呂昆　金晅宏

摘 要：研究了一種基于OpenCV的車牌識別方法。在車牌定位階段，提出一種綜合邊緣信息和顏色信息，并結合車牌幾何特征定位方法，通過SVM機器學習實現(xiàn)車牌精確定位。在車牌字符分割階段，通過設定像素跳變閾值去除邊框，提出一種結合垂直投影法和字符特征的字符分割算法。在字符識別階段，提出結合投影和網(wǎng)格的字符特征提取方法，并利用4個BP神經網(wǎng)絡進行字符識別。實驗表明，該方法定位率高，字符識別快速準確，具有較強的魯棒性和實用性。

關鍵詞：車牌定位；字符分割；字符識別；BP神經網(wǎng)絡

DOIDOI：10.11907/rjdk.161821

中圖分類號：TP317.4

文獻標識碼：A 文章編號文章編號：16727800（2016）011019303

0 引言

隨著汽車工業(yè)的迅猛發(fā)展，人們在享受車輛帶來便利的同時，也面臨著日益嚴重的交通問題，智能交通系統(tǒng)由此產生。車牌識別系統(tǒng)不僅是智能交通系統(tǒng)的重要組成部分，也是數(shù)字圖像處理、模式識別、計算機視覺等學科重要的研究內容，其實現(xiàn)方式是對攝像機所拍攝的車輛圖像或視頻序列進行分析，通過車牌定位、字符分割、特征提取、字符分割等技術，得到汽車唯一的車牌號碼，在智能小區(qū)停車管理、高速公路收費系統(tǒng)及公共安全等方面有著廣泛應用。本文提出了一種結合邊緣信息和顏色信息的車牌定位方法和基于BP神經網(wǎng)絡的車牌字符識別方法，可以獲得較高的識別準確率。

1 車牌定位

車牌定位就是采用一定算法將車牌區(qū)域從整張車輛圖片中準確定位出來。車牌定位準確率直接關系到字符識別的成敗。目前車牌定位方法較多，常見的有基于數(shù)學形態(tài)學方法、基于邊緣檢測方法、基于顏色空間方法等[13]。本文提出一種綜合邊緣信息和色彩信息，同時結合車牌紋理特征的方法實現(xiàn)車牌粗定位，再結合SVM方法實現(xiàn)車牌精確定位方法，定位流程如圖1所示。

1.1 邊緣檢測

首先讀取車牌的原始圖像，結果如圖2（a）所示，然后利用OpenCV庫中的cvtColor函數(shù)將彩色圖像轉換為灰度圖像，接著利用medianBlur函數(shù)對灰度圖像作中值濾波處理，去除圖像存在的噪聲點干擾，模板大小為3×3。車身紋理主要是水平邊緣，而車牌字符紋理主要為垂直邊緣，針對這個特點使用Sobel函數(shù)對圖像作垂直邊緣檢測，提取字符的邊緣信息[4]。利用threshold函數(shù)對邊緣檢測后的圖像作閾值化處理，得到邊緣二值圖像，結果如圖2（b）所示。

1.2 基于HSV顏色空間的二值化

由于攝像機采集的車輛圖像均是RGB模型，而該模型下R、G、B這3個分量對光線的強弱較敏感，因此需要將RGB模型轉換為對光照等外部因素不敏感的HSV模型。HSV是根據(jù)顏色的直觀性創(chuàng)建六角錐體模型， 其中H表示色調，S表示飽和度，V表示明度。RGB到HSV轉換如式（1）所示。

1.3 形態(tài)學處理

得到二值圖像后，需要對圖像進行開運算和閉運算處理。其中開運算可去除圖像中較小的區(qū)域，閉運算能夠填充圖像內小型黑洞，連接鄰近物體，并可平滑圖像的輪廓。本文選用的腐蝕膨脹核大小為10×5。首先采用閉運算，使車牌區(qū)域連通為一個整體，結果如圖4（a）所示，接著采用開運算去除較小區(qū)域，結果如圖4（b）所示。

