車牌自動識別系統的設計與實現

蘭州職業技術學院 梁宏煒

隨著人工智能技術的迅猛發展，文字識別、圖像識別技術都得到了快速的發展，這也為開發車牌自動識別提供了技術支持。本系統運用先進的圖像處理、模式識別和人工智能技術，能夠即時精準地快速識別出車牌中包含的所有的漢字、數字和字母，并直接提供識別結果，從而使得對于機動車輛的自動化監控和管理成為了現實。本系統采用Visual C#作為開發平臺，結合開源、跨平臺的計算機視覺庫OpenCV搭建了交叉編譯環境，采用模塊化的設計理念，利用模塊化的編程方法對各個基本功能模塊進行設計與開發，得到了一套可視化的車牌自動識別系統軟件。該軟件系統密切貼合生活，可以克服多種環境干擾因素，快速高效地完成各種車牌的自動識別。

車牌自動識別系統是計算機視覺、圖像處理和模式識別的研究熱點，是中國智慧交通的重要組成部分。可以進行交通流量檢測，車輛定位，高速公路收費和汽車防盜的自動化監管。對于保障城市治安和道路交通安全，防止交通擁堵，實現智慧交通具有現實的積極意義。尤其是在疫情防控期間，更要求對一些特殊停車場所、大院及政府機關、居民小區進行嚴密的車輛管理，對機動車外出時段實施嚴密監控，對各類車輛進行零接觸的登記和識別，提高安全管理水平及管理效率。

1 系統設計原理

車牌自動識別通過視頻采集接口，抓拍在道路上行駛的汽車圖片以實現車牌號碼的車辨識，然后對動態采集到的圖片經過預處理技術以克服圖像干擾，從而提高了辨識效率。接著對于預處理過的圖像進行邊緣檢測，并劃分出每個字符的矩形區，再對它進行二值化處理，最后將規整好的文字塊送入汽車字符識別系統以完成辨識工作。識別過程采用Sobel微分子算法對號牌部分進行初始數據處理，然后通過甄別號牌圖塊，將包含號牌信息的圖塊的特征信息添加到訓練好的SVM識別模型器中，從而可以確定真正的車牌號碼；文字分割與識別部分主要采用人工神經網絡中的模型（ANN）取輪廓求外界矩形的方法達到提取文字圖塊的目的，再對于獲得的文字圖塊采用ANN訓練模型來確定牌號[1]。它的基本過程是：車輛圖片收集—圖片預處理—車牌定位—號牌切割—文字識別—輸出識別結果。流程如圖1所示：

圖1 系統流程圖Fig.1 System flow chart

2 圖像識別的算法設計

通常一個車輛圖像所承載的信息很多，雖然有些信息能區分出不同的車輛比如車牌信息，但有些信息卻代表了不同車輛的共同特性比如車體顏色和環境特征。所以我們必須在進行車牌的識別之前就要做出適當的特征提取，也就是需要從車輛圖片中去掉無用的信息，只保留車牌模塊這個有用的信息。這就要求我們要計算號牌部分的兩種簡單的字符特征：梯度分布特征和灰度統計特征。

2.1 梯度分布特征

該特征用來表示圖像在水平位置和豎直位置上的梯度圖像，可以通過把梯度圖像分成各個不同的區塊，實現對梯度圖像中每個區域亮度差值的運算，下面是具體的運算步驟：

（1）首先把字符由RGB模式轉化為灰度，再把像素大小歸一化到16×8。

（2）重新定義傳統的Soble水平檢測算子:

x_mask=[-1,0,1;-2,0,2;-1,0,1]x_mask= [-1,0,1;-2,0,2;-1,0,1]和豎直方向梯度檢測算子y_mask=x_maskTy_mask=x_maskT。

