周明月，白曉亮，史紅，劉微

（1.吉林師范大學(xué) 信息技術(shù)學(xué)院，四平 136000；2.長(zhǎng)春迪瑞醫(yī)療科技股份有限公司，長(zhǎng)春 130000）

在智能交通系統(tǒng)中，車牌識(shí)別系統(tǒng)是一個(gè)非常重要的發(fā)展方向，研制能夠自動(dòng)實(shí)時(shí)識(shí)別汽車牌照的智能車型車牌識(shí)別系統(tǒng)，可以廣泛的應(yīng)用于交通路口、高速公路、軍事要塞、機(jī)關(guān)門(mén)衛(wèi)對(duì)過(guò)往車輛的實(shí)時(shí)登記、流量統(tǒng)計(jì)和對(duì)防衛(wèi)目標(biāo)的安全警備，對(duì)肇事、嫌疑、被盜車輛的追蹤、定位等［1］。

本文在現(xiàn)有的車牌識(shí)別技術(shù)的基礎(chǔ)上，提出了一種基于模板匹配的車牌識(shí)別方法，實(shí)現(xiàn)牌照精確定位技術(shù)，并提取字符，運(yùn)用字符識(shí)別技術(shù)提高字符識(shí)別率。能有效地完成不同解析度和不同模糊程度的車牌識(shí)別工作，而且識(shí)別精度高、速度快，能滿足實(shí)際系統(tǒng)的要求。

車牌識(shí)別系統(tǒng)的原理框圖如圖1所示。

1 算法原理

1.1 預(yù)處理

在車牌識(shí)別系統(tǒng)中，一般攝像頭得到的含車輛的圖像是24位真彩色圖像，需轉(zhuǎn)化為灰度圖，一方面便于后續(xù)的更快速圖像處理，另一方面也是對(duì)處理多種顏色車輛牌照進(jìn)行了統(tǒng)一。為了達(dá)到突出車牌區(qū)域和各種字符信息的目的，需對(duì)車牌圖像進(jìn)行一系列的預(yù)處理。本文采用最小均方誤差濾波（維納濾波器），對(duì)圖像進(jìn)行增強(qiáng)，將圖像中的有用信息進(jìn)行增強(qiáng)。圖2為原始圖像真彩色圖像，圖3維納濾波器處理后的灰度圖像。

圖1 車牌識(shí)別原理框圖Fig.1 The functional block diagram of license plate identification

圖2 原始圖像Fig.2 Original image

圖3 灰度圖Fig.3 Gray image

在對(duì)圖像進(jìn)行數(shù)字化處理時(shí)，我們通常希望對(duì)圖像中的像素做出最后的決策，或者直接剔除一些低于或高于一定值的像素，這時(shí)就要采用一種二值化技術(shù)。對(duì)于不同的車牌，其背景顏色和字符顏色明顯是不能相同的，必須存在較大差異，才能方便其字符的識(shí)別。檢測(cè)圖像局部變化是否顯著的最基本方法是選用邊緣檢測(cè)算法，本文采用的是canny算子進(jìn)行邊緣檢測(cè)，見(jiàn)圖4。

圖4 邊緣檢測(cè)圖Fig.4 The edge detection image

1.2 車牌定位與分割

在整個(gè)車牌識(shí)別系統(tǒng)中，車牌的定位是最重要的環(huán)節(jié)，其成功與否直接關(guān)系到后面車牌字符分割［2］～［5］與識(shí)別的準(zhǔn)確率?；诩y理的車牌定位方法是利用車牌區(qū)域邊緣豐富的特點(diǎn)來(lái)進(jìn)行邊緣提取，進(jìn)而準(zhǔn)確定位車牌區(qū)域。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法［6］，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。

常見(jiàn)的形態(tài)學(xué)運(yùn)算有腐蝕和膨脹兩種。給定的二值圖像I(x,y)和作為結(jié)構(gòu)元素的二值模板T(Ii,j)。腐蝕定義為：

先膨脹后腐蝕的過(guò)程稱為閉合運(yùn)算。利用該運(yùn)算可以填充物體內(nèi)細(xì)小空洞，連接臨近物體，平滑邊界，但同時(shí)并不明顯改變?cè)瓉?lái)物體的面積。

在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，并且運(yùn)用bwareaopen命令從二值圖像中移除所有小于P的連通對(duì)象即不相干的小對(duì)象。由此可以確定車牌區(qū)域，得到定位剪裁后的車牌圖像圖5。

圖5 定位剪裁的車牌圖像Fig.5 Localization&tailor image

連通區(qū)域法借助二值車牌圖像中各數(shù)字和字符的連通特性，實(shí)現(xiàn)對(duì)數(shù)字和字母的準(zhǔn)確切分，前提是無(wú)字符粘連或斷裂。車牌字符間間隔較大，不會(huì)出現(xiàn)字符粘連情況，此處采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值L，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。