1.4 粗定位

提取形態(tài)學處理后的圖像輪廓，對輪廓求外接旋轉矩形，并利用車牌的幾何特征對外接旋轉矩形進行濾除， 即計算：①外接旋轉矩形寬高比Ratio；②外接旋轉矩形面積 Area。假設有40%誤差范圍，設定車牌的寬高比為22/7，再設定車牌面積的最大值和最小值，然后逐個判斷外接旋轉矩形的 Ratio 和 Area 是否同時滿足設定條件。粗定位結果如圖5所示，其中圖5（a）為提取的輪廓圖，圖5（b）為提取出的車牌候選區(qū)域。

1.5 SVM精確定位

在開始分類前，需要訓練分類器。本文使用200車牌圖像和200張非車牌但大小為144×48像素的圖像訓練車牌識別模型。分類器特征向量選用HOG特征向量，使用CvSVMParams結構設置參數(shù)，利用CvSVM類訓練分類器。分類器訓練好后，提取候選車牌區(qū)域的HOG特征向量，將提取的特征向量輸入訓練好的車牌判別模型，從而預測候選區(qū)域是否為車牌，實現(xiàn)車牌精確定位。

2 字符分割

2.1 傾斜校正

由于拍攝的角度問題，車牌圖像可能會出現(xiàn)傾斜情況，這樣會對字符分割結果造成較大影響，因此，需要對圖像進行傾斜校正。本文利用Hough 變換將直線提取出來，并計算直線與水平和垂直方向的角度，然后將原有圖像旋轉完成傾斜校正[5]。傾斜校正完成后，再采用Otsu方法對圖像進行閾值化處理，將字符作為前景提取出來，結果如圖6（a）所示。

2.2 邊框去除

車牌邊框和鉚釘會對字符分割產生較大影響，所以在字符分割前，需要消除邊框和鉚釘?shù)母蓴_。本文采用基于像素跳變次數(shù)的統(tǒng)計方法來去除邊框和柳釘?shù)母蓴_[6]，具體步驟如下：

（1）設定水平像素跳變閾值為14。從車牌二值圖像的中間向上進行行掃描，統(tǒng)計每一行的像素跳變次數(shù)，當某一行的像素跳變次數(shù)小于14時，該行即為字符區(qū)域的上邊界；同理，可以得到字符區(qū)域下邊界。

（2）字符區(qū)域的垂直像素跳變次數(shù)一般大于或等于2，設定一個閾值Q，從車牌二值圖像的左邊界向中間進行列掃描，統(tǒng)計每一列的像素跳變次數(shù)，當存在連續(xù)的Q列像素跳變次數(shù)都大于或等于2時，就判斷為字符左邊界。同理，可以找到字符右邊界。結果如圖6（b）所示。

2.3 車牌字符分割

中國標準車輛牌照有7個字符， 其中首字符為漢字， 第2個字符是英文大寫字母，后面5個為大寫字母與數(shù)字的混合。單個字符寬45mm，高90mm，字符間距一般為10mm，其中第二、三個字符間距為34mm。本文結合車牌的字符特征和垂直投影法，提出了一種字符分割方法[7]。

由于字符區(qū)域白色像素較多，而非字符區(qū)域黑色像素較多，因此通過檢測字符與字符間白色像素數(shù)目的波谷，確定每個字符的左右邊界。因為車牌第二、三個字符之間距離比其它字符間距離大很多，所以先根據(jù)字符大概的像素大小，找到第二字符的右邊界。接著從第二個字符的右邊界向左搜索，先分割前面兩個字符，接著從第二個字符的右邊界向右搜索，分割后面5個字符。最后，對分割得到的字符進行歸一化處理，結果如圖6（c） 所示。

3 字符識別

字符識別方法有模板匹配法、統(tǒng)計特征匹配法和神經網(wǎng)絡法等[810]，本文采用BP神經網(wǎng)絡對字符進行識別。在字符識別前，需要提取字符特征，本文根據(jù)車牌字符特點，使用基于像素點網(wǎng)格和像素投影的方法進行特征提取。首先將分割得到的字符大小歸一化為12×24的圖像，然后對圖像分別進行行投影和列投影，并統(tǒng)計每行和每列目標像素點數(shù)目，得到36維特征向量。然后將字符圖像均勻劃分為4×8的網(wǎng)格，再從左向右、從上到下，依次提取每個子網(wǎng)格的占空比、梯度特征，最后連接成一個組合特征，形成一個96維的特征向量。

