車牌識別系統中的字符分割和識別算法研究

武云飛

(安徽工貿職業技術學院，安徽 淮南 232007)

隨著人口的增長以及國民經濟水平的不斷提高，近年來汽車使用量一直在增加，汽車在交通運輸中起著很大的作用，隨之而來的車輛檢測和違規行為抓拍成為影響車輛管理的關鍵。車牌識別是一種僅通過車牌識別車輛的圖像處理技術，無須識別外部的卡片、標簽或發射器，只需識別車牌即可。因而，實時車牌識別在交通規則的自動監控和公共道路的執法維護中起著重要的作用[1]。

車輛牌照的提取與識別是汽車識別領域的研究熱點之一，王保全[2]提出了利用光學字符識別技術實現自動車牌識別的方法?；萑私躘3]給出了車輛自動識別的知識邊界跟蹤和模板匹配。李艷玲[4]將雙向聯想記憶(BAM)神經網絡用于車牌識別，但是經驗證它僅僅適用于少量的模式。馬婉婕[5]提出了基于模糊邏輯和神經網絡的汽車車牌識別算法，采用模糊邏輯進行分割，離散元神經網絡(DTCNN)進行特征提取?？紤]到單一類別車輛的形狀和尺寸的多樣性，使用簡單的參數很難對車輛進行分類，當需要多個類別且在諸如遮擋、陰影、相機噪音、光線變化和天氣狀況等復雜環境條件時，識別過程變得更加困難。

1 車牌識別系統

在本研究中，基于車牌區域的提取、車牌字符的分割和字符的識別對車牌進行識別。本系統主要分為對象提取、目標跟蹤、遮擋判定、遮擋區域隔離、給出車牌字符的分割、基于統計模板匹配算法的字符識別等幾個模塊。該系統的輸入是由攝像機捕捉到的車輛圖像，從4～5米外采集的圖像，通過車牌提取器進行處理，并將其輸出到分割部分，分割部分將字符單獨分割。最后是識別部分，識別結果為車牌號碼的字符。

1.1 目標定位

圖像預處理模塊。該模塊目的是豐富邊緣特征，由于檢測方法是基于邊界特征的，因此圖像經過預處理可以提高檢測模塊的成功率。圖像預處理模塊使用的算法有灰度化、規格化和直方圖均衡化。在獲得灰度圖像后，使用Sobel過濾器提取邊緣圖像，然后對圖像進行二值化閾值處理。此后，使用局部自適應閾值算法進行二值化。

作為該算法的第一步，從相機捕獲的圖像首先轉換成只有1和0組成的二進制圖像(只有黑白)。通過對輸入圖像中亮度小于閾值的所有像素進行閾值化，使其像素值為0(黑色)，其余像素為1(白色)。捕獲的圖像(原始圖像)和二值化圖像分別如圖1(a)和1(b)所示。

圖像二值化處理。為了找到平板區域，首先使用了涂抹算法，沿著垂直和水平方向(掃描線)對圖像進行處理。如果白色像素的數量小于所需閾值或大于任何其他所需閾值，則將白色像素轉換為黑色[6]。在這個系統中，水平和垂直涂抹的閾值都被選擇為10和100。如果“白色”像素數< 10，像素則成為“黑”。

f白像素的數量{沒有變化

>100像素變為黑

(1)

在得到板的位置后，只涉及板的區域被切割，得到圖2。

圖2 板圖片

1.2 區域定位

對圖像進行形態學操作，以確定印版的位置。為了找到準確的區域并消除其他區域，對圖像進行了模糊和濾波處理。經過這一階段處理后的圖像如圖3(a)所示，只涉及車牌板的圖像如圖3(b)所示。

圖3 平板區域及圖像

對于板區域的提取，基于邊緣統計與數學形態學相結合的技術具有很好的效果。在這些算法中，通過計算圖像不同部分的梯度幅值和方差，可以看出基于車牌區域的亮度變化比其他區域更顯著和更頻繁。然后，將邊緣幅值高、邊緣方差大的區域識別為可能的牌照區域。該方法不依賴于車牌邊界的邊緣，可以應用于車牌邊界不清晰的圖像，實現簡單快速。一個缺點是基于邊緣的方法很難單獨應用于復雜的圖像，因為它們對不想要的邊緣過于敏感，而這些邊緣也可能顯示出很高的邊緣幅度或方差(例如，車輛前視圖的散熱器區域)。盡管如此，結合去除處理后圖像中不需要的邊緣的形態學步驟，與其他方法相比，車牌提取率相對較高，速度也較快。

