方 興 林

(黃山學(xué)院 經(jīng)濟(jì)管理學(xué)院，安徽 黃山 245041)

經(jīng)濟(jì)快速發(fā)展，家庭車輛擁有量日益增多，給人民帶來極大方便的同時(shí)，也給交通管理部門帶來巨大的管理壓力，基于此，智能交通系統(tǒng)(Intelligent Transportation System，簡稱ITS)是未來社會(huì)發(fā)展過程中的必然選擇.ITS是將先進(jìn)的信息技術(shù)、通訊技術(shù)、傳感技術(shù)、控制技術(shù)以及計(jì)算機(jī)技術(shù)等有效地集成運(yùn)用于整個(gè)交通運(yùn)輸管理體系而建立起的一種在大范圍內(nèi)，全方位發(fā)揮作用的，實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸和管理系統(tǒng)，其中車牌自動(dòng)識別技術(shù)是該系統(tǒng)的核心.一個(gè)完整的車牌識別流程包括4個(gè)步驟，即圖像采集、車牌定位、字符分割、字符識別.字符識別是車牌自動(dòng)識別技術(shù)的最后一步，也是關(guān)鍵一步，主要任務(wù)是對字符分割步驟的結(jié)果，即單個(gè)字符進(jìn)行自動(dòng)識別，以達(dá)到車輛智能管理的目的.

車牌字符識別屬于模式識別的范疇，一般來說，模式識別方法主要包括統(tǒng)計(jì)方法和結(jié)構(gòu)方法.依據(jù)車牌字符的結(jié)構(gòu)和特點(diǎn)，對傳統(tǒng)模式識別方法進(jìn)行了適應(yīng)性地改進(jìn)，目前常見的車牌字符識別方法主要有模板匹配法[1，2]、神經(jīng)網(wǎng)絡(luò)法[3-5]和支持向量機(jī)法[6-8].模板匹配法是通過判定待識別字符與標(biāo)準(zhǔn)字符間的相似度達(dá)到識別目的，設(shè)置相似度閾值，當(dāng)相似度超過閾值，則認(rèn)為兩字符為同一字符.模板匹配法原理簡單，計(jì)算方便，且具有較高的識別率，因此得到了普遍的應(yīng)用，但是其缺點(diǎn)也很明顯，由于忽略了大量的字符細(xì)節(jié)信息，使得模板匹配法在識別相似字符時(shí)易出現(xiàn)誤識別.神經(jīng)網(wǎng)絡(luò)法具有較強(qiáng)的容錯(cuò)能力，識別效率較高，然而其收斂速度較慢，難以保證全局最優(yōu)，并且該方法需要大量的試驗(yàn)樣本.支持向量機(jī)(Support Vector Machine)通過對大量識別樣本集進(jìn)行訓(xùn)練，進(jìn)而得到一個(gè)最佳識別函數(shù)，從而實(shí)現(xiàn)識別的目的，具有較高的識別精度，但是訓(xùn)練樣本運(yùn)算復(fù)雜度高，耗時(shí)長，難以滿足實(shí)時(shí)性要求.

特征匹配是一種特殊化的模板匹配，因?yàn)槟０迤ヅ涫菍⒆址旧碜鳛橐粋€(gè)整體特征進(jìn)行匹配，而特征匹配是從字符中抽取少量的字符結(jié)構(gòu)分類特征，以特征相似度匹配替代模板相似度匹配，可以很大程度降低算法復(fù)雜度，滿足實(shí)時(shí)性的要求.基于此，特征匹配作為對傳統(tǒng)模板匹配的一種改進(jìn)，得到了廣泛的應(yīng)用.然而目前還沒有提出一種普適性的特征提取算法，只是根據(jù)不同的應(yīng)用領(lǐng)域，產(chǎn)生不同的特征提取方法，如正交投影法、基于小波變換的特征提取法[9，10]、網(wǎng)格像素統(tǒng)計(jì)法等[11].現(xiàn)有的算法均很難提高相似字符的識別能力，此外部分特征的提取方法如網(wǎng)格法所提取的特征維數(shù)過大，計(jì)算復(fù)雜度增加.針對現(xiàn)有算法的不足，此處試圖提出一種新的字符特征提取方法，新的算法首先對成功分割后的單個(gè)車牌字符進(jìn)行細(xì)化處理，在此基礎(chǔ)上提取出字符像素的斜率特征信息，并將斜率值按特定算法構(gòu)造成特征向量，通過對向量的數(shù)學(xué)運(yùn)算來達(dá)到字符識別的目的.

