摘 要:對(duì)車(chē)牌識(shí)別(LPR)系統(tǒng)中字符分割與字符識(shí)別方法進(jìn)行探討#65377;根據(jù)車(chē)牌字符的特點(diǎn)，首先利用投影法采用水平掃描和垂直掃描進(jìn)行字符分割，接著對(duì)字符圖像進(jìn)行歸一化處理，實(shí)現(xiàn)對(duì)字符的完全分割#65377;在此基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法實(shí)現(xiàn)車(chē)牌字符的識(shí)別，從而提高系統(tǒng)的識(shí)別速度和識(shí)別率#65377;數(shù)字仿真的識(shí)別結(jié)果驗(yàn)證了該方法的正確性和有效性#65377;

關(guān)鍵詞:車(chē)牌識(shí)別(LPR);字符分割;字符識(shí)別; BP網(wǎng)絡(luò)

中圖分類(lèi)號(hào):TP391.41文獻(xiàn)標(biāo)識(shí)碼:A

1 引 言

隨著國(guó)民經(jīng)濟(jì)的不斷發(fā)展，國(guó)內(nèi)的高速公路，收費(fèi)站#65380;停車(chē)場(chǎng)越來(lái)越多，為了加強(qiáng)這一領(lǐng)域的管理自動(dòng)化，智能交通系統(tǒng) (Intelligent Transportation Systems， ITS) 的發(fā)展也就顯得日益迫切#65377;車(chē)牌識(shí)別(License Plate Recognition， LPR) 是ITS 的一個(gè)重要組成部分，它能從一幅圖像中自動(dòng)提取車(chē)牌圖像，自動(dòng)分割字符圖像，進(jìn)而對(duì)字符進(jìn)行識(shí)別#65377;車(chē)牌識(shí)別系統(tǒng)的成功開(kāi)發(fā)必將大大加速I(mǎi)TS 的進(jìn)程#65377;智能車(chē)牌自動(dòng)識(shí)別是一項(xiàng)利用車(chē)輛的動(dòng)態(tài)視頻或靜態(tài)圖像進(jìn)行車(chē)牌號(hào)碼#65380;車(chē)牌顏色自動(dòng)識(shí)別的神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)^[1]#65377; 其硬件基礎(chǔ)一般包括觸發(fā)設(shè)備(監(jiān)測(cè)車(chē)輛是否進(jìn)入視野)#65380;攝像設(shè)備#65380;照明設(shè)備#65380;圖像采集設(shè)備#65380;識(shí)別車(chē)牌號(hào)碼的處理機(jī)(如計(jì)算機(jī))等，其軟件核心包括車(chē)牌定位算法#65380;車(chē)牌字符分割算法和神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法等#65377;

2 智能車(chē)牌自動(dòng)識(shí)別系統(tǒng)

一個(gè)完整的車(chē)牌識(shí)別系統(tǒng)應(yīng)包括車(chē)輛檢測(cè)#65380;圖像采集#65380;車(chē)牌識(shí)別等幾部分#65377;字符分割和字符識(shí)別是智能車(chē)牌自動(dòng)識(shí)別過(guò)程中的兩個(gè)關(guān)鍵步驟，已有的處理方法或多或少地都存在一定的不足和局限性#65377;文獻(xiàn)[2]采用閾值分割的方法分割車(chē)牌字符，僅僅考慮了圖像的灰度信息，忽略了空間信息，難以解決背景復(fù)雜的圖像分割問(wèn)題;文獻(xiàn)[3][4]采用邊緣檢測(cè)方法測(cè)得車(chē)牌邊緣，分割車(chē)牌字符，該方法要求圖像邊緣的連續(xù)性好，但是實(shí)際系統(tǒng)中攝像頭拍攝的車(chē)牌邊框往往是時(shí)斷時(shí)續(xù)的;另外，Paolo Comelli以收費(fèi)站實(shí)時(shí)拍攝的汽車(chē)準(zhǔn)靜態(tài)圖象為處理對(duì)象^[5]，但系統(tǒng)的成功實(shí)現(xiàn)大大受益于國(guó)外牌照的規(guī)范統(tǒng)一#65377;本文主要對(duì)字符分割和字符識(shí)別方法進(jìn)行探討#65377;