2 圖像分割

2.1 分割步驟

圖像分割階段確定的候選車牌在車牌識別階段進行檢驗。識別階段主要包括字符分割分離和字符識別兩個階段。字符分割是通過投影、形態學、松弛標記、連通成分和斑點著色等技術來實現的。由于投影方法假設車牌的方向已知，而形態學方法要求知道字符的大小，因此這兩種方法都不適合本文的應用。松弛標記本質上是迭代的，而且常常很費時間。

2.2 車牌分割

在本研究中，將車牌分割成多個組成部分，分別獲得車牌字符。首先對圖像進行濾波，增強圖像，去除噪聲和多余的斑點。然后對圖像進行膨脹操作，使字符之間距離較近時進行分離。在此操作之后，應用水平和垂直涂抹來尋找字符區域。結果如圖4所示。

圖4 車牌字符位置

圖5 單個字符

分割剪板字是通過在水平方向上查找字符的起始點和結束點來完成的。從底片上剪下的單個字符如圖5所示。

3 字符識別

3.1 字符匹配

在字符識別之前，需對所有字符進行歸一化處理，將字符細化為一個塊，所有四個邊都不包含額外的空白(像素)，如圖6所示。

圖6 大小相同的字符

模板匹配需要采用擬合方法。為了使字符與數據庫匹配，輸入圖像的大小必須與數據庫字符相同，從車牌中提取的字符和數據庫中的字符大小相等。下一步是模板匹配，就是將字符圖像與數據庫中的字符圖像進行比較，得出最佳相似度。

3.2 模板匹配

為了度量相似度并找到最佳匹配，本文使用了霍洛維茨圖像識別技術。該方法測量了若干幅相同尺寸的已知圖像與未知圖像之間的相關系數，同時計算圖像中相關系數最高的部分之間的相關系數，從而得到最佳匹配結果。自相關函數(ACF)只涉及一個信號，并提供有關信號結構或其時域行為的信息?；ハ嚓P函數(CCF)是對兩個信號之間相似性或共有特性的度量。由于系統中存在未知輸入圖像和已知數據庫圖像兩種信號，因此采用了互相關的方法。

令1≤j≤J和1≤k≤K的F1(j,k)和F2(j,k)分別表示要搜索的圖像和模板的兩個離散圖像。圖像對之間的歸一化互相關定義為[7]：

(2)

式中，m= 1,3，…，M和n= 1,3，…，N，其中M和N是奇數。

本系統建立專用數據庫存儲車牌字符，共33個字母數字字符(23個字母和10個數字)，大小為36×18。形成的數據庫如圖7所示。

圖7 數據庫角色

由于一些漢字的相似性，在識別過程中可能會出現一些錯誤。易混淆的漢字主要有B和8,E和F, D和O, S和5,Z和2。為了提高漢字的識別率，系統對混淆漢字進行了標準測試，確定了漢字的特征。將字符特征應用在字符識別算法中，有效提高了識別率，使誤差最小[8]。

4 算法實驗

4.1 測試實驗

測試在Matlab中設計完成，系統輸入的圖像為彩色圖像，大小為1200×1600。實驗圖像是在不同光照條件下拍攝的。試驗結果如表1所示。

表1 測試結果

結果表明，提取車牌區域的正確率為97.6%，字符分割正確率為96%，識別單元正確率為98.8%。

4.2 實際實驗

圖8 車牌識別人機交互界面

在車牌定位實驗中，使用了1088張不同場景和不同條件下的圖像。其中，23幅圖像未能定位到圖像中存在的車牌，車牌定位成功率為97.9%。

5 總結

在車輛模型識別任務中，車牌位置在分割車輛前視圖的特定參考區域時起著重要的作用。 本文介紹了一種用于汽車牌照識別的應用軟件。首先提取車牌位置，然后通過分割對車牌字符進行單獨的分割，最后利用模板匹配方法對車牌字符進行識別，并為每個車型創建數字簽名。根據輸入的車牌信息，從數據庫中提取相應的模板圖像，并將其與實時檢測得到的圖像進行對比。在實驗中，分量彩色圖像序列的幀分辨率為320×240。該系統是為識別車牌而設計的，并在大量圖像上進行了測試。結果表明該算法對車牌區域的提取率為97.6%，對字符的分割率為96%，對識別單元的準確率為98.8%，在實際實驗中整體系統的識別率為97.9%。在未來的研究中，該系統可以針對跨國汽車牌照進行重新設計。