1 字符特征提取

1.1 預(yù)處理

在經(jīng)過車牌定位和字符分割步驟后，車牌圖像已經(jīng)變成了7個(gè)單個(gè)字符圖像.由于車牌圖像均是采集于自然環(huán)境中，車牌在不同品牌汽車的車身懸掛位置不盡相同，再加上拍攝角度等因素的影響，使得最終分割出的單個(gè)車牌字符大小尺寸不一樣.為了方便后續(xù)處理，有必要對單個(gè)字符車牌進(jìn)行歸一化處理.在進(jìn)行歸一化處理后，單個(gè)車牌字符圖像的尺寸均為16×32像素.

經(jīng)過歸一化處理后的單個(gè)車牌字符圖像是彩色圖像，雖然彩色圖像包含了更多的字符信息，但是也提升了計(jì)算量和計(jì)算復(fù)雜度.其實(shí)經(jīng)過車牌定位和字符分割后的圖像，單個(gè)字符圖像只包含字符和背景顏色信息，此時(shí)顏色信息已顯得無關(guān)緊要.基于此，為了降低計(jì)算量，此處對單個(gè)車牌圖像進(jìn)行二值化處理.考慮車牌字符的特點(diǎn)，單一固定的閾值難以滿足車牌字符普適性的需求，因此選擇迭代法求取二值化的閾值，并對單個(gè)車牌圖像進(jìn)行二值化處理.

由于此處是將車牌字符的像素斜率信息作為識別特征，進(jìn)行車牌字符識別，因此字符細(xì)化處理的效果直接決定著最終字符識別的效率.通過實(shí)驗(yàn)結(jié)果，對比了目前幾種常見的成熟字符細(xì)化算法，最終選擇基于數(shù)學(xué)形態(tài)學(xué)的方法來提取車牌字符圖像的骨架，從而達(dá)到細(xì)化的效果.字符細(xì)化效果如圖1所示.

圖1 字符細(xì)化效果圖

1.2 斜率特征提取

字符結(jié)構(gòu)特征是字符與生俱來的、特有的信息，因其所包含的信息量唯一，分類效果顯著.此外，計(jì)算量小也是其優(yōu)點(diǎn)之一.上述諸多特點(diǎn)使得基于字符結(jié)構(gòu)特征的識別算法成為車牌字符識別研究領(lǐng)域中一類不可或缺的常用算法.字符結(jié)構(gòu)特征包括字符筆畫特征、字符輪廓特征、字符內(nèi)部像素特征、點(diǎn)特征(拐點(diǎn)、角點(diǎn)等)、線特征(橫線、豎線)等.其中筆畫特征是字符最具代表性的特征之一，每一個(gè)字符均可拆解成若干個(gè)筆畫，不同車牌字符的筆畫在數(shù)量、長短以及形態(tài)等方面均是不同的，基于此，選擇字符筆畫特征作為字符識別特征.

如何表述字符不同的筆畫特征，學(xué)者們開展了大量且富有成效的研究，常見的有筆畫方向、筆畫密度等[12].然而現(xiàn)有的基于筆畫特征的字符識別大多適用于手寫字符識別，手寫字符與車牌字符之間最大的不同在于手寫字符筆畫不規(guī)則且隨意性較強(qiáng)，而車牌字符的筆畫非常工整，因此，現(xiàn)有的基于筆畫特征的字符識別算法不適用于車牌字符識別.在現(xiàn)有的基于筆畫特征的字符識別算法的基礎(chǔ)上，嘗試提取車牌字符筆畫斜率信息作為識別特征.

