王正玉，李 斌，李寧輝

（1.安徽廣播電視大學 遠程教育技術與圖文信息中心，合肥 230022；2.安徽廣播電視大學 安徽成教在線服務中心，合肥 230022）

一、引言

智能交通作為當代高新技術結合的產物，已成為各國爭相研究的熱點。其中，車牌識別技術［1－3］作為該領域的關鍵技術之一，越來越多地被應用到實際生活當中。該技術通過對車牌信息的自動識別從而達到對機動車輛有效監(jiān)管，便于執(zhí)法部門了解車輛信息，提高工作效率。現(xiàn)實中攝像機性能、車牌整潔度、光照條件、拍攝角度及車輛運動等因素都會給識別帶來影響。本文綜合考量以上因素的影響，設計了一套車輛牌照自動識別系統(tǒng)的解決方案，并采用一種基于投影變換的字符分割算法［4－5］。下文將對該系統(tǒng)的幾個重要組成部分及關鍵技術進行詳細介紹。文中所得實驗數(shù)據(jù)均為Matlab7.0環(huán)境下實驗產生。

二、系統(tǒng)架構

系統(tǒng)由牌照預處理、字符分割及識別［6－7］幾個模塊組成，如圖1所示。

系統(tǒng)首先對獲取的車牌圖像預處理，將圖片最終轉化為一幅二值圖像，并采取降噪處理，然后通過投影變換算法對車牌上的字符進行逐一分割，最終通過光學字符識別技術提取字符特征，輸出判定結果。

三、圖片預處理

為了方便對車牌信息進行提取和識別，首先使用預處理模塊將車牌圖像進行灰度化處理，然后通過二值化運算，最終得到一幅二值化圖像。預處理過程中還會對所得到的二值圖像進行平滑去噪，邊緣提取等操作，具體步驟如下。

（一）灰度化與二值化

讀取一幅待識別機動車牌照圖片，通過預處理環(huán)節(jié)對該圖像進行灰度化和二值化處理。該處理對圖像識別來說很重要，因為圖像二值化后可以消除模糊，且灰度級別只有兩個，簡化了處理的復雜程度，圖像的二值化操作可根據(jù)下面的閾值來進行［8］：

式中，f（i，j）為像素點灰度值，t稱為二值化處理的閾值。當采樣點（i，j）的灰度值f（i，j）＜t時，f（i，j）＝0，表示背景部分；當采樣點（i，j）的灰度值f（i，j）≥t時，f（i，j）＝1，表示目標圖像部分。由此可知，閾值t的選取是關鍵所在，對應的閾值t的確定過程叫作閾值的選擇。最后所得輸出結果如圖2所示。

（二）邊緣檢測

本文采用Sobel算子對二值化圖像提取邊緣特征，然后通過膨脹與填充，使每個數(shù)字成為連通區(qū)域，并查找連通區(qū)域邊界，同時保留此邊界圖形，以便后續(xù)數(shù)字識別。邊緣提取好壞將對后續(xù)處理的精確性和難易程度產生直接影響。

Sobel邊緣檢測算子是將圖像中的各個像素的上、下、左、右四個領域的灰度值加權差，與之接近的領域的權最大。因此，Sobel算子定義如下：

通過使用Sobel邊緣檢測［9］最終運算的結果就是一幅邊緣圖像。

Sobel邊緣檢測算子具有平滑噪聲的作用，受噪聲的影響很小，產生的檢測效果較好。效果如圖3所示。

四、字符識別

（一）車牌字符分割

經(jīng)預處理后，為實現(xiàn)字符的識別，還需將車牌上的字符一一分割出來，并提取字符特征，最終實現(xiàn)字符的有效識別。本文采用一種基于投影的字符分割算法，如圖4和圖5所示，即通過對車牌圖像水平和垂直方向投影的分析，來實現(xiàn)字符的分割方法。

本文所提出的基于字符投影的分割算法基本思想如下：

（1）記錄二值圖像投影中波峰與波谷位置，將相鄰波峰與波谷間跳變值大于閾值α的位置確定為左右邊界，并進行相應字符分割操作。閾值α由實驗所得，其大小將直接影響分割效果。

（2）仿照（1）中的處理方法，根據(jù)水平投影確定字符的上下邊界。

（3）針對“川”“U”等一些特殊字符，如 “川”字，其在水平方向的投影會出現(xiàn)3個跳變，且跳變值有可能滿足閾值α，從而導致誤分割。故為了避免該情況，引入輔助判定閾值β：即當兩個相鄰跳轉處位置的序列值之差的絕對值大于閾值β，才最終認為是有效分割。這樣即避免了誤分割，又提高了算法的適用性。