本文采用4個BP網(wǎng)絡來完成字符識別，4個BP網(wǎng)絡分別是區(qū)分漢字、英文和數(shù)字字符的分類BP網(wǎng)絡、識別數(shù)字的BP網(wǎng)絡、識別英文的BP網(wǎng)絡、識別漢字的BP網(wǎng)絡，所有的BP網(wǎng)絡都是三層結構。由于提取的字符特征向量維數(shù)為96，因此可以確定輸入層的節(jié)點數(shù)為96。由于訓練樣本限制，車牌漢字只選取了25個省份的車牌數(shù)據(jù)，加上10個數(shù)字字符，24個字母字符（除去字符I和O），這樣確定4個BP網(wǎng)絡輸出層節(jié)點數(shù)分別為3、10、24、25，網(wǎng)絡輸出采用對應類別取1的方式來表達。隱含層的節(jié)點數(shù)按公式n=sqrt（n1+n2）+a進行設計，其中n1為輸入層節(jié)點數(shù)，n2為輸出層節(jié)點數(shù)，a為l～10的整數(shù)。

本文選取sigmoid 函數(shù)作為BP網(wǎng)絡激活函數(shù)，使用CvANN_MLP_TrainParams類來設置訓練參數(shù)，最終利用CvANN_MLP類訓練分類器。分類器訓練好后，提取待識別字符的特征向量，輸入訓練好的分類器完成字符識別。數(shù)字、字母和漢字各選用200張測試樣本進行實驗。實驗結果表明，數(shù)字的識別率達97.0%，英文字母的識別率達96.6%，漢字的識別率達86.2%。

4 結語

本文提出了一種綜合邊緣信息和色彩信息，結合車牌紋理特征的定位方法，對車牌進行粗定位。通過SVM機器學習篩選符合車牌特征的候選區(qū)域實現(xiàn)車牌精確定位，提出一種結合像素投影和網(wǎng)格的字符特征提取方法，并利用4個BP神經網(wǎng)絡對字符進行識別。本文軟件開發(fā)平臺為Microsoft Visual Studio 2013，選用300張不同環(huán)境下的車牌圖片進行實驗，車牌定位率達97.5%，車牌字符識別率達92.5%。實驗結果表明，本文提出的方法定位率高、字符識別快速準確，具有較強的魯棒性和實用性。

參考文獻：

[1] 盧雅琴，鄔凌超.基于數(shù)學形態(tài)學的車牌定位方法[J].計算機工程，2005，31（3）：224226.

[2] 沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學報，2008，29（12）：26732677.

[3] 郭捷，施鵬飛.基于顏色和紋理分析的車牌定位方法[J].中國圖像圖形學報，2002，7（5）：432476.

[4] 毛星云，冷雪飛.OpenCV3編程入門[M].北京：電子工業(yè)出版社，2015：154312.

[5] 楊思源.基于OpenCV的車輛牌照識別系統(tǒng)研究[D].西安：西安電子科技大學，2013.

[6] 黃驥.汽車牌照識別系統(tǒng)中車牌定位與校正及字符分割的研究[D].南京：南京航空航天大學，2007.

[7] 王璐.基于 MATLAB 的車牌識別系統(tǒng)研究[D].上海：上海交通大學，2009.

[8] 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)學的實踐與認識，2011，42（20）：6671.

[9] DANIEL LELIS BAGGIO.深入理解OpenCV：實用計算機視覺項目解析[M].劉波，譯.北京：機械工業(yè)出版社，2014：116136.

[10] 郭榮艷，胡雪惠.BP神經網(wǎng)絡在車牌字符識別中的應用研究[J].計算機仿真，2010，27（9）：299301.

（責任編輯：杜能鋼）