劉 冰，游小紅，逯子榮

(中北大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，山西太原030051)

隨著社會(huì)現(xiàn)代化的發(fā)展，機(jī)動(dòng)車數(shù)量的逐年增加，同時(shí)不斷的交通事故、交通堵塞等問題也隨之而來，我國正面臨著交通安全以及道路通行能力不能滿足日益增長交通量的需求等問題［1］。所以，針對(duì)此問題，許多國家都相繼對(duì)車牌識(shí)別技術(shù)進(jìn)行了深入的研究和開發(fā)，其識(shí)別的準(zhǔn)確率也有了長足的進(jìn)步，這對(duì)提高交通管理的效率和節(jié)省人力物力方面等也作出了重大的貢獻(xiàn)。小波包分析在各個(gè)領(lǐng)域引起了很多研究人員和科學(xué)家的高度重視，在不懈的努力下取得了顯著的成績。本研究在大量的實(shí)踐下，完成了對(duì)車牌的定位、分割、識(shí)別處理，本文著重對(duì)車牌字符分割和字符識(shí)別做主要的研究。

1 現(xiàn)有普通車牌字符的特點(diǎn)

目前我國一個(gè)標(biāo)準(zhǔn)車牌中有三類不同識(shí)別對(duì)象:漢字、英文字符和數(shù)字0－9，其中漢字51個(gè)，除I和O以外的英文大寫字母A－Z和數(shù)字0－9共34個(gè)字符。車牌字符總共僅80多個(gè)字符［2］，小型車車牌的標(biāo)準(zhǔn)規(guī)格尺寸，長為440 mm，寬為220 mm，車牌內(nèi)每一個(gè)字符的寬度和高度都有統(tǒng)一的規(guī)格，其中第二個(gè)和第三個(gè)字符之間的間隔最大，其他字符間隔相等［3］。

2 車牌字符的定位

若要獲得分割圖像，則首先要對(duì)圖像中的車牌進(jìn)行定位，常用的定位算法有4種:(1)基于彩色分割的方法;(2)基于小波變換方法;(3)基于邊緣檢測方法;(4)基于灰度圖像紋理特征的方法。選用不同的定位算法會(huì)有不同的效果。

3 車牌字符的分割

3.1 預(yù)處理

在車牌字符分割中，待處理圖像往往來自于停車場或高速公路端點(diǎn)處的CCD攝像頭［4］，并且在采集到的圖像中會(huì)受到各種各樣的影響:由于不同的天氣條件，比如雨天、霧天、雪天會(huì)使車牌變得模糊;車牌存在一定程度的變形和磨損;攝像頭曝光效果質(zhì)量的好壞等等原因。所以大量噪聲的存在是不可避免的，想要取得很好的分割效果非常困難，甚至有時(shí)根本無法將字符分割出來。然而如果在對(duì)車輛圖像做分割處理之前對(duì)它進(jìn)行基于小波包變換的預(yù)處理，則會(huì)得到預(yù)期的效果。

一個(gè)含有噪聲的二維圖像可以表示成如下的形式［5］:

其中，e(i，j)為高斯白噪聲 N(0，1)，噪聲級(jí)為1;σ 為其方差;x(i，j)為期望圖像，即真實(shí)圖像;y(i，j)為含噪聲的圖像。

要從y(i，j)經(jīng)過降噪處理后得到真實(shí)圖像x(i，j)，首先對(duì)采集到的原圖像進(jìn)行小波包分解，通過實(shí)際分析我們了解到，圖像中的噪聲信息常常表現(xiàn)為高頻，所以要選用合適的閾值對(duì)分解出的高頻小波系數(shù)進(jìn)行閾值量化處理，最后對(duì)圖像進(jìn)行重構(gòu)得到去除噪聲的效果，如圖1所示。

圖1 原圖像與小波去噪后的圖像

圖2 分割后的圖像

上述步驟中最重要的是如何選擇合適的閾值進(jìn)行閾值量化，因?yàn)樗苯雨P(guān)系到對(duì)信號(hào)進(jìn)行降噪處理的質(zhì)量，而常用的小波包閾值去噪的方法有三種:默認(rèn)閾值去噪處理、給定閾值去噪處理以及強(qiáng)制去噪處理。

3.2 字符分割方法

車牌字符分割就是把定位出來的車牌區(qū)域的字符串再分割成單個(gè)字符圖像，字符的正確分割直接影響字符的識(shí)別率［1］。作者采用將已經(jīng)定位好的車牌圖像尺寸歸一化為固定大小，然后再利用垂直投影信息并根據(jù)車牌的紋理特征確定字符的間距以及寬度。

分割車牌字符的具體步驟如下:

第一步，在預(yù)處理后對(duì)車牌圖像歸一化為同一尺寸，本文為160×40像素。

第二步，采用hough變換求候選水平分割線。

第三步，尋找圖像垂直投影的谷底，作為候選垂直分割線位置［6］。

第四步，確定車牌第2個(gè)字符與第3個(gè)字符間隔(大間隔)的位置。根據(jù)得到的方差以及垂直投影信息，在已經(jīng)估算出來的位置附近進(jìn)行查找，確定大間隔的左右邊界。

