張 璐，趙 潔

(1.中北大學信息與通信工程學院，山西太原030051;2.中北大學機電工程學院，山西 太原030051)

0 引言

車牌照系統(tǒng)主要分為圖像采集，圖像處理，車牌定位，字符切分，字符識別幾個部分［1-2］。

圖1 車牌照識別系統(tǒng)流程圖

圖像采集:目前圖像采集主要采用專用攝像機連接圖像采集卡或者直接連接便攜式筆記本進行實時圖像采集，將模擬信號轉(zhuǎn)換為數(shù)字信號。

圖像處理:需對采集的圖像進行增強、恢復、變換等處理，目的是突出車牌的主要特征，以便更好地提取車牌區(qū)域。

車牌定位:從人眼視覺的角度出發(fā)，并根據(jù)車牌的字符目標區(qū)域的特點，在二值化圖像的基礎(chǔ)上提取相應(yīng)的特征。車輛牌照的分割是一個尋找最符合牌照特征區(qū)域的過程。從本質(zhì)上說，就是一個在參量空間尋找最優(yōu)定位參量的問題，需要用最優(yōu)化方法予以實現(xiàn)。

字符分割:是從獲得的牌照區(qū)域分割出單個字符(包括漢字、字母和數(shù)字)以便于進行字符識別的過程?？紤]到車牌上的字符一般除了一個漢字外其他的都是字母和數(shù)字，即在理想狀態(tài)下每個字符是全連通的且互不相連，因此可以使用特定的方法進行字符切分。

字符識別:是使分割得到的字符進一步轉(zhuǎn)化為文本并存入數(shù)據(jù)庫或者直接顯示出來的過程。

1 圖像的預處理

所采用的圖像預處理方法是把經(jīng)過采集得到的彩色圖像經(jīng)過彩色—灰度變換，灰度拉伸處理，得到車牌區(qū)域突出顯示的256級灰度圖像。

1.1 RGB 顏色模型

RGB顏色模型通常用于彩色陰極射線管等彩色光柵圖形顯示設(shè)備中，它是我們使用最多、最熟悉的顏色模型。它采用三維直角坐標系，紅、綠、藍為三原色，各個原色混合在一起可以產(chǎn)生復合色。

RGB顏色模型通常采用圖2所示的單位立方體來表示，在正方體的主對角線上，各原色的強度相等，產(chǎn)生由暗到明的白色，也就是不同的灰度值。(0，0，0)為黑色，(1，1，1)為白色。正方體的其它六個角點分別為紅、黃、綠、青、藍和品紅，需要注意的一點是，RGB顏色模型所覆蓋的顏色域取決于顯示設(shè)備熒光點的顏色特性，是與硬件相關(guān)的。

圖2 RGB顏色模型

1.2 彩色圖像轉(zhuǎn)換成灰度圖像

把彩色圖像轉(zhuǎn)換成灰度圖像進行進一步的處理。利用公式［3］將彩色圖像轉(zhuǎn)換成灰度圖像:p=0.114*R+0.587*G+0.299*B，其中P代表圖像中某點的灰度值，R，G，B分別代表彩色圖中對應(yīng)點的RGB模型中的R，G，B分量的值。圖3就是彩色圖像轉(zhuǎn)換成灰度圖像的效果圖。

圖3 灰度圖像

1.3 灰度圖像的增強

灰度拉伸的主要方法就是對圖像在某一灰度變換區(qū)間內(nèi)的象素點的灰度值進行線性變換，以達到突出某一灰度區(qū)間圖像，增強對比度的目的。一般的灰度變化方程［4］為:D=AX+B，其中D為灰度變換后灰度矩陣，X為變換前灰度矩陣，A，B為變換方程系數(shù)。

圖4 變換后灰度圖像

灰度拉伸是指根據(jù)灰度值方圖的分布有選擇地拉伸某段灰度區(qū)間以改善輸出圖像。如果一幅圖像灰度集中在較暗的區(qū)域而導致圖像偏暗，可以用灰度拉伸功能(斜率A＞I)來拉伸物體灰度區(qū)間以改善圖像;同樣如果圖像灰度集中在較亮的區(qū)域而導致圖像偏亮，也可以用灰度拉伸功能(斜率A＜I)來壓縮物體灰度區(qū)間。