計(jì)算技術(shù)與自動(dòng)化2007年6月第26卷第2期張 劍等:一種基于字符分割與字符識(shí)別的LPR方法

3 車(chē)牌字符分割

3.1 車(chē)牌區(qū)域特征

根據(jù)1992年中華人民共和國(guó)機(jī)動(dòng)車(chē)號(hào)牌GA36-92標(biāo)準(zhǔn)，汽車(chē)前車(chē)牌有以下特征:

1)外廓尺寸:440×140(mm);

2)顏色:小功率汽車(chē)所用的藍(lán)底白字牌照，大功率汽車(chē)所用的黃底黑字牌照，軍用或警用的白底黑字#65380;紅字牌照及國(guó)外駐華機(jī)構(gòu)用的黑底白字牌照;

3)標(biāo)準(zhǔn)樣式:·x1x2·x3x4x5x6x7，其中x1是各省#65380;直轄市的簡(jiǎn)稱(chēng)，如“京\"#65380;“津\"#65380;“滬\"#65380;“魯\"等，x2是大寫(xiě)英文字母，如“A\"，“B\"，“C\"等，x3x4x5x6x7可能是英文字母A-Z，也可能是阿拉伯?dāng)?shù)字0-9，每個(gè)字寬45mm，字長(zhǎng)90mm，間隔符寬10mm，每個(gè)單元間隔12mm#65377;

所有牌照?qǐng)D像都有一些共同特征，歸納如下:

1)圖像上有大量長(zhǎng)短不一類(lèi)似直線(xiàn)與長(zhǎng)方形的區(qū)域，還有一些灰度特征類(lèi)似于文字區(qū)域的汽車(chē)廠(chǎng)商標(biāo)志區(qū)域，如奧迪車(chē)的圖像類(lèi)似于4個(gè)O組成的標(biāo)志#65377;

2)車(chē)牌文字周?chē)幸粋€(gè)類(lèi)似于長(zhǎng)方形的邊框，其厚度不一，而且有斷裂處，有時(shí)候彎曲度比較大#65377;

3)文字大小統(tǒng)一，排列成行，由于拍攝原因有一定程度傾斜，文字與背景之間有明顯灰度比#65377;

3.2 車(chē)牌字符分割方法

系統(tǒng)在讀進(jìn)來(lái)的圖像(如圖2)中一般會(huì)含有多個(gè)數(shù)字，識(shí)別的時(shí)候只能根據(jù)每個(gè)字符的特征來(lái)進(jìn)行判斷，所以還要進(jìn)行字符分割的工作，這一步工作就是把圖像中的字符獨(dú)立的分割出來(lái)#65377;字符分割是字符識(shí)別的基礎(chǔ)，它決定孤立字符的狀況#65377;

通常的字符切分有以下幾種方法:

1)間距#65380;間隙切分法

利用字符間隙(相鄰字符間的間隔)和字符間距(相鄰字符中心的距離)進(jìn)行字符切分#65377;這里要求字符的寬度和字符間隙基本相同，故對(duì)輸入圖像質(zhì)量的依賴(lài)性很大#65377;

2) 投影法

利用水平和垂直投影來(lái)進(jìn)行字符切分#65377;水平投影特征是每一行中心黑色素點(diǎn)的總和;垂直投影特征是每一列中心黑色素點(diǎn)的總和#65377;這種切分有速度快的特點(diǎn)，但對(duì)不規(guī)范的字符會(huì)出現(xiàn)誤切分的情況#65377;

3)識(shí)別切分法

其切分標(biāo)準(zhǔn)是識(shí)別的信度，其信度由單字符識(shí)別模塊給出^[6]#65377;一般，識(shí)別信度還可以由后處理的詞法#65380;句法#65380;語(yǔ)義分析給出#65377;

本文主要利用二值化后的投影信息，輔以各種判斷條件來(lái)進(jìn)行字符分割，也就是上面介紹的第二種方法#65377;由于車(chē)牌字符區(qū)有一定的高度，所以事先進(jìn)行水平投影，這樣可以利用水平投影信息將相當(dāng)一部分非字符候選點(diǎn)抹去，再經(jīng)過(guò)歸一化使之成為規(guī)范圖像輸出給字符識(shí)別部分#65377;

3.3 字符分割的具體算法

第1步，先自下向上對(duì)圖像進(jìn)行逐行掃描直至遇到第一個(gè)黑色的像素點(diǎn)#65377;記錄下來(lái)#65377;然后再由上向下對(duì)圖像進(jìn)行逐行掃描直至找到第一個(gè)黑色像素，這樣就找到圖像大致的高度范圍#65377;

