向 榮 周慧娟

（浙江大學(xué)數(shù)字技術(shù)及儀器研究所 杭州 310027）

0 引 言

機(jī)動(dòng)車牌照作為機(jī)動(dòng)車車輛的惟一標(biāo)識(shí)，在車輛標(biāo)識(shí)、車輛管理中發(fā)揮著關(guān)鍵作用.因而車牌識(shí)別系統(tǒng)（license plate recognition，LPR）作為智能交通系統(tǒng)的核心組成部分在停車場(chǎng)管理系統(tǒng)、高速公路超速自動(dòng)化管理系統(tǒng)、公路布控、電子警察和小區(qū)車輛門禁系統(tǒng)等領(lǐng)域有著極其廣泛的應(yīng)用前景［1］.從車牌識(shí)別系統(tǒng)進(jìn)入中國(guó)以來(lái)，國(guó)內(nèi)有大量的學(xué)者在從事這方面的研究，提出了很多新穎快速的算法.但就目前實(shí)際商用以及實(shí)驗(yàn)室的識(shí)別率來(lái)看，目前中國(guó)車牌識(shí)別系統(tǒng)的準(zhǔn)確性還有待提高.因此，本文基于大量的實(shí)際車牌圖像的測(cè)試，提出了一種高識(shí)別率的車牌識(shí)別系統(tǒng).該系統(tǒng)中在定位以及傾斜校正中提出了若干新算法，最后的實(shí)驗(yàn)結(jié)果表明，這些算法效果顯著，整個(gè)系統(tǒng)對(duì)隨機(jī)背景下車牌的正確識(shí)別率達(dá)到了90%以上.

1 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

車牌識(shí)別技術(shù)主要利用每一輛汽車牌照的惟一性和互異性2個(gè)特點(diǎn)，將采集到的車輛圖像經(jīng)過(guò)一系列的處理，識(shí)別出車牌號(hào)碼.按照模塊設(shè)計(jì)原則，該識(shí)別系統(tǒng)分為車牌定位、傾斜校正、字符分割以及字符識(shí)別4個(gè)模塊.各個(gè)模塊之間功能相對(duì)獨(dú)立，依次串聯(lián)成整個(gè)識(shí)別系統(tǒng)，整體框圖見圖1.

圖1 車牌識(shí)別系統(tǒng)總體框圖

1.1 車牌定位

車牌定位之前，要首先將彩色圖像灰度化，考慮到我國(guó)車牌的背景顏色與字符顏色的對(duì)比特點(diǎn)，本系統(tǒng)采用了獨(dú)創(chuàng)的區(qū)分度更大的灰度化公式

本系統(tǒng)采用3級(jí)定位，逐步求精，現(xiàn)分述如下.

1）粗定位 在粗定位階段，依次進(jìn)行Gauss－Laplace邊緣檢測(cè)，閾值二值化，連通域?yàn)V波處理，最后利用車牌區(qū)域的邊緣信息進(jìn)行粗定位，粗定位算法過(guò)程如下：（1）搜索水平方向跳變數(shù)與每行字符點(diǎn)總數(shù)；（2）跳變數(shù)差分，搜索車牌上下邊；（3）將取間隔大于車牌高度的相鄰兩邊為上下邊候選組；（4）將過(guò)于接近的上下邊組從候選車牌可能組中剔除；（5）掃描可能的車牌上下邊的車牌字符垂直投影并進(jìn)行鄰域3列均值濾波；（6）用一個(gè)寬度為60像素，高度為候選車牌上下邊距的抽樣框進(jìn)行垂直投影值掃描，得出左右邊界；（7）利用牌寬高比的先驗(yàn)知識(shí)將候選組中車牌寬高比不符合一定范圍內(nèi)的比例關(guān)系的組進(jìn)行濾除.

2）二次定位 在二次定位階段，依次進(jìn)行水平頂帽變換，去噪處理，力圖將車牌的準(zhǔn)確位置確定出來(lái).二次定位算法過(guò)程如下：（1）逐行掃描并統(tǒng)計(jì)處跳變數(shù)；（2）對(duì)跳變數(shù)矩陣進(jìn)行鄰域平均，使用［－3，2，1］模板對(duì)每行跳變數(shù)進(jìn)行卷積操作，再用［1，2，－3］模板對(duì)每行跳變數(shù)進(jìn)行卷積操作，檢測(cè)出該車牌候選組的上下邊；（3）再?gòu)淖笸覓呙?，將每列的水平跳變點(diǎn)數(shù)累加.然后再次從左向右掃描，將跳變數(shù)進(jìn)行左右鄰域均值處理，取出大于某個(gè)閾值的列為該車牌候選組的左邊界，同樣的方式得到右邊界［2］.

