李健財，孫彩歌

（1. 廣東精一規(guī)劃信息科技有限公司，廣東 廣州 510000；2. 中山大學 信息與科學學院，廣東 廣州 510000；3. 廣州地理研究所，廣東 廣州 510070）

GIS與傳統的交通信息分析和處理技術緊密結合，延伸出了交通地理信息系統（GIS-T）[1,2]。車牌識別系統是GIS-T的重要組成部分，其關鍵技術是通過車牌定位，利用現有的圖像處理技術，自動識別車牌號碼獲取車輛的基本信息。車牌識別作為目前交管和監(jiān)控的重要應用技術，廣泛應用于停車場出入登記、收費管理、治安卡口、闖紅燈抓拍、超速抓拍、電子警察稽查抓拍等領域，大大提高了交通系統的車輛監(jiān)控和管理的自動化。

1982年英國研發(fā)了一種通過圖片記錄行駛車輛信息，用于搜索被盜車輛和牌照失效車輛的識別模式；1983年日本開發(fā)了一套用于監(jiān)測車輛超速的車輛牌照識別系統，但受限于當時的技術水平，對圖像的識別效率和準確性都很低[3]。1990年A. S. Johnson等運用計算機視覺技術和圖像處理技術首次實現了車牌的自動識別，開啟了智能交通的新天地[4]。本文在研究前人成果的基礎上，對車牌定位的方法進行了歸納總結，并對當前車牌識別技術的發(fā)展方向進行了探索性展望。

1 車牌識別系統

一套完整的車牌識別系統由硬件和軟件2部分構成。硬件主要包括CCD高清彩色攝像機、圖像采集卡、紅外傳感器、中斷捕捉卡和計算機。軟件由車牌圖像釆集、圖像預處理、車牌分割定位、車牌字符識別等功能構成[5,6]。

車牌識別的工作流程為：當紅外傳感器檢測到車輛進入拍攝范圍時，向主機發(fā)送啟動系統信號，主機通過中斷捕捉卡和圖像采集卡，從視頻信號中采集一幀圖像信息并保存成一張車輛圖像，圖像經過軟件系統預處理后被發(fā)送給車牌識別部分。首先需進行車牌定位，然后根據需要進行傾斜校正，再分割車牌，即得到單個的字符圖像，并將分割出的字符與系統字符集進行比對，識別出車牌字符信息，同時對識別的信息進行語法檢查，最終識別出車牌信息，將結果傳送給應用場所（見圖1）。

2 國內車牌特征

目前，我國車牌執(zhí)行標準為GA36-2007《中華人民共和國機動車號牌》[7]。各類型車牌特征如表1所示。

表1 國內車牌特征表

其中，汽車牌照上有省、直轄市、自治區(qū)的簡稱和發(fā)證照及監(jiān)督機關的代號，編號是英文大寫字母。后面是5位數的汽車牌號，即00001～99999。當編號超過10萬時，由A、B、C等英文字母代替，而字母I和O避而不用，以免和數字中的1和0混淆。

3 圖像預處理

在車牌圖片的采集過程中，由于各種因素會導致車輛采集圖像出現明暗對比不同、圖像傾斜等問題，劉慶祥等對如何獲取比較清晰的圖像做了總結，包括攝像頭、圖像采集卡的選取、汽車的速度、攝像頭的位置、前后車間距等因素[8]。在實際應用中，無法約束所有的條件均滿足圖像采集要求，常用的圖像預處理方法包括圖像壓縮、圖像增強和圖像傾斜校正。其中，圖像傾斜校正一般與車牌定位操作同時進行。

