鄭顧平，閆勃勃，李 剛

(華北電力大學 控制與計算機工程學院，河北 保定 071000)

0 引 言

智能交通已經(jīng)成為生活中必不可少的部分，同時智能小區(qū)也成為必然趨勢。隨著生活質量的提高，汽車已經(jīng)成為每家每戶的必備品。在這個時代，車牌識別系統(tǒng)扮演著越來越重要的角色[1]。公路上超速車輛檢測、小區(qū)車輛出入管理、停車場管理等都需要車牌識別系統(tǒng)的輔助，也是智能化必不可少的部分。車牌識別發(fā)展到現(xiàn)在已經(jīng)出現(xiàn)了各種各樣的算法，并且很多車牌識別系統(tǒng)都號稱達到了99%的識別率，事實上這些系統(tǒng)與高清的攝像頭做了整合，只是依靠高清的攝像頭拍下的圖片才達到了很高的識別率。而真正的業(yè)內并沒有一套成熟的完全適用的方案。如果圖片只是生活中隨機拍下的，或者在現(xiàn)實中復雜的環(huán)境下獲取的，那么很多系統(tǒng)的識別率就沒那么高了，更比不了人眼。一般的車牌識別系統(tǒng)都由圖片預處理、車牌定位、字符分割、字符識別四部分組成，每個部分都是下一個部分的基石。每一部分選擇的算法及優(yōu)化都會影響甚至決定整個系統(tǒng)的識別率。文中利用機器學習對車牌識別進行研究，使用機器學習的思想讓系統(tǒng)自動訓練，得到適合特定情境下的車牌識別，從而隨著不斷學習而得到更高的識別率。

1 圖像去霧預處理

霧霾天氣已經(jīng)是現(xiàn)在生活中不可抗拒的因素了，采集到的圖片在一定程度上都會受其影響。這就要求對圖片進行去霧處理，解決因為霧霾天氣而使系統(tǒng)識別率下降的問題。文中先用霧霾檢測算法對圖片進行檢測，接著對霧霾環(huán)境下拍攝的圖片進行處理。采集圖像頻域信息，采用基于主成分分析(principal component analysis，PCA)和Fisher線性判別分析(linear discriminant analysis,LDA)的分類器，快速檢測出圖片中是否存在霧霾，然后針對霧霆天氣拍攝的圖像利用暗原色先驗方法進行去霧處理[2]。

采用文獻[3]基于PCA和LDA的霧霆檢測，PCA和LDA方法常被用于人臉圖像識別，而文中用于圖像的霧霾檢測。霧霾會使圖像變得模糊，采用文獻[1]提出的方法對圖像進行濾波處理，分析圖像的功率譜，存在霧霾的圖片的頻譜在原點附近集中，也就是低頻分量較多，正常天氣的圖片較為發(fā)散。對于存在霧霾的圖片采用基于暗原色先驗[4]去霧處理，采用引導濾波器[5]對透射率進行修正。引導濾波器能夠在濾波的同時清晰地保留原圖的邊緣信息，是一種平滑算子。

實驗結果表明，去霧檢測耗時只是去霧處理算法的1/7左右，也就說明去霧處理可以一定程度上提高霧霾天氣下的車牌識別的準確性，同時還基本不影響車牌識別在正常圖片上的識別速度。

2 車牌定位與檢測

車牌定位的目的就是找到圖像中車牌的所在，是車牌識別系統(tǒng)中的關鍵。主要思路是尋找車牌中的垂直邊緣，這些垂直邊緣往往是由車牌字符造成的，加上基于顏色進行定位，就會有很高的定位率。

2.1 灰度化

為了進行垂直邊緣檢測，先用合適的高斯模糊半徑對圖像去噪。接下來，需要對圖片進行灰度化。OpenCV庫中存在現(xiàn)有的灰度化函數(shù)，利用灰度化函數(shù)對圖像進行灰度化，圖像像素用0～255表示。