3）最終定位 最終定位是在傾斜校正后完成，它的作用是獲取精確的車牌信息，力求將所有字符區(qū)域識(shí)別出來(lái)而不帶來(lái)任何其他的干擾.在傾斜校正后，對(duì)其進(jìn)行改進(jìn)的Otsu二值化處理.最終定位過(guò)程如下：（1）求出每行背景像素所占的百分比；（2）求出每行水平跳變數(shù)以及相鄰上下行間的跳變數(shù)的差；（3）按照17×1的模板進(jìn)行水平腐蝕，求出相鄰兩行的前景像素值的特征；（4）再次進(jìn)行水平頂帽變換，并求出上下兩行的跳變數(shù)，采用［－3，2，1］與［1，2，－3］模板進(jìn)行鄰域跳變數(shù)卷積操作；（5）對(duì)（1），（2），（3），（4）步中求得的特征值進(jìn)行融合，從而求出車牌的精確上下邊界；（6）掃描以車牌既定高度的1／3為寬，車牌高度為高的抽樣框內(nèi)的垂直投影，確定最終車牌左右邊界.最終定位完畢.結(jié)果參見圖2.

圖2 二次定位

1.2 傾斜校正

在車牌水平的情況下，車牌的水平投影具有2個(gè)明顯的波谷，這是由車牌字符與邊框中間的間隙形成.本文考慮采用水平投影方差為判斷依據(jù)，求出傾斜角度并進(jìn)行校正.該算法的具體過(guò)程如下：（1）將車牌以1°為單位，以逆時(shí)針方向?yàn)檎?，依次傾斜－15°～15°；（2）求出每次傾斜后每行的投影點(diǎn)數(shù)；（3）求出每行投影點(diǎn)數(shù)的均值和方差；（4）搜索方差最大時(shí)的傾斜角度；（5）調(diào)用C＃的函數(shù)RotateTransform來(lái)對(duì)圖形對(duì)象進(jìn)行旋轉(zhuǎn)進(jìn)行傾斜校正，處理效果見圖3.

圖3 傾斜校正

1.3 字符分割

本文提出一種將車牌標(biāo)準(zhǔn)尺寸的先驗(yàn)知識(shí)與車牌垂直投影特征的后驗(yàn)知識(shí)相結(jié)合的分割思想.具體步驟如下：（1）根據(jù)車牌標(biāo)準(zhǔn)尺寸，計(jì)算每一個(gè)字符的列標(biāo)與車牌寬度的比例；（2）將比例系數(shù)乘以定位車牌子圖像的寬，求出車牌中的字符邊界大致位置，以該位置在某一鄰域內(nèi)進(jìn)行搜索.根據(jù)車牌字符的垂直投影，判斷精確的車牌字符邊界，同時(shí)還要驗(yàn)證車牌中是否存在“1”；（3）依據(jù)所求車牌字符邊界，將車牌字符分割成為7個(gè)字符子圖像；（4）將子圖像歸一化為35×70的尺寸［3－5］.

1.4 字符識(shí)別

本文采用了多種統(tǒng)計(jì)模式識(shí)別綜合法，首先采用了模板匹配的方法，計(jì)算字符與模板中最為相似的即為識(shí)別結(jié)果.匹配過(guò)程的數(shù)學(xué)描述為

由于模板匹配對(duì)相似的字符之間的識(shí)別率很差，如“8”和“B”，“O”和“Q”，“5”和“S”，“Z”和“2”，等等.仔細(xì)比對(duì)這些相似的車牌字符可以發(fā)現(xiàn)，雖然從形狀上很難區(qū)分這些相似字，但是英文字符的4個(gè)角通常與數(shù)字有著很大的不同.利用這一點(diǎn)，本系統(tǒng)使用4個(gè)角的小區(qū)域相似度來(lái)對(duì)模板匹配進(jìn)行修正.整個(gè)識(shí)別過(guò)程如下：（1）利用上述計(jì)算公式算出車牌字符與每一個(gè)模板的相似百分比；（2）同時(shí)計(jì)算車牌字符與每個(gè)模板的4個(gè)角的相似度，將加權(quán)后的角相似度加上相似百分比作為判定依據(jù)，將最大的相似百分比作為識(shí)別結(jié)果.