對(duì)大量圖像進(jìn)行字符分割后，對(duì)分割字符準(zhǔn)確率的分析，分割車牌準(zhǔn)確率達(dá)到96.7%。字符分割后所得到的單一字符為接下來(lái)的字符識(shí)別提供數(shù)據(jù)源，成為模板匹配數(shù)據(jù)庫(kù)。圖6為分割出來(lái)的七個(gè)字符圖像。

圖6 分割出的七個(gè)字符圖像Fig.6 The characters after segment

1.3 字符識(shí)別

字符的識(shí)別目前用于車牌字符識(shí)別（OCR）中的算法主要有基于模板匹配的OCR算法以及基于人工神經(jīng)網(wǎng)絡(luò)的OCR算法［1］。由于機(jī)動(dòng)車車牌識(shí)別的字符數(shù)據(jù)庫(kù)不是很大，只是由一些特定的漢字字符、字母字符、數(shù)字字符組成，使得模板匹配法具有一定的可行性。本文采用模板匹配方法進(jìn)行字符識(shí)別。分割出來(lái)的七個(gè)字符，為了與字符庫(kù)中的模板進(jìn)行匹配，首先要進(jìn)行歸一化。然后依次與字符模板數(shù)據(jù)庫(kù)中的字符同樣大小的一塊區(qū)域去匹配。模板的左上角點(diǎn)和分割后的圖像的左上角點(diǎn)是重合的，然后平移到下一個(gè)像素，仍進(jìn)行同樣的操作。所有位置都對(duì)完后，差別最小的那塊就是要找目標(biāo)。匹配采用如下的相關(guān)函數(shù)做相似度測(cè)試：

Si,j為模板下的子圖，i，j為這塊子圖的像素點(diǎn)在車牌中的坐標(biāo)，T為模板，M，N為模板的長(zhǎng)和寬。

運(yùn)用此種算法的到識(shí)別結(jié)果見(jiàn)圖7。該算法主要特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，當(dāng)字符較規(guī)整時(shí)對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高。

圖7 識(shí)別結(jié)果Fig.7 Recognition results

2 結(jié)論

本文提出了一種快速車牌識(shí)別的方法，該方法運(yùn)用了數(shù)學(xué)形態(tài)學(xué)知識(shí)，并采用模板匹配的相關(guān)函數(shù)做相似度測(cè)試。經(jīng)大量實(shí)驗(yàn)證明該方法識(shí)別精度高、速度快，取得了較好的效果。車牌識(shí)別系統(tǒng)是智能交通領(lǐng)域研究中的重要環(huán)節(jié)之一，隨著經(jīng)濟(jì)的高速發(fā)展，車輛在人們的日常工作、生活中占據(jù)著越來(lái)越重要的地位，車輛數(shù)目的高速增長(zhǎng)給車輛管理提出了更高的要求。車牌識(shí)別系統(tǒng)的識(shí)別率和識(shí)別速度需要進(jìn)一步的提高。除了圖像處理技術(shù)不夠成熟，還受到拍攝設(shè)備、計(jì)算機(jī)等硬件設(shè)備的性能的限制［7］。因此，研究高速、準(zhǔn)確的定位和識(shí)別算法仍是當(dāng)前的主要任務(wù)。當(dāng)然，車牌識(shí)別技術(shù)也存在一些不足，仍有許多研究性的工作還需要進(jìn)一步探索。

［1］求是科技，精通Visual C++數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐［M］.北京：人民郵電出版社，2008：396-416.

［2］Sirithinaphong T，Chamnongthai K.Extracting of car license plate using motor vehicle regulation and character patter recognition［J］.In： Proceedings of IEEE Asia-Pacific Conference on Circuits and Systems，1998：559-562.

［3］Lu Y I.Machine printed character segmentation—An overview［J］.Pattern Recognition， 2003（28）：25-27.

［4］張禹.車牌識(shí)別中的圖像提取及分割算法［J］.吉林大學(xué)學(xué)報(bào)，2006，44（3）：406-410.

［5］張德豐.數(shù)字圖像處理［M］.北京：人民郵電出版社，2009：277-280.

［6］羅軍輝.Matlab7.0在圖像處理中的應(yīng)用［M］.北京：機(jī)械工業(yè)出版社，2005：224-229.

［7］蔣傳偉.車牌識(shí)別系統(tǒng)中車牌定位與字符分割的研究［D］.華中科技大學(xué)碩士學(xué)位論文，2006：44-45.

［8］岳俊華，李巖，武學(xué)穎，等.基于海明和競(jìng)爭(zhēng)網(wǎng)絡(luò)的數(shù)字字符自動(dòng)識(shí)別方法研究［J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，31（3）：152-154.