1.4 基于灰度圖像的二值化

二值化圖像算法又稱為閾值算法，其目的就是要找出一個合適的閾值，將待研究的區(qū)域劃分為前景和背景兩部分。對于灰度圖像的二值化實際上就是確定一個最佳的分割閾值。

算法的描述如下:

輸入:灰度圖像

輸出:閾值k

算法:

(1)求圖像中最大的灰度max;

(2)令k=0;

(3)分別求出大于和小于k的這兩類像素總數(shù)和像素的灰度平均值;

(5)k=k+1，循環(huán)(3)～(5)步，直到 k＞max;

采用本算法可以根據(jù)全局灰度圖像進行動態(tài)的二值化，二值化后的圖像如圖5所示，車牌照區(qū)域被很好地突出出來，其他干擾信息被很好地抑制。

圖5 變換后二值圖像

2 車牌區(qū)域的粗定位

一幅圖像由若干個連通域組成，所謂連通域就是由相鄰的點所構(gòu)成的區(qū)域。點S在圖像中8連通的相鄰點定義為點 1，2，3，4，5，6，7，8;4 連通的相鄰點則定義為點 2，4，6，8(見圖6)。8連通相對于4連通更好地體現(xiàn)了相鄰性，因此本文采用計算圖像的8連通域。

圖6 點S的8連通相鄰點

本文采用深度優(yōu)先搜索每一個點的相鄰點的方法來計算整個圖像的連通區(qū)域，具體算法如下:

輸入:二值圖像矩陣

輸出:連通區(qū)域矩陣(每一個黑像素都標記所在連通區(qū)域的標號)

算法:

(1)讀入二值圖像矩陣，令連通區(qū)號k=0;

(2)掃描一個標記為未讀的像素點;

(3)依次掃描該點相鄰的八個點，比較其值，如果相等就進棧，并令其標記為k;

(4)彈出棧頂?shù)谝粋€像素，回到第(3)步，直到?？?

(5)選取下一個標記為未讀的像素點，k++;

(6)轉(zhuǎn)第(2)步，直到所有像素點均掃描過。

車輛牌照圖像是由若干個大小相近的字符構(gòu)成，而車牌照區(qū)域的連通域是由若干個字符或者字符的一部分的連通區(qū)域及車牌照邊框的連通域和車牌照背景的連通域幾部分構(gòu)成的。在正常的情況下，基本上每一個字符都會形成一個大小基本相近的連通區(qū)域的外接矩形，如圖7所示。

圖7 車牌連通區(qū)域外界矩形中心水平垂直投影

2.1 車輛牌照區(qū)域的特征提取

得到了若干個車輛牌照的候選區(qū)域之后，需要對這些候選區(qū)域進行特征提取來進行分類識別是否為車牌照。由于這些區(qū)域的大小不一致，首先要把這些大小不同的圖像進行歸一化，歸一化到相同大小的圖像上，然后提取這些圖像的水平穿越特征和垂直投影特征，由于特征的維數(shù)比較高，增加了計算負擔和存儲的容量，還要采用K－L變換［5］壓縮特征的維數(shù)。

為了進一步判斷車牌區(qū)域，確定車牌照的精確位置，需要對車牌照候選區(qū)域提取特征。常見的車牌照特征有紋理特征，水平穿越特征，垂直投影特征，本文采用提取候選區(qū)域的水平穿越和垂直投影兩種特征進行識別。

圖8 典型的車牌區(qū)域

3 面向車輛牌照的字符切分

算法首先將圖像二值化，計算水平方向和垂直方向上的像素投影，利用投影法確定車牌字符最上和最下點坐標以及最左和最右字符的位置，估算出整個車牌的高度和寬度，從而得到單個字符的高度和寬度，然后計算車牌區(qū)域的連通域，將最左和最右字符位置之間的連通域提取出來，最后根據(jù)估算的字符大小把較大的連通域再進行分割就得到了最后的切分結(jié)果［6］。具體算法如下:

