符分割。本文采取對中文單獨處理解決此問題。如車牌“京LZ7793”，“京”字后面的字符“L”表示城市代碼，與后續(xù)的車牌號有一定的間隔，由特殊符號“·”分隔。

首先在車牌中心橫坐標(biāo)的1/7～2/7之間區(qū)域找到間隔字符，就能找到城市代碼，提取其外接矩形，記錄城市代碼外接矩形寬度w與高度h，再向左偏移確定漢字“京”的外接矩形，其矩形高度與h一致，寬度為1.15w。同時，確保漢字外接矩形在車牌邊緣內(nèi)部。同理，從間隔字符依次向右偏移確定剩余字母或數(shù)字的外接矩形，并按次序生產(chǎn)7個矩形塊。最后，為了避免字符識別中對字符重復(fù)性預(yù)處理，將分割后的字符圖像進(jìn)行雙線性插值處理和歸一化縮放成統(tǒng)一規(guī)格，并盡可能減少縮放過程中的失真。本文選定歸一化后字符圖像縮放規(guī)格大小為10×10。

3 字符識別

字符識別典型的算法有人工神經(jīng)網(wǎng)絡(luò)法、特征匹配法、模板匹配法等[8]。經(jīng)過對比測試，本文采用BP神經(jīng)網(wǎng)絡(luò)法，對復(fù)雜環(huán)境、模糊、污漬、變形圖像等效果良好，其網(wǎng)絡(luò)結(jié)構(gòu)如圖9所示。輸入訓(xùn)練集I={（x1，y1），（x2，y2），…，（xn，yn）}，xi∈Im，yi∈In，即輸入X=x1，x2，…，xm，輸出Y=y1，y2，…，yn。

文中使用歸一化后10×10字符圖像有100個像素塊作為特征向量，從10維縱向直方圖和橫向直方圖取到20維特征向量，總計120維特征向量。自動識別輸出的7個矩形塊的內(nèi)容，顯然輸出層需要識別字符類型為31個省份簡稱、24個英文字母（由于字母I、O和數(shù)字1、0具有相似性，因此一般不使用）、10個數(shù)字，總計字符類型65種。首先需要給圖9中的bj選定合適的節(jié)點個數(shù)，即選定q的取值。經(jīng)過無數(shù)實驗仿真驗證，選定bj層的節(jié)點個數(shù)為40。由于神經(jīng)網(wǎng)絡(luò)中輸入層節(jié)點數(shù)目與特征向量緯度相匹配，輸出層節(jié)點數(shù)目與目標(biāo)識別種類相匹配，最終可以確定輸入120個節(jié)點，輸出65個節(jié)點，即：m=120，q=40，n=65。

4 結(jié)語

本文闡述了復(fù)雜環(huán)境中多車牌識別的過程，采取了SVM模型定位車牌、外部輪廓和外接矩形法分隔字符、BP神經(jīng)網(wǎng)絡(luò)法識別字符。其中，對非連續(xù)性字符（如中文字符）分隔提出改進(jìn)算法，取得良好的效果。在實驗過程中，選取了近萬張車牌圖像作為SVM模型訓(xùn)練序列，經(jīng)過大量測試調(diào)優(yōu)統(tǒng)計，文中的車牌識別算法準(zhǔn)確率高達(dá)98.53%，并且運算簡單，對系統(tǒng)或硬件要求不高，適用于復(fù)雜道路環(huán)境。

參考文獻(xiàn)：

[1]鄭顧平，閆勃勃，李 剛.基于機器學(xué)習(xí)的多車牌識別算法應(yīng)用研究[J].計算機技術(shù)與發(fā)展，2018（6）：129-132.

[2]羅 林.基于視頻的車輛細(xì)節(jié)特征識別方法研究[D].成都：電子科技大學(xué)，2016.

[3]梁大寬.復(fù)雜背景下多車牌識別算法的研究與軟件系統(tǒng)實現(xiàn)[D].太原：太原理工大學(xué)，2016.

[4]張變蓮，唐慧君，閆旻奇.一種復(fù)雜車輛圖像中的多車牌定位方法[J].光子學(xué)報，2007，36（1）：184-186.

[5]HEKaiming，SUNJian，TANGXiaoou.Guidedimagefilte-ring[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2013，36（6）：1397-1409.

[6]X.Yang，Y.Zhao，J.Fang，etal.ALICENSEPLATESEGMENTATIONALGORITHMBASEDONMSERANDTEMPLATEMATCHING[C].ICSP2014ProceedingsonIEEE，2014.

[7]王楠楠.車牌定位及傾斜矯正方法研究[J].工業(yè)控制計算機，2014，27（11）：25-26.

[8]曾 泉，譚北海.基于SVM和BP神經(jīng)網(wǎng)絡(luò)的車牌識別系統(tǒng)[J].電子科技，2016，29（1）：98-101.