如前文所述，經(jīng)過分割后的車牌字符已經(jīng)經(jīng)過了歸一化和細(xì)化處理，此時(shí)的車牌字符圖像尺寸大小相等，且字符的筆畫均是由一個(gè)像素構(gòu)成，提取車牌字符筆畫斜率特征的算法如下.

步驟1 在細(xì)化后的車牌圖像上建立直角坐標(biāo)系，坐標(biāo)系的原點(diǎn)設(shè)在車牌圖像的第1行、第1列，即車牌圖像左上角點(diǎn)上，如圖2所示.

步驟2 對車牌細(xì)化圖像自上而下、自左而右逐行進(jìn)行遍歷，對遍歷到的每一個(gè)白色像素點(diǎn)(車牌字符構(gòu)成點(diǎn))Pij(i為車牌細(xì)化圖像的第i行，j為車牌細(xì)化圖像的第j列)，均計(jì)算該白色像素點(diǎn)的斜率Kij，Kij的計(jì)算由公式(1)得到.

(1)

步驟3 對車牌字符每個(gè)像素點(diǎn)的斜率值Kij(i=0，1，2，…，31，j=0，1，2，…，15)，構(gòu)造字符斜率識別特征向量V(Kij).

圖2 字符筆畫斜率示意圖

圖3 鏈碼向量匹配

2 基于字符斜率向量的分類識別

在車牌字符細(xì)化和像素點(diǎn)斜率提取的基礎(chǔ)上，依據(jù)幾何向量的數(shù)學(xué)特性，新設(shè)計(jì)了一種基于車牌字符像素點(diǎn)斜率值特征向量的車牌字符分類器.新的分類器通過計(jì)算待識別車牌字符像素斜率值的向量與車牌標(biāo)準(zhǔn)模板字符像素點(diǎn)斜率值的向量之間的夾角，來確定這兩個(gè)向量的匹配度[13].兩向量之間的夾角可由公式(2)計(jì)算所得.

(2)

依據(jù)公式(2)，當(dāng)cosθ=1時(shí)，兩向量完全匹配，即待識別車牌字符與模板字符完全一致；當(dāng)cosθ=0時(shí)，兩向量完全無關(guān)，即待識別車牌字符與模板字符完全不一致，如圖3所示.

綜上，新的分類器識別車牌字符步驟如下：

步驟1 提取車牌標(biāo)準(zhǔn)模板字符像素的斜率值，并構(gòu)建特征向量V(Kij)；

步驟2 提取待識別車牌字符像素的斜率值，并構(gòu)造特征向量V′(Kij)；

步驟3 計(jì)算向量V(Kij)與V′(Kij)的夾角，依據(jù)夾角值完成字符識別.由數(shù)學(xué)知識可知，兩個(gè)向量須具有相同的維數(shù)，才可求得夾角，基于此，為了保證能夠計(jì)算V(Kij)與V′(Kij)之間的夾角，實(shí)現(xiàn)字符匹配與識別，對V(Kij)與V′(Kij)進(jìn)行離散化處理，即在圖2的直角坐標(biāo)系中，在270°～360°范圍內(nèi)，以原點(diǎn)為起始點(diǎn)，發(fā)出一條射線，該射線從270°開始向360°旋轉(zhuǎn)移動(dòng)，其移動(dòng)的角度增幅依據(jù)實(shí)際需要而設(shè)置，此處選擇0.5°.如果射線在移動(dòng)的過程中遇到白色像素點(diǎn)，則計(jì)算該白色像素點(diǎn)的斜率值，如果射線移動(dòng)到某一角度上遇到多個(gè)像素點(diǎn)，則選取橫坐標(biāo)最大的白色像素點(diǎn)作為計(jì)算點(diǎn).經(jīng)過離散化處理后，能保證V(Kij)與V′(Kij)兩個(gè)向量的維數(shù)相同.