當分割條件同時滿足兩個閾值α與β時進行分割，分割結果如下圖6所示：

（二）光學字符識別（OCR）［10］

在進行字符識別前，首先將分割出的字符圖像進行歸一化處理，包括圖像大小歸一化和字符線條歸一化。圖像大小歸一化是指將分割的字符圖像尺寸與模板圖像尺寸歸一化，使其尺寸相同。字符線條歸一化主要是對分割圖像中的字符進行骨化［11］處理，字符線條粗細不同會增加識別難度。對歸一化后的圖像采用模板匹配法［12］進行識別，識別前首先使用標準車牌字符對系統(tǒng)進行訓練，然后使用所提取字符的特征向量與模板字符特征向量進行比較，最終使用最小二乘法識別該字符［13－14］。

本文共提取兩種字符特征：一是網(wǎng)格特征，將字符平均分割成4×4＝16等分區(qū)域，然后統(tǒng)計每個區(qū)域中黑色像素點個數(shù)，并計算黑色像素點總數(shù)，從而得到17維特征矢量；二是水平與垂直方向上的邊界特性，通過統(tǒng)計將字符16等分的8條區(qū)域分割線與細化后字符相交次數(shù)，從而獲得八個特征值，最終得到一組25維的特征矢量：T＝（t1，t2，t3，Λ，t25）。最后，求出所要識別的字符特征矢量與模板庫中模板特征矢量Hij＝（hi1，hi2，hi3，Λ，hi25），的加權距離為權重，i為模板庫中模板個數(shù)i＝（1，2，3，Λ，n），n為自然數(shù)，j為模板特征維數(shù)（j＝（1，2，3，Λ，25）），將最終結果中加權距離di值最小的字符作為識別結果輸出。

五、結束語

本文所設計的機動車牌照自動識別系統(tǒng)方案采用模板匹配算法達到字符識別的目的。文中通過對牌照預處理操作優(yōu)化了車牌信息，簡化了計算復雜度，且采用一種基于字符投影的字符分割算法并針對特殊字符采用一定的防誤分割措施，達到了較好的分割效果，保證最終字符得以準確、有效地識別。與此同時，算法在適應性和準確率方面還需提高，有待進一步的研究與完善。

［1］ 趙春雪，戚飛虎.基于彩色分割的車牌自動識別技術［J］.上海交通大學學報，1998，10（32）：4－9.

［2］ 張珂，毛俠.機動車牌照自動識別技術的研究［J］.計算機應用研究，2005，22（12）：163－189.

［3］ 鄭南寧，張西寧，載瑩.行駛車輛牌照自動識別系統(tǒng)［J］.西安交通大學學報，1991，1（25）：45－53.

［4］ LEE E R，KIM P K.Automatic Recognition of a Car License Plate Using Color Image Processing［C］／／IEEE International Conference on Image Processing，1994，2A.301－305.

［5］ SHRIDJAR M，MILLER J W V.Recognition of License Plate Images：Issues and Perspectives［C］／／Proceedings of the 5th International Conference on Document Analysis and Recognition，1999.17－20.

［6］ COMELLI P.Optical recognition of motor vehicle license plates［J］.IEEE Transactions on Vehicular Technology，1955，44（4）：790－799.

［7］ NAITO T.Robust license plate recognition method for passing vehicles under outside environment［J］.IEEE Transactions on Vehicular Technology，2000，49（6）：2309－2319.

［8］ HU M K.Visual pattern recognition by moment invariants［J］.IEEE Trans Information Theory，1962（8）：179－187.

［9］ HARITAOGLU I，HARWOOD D.W4：Real－Time Surveillance of People and Their Activities.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：809－830.

［10］ 荊濤，王仲.光學字符識別技術與展望［J］.計算機工程，2003，39（2）：29－31.

［11］ 呂俊白.一種有效的二值圖像細化算法［J］.計算機工程，2003，29（18）：147－148.

［12］ 求是科技，張宏林.Visuai C＋ ＋ 數(shù)字圖像模式識別技術及工程實踐［M］.北京：人民郵電出版社，2003.

［13］ 戚飛虎，周源華，余松煜，等.模式識別與圖像處理［M］.上海：上海交通大學出版社，1990.

［14］ NACCACHE N J，SHINGAL R.An Investigation into the Skeletonization Approach of Hilditch［J］.Pattern Recognition，1984，17（3）：279－284.