一種車牌識別圖片預處理的設計方法

蔣理 孫哲民 蔣漢麟 蔡天巍

摘要：車牌識別系統不僅僅是智能交通系統的一個重要板塊，同時也在交通的監控和管理中起到極其關鍵的作用。車牌圖片預處理能夠在短的時間內使得復雜圖片簡單化，為后繼的車牌定位于識別做好準備。該文主要介紹了一種圖片預處理的方法，使用了二值化、邊緣檢測及形態學操作等對圖片進行處理，并根據實際優化了參數和方法。

關鍵詞：圖片處理;車牌識別;OpenCV

中圖分類號：TP311 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）25-0178-02

Abstract： License plate recognition system is not only an important part of Intelligent transportation system， but also plays an important role in traffic monitoring and management. The preprocessing of license plate image can simplify the complex image in a short time and prepare for the subsequent license plate location recognition. This paper mainly introduces a method of image preprocessing， which uses binarization， edge detection and morphological operation to process the image， and optimizes the parameters and methods according to the actual situation.

Key words： image processing; license plate recognition; OpenCV

車牌識別技術目前已經廣泛應用于智能交通系統中。目前，有著很多民用需求，如單位或小區車輛進出管控，停車場監控等。車牌圖片預處理是車牌識別系統的重要組成部分，在系統獲取到含車牌的圖像后，需經過車牌預處理，再進行定位與識別。預處理的主要目的是將圖片簡銳化，突出待識別的區域，以取得更高的識別率，同時降低識別模塊的計算復雜度。為了滿足企業需求，本單位多個專業聯合研究開發了這套車牌識別系統，筆者主要做車牌圖片預處理的軟件設計與實現工作。開發中主要用到了OpenCV做視覺處理。

1主要技術簡介

OpenCV是一個開源的跨平臺計算機視覺庫。由于其是由一組C的函數與部分CPP類所實現，量級輕且效率高，同時也提供了譬如Python、MATLAB等語言的接口，實現了諸多在圖像處理與計算機視覺領域通用的算法。主要用于解決如：人機交互、物體識別、圖像分區、人臉識別、機器人、動作識別與跟蹤等方向的問題，是目前最為主流的視覺處理庫之一。

本系統使用了OpenCV-Python接口。其中支持了Numpy，這是一個經高度優化的數據操作庫。操作中可以將所有OpenCV數組結構都轉換為Numpy數組。這也使得與使用Numpy的其他庫（如SciPy和Matplotlib）集成更容易。

2 車牌圖片預處理

在圖片處理中，圖像分辨率的大小決定了計算量的大小，這在處理的時間上會得到反映。為了加快處理的整體速率，首先需要對圖像的分辨率進行處理。主要過程為：系統會對讀入的圖片分辨率進行檢測，若其高于設定的閾值，則將其分辨率調整為指定的大小。

2.1 圖像灰度化

預處理中灰度化過程是將彩色的圖片轉化為只有亮度的圖像的過程。彩色圖片的像素色彩通常由三個分量：R、G、B所構成，每個分量的范圍都是0-255，但灰度圖像每個像素只有一種樣本顏色，其位于黑色與白色之間，每個像素值最大為255（即白色），最小值為0（即黑色）。本系統所使用的是較為簡單的平均灰度處理算法，意為取每個像素的R、G、B分量數值的平均值再將其賦回各給個分量。

本系統使用了函數cv2.cvtColor（img，cv2.COLOR_BGR_GRAY）對原始圖像進行了灰度化處理。

2.2 圖像增強

在對原始圖像進行灰度化處理后，車牌圖像與其他部分圖像有時并沒有較高的對比度，此時若直接對圖像進行邊緣檢測來選取車牌位置很可能會取得較差的效果。因此需要對圖片進行增強處理，從而改善在車牌圖像選取時的視覺效果，突出圖像中的重要信息，并放大在不同物體間的特征差異。目前用于該方向的圖像增強技術通常有例如：圖像的開操作與閉操作、高斯平滑、中值濾波、灰度拉伸等。

本系統中使用了開運算操作，實現的方法即為先對原圖像進行腐蝕運算，再對其進行膨脹運算。其目的就是消去孤立的小點、毛刺等等干擾，并且使面積較大塊的圖像的邊緣變得更加平滑，與此同時不改變總體的形狀和位置。相較于原始圖像，經過圖像增強處理后的車牌的圖像部分與其他部分相比，具有更加明顯的對比度。