4 車牌定位

車輛定位是將車牌圖像區(qū)域從采集的車牌圖像全圖中分割出來。車牌定位成功與否以及定位的準確程度將直接決定后期能否進行車牌識別以及識別的準確度。

4.1 基于紋理的定位方法

基于紋理的定位方法是對灰度圖像進行邊緣檢測后，對圖像進行垂直方向投影。在車牌圖像垂直方向上會有一個波峰，從左往右掃描，當發(fā)現第一個較大的波峰時，其左右坐標內為車牌的橫向范圍?；谲嚺频淖址卣鲗D像邊緣檢測，在車牌橫向范圍內，每行以一定像素為限，作為判斷波峰起點和終點的標準。運用水平方向投影確定車牌的上下邊界進行截取，輸出一張包含車牌矩形區(qū)域的灰度圖。根據車牌長寬比，用一個虛擬的矩形框從左向右掃描，矩形框寬度為縱向范圍之差，框內取得最大值的位置即為車牌位置。趙丹等通過將車牌特征、測得該車牌的長寬比及其面積與周長的關系與設定連通域進行比對，從而確認車牌區(qū)域位置[9]。柴曉榮等介紹了一種基于車牌區(qū)域字符的紋理特征和統計規(guī)律的車牌定位方法[10]。該方法定位速度快，漏檢率低，但是誤檢率高。

4.2 基于邊緣檢測的定位方法

邊緣檢測技術是目前圖像分析領域中應用較廣的基礎技術，主要利用圖像一階導數的極值或二階導數的過零點信息來提取邊緣信息。目前常用的邊緣算子有 Roberts算子、Sobel算子、Prewitt算子和Laplacian算子等。其中，Roberts算子只是考慮圖像 2×2 的領域處理，而Sobel算子和Prewitt算子是對3×3的領域進行處理。張禹等提出了一種梯度增強法對圖像進行邊緣增強，再通過邊緣檢測來快速定位車牌的區(qū)域范圍[11]。姜宇等采用Sobel算子進行邊緣檢測，對圖像進行平面卷積，從而得到橫縱坐標的亮度差分近似值，檢測出圖像區(qū)域的邊緣信息[12]。該方法定位準確，但速度較慢，且漏檢率、錯檢率較高。

4.3 基于數學形態(tài)學的定位方法

數學形態(tài)學的基本思想是利用一個稱作結構元素的探針收集圖像信息，當探針在圖像中不斷移動時可考察圖像各部分之間的相互關系，從而了解圖像結構特征。結構元素可直接攜帶形態(tài)、大小、灰度和色度等知識信息來探測研究圖像結構的特點。石曉瑛等通過選取適當的閾值，對圖像進行二值化處理，并利用形態(tài)學的閉運算（先膨脹后腐蝕）對二值圖像進行處理，從而實現對車牌的識別[5]。駱雪超等將二值化和字符分割緊密結合，注重車牌與車輛背景圖像分離特征，以連通域分析為字符分割特點，結合局部二值化算法，提高了車牌識別的正確率[13]。該方法具有完備的數學基礎和天然的并行實現結構，大大提高了圖像分析和處理的速度，但如需精確定位必須結合其他算法。

4.4 基于顏色空間的定位方法

首先確定要使用的顏色空間，然后在車牌圖像中搜尋出藍、黃、白、黑4種顏色的區(qū)域，將拍攝得到的RGB圖像轉換到目標空間中，若各分量都落在經驗閾值范圍內，則標記為車牌候選區(qū)域。王枚、張麗靜等分別提出了基于HSV空間的車牌定位算法[14,15]。

該方法定位準確，但對車牌的質量要求較高，易受光照條件、背景顏色干擾，尤其是當車牌底色為黑色或白色時，性能大大降低。

4.5 基于神經網絡的定位方法

基于神經網絡的定位識別方法是將樣本圖片和對應的字符作為輸入和輸出，讓系統進行訓練，直到誤差小于規(guī)定的值，就得到一個網絡，然后再將待識別圖片輸入該網絡，得到的輸出向量就是識別結果。劉彥婷等針對車牌字符的識別采用了神經網絡方法[16]，姚德宏提出了基于BP神經網絡的提取汽車牌照方法[17]。

神經網絡法是目前正在發(fā)展和完善的一種模式識別方法，具有良好的容錯能力、分類能力和并行處理能力，對模糊的字符也有較好的識別效果，但其訓練時間長、需要大量的訓練數據。