此外，在實(shí)際工程應(yīng)用中，考慮到車牌圖像捕獲角度、攝像機(jī)成像畸變以及光照和灰塵污染、車牌破損等隨機(jī)因素的影響，可能會(huì)導(dǎo)致相同字符在待識別狀態(tài)與標(biāo)準(zhǔn)狀態(tài)時(shí)的像素斜率值特征向量存在些許差異，這個(gè)差異如果不加以控制和解決，會(huì)導(dǎo)致新的分類器誤識別率的增加，降低新分類器的魯棒性.基于此，設(shè)定一個(gè)匹配相似度閾值δ(0<δ<1)，規(guī)定如果兩向量夾角的cosθ小于δ，則匹配不成功，即不是同一字符.δ的具體取值依識別環(huán)境的不同而設(shè)置.

3 仿真實(shí)驗(yàn)與分析

為了驗(yàn)證新提出的車牌字符識別算法的有效性，在安徽省黃山市高速公路2號口采集了1 000張小型車輛車牌圖像進(jìn)行了實(shí)驗(yàn)，車牌圖像中涵蓋了10個(gè)阿拉伯?dāng)?shù)字字符(0，1，2，…，9)和24個(gè)英文字符(除去O和I)，樣本集涵蓋所有構(gòu)成中國車牌的字符，因此符合測試需要.實(shí)驗(yàn)在Pentium(R)Dual-Core(2.30GHz)，2G內(nèi)存的計(jì)算機(jī)環(huán)境中，利用VC++ 6.0平臺進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示.

同時(shí)為了對比所提出的算法與已有車牌識別算法的識別效果，選擇了經(jīng)典的模板匹配法和BP網(wǎng)絡(luò)法作為參照.對比實(shí)驗(yàn)結(jié)果如表2所示.

表1中的測試數(shù)據(jù)顯示，所提出的基于車牌字符像素斜率值的特征向量識別算法具有較高的識別率.但是，數(shù)據(jù)同時(shí)也顯示，該方法對少數(shù)字符的識別率相對較低，如阿拉伯?dāng)?shù)字2，5，0和英文字符Q，S，Z等，這些字符的識別率只有95%左右.對識別率較低的字符筆畫結(jié)構(gòu)進(jìn)一步細(xì)致分析，不難發(fā)現(xiàn)，這些字符的識別率低不是因?yàn)樾滤惴ň芙^識別，而是新算法對這些字符出現(xiàn)誤識別，從而導(dǎo)致識別正確率較低.字符的筆畫結(jié)構(gòu)決定了英文字符Q，S，Z分別與阿拉比數(shù)字0，5，2在字符像素斜率值上有較高的重合度，因此導(dǎo)致識別率較低.

表1 字符識別結(jié)果

表2數(shù)據(jù)顯示，所提出的新的車牌字符識別算法在整體識別準(zhǔn)確率上明顯優(yōu)于傳統(tǒng)的基于模板的車牌字符識別方法和基于BP網(wǎng)絡(luò)的車牌字符識別方法，此外，單個(gè)字符的識別耗時(shí)也少于傳統(tǒng)算法.綜上，所提出的識別方法無論在識別正確率上，還是在實(shí)時(shí)性上，均優(yōu)于傳統(tǒng)識別方法，滿足實(shí)際工程需要.