2.2 垂直邊緣檢測

系統(tǒng)中車牌垂直邊緣檢測采用Sobel算子，就是對圖片求橫向與縱向的方向導數(shù)，然后根據(jù)導數(shù)值大于某一閾值來判定為邊緣，對車牌塊進行一個定位。在上一步的基礎上應用Sobel算子，找出垂直邊緣，初步對車牌進行定位。

2.3 二值化

圖像的像素只用0和1表示，只需要設置一個閾值就可以進行二值化，這樣圖像像素點只有兩個值，對于后面的操作更加方便。二值化后可以看到很多空洞沒有連成整體的連通圖，接下來要進行形態(tài)學處理。

2.4 形態(tài)學處理

形態(tài)學處理就是對圖像中的形態(tài)進行一定的改變，操作對象是二值化后的圖像。文中就要用到形態(tài)學操作中的閉操作，所謂閉運算就是對圖像先膨脹，再腐蝕，從而獲得一個無突起的連通域[6]。

使用閉運算可以使二值化后的圖片中的小白塊連接到一起，這樣車牌上字符形成的小白塊就會形成一個車牌的大致輪廓。因此，首先對二值化圖片進行膨脹使白色塊擴大，然后通過腐蝕操作將連通域的邊緣和突起進行削平，最后得到一個無突起的連通圖。對二值化后圖像進行閉運算后，可以看出完整車牌區(qū)域。

2.5 顏色定位

前面已經(jīng)介紹了Sobel查找垂直邊緣來進行車牌定位，雖然效果不錯，但在面對一些車型前面有交叉的垂直邊緣的時候，使用Sobel就無法準確地定位出車牌。為了解決這些車型的車牌定位問題，考慮使用顏色進行定位。車牌的顏色可以說是單一的，再和Sobel定位相結合，定位率直接由75%提高到95%。顏色定位將會使用HSV模型[7]并設定閾值進行判斷，顏色定位的過程如下：

(1)拍攝的圖像的顏色空間為RGB，需要將圖片轉變成HSV模型，考慮到光照，用直方圖均衡對圖片進行預處理。

(2)對圖像所有像素進行0、1標識，即進行二值化。遍歷圖像上所有像素，當像素S值與V值在0.4～1.0之間，且H值在200～280之間，標記0，否則為1。

(3)對于第二步得到的二值化圖像按照車牌定位的步驟和方法，先進行閉操作，然后取輪廓將車牌的外接矩形截取出來做進一步處理。

2.6 SVM車牌檢測

候選車牌將會出現(xiàn)很多，而下一步就是將這些圖片依次放到SVM模型中，由訓練好的SVM模型檢測是否為車牌[8]。如此過程，就會篩選出圖片中的車牌，然后放入一個列表等待下一步處理，過程如圖1所示。

圖1 SVM模型檢測結果

簡單來說，通過一批候選車牌進行SVM訓練，人工標識候選車牌的真假，然后生成一個XML文件的模型。SVM訓練過程如圖2所示。

圖2 SVM模型訓練過程

模型的好壞都需要一個評定標準，下面闡述文中的評定過程。首先將大量的候選車牌分為訓練數(shù)據(jù)和測試數(shù)據(jù)，測試數(shù)據(jù)是做過標簽的，也就意味著已經(jīng)知道每張圖片是否為真正的車牌。然后用訓練后的SVM模型來判斷這些數(shù)據(jù)，就會生成新的標簽，稱之為“預測標簽”。這樣“預測標簽”與“標簽”就可以進行一個對比[9-10]。此時就會出現(xiàn)兩種誤差：標簽是真的車牌而預測標簽判斷不是車牌；標簽不是真的車牌，而預測標簽判斷是車牌。

文中設計兩個指標來評測兩種情況發(fā)生的概率，分別是“準確率”(precision)和“查全率”(recall)。準確率是在預測標簽中真正車牌所占的比例，查全率是真的車牌并且預測也是車牌的比例。公式如下：