輸入:圖像二值化矩陣;

輸出:字符切分矩形位置坐標。

算法:

(1)計算每一行的所有象素點值為0的個數(shù)，即水平投影;

(2)從上至下尋找水平投影的第一個局部最小點作為圖像的上界;

(3)從下至上尋找水平投影的第一個局部最小點作為圖像的下界;

(4)計算每一列在上下界之間所有象素點值為0的個數(shù)，即垂直投影;

(5)從左至右尋找第一個局部最小點作為切分圖像的左邊界;

(6)從右至左尋找第一個局部最小點作為切分圖像的右邊界;

整個切分區(qū)域?qū)挾萕idth=右邊界橫坐標，左邊界橫坐標;

整個切分區(qū)域高度Height=上界坐標，下界坐標;

單個字符寬度w=切分區(qū)域?qū)挾?8;

(7)計算上下邊界和左右邊界之間的8連通域;

(8)判斷每一個連通域的寬度是否大于1.2*w:

否:轉(zhuǎn)到(10);

是:轉(zhuǎn)到(9);

(9)計算每一個連通域?qū)挾却笥?.2*w的連通域的垂直投影的最小值點，用最小值點將連通域分成兩部分;轉(zhuǎn)到(8):

(10)輸出所有的切分區(qū)域坐標;

(11)算法結(jié)束。

圖9就是車牌切分的結(jié)果。

圖9 字符切分后的效果

4 車牌照字符識別

字符識別是車牌照識別系統(tǒng)的最后一個組成部分，這一部分需要對圖像采集、圖像處理、車牌照定位、字符切分所得到的結(jié)果進行識別處理，最終得到車輛牌照的字符。車輛牌照的字符識別方法與普通OCR字符識別有很多相似之處，通常是直接利用或者借鑒OCR字符識別的方法，并且能取得很好的識別效果。

車輛牌照字符識別屬于模式識別領(lǐng)域的一個分支，采用的是模式識別的經(jīng)典理論和方法［7］。通常的模式識別過程可以概述為:從測量空間映射到特征空間，再映射到模式空間。對于一般的字符識別過程來說，識別過程為:從輸入的待識別字符(樣本)點陣圖形提取描述該字符的特征，再根據(jù)一定準則來判定該樣本所屬的模式類別。因此字符描述，特征提取與選擇，分類判決，是字符識別的三個基本環(huán)節(jié)。

5 總結(jié)

車輛牌照識別系統(tǒng)是智能交通管理系統(tǒng)中一項重要的技術(shù)，對車輛的自動化管理起到了關(guān)鍵的作用?；谛旭傊械能囕v牌照識別系統(tǒng)由于其適應(yīng)性強，自動化程度高，將得到更加廣泛的應(yīng)用而成為智能化交通管理系統(tǒng)的重要環(huán)節(jié)。

［1］張芮，姚明海，顧勤龍.車輛牌照識別系統(tǒng)的一個新的實現(xiàn)方法［J］.控制工程，2003，10(1):59 －61.

［2］劉志勇，劉迎建.車牌識別(LPR)中的圖像提取與分割［J］.中文信息學報，2004，14(4)29 －34.

［3］于利華，楊福生，刁頤民.手寫體字符識別的人工神經(jīng)網(wǎng)絡(luò)方法的研究［J］.信號處理，1995，11(3):153－161.

［4］何斌，馬天予，王運堅，等.Vi sual C++數(shù)字圖像處理［M］.北京:人民郵電出版社，2002:43－55.

［5］王慧琴.數(shù)字圖象處理［M］.北京:北京郵電大學出版社，2006:150－162.

［6］傅一平，李志能，袁丁.基于HIS空間的顏色算法提牌照識別的性能［J］.計算機工程與設(shè)計，2004，25(5):703－707.

［7］沈庭芝，方子文.數(shù)字圖像處理及模式識別［M］.北京:北京理工大學出版社，1998.