表2 不同識別方法識別率對比

4 結(jié)束語

字符識別是車牌智能識別系統(tǒng)中的最后一步，也是最關(guān)鍵的一步，它直接決定了車牌識別的成敗.如何提高實(shí)際工程應(yīng)用領(lǐng)域中車牌字符識別準(zhǔn)確率和縮短識別耗時(shí)，依然值得學(xué)者不斷深入研究.此處在現(xiàn)有的研究基礎(chǔ)上，針對車牌字符結(jié)構(gòu)特征的提取，另辟蹊徑，提取經(jīng)過細(xì)化處理后的車牌字符像素斜率值，并將斜率值構(gòu)造成數(shù)學(xué)向量，通過計(jì)算待匹配字符像素斜率向量與標(biāo)準(zhǔn)模板字符像素斜率向量之間的夾角，完成字符的識別.新方法通過實(shí)驗(yàn)結(jié)果數(shù)據(jù)驗(yàn)證了其可行性和高效性.

不足之處在于沒有對車牌字符串中唯一的一個(gè)中文漢字提出識別算法，其主要原因是目前針對中文漢字識別的研究已經(jīng)相對成熟，已經(jīng)存在大量實(shí)用性強(qiáng)的中文漢字識別算法[14，15]，這些算法均可直接用于車牌中的漢字識別.關(guān)于車牌漢字識別算法的研究也是后續(xù)研究工作之一.此外，所提出的算法對個(gè)別字符存在識別率相對較低的情況，這也是后續(xù)研究工作的主要內(nèi)容.

參考文獻(xiàn)：

[1] 谷秋頔，白艷萍.基于模板匹配的車牌數(shù)字與字母識別[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2011，41(20)：66-71

[2] 陳瑋，曹志廣，李劍平.改進(jìn)的模板匹配方法在車牌識別中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2013，34(5)：1808-1811

[3] 鄧婷.基于特征統(tǒng)計(jì)的車牌非漢字字符識別方法[J].廣西師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2009，26(4)：88-92

[4] 張鳳清，段書凱，王麗丹.憶阻細(xì)胞神經(jīng)網(wǎng)絡(luò)在車牌定位中的應(yīng)用[J].計(jì)算機(jī)科學(xué)，2013，40(06A)：58-60

[5] 張燕，任安虎.多特征與BP神經(jīng)網(wǎng)絡(luò)車牌識別系統(tǒng)研究[J].科學(xué)技術(shù)與工程，2012，12(22)：5645-5648

[6] 孫孟方，張立文，高火濤.基于支持向量機(jī)的字符編碼識別系統(tǒng)[J].武漢大學(xué)學(xué)報(bào)：理學(xué)版，2013，59(3)：245-248

[7] 王桂文，孫涵.基于正交蓋氏矩和SVM的車牌字符識別[J].計(jì)算機(jī)工程，2012，38(13)：192-195

[8] 薛丹，孫萬蓉，李京京.一種基于SVW的改進(jìn)車牌識別算法[J].電子科技，2013，26(11)：22-25

[9] 朱廣濤，李英.基于小波矩和主分量分析的車牌字符識別方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2012，21(7)：168-171

[10] 郭航宇，景曉軍，尚勇.基于小波變換和數(shù)學(xué)形態(tài)學(xué)法的車牌定位方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20(5)：13-16

[11] 何兆成，佘錫偉，余文進(jìn).字符多特征提取方法及其在車牌識別中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(23)：228-231

[12] 盧達(dá)，浦煒，陳琦瑋.基于神經(jīng)網(wǎng)絡(luò)和模糊匹配算法的手寫漢字預(yù)分類研究[J].計(jì)算機(jī)應(yīng)用，2005，25(10)：2418-2421

[13] 方興林，余萍.一種基于鏈碼向量的圖像匹配算法[J].齊齊哈爾大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，27(6)：25-28

[14] 馮宇，李文舉，孫娟紅.基于小波變換和分形維數(shù)的車牌漢字識別[J].計(jì)算機(jī)工程，2011，37(22)：137-138

[15] 王建平，陳正偉，欒慶磊.基于多群體遺傳算法的漢字識別系統(tǒng)設(shè)計(jì)[J].合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，33(1)：42-46