5 結 語

在車牌定位過程中，由于車輛實際情況存在很多不確定性，每種方法各有優(yōu)劣，在實際應用中需取長補短、綜合優(yōu)化。例如，袁庭啟等提出了一種基于HSV空間和紋理特征的快速車牌定位方法[18]；陳財明根據車牌的HSI特征、邊緣特征和尺寸特征等多重特征，提出一種定位車牌的綜合算法[19]；陳虹等研究了基于邊緣檢測及數學形態(tài)學的快速汽車車牌定位方法[20]；王森等提出一種基于神經網絡，利用車牌顏色、字符分布特征來提取車牌的算法[21]。此外，也有學者探究了新工具新方法，如遺傳算法[22]、小波變換[23]和Hough變換[24]等。

[1]陳述彭, 魯學軍,周成虎.地理信息系統導論[M].北京：科學出版社,1999

[2]蔣斌, 王亮, 張恒. GIS在智能交通管理控制系統中的應用[J].交通標準化,2010(13):105-107

[3]唐新亭, 徐連誠, 楊洪萬. 基于VB的車牌識別系統的研究與實現[J].山東師范大學學報：自然科學版,2007,22(4):43-45

[4]Johnson A S, Bird B M. Number-plate Matching for Automatic Vehicle Identification[C]. Electronic Image and Image Processing in Security and Forensic Science， 1990

[5]石曉瑛, 許智榜.車牌自動識別系統的設計與實現[J]. 華東交通大學學報, 2009,26(3):48-51

[6]張方櫻, 巢佰崇, 陳雪豐. 車牌自動識別系統[J]. 地理空間信息, 2005,3(3):49-50

[7]GA36-2007.中華人民共和國機動車號牌[S].

[8]劉慶祥, 蔣天發(fā).智能車牌識別系統中圖像獲取技術的研究[J].武漢理工大學學報：交通科學與工程版，2003,27(1):127-130

[9]趙丹, 丁金華.基于MATLAB的車牌識別[J].大連工業(yè)大學學報, 2009,28(4):303-304

[10]柴曉榮, 劉錦高. 基于紋理分析的精確車牌定位算法[J]. 計算機系統應用, 2010,19(2):160-163

[11]張禹, 馬駟良, 韓笑, 等. 車輛識別中的圖像提取及分割算法[J].吉林大學學報：理學版，2006,44(3):406-410

[12]姜宇, 張子潮, 周富強. 基于OpenCV的車牌識別系統研究[J].遼寧師范大學學報：自然科學版，2011,34(2):172-176

[13]駱雪超, 劉桂雄, 馮云慶,等.一種基于車輛特征信息的車牌識別方法[J].華南理工大學學報：自然科學版,2003,31(4):70-73

[14]王枚,王國宏,潘國華. 基于HSV空間的車牌定位方法[J].煙臺大學學報，2007(1):48-52

[15]張麗靜,孫杰. 基于HSV顏色空間的車牌定位方法 [J]. 微計算機信息，2008,24(31):247-248

[16]劉彥婷,徐海蘭,楊磊. 車牌識別軟件的改進算法[J].北京廣播學院學報：自然科學版，2005,12(4):39-43

[17]姚德宏.基于神經網絡的汽車牌照提取研究[J].計算機應用,2001,21(6):40-44

[18]袁庭啟,徐濤. 一種基于HSV空間和紋理特征的快速車牌定位方法[J]. 重慶工學院學報：自然科學版, 2008,22(10)：180-182

[19]陳財明. 基于HSI空間和邊緣檢測的一種高性能的車牌定位方法[J]. 科學技術與工程, 2009，9(15):4 372-4 376

[20]陳虹, 陳蕾,蔣毅. 基于邊緣檢測及數學形態(tài)學的快速汽車車牌定位[J].交通與運輸, 2008(12):78-79

[21]王森,陳炬樺. 基于神經網絡和綜合特征的車牌定位算法[J].計算機技術與發(fā)展, 2008,18(2):38-41

[22]張玲，劉勇，何偉. 自適應遺傳算法在車牌定位中的應用[J].計算機應用, 2008,28(1):184-186

[23]侯培國,趙靜,劉明.基于小波變換和行掃描的車牌定位方法[J].系統仿真學報,2006,18(2):811-813

[24]林俊,楊峰,林凱. Hough變換與先驗知識在車牌定位中的新應用[J]. 計算機與數字工程,2009,37(8):138-140