(1)

(2)

其中，ptrue-rtrue表示真正車牌并預測也是車牌的數(shù)量；pfalse-rtrue表示真正車牌而預測錯誤的數(shù)量;ptrue-rfalse表示預測為車牌而實際不是車牌的數(shù)量。

3 字符分割

在第二節(jié)中已經(jīng)得到了車牌，接下來就是字符分割。在車牌的定位中為了判斷車牌是否為真正車牌已經(jīng)進行了歸一化，所以字符分割的車牌大小是統(tǒng)一尺寸。字符分割就是要分割出車牌中的所有文字，分割出來的字符塊將進行字符識別。具體而言，字符分割過程如圖3所示。

圖3 字符分割過程

3.1 灰度化

車牌定位部分，文中輸出的是彩色圖片，這是為了下面要用顏色處理一些問題。而在分割算法里要使用灰度化圖片，所以要將輸出的車牌進行灰度化處理。

3.2 顏色判斷

得到車牌的灰度化圖片后，接下來要分割字符，這就需要對車牌字符進行取輪廓。常見字符分割有很多方法，例如投影法、滑動窗口判斷法等，文中使用取字符輪廓法。取字符輪廓法需要轉化為二值化圖片，不過，由于藍色車牌和黃色車牌使用的二值化參數(shù)不同，可以判斷車牌的顏色。

3.3 取輪廓及外接矩形

取輪廓方法在提取英文字符時效果很好，處理中文字符就會出現(xiàn)問題。中文漢字結構和英文不同，結構筆畫會出現(xiàn)斷裂，比如圖4中的“蘇”，英文字符可以完全取出，而“蘇”字分成了兩個部分。

圖4 取輪廓操作

雖然很多中文不會出現(xiàn)上述情形，比如車牌中的“津”字，能夠完美地取出輪廓，但直接用取輪廓操作已經(jīng)不合適了。這種取輪廓的方法可以用于車牌后面的英文字符，例如“蘇A88M88”，其中“A88M88”可以得到輪廓。對于中文需要另外的方法進行單獨處理。

發(fā)現(xiàn)“蘇”字后面的“E”字符代表城市代碼，這個字符有一個特征，就是與后面的字符中間存在一個符號，這就導致了一定間隔。只要找到這個字符，向左偏移就能找到漢字的外接矩陣。圖4就是“城市代碼”與被反推得到的“省份簡稱”的矩形。

對于獲取這個“特殊字符”，如圖4所示，根據(jù)整個車牌發(fā)現(xiàn)車牌的1/7到2/7之間就是這個“特殊字符”所在。這樣就定位出這個特殊字符的外接矩陣，這種方法簡單，并且有很不錯的效果。

文中使用提出的中文字符處理方法成功獲取了中文字符，這樣車牌的所有字符矩陣都已獲取出來。

3.4 截取圖塊

取輪廓之后，把圖中的外接矩形分別截取出來，進行歸一化處理得到統(tǒng)一尺寸。輸出的字符進行字符識別模塊處理。歸一化后的字符圖塊如圖5所示。

圖5 截取并歸一化的圖塊

4 字符識別

車牌字符識別方法有很多，目前比較常見的是模板匹配法[11-12]、特征匹配法[13]和人工神經(jīng)網(wǎng)絡[14]。文中采用人工神經(jīng)網(wǎng)絡進行字符識別,需要對字符進行特征提取，確定神經(jīng)網(wǎng)絡的輸入層維數(shù)。首先把截取下來的字符歸一化為10×10的尺寸，計算10維橫向直方圖值和10維縱向直方圖值，得到20維特征向量。對于10×10的尺寸的字符塊得到100個像素塊，取每塊的值作為特征向量。這樣得到一共120維特征向量作為輸入層。