第2步，在這個(gè)高度范圍之內(nèi)在自左向右逐列進(jìn)行掃描，遇到第一個(gè)黑色像素時(shí)認(rèn)為是字符分割的起始位置，然后繼續(xù)掃描，直至遇到有一列中沒(méi)有黑色像素，則認(rèn)為這個(gè)字符分割結(jié)束，然后繼續(xù)掃描，按照上述的方法一直掃描直至圖像的最右端#65377;這樣就得到了每個(gè)字符的比較精確寬度范圍#65377;

第3步，在已知的每個(gè)字符比較精確的寬度范圍內(nèi)，按照第一步的方法，分別進(jìn)行自上而下和自下而上的逐行掃描來(lái)獲取每個(gè)字符精確的高度范圍#65377;

3.4 過(guò)寬塊和過(guò)窄塊的處理

具體過(guò)程如下:

1)求出區(qū)域的平均寬度，算法類(lèi)似于求字符的平均寬度，或是以字符寬度代替區(qū)域的平均寬度#65377;

2)分析過(guò)大的區(qū)域，看其是否由兩個(gè)字符組成，如是則將其分成兩塊區(qū)域#65377;

3)分析過(guò)小的區(qū)域，看其是否可以跟左右區(qū)域合并#65377;

通過(guò)以上步驟可以得到分割的字符，然后對(duì)字符定出鄰接矩形，對(duì)其歸一化處理#65377;

3.5 圖像的歸一化處理

因?yàn)閽呙柽M(jìn)來(lái)的圖像中字符大小存在較大的差異，而相對(duì)來(lái)說(shuō)，統(tǒng)一尺寸的字符識(shí)別的標(biāo)準(zhǔn)性更強(qiáng)，準(zhǔn)確率自然也更高，標(biāo)準(zhǔn)化圖像就是要把原來(lái)各不相同的字符統(tǒng)一到同一尺寸，在本系統(tǒng)中是統(tǒng)一到同一高度，然后根據(jù)高度來(lái)調(diào)整字符的寬度#65377;具體算法如下:先得到原來(lái)字符的高度，并與系統(tǒng)要求的高度做比較，得出要變換的系數(shù)，然后根據(jù)得到的系數(shù)求得變換后應(yīng)有的寬度#65377;在得到寬度高度之后，把新圖像里面的點(diǎn)按照插值的方法映射到圖像中#65377;車(chē)牌字符歸一化結(jié)果如圖3所示#65377;

4 車(chē)牌字符識(shí)別

字符識(shí)別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法#65377;基于模板匹配算法首先把待識(shí)別字符二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果#65377;由于這種匹配算法穩(wěn)定性較差#65380;時(shí)間花費(fèi)也較大，因此在此基礎(chǔ)上提出了基于關(guān)鍵點(diǎn)的匹配算法#65377;此算法先對(duì)待識(shí)別字符進(jìn)行關(guān)鍵點(diǎn)提取，然后對(duì)關(guān)鍵點(diǎn)去噪，最后再確定字符的分類(lèi)#65377;這種匹配算法只利用了字符的關(guān)鍵點(diǎn)進(jìn)行匹配，因此提高了識(shí)別速度又具有較高的識(shí)別率#65377;基于人工神經(jīng)網(wǎng)絡(luò)的算法主要有兩種:一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器;另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果#65377;前一種方法識(shí)別結(jié)果與特征提取有關(guān)，而特征提取比較耗時(shí)，因此特征提取是關(guān)鍵#65377;后一種方法無(wú)須特征提取和模板匹配，隨著相關(guān)技術(shù)的進(jìn)步，這種方法更實(shí)用#65377;鑒于以上兩種識(shí)別方法的比較，本文采用基于人工神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別#65377;

4.1 人工神經(jīng)網(wǎng)絡(luò)的概述

人工神經(jīng)網(wǎng)絡(luò)是指利用工程技術(shù)手段模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的一種技術(shù)，它的目的是使機(jī)器具有人腦那樣的感知#65380;學(xué)習(xí)和推理功能^[7]#65377;