第五步，求取垂直分割線。根據(jù)大間隔的位置和先驗(yàn)知識(shí)找到垂直分割線的位置，然后在其附近根據(jù)方差以及投影信息，在候選垂直分割線中找到最合適的一條分割線。我們知道，在車牌的左右邊框與里面的字符之間的間隔很小，并且該處含有較大的噪聲，而左右邊框與車牌外的背景間有較大的間隔。在現(xiàn)實(shí)當(dāng)中，僅僅具有方差和投影信息是不容易把左右邊框與其臨近的字符分開的。我們通過強(qiáng)化先驗(yàn)知識(shí)的約束，有效地解決了這個(gè)問題［6］。大間隔的查找一般是比較準(zhǔn)確的，除了首尾兩個(gè)字符以外別的字符的分割也是比較準(zhǔn)確的。那么，根據(jù)大間隔的位置和其余字符的寬度能比較準(zhǔn)確地計(jì)算出首尾兩個(gè)字符的分割位置。

通過對(duì)道路上隨機(jī)采集的50副車牌圖像在matlab2010b環(huán)境下進(jìn)行分割處理，如圖2所示，其中只有2副圖像在分割字符時(shí)的效果不理想，識(shí)別率達(dá)到96%。

4 車牌字符識(shí)別

對(duì)于車牌字符的自動(dòng)識(shí)別問題，人們通過大量的研究總結(jié)出來兩種識(shí)別辦法:模板匹配法和字符結(jié)構(gòu)的識(shí)別法。雖然前者的程序?qū)崿F(xiàn)比較簡單，但其識(shí)別的準(zhǔn)確率不高;而后者更適用于數(shù)字和字符的識(shí)別。

KL變換是一種基于圖像統(tǒng)計(jì)特征的變換，也被稱為特征值變換［7］。它是一種最優(yōu)的能量壓縮方法。通過對(duì)訓(xùn)練樣本KL變換得到的特征向量，是一組標(biāo)準(zhǔn)正交基，通常取部分基構(gòu)成特征空間，待識(shí)別的字符在特征空間的投影作為特征字串，通過比較特征字串之間的距離(歐式距離)來作為識(shí)別的判據(jù)。

KL變換不同于一般的字符識(shí)別中要進(jìn)行二值化處理，而是在灰度圖像中處理，由于在圖像灰度空間分布上存在相關(guān)性，因此要對(duì)圖像進(jìn)行放大以及縮小的變換，得到尺寸統(tǒng)一的校準(zhǔn)圖像，再對(duì)校準(zhǔn)圖像做灰度拉伸處理。最后利用直方圖修正將圖像得到統(tǒng)一的方差和均值。

KL變換中，大小為m×n的圖像是一組m個(gè)隨機(jī)矢量，如:

均值矢量為:

協(xié)方差矩陣:

其中，Cs的元素CIj是各矢量的第i個(gè)分量組成的矢量方差;Cs元素中CIj是第i個(gè)分量的矢量和第j個(gè)分量的矢量間的協(xié)方差，因此矩陣Cs為實(shí)對(duì)稱矩陣:

令 λi(i=1，2，…，n)為 Cs的正交特征值和 μi(i=1，2，…，n)為其對(duì)應(yīng)的特征矢量，并且單調(diào)排列其特征值，即λi≥λi+1(i=1，2，…，n)，所以與其對(duì)應(yīng)的μi為最大特征矢量。

根據(jù)此算法求取最大的前k個(gè)特征向量，有:

其中，θ是置信度，這里設(shè)置為98%。

通過KL變換使每個(gè)圖像投影到特征向量組成的子空間，即把每幅圖對(duì)應(yīng)到空間中的一個(gè)點(diǎn)。另外，由于有些字符的字形比較相似，其投影點(diǎn)的歐氏距離相差會(huì)比較小，介于此要選用其他的特征來提高識(shí)別的精度，比如車牌漢字里，京與寧的字形很像，利用KL變換得到的特征值不容易將其直接區(qū)分，所以可以對(duì)字符圖像進(jìn)行二值化處理，然后對(duì)下方輪廓特征對(duì)字符進(jìn)行細(xì)分。

此車牌識(shí)別系統(tǒng)的識(shí)別流程的步驟如下:

第一步，創(chuàng)造車牌字符樣本庫;

第二步，對(duì)測試樣本進(jìn)行處理，利用KL變換以及歐氏距離與樣本庫進(jìn)行分類;

第三步，若出現(xiàn)分類后幾個(gè)字符的歐氏距離較近，則要進(jìn)行二次分類，獲得最終結(jié)果;

整個(gè)過程設(shè)計(jì)如圖3所示。

圖3 利用KL變換對(duì)車牌字符識(shí)別的過程

5 結(jié)論

本文主要利用小波包分解對(duì)圖像進(jìn)行去噪預(yù)處理，以及KL變換方法來對(duì)字符進(jìn)行字符分類，經(jīng)驗(yàn)證，該方法對(duì)有污損的車牌識(shí)別不僅有較好的效果而且其識(shí)別字符的算法更加簡單實(shí)用，其識(shí)別的正確率達(dá)到了90.2%，并且二次識(shí)別后的正確率為87.3%。

［1］周喜壽.基于小波包分析和BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法的研究［D］.西南交通大學(xué)，2010.

［2］胡振穩(wěn)，尹朝慶.基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別的研究［J］.電腦知識(shí)與技術(shù)，2007(2):527－528.

［3］鄭彬彬，楊晨暉.基于HSI空間的車牌字符分割［J］.福建電腦，2008，3:90 －91.

［4］凌六一，段紅，黃友銳.基于小波去噪的車牌定位系統(tǒng)［J］.鐵路計(jì)算機(jī)應(yīng)用，2006，15(9):41 －43.

［5］周偉.MATLAB小波分析高級(jí)技術(shù)［M］.西安:西安電子科技大學(xué)出版社，2005.

［6］葛振英.基于MATLAB的車牌圖像分割技術(shù)［J］.科學(xué)之友，2008(3):133－134.

［7］章硫晉.圖像處理與分析［M］.北京:清華大學(xué)出版杜，1999.