（3）對原圖片依次使用mask_xmask_x和mask_ymask_y進行圖像過濾處理，就可以得出SobelXSobelX和SobelYSobelY。

（4）對濾波后得到的圖像，先統計算圖像總的像素和是多少，然后再把它劃分成4×2。的網絡，就可以得到各個網格內的圖像值的總和[2]。

（5）統計出每個網絡內總灰度值占全部圖像的比率，并把它們一起寫入一個特征向量中，再把兩個方向上分別得到的向量合并到一起就得到了最終需要的特征向量。

2.2 灰度統計特征

要圖像先歸一化為指定的尺寸，然后讀取像素中每個點的灰度值作為特征向量即可。

（1）將圖片由RGB模式轉變為灰度值圖片；

（2）將圖像歸一化尺寸為8×48×4，并將圖像擴展成一行以便形成特征向量。字符識別過程如圖2所示：

圖2 字符識別圖Fig.2 Character recognition diagram

3 系統技術優勢

系統解決了車輛在不同特征場景中進行識別的技術關鍵、并根據車輛自身的特點、字符的特性，對車牌檢測技術中包含的車牌定位、字符分割和字符識別三大模塊做了細致的研究和改善工作。與目前現有領域相關技術相比，本系統設計在以下幾個方面都具有明顯的技術優勢：

（1）采用人工神經網絡中的多層感知機模型，算法設計科學合理，對于車牌區域的檢測以及車牌字符的分割都具備了較高的準確率，且辨識速度快、辨識精確率高[3]。識別結果如圖3所示：

圖3 車牌識別效果圖Fig.3 Effect diagram of license plate recognition

（2）對于非均勻光照的不同角度牌照的識別具有明顯的技術優勢。充分考慮到光照的變化規律及其所定位出的車輛周圍環境和自身干擾等各種因素，提出了一種全新的將車牌進行二值化處理的方案，這種方案融合了Sobel算子法和迭代法。它的二值化效果良好，解決了有噪聲影響、非均勻光照或不同角度的辨識問題，并且牌照在匹配過程中去除冗余背景圖像有良好的適應性。不同光照和不同角度的識別結果分別如圖4、圖5所示：

圖4 不同光照的車牌識別結果圖 Fig.4 Results of license plate recognition with different illumination

圖5 不同角度的車牌識別結果圖Fig.5 Results of license plate recognition from different angles

（3）在漢字相似字符的識別中，識別速度和準確率都具有顯著優勢。我們國家對于各種不同類型的車輛規定了不同的牌照格式，不同汽車牌照的字符顏色和號牌底色的組合也不盡相同。在日常生活中最常見的號分別是藍底白字牌照、黃底黑字牌照以及白底黑字牌照。由于標準汽車牌照都是由漢字、英文字母和阿拉伯數字構成的，而漢字的識別與字母和數字的識別有很大的區別。為了解決這一問題，系統采用了基于歐拉數的模板匹配技術，該技術可以把模板圖像根據歐拉數分為不同的分組，這不但大幅縮減少了不必要的文本匹配過程，還提高了一些相似文字的辨識度，這都提高了最終的文字辨識別品質。同一字符的不同識別結果如圖6所示：

圖6 同一字符不同形式的識別圖Fig.6 Different forms of recognition map of the same character

4 系統測試

給系統輸入不同場景、不同拍攝角度、不同拍攝距離和不同光照強度下拍攝的300張彩色圖像，大小為1200×1600，進行識別測試。車牌定位、分割和識別的成功率可達98.5%，98.1%和99%，系統識別平均耗時712ms。測試結果如表1所示：

表1 系統測試結果表Tab.1 System test result table

5 結語

本系統運用先進的人工智能技術和的圖像處理技術，改進了以往傳統的車輛識別技術辨識精度低，識別速度慢，識別率受環境因素的影響較大的不足，能夠即時精準地快速識別出車牌中包含的所有的漢字、字母和數字，并直接提供識別結果，這使得對于機動車輛的自動化化監控和管理變為了現實，對于進一步研究如何將人工智能技術應用于智慧交通領域具有一定的借鑒意義。