2.3 圖像二值化

對灰度圖像進行二值化處理就是將其像素的灰度值設置為0或者255，此時圖片會顯現出非常分明的黑白效果。擁有256個亮度強度的灰度圖像依賴適當的閾值設置便可以獲得仍然反映出圖像整體與局部特征的二值化圖像。在數字圖像的處理應用中，其具有十分突出的作用，尤其是在圖像的處理中，有許多以二值化的圖像構成的系統。在處理二值化后的圖像時，運用封閉、連通邊界定義不交疊的區域的操作。將灰度值高于閾值的區域作為目標區域，以灰度值255表示，反之則將其他點視作非目標區域，將灰度值置0。

本系統中采取了自動選定灰度閾值大津法來對圖片進行二值化處理。將t記作前景圖像與背景圖形的區分閾值，前景圖形點數所占圖像比例為w0，平均灰度為u0;背景圖像的像素數占圖像比例記作w1，而平均灰度記作u1。圖像的總平均灰度為：

該公式目標是求類間方差值，由閾值t分割出的前景圖像和背景圖像這兩部分構成了整幅圖像，而前景的取值為u0，概率為w0，背景的取值u1，概率為w1，總均值為u，根據方差的計算方法可以得到此式。方差是灰度分布均勻性的一種度量，數值越大越可以反映構成圖像的兩部分差別大，當部分目標誤分為背景或部分背景誤分為目標都會導致兩部分差別變小，因此使類間方差值大的分割方式就意味著誤分概率最小。

2.4 邊緣檢測

邊緣檢測是車牌照定位前的關鍵步驟。邊緣常常是出現在目標與目標之間或者目標與背景圖像之間，邊緣檢測的目的就是定位其邊緣以及減少噪點。將邊緣認定為一定數量的點亮度變化最為激烈的位置，與此同時將灰度值看作二元函數值，再計算這個亮度變化的導數作為其邊緣強度。通過設定閾值判別該點是否為邊緣點，若大于閾值則判定為是，反之則否，然后再連通邊緣點來獲得邊緣點集。常用的邊緣檢測算子有例如：Sobel算子、Roberts算子、Prewitt算子等等一階微分算子，Laplacian算子、Marr算子等等二階微分算子，還有非微分邊緣檢測算子Canny算子。

相較于其他的算子，Canny算子更加不易受到噪聲的干擾，能夠檢測到真正的弱邊緣。該方法的優點在于使用兩種不同的閾值分別檢測強邊緣和弱邊緣，且僅當弱邊緣與強邊緣相連時才會將弱邊緣包含在輸出的圖像中。因此該方法不易被噪聲所影響，且更加容易檢測出真正的弱邊緣。系統使用了Canny邊緣檢測。其具體的實現步驟為：

①對二值化圖像進行高斯平滑濾波操作，去除噪點。因為噪聲是灰度變化十分劇烈的地方，若不能消除在后續操作中便可能會被識別為邊緣，從而影響邊緣檢測的效果。

②計算并獲取各像素梯度的強度值與方向信息。采用了Sobel算子的方法來操作，采用卷積方法在圖像的每一個點上，結合兩個方向Gx與Gy的值計算結果求出其近似梯度值，根據Gx與Gy的值計算得到梯度的方向：

③對非極大值進行抑制。由于Sobel算子所檢測出的邊緣通常較粗，為了取得更好的效果就需要抑制梯度值不足夠大的點，只保留最大的梯度，從而將邊緣收細。

④通過設定雙閾值來對圖像的邊緣進行檢測，同時連接各個邊緣點。分別給定兩個閾值記作L1、L2（設L1>L2），若某點梯度值超過了L1則將其稱作強邊緣，若梯度值位于L1與L2之間則稱作弱邊緣，若梯度值小于L2則認為不是邊緣點。此外，當弱邊緣周圍為8的鄰域內存在強邊緣點時，就認定該弱邊緣點為強邊緣點。

3結論

至此，圖像預處理完成，為系統后續車牌定位與識別做好了準備。在本車牌識別系統中，圖片預處理部分運行良好，運算響應時間也達到了預期。車牌識別系統已經通過內部測試，進入試用階段。目前使用情況良好，識別率與響應速度均達到要求。

參考文獻：

[1] Peter Harrington.MachineLearninginAction[M].北京：人民郵電出版社，2012.

[2] 周志華.機器學習[M].北京：清華大學出版社，2016.

[3] Ian Goodfellow.Deep Learning[M].北京：人民郵電出版社，2017.

[4] 李立宗.OpenCV輕松入門：面向Python[M].北京：電子工業出版社，2017.

[5] 王碩，孫洋洋.PyQt 5快速開發與實戰[M].北京：電子工業出版社，2018.

【通聯編輯：代影】