2 結(jié)果與分析

測(cè)試樣本為隨機(jī)背景含車牌的圖片200張，其中圖片的分辨率從5萬(wàn)～80萬(wàn)像素不等，車牌傾斜角度各異，光線明暗程度有別，圖4為經(jīng)過(guò)定位和分割的部分車牌識(shí)別結(jié)果.

圖4 定位及分割結(jié)果

由圖4可見，本系統(tǒng)提出的3級(jí)定位策略有效降低了定位的虛警率，最終定位的大多數(shù)區(qū)域?yàn)榫_的車牌區(qū)域.另外，粗定位以后的略微放大車牌定位區(qū)域，也在一定程度上降低了第一次定位中的偏差，而在后續(xù)定位中達(dá)到將車牌區(qū)域準(zhǔn)確的切分出來(lái).在保留字符完整的同時(shí)，切分到字符的邊緣，這樣的定位結(jié)果為之后的分割提供了十分有利的處理目標(biāo)，定位準(zhǔn)確率為93.5%.

從圖4還可以發(fā)現(xiàn)，本系統(tǒng)的分割結(jié)果相較于其他系統(tǒng)無(wú)疑精確很多.特別要指出的是，對(duì)于“1”字符的分割一直是個(gè)易錯(cuò)點(diǎn)，圖4充分證明了本系統(tǒng)的分割策略行之有效，分割效果良好.

圖5是從本系統(tǒng)的結(jié)果顯示區(qū)截取的圖像.前19幅均識(shí)別無(wú)誤，但最后一幅出現(xiàn)了識(shí)別錯(cuò)誤.在這些錯(cuò)誤中，大部分是相似字的識(shí)別錯(cuò)誤，在最后一幅圖中，漢字二值化的結(jié)果不夠清晰，結(jié)果也發(fā)生了很大的偏差，這是由二值化閾值不當(dāng)造成.最終識(shí)別準(zhǔn)確率為91%.

圖5 識(shí)別結(jié)果

3 結(jié)束語(yǔ)

本文以Visual Studio為開發(fā)工具，C＃為開發(fā)語(yǔ)言完成了一套完整的車牌識(shí)別系統(tǒng)的設(shè)計(jì)開發(fā)，并對(duì)車牌識(shí)別中傳統(tǒng)算法中存在的不足進(jìn)行了分析，提出了一些新的識(shí)別方法.實(shí)驗(yàn)證明，整個(gè)系統(tǒng)可識(shí)別的圖像分辨率從5萬(wàn)～80萬(wàn)像素不等，車牌傾斜角度各異，光線明暗程度有別，單幅圖像識(shí)別時(shí)間在0.7～2s以內(nèi).該算法滿足實(shí)際需要，具有一定可靠性與可用性.在接下來(lái)的研究工作中，本課題還可在以下幾個(gè)方面進(jìn)行深入的研究.考慮與圖像采集端進(jìn)行綜合設(shè)計(jì)，以便更好的發(fā)揮先驗(yàn)知識(shí)的定位效果，最終有利于形成算法產(chǎn)品化，實(shí)用化.優(yōu)化現(xiàn)有的識(shí)別算法，使得系統(tǒng)的準(zhǔn)確率更高，魯棒性更好.在系統(tǒng)實(shí)時(shí)性方面，盡量簡(jiǎn)化冗余步驟，使速度更快，更具實(shí)用化.

［1］白晶心.車牌識(shí)別系統(tǒng)的實(shí)現(xiàn)［D］.北京：北京郵電大學(xué)，2009.

［2］王 葉.車牌識(shí)別系統(tǒng)中字符切分和識(shí)別技術(shù)的研究［D］.北京：北京郵電大學(xué)，2009.

［3］ACONCI J A，CARVALHO E R，RAUBER T R.A complete system for vehicle plate localization，Segmentation and recognition in real life scene［J］.IEEE Latin America Transactions，2009，7（5）：110－119.

［4］何鐵軍，張 寧，黃 衛(wèi).車牌識(shí)別算法的研究與實(shí)現(xiàn)［J］.公路交通科技，2006，23（8）：147－149.

［5］劉 興，蔣天發(fā).智能車牌識(shí)別系統(tǒng)中消除圖像干擾的方法［J］.武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2005，29（5）：805－806.