圖6 字符識別網(wǎng)絡

輸出層要預測的文字類別為10個數(shù)字(0-9)、24個英文字母(除去O和I)、31個省份簡稱共65類，對于隱藏層的節(jié)點數(shù)的設計就需要測試選擇合適的數(shù)目，根據(jù)實驗，發(fā)現(xiàn)數(shù)目為40時能夠使整個網(wǎng)絡的識別效果較好。在設計一個神經(jīng)網(wǎng)絡時，輸入層的節(jié)點數(shù)需要與特征的維度匹配，輸出層的節(jié)點數(shù)要與目標的維度匹配，因此確定神經(jīng)網(wǎng)絡的最終結構為輸入層數(shù)目120，隱藏層數(shù)目40，輸出層數(shù)目65。字符識別網(wǎng)絡如圖6所示。

5 結束語

對車牌識別的整個過程進行了闡述，提出了基于SVM的車牌定位方法并進行參數(shù)優(yōu)化，對字符的識別采用基于MLP神經(jīng)網(wǎng)絡模型。對車牌識別中定位方法采用顏色識別和垂直邊緣檢測， 對于中文字符檢測

提出新的方法。對于整個車牌識別系統(tǒng)采用Open CV3.1.0和Visual Studio 2015開發(fā)平臺實現(xiàn)。選用近萬張不同環(huán)境的車牌圖片進行SVM模型訓練，使用大量車牌中所有字符進行ANN字符識別模型訓練。測試結果表明，該算法的車牌定位率在復雜環(huán)境下的拍攝圖像能達到98.25%，而車牌中字符ANN模型的識別率達到99.57%。該方案能夠快速準確地識別車牌，對于霧霾天氣也能很好的適用，具有很強的實用性。

參考文獻：

[1] 朱 菌,唐禎敏,朱 鈞.基于機器視覺技術的城市交通預警系統(tǒng)的研究[EB/OL].2003.www.image2003.com.

[2] OLIVA A, TORRALBA A. Modeling the shape of the scene:a holistic representation of the spatial envelope[J].International Journal of Computer Vision,2001,42(3):145-175.

[3] 張 濤,王劍魁,張國山,等.多霧霾天氣車牌識別系統(tǒng)圖像預處理算法[J].山東理工大學學報:自然科學版,2015,29(1):15-19.

[4] HE Kaiming,SUN Jian,TANG Xiaoou.Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.

[5] HE Kaiming,SUN Jian,TANG Xiaoou.Guided image filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,36(6):1397-1409.

[6] HUANG Y P,CHEN C H,CHANG Y T,et al.An intelligent strategy for checking the annual inspection status of motorcycles based on license plate recognition[J].Expert Systems with Applications,2009,36(5):9260-9267.

[7] 曾 泉,譚北海.基于SVM和BP神經(jīng)網(wǎng)絡的車牌識別系統(tǒng)[J].電子科技,2016,29(1):98-101.

[8] 常巧紅,高滿屯.基于HSV色彩空間與數(shù)學形態(tài)學的車牌定位研究[J].圖學學報,2013,34(4):159-162.

[9] 黃社陽,劉智勇,阮太元.基于HSV顏色空間和SVM的車牌提取算法[J].計算機系統(tǒng)應用,2014,23(8):150-153.

[10] 郭榮艷,胡雪惠.BP神經(jīng)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):299-301.

[11] 關學忠,張 璐.基于改進的BP神經(jīng)網(wǎng)絡車牌識別的研究[J].自動化技術與應用,2015,34(7):66-68.

[12] 藍章禮，李益才，李艾星.數(shù)字圖像處理與圖像通信[M].北京:清華大學出版社，2009:179-193.

[13] 張旭蘭.基于BP人工神經(jīng)網(wǎng)絡的車牌字符識別優(yōu)化算法[J].計算機工程與應用,2012,48(35):182-185.

[14] 咼潤華,蘇婷婷,馬曉偉.BP神經(jīng)網(wǎng)絡聯(lián)合模板匹配的車牌識別系統(tǒng)[J].清華大學學報:自然科學版,2013,53(9):1221-1226.