神經(jīng)網(wǎng)絡(luò)用于圖像識(shí)別具有以下優(yōu)點(diǎn):神經(jīng)網(wǎng)絡(luò)的信息分布式存儲(chǔ)于聯(lián)結(jié)權(quán)值系數(shù)中，使網(wǎng)絡(luò)具有很高的容錯(cuò)性，而圖像識(shí)別中往往存在噪聲或輸入圖像部分損失，因此神經(jīng)網(wǎng)絡(luò)可以較好地解決圖像識(shí)別問(wèn)題#65377;另外，神經(jīng)網(wǎng)絡(luò)的自組織和自學(xué)習(xí)功能，大大放松了傳統(tǒng)圖像識(shí)別方法所需的約束條件，使其對(duì)圖像識(shí)別問(wèn)題顯示出極大的優(yōu)越性#65377;

網(wǎng)絡(luò)不僅有輸入節(jié)點(diǎn)，輸出節(jié)點(diǎn)，而且有隱層節(jié)點(diǎn)(可以是一層或多層)，如圖4所示#65377;對(duì)于輸入信號(hào)，要先向前傳播到隱節(jié)點(diǎn)，經(jīng)過(guò)作用函數(shù)后，再把隱節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后給出輸出結(jié)果#65377;節(jié)點(diǎn)作用函數(shù)通常選取Sigmoid函數(shù):

4.2BP神經(jīng)網(wǎng)絡(luò)算法

BP算法的過(guò)程，由正向傳播和反向傳播組成#65377;在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱單元層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)#65377;如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小#65377;神經(jīng)網(wǎng)絡(luò)的反饋調(diào)節(jié)，在誤差信號(hào)的反向傳播中，網(wǎng)絡(luò)不斷地修正各個(gè)節(jié)點(diǎn)的權(quán)值#65377;

設(shè)有n個(gè)節(jié)點(diǎn)的BP網(wǎng)絡(luò)，采用S型激勵(lì)函數(shù)#65377;為簡(jiǎn)單起見(jiàn)，可以假設(shè)網(wǎng)絡(luò)只有一個(gè)輸出y，任一節(jié)點(diǎn)的輸出為Oi，并設(shè)有N個(gè)樣本(xk，yk)，k=1，2，3，…，N，對(duì)某一輸入xk，網(wǎng)絡(luò)的輸出為yk，節(jié)點(diǎn)i的輸出為Oik，節(jié)點(diǎn)j的輸入為:

使用平方型誤差函數(shù):

其中，yk為網(wǎng)絡(luò)之實(shí)際輸出，定義如下:

設(shè)計(jì)BP網(wǎng)絡(luò)的關(guān)鍵之處在于高效的特征提取方法#65380;大量有代表性的訓(xùn)練樣本#65380;高速穩(wěn)定收斂的學(xué)習(xí)方法#65377;

4.3 識(shí)別效果

由于缺少配套的圖像采集設(shè)備，所采集到的車(chē)輛圖像不十分理想，并且得到的圖像是在陰雨天氣下拍攝的，所以在識(shí)別過(guò)程中難免會(huì)出現(xiàn)誤差#65377;此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也有待優(yōu)化，需要進(jìn)一步探討和研究#65377;對(duì)于圖1所示車(chē)牌圖像，其識(shí)別效果如圖5所示，能夠完全實(shí)現(xiàn)車(chē)牌字符的識(shí)別#65377;

圖5 識(shí)別效果[JZ)]

5 結(jié) 論

智能車(chē)牌自動(dòng)識(shí)別技術(shù)主要包括圖像預(yù)處理#65380;車(chē)牌的定位與分割#65380;字符分割和字符識(shí)別四大部分，本文著重對(duì)字符分割與字符識(shí)別方法進(jìn)行了探討#65377;

字符分割是將車(chē)牌區(qū)域分割成單個(gè)字符#65377;本文采用水平掃描和垂直掃描進(jìn)行字符分割，獲得較好的效果#65377;字符識(shí)別是對(duì)分割的字符進(jìn)行識(shí)別，這里采用BP神經(jīng)網(wǎng)絡(luò)算法，提高系統(tǒng)的識(shí)別速度和識(shí)別率#65377;

智能車(chē)牌自動(dòng)識(shí)別系統(tǒng)是解決公路交通配套設(shè)施效率瓶頸問(wèn)題的有效措施之一，具有廣泛的應(yīng)用前景和商業(yè)價(jià)值，必將為我國(guó)公路交通事業(yè)的發(fā)展做出更為重大的貢獻(xiàn)#65377;

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。