駱立志 吳飛 曹琨

摘 要：車牌識別技術(shù)種類繁多，理想情況下識別率已達到99%，而對于遠距離模糊不清的抓拍圖片，識別效果還不夠，為此提出一種利用圖像超分辨率重建技術(shù)提高模糊車牌識別率的方法。首先利用圖像處理方法對圖片進行分割；其次利用支持向量機（SVM）對分割得到的圖塊進行分類，篩選出車牌圖塊；再利用多幀低分辨率車牌圖塊進行最大后驗估計（MAP）超分辨率重建，得到比較清晰、便于識別的車牌；最后利用人工神經(jīng)網(wǎng)絡（ANN）方法進行光學字符識別（OCR），最終得到識別結(jié)果。實驗表明，與傳統(tǒng)車牌識別技術(shù)相比，該方法具有更強的魯棒性，且在模糊車牌識別中正確率明顯提高。

關鍵詞：車牌識別；超分辨率；支持向量機；人工神經(jīng)網(wǎng)絡；圖像識別

DOI：10. 11907/rjdk. 182142

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2019）005-0177-04

Abstract： Nowadays plate recognition technology is blooming everywhere. Some people even claim that their recognition rate has reached 99%. However， those are some of the ideal cases of recognition rate， for those long-distance blurred snapped pictures， their methods will seem powerless. In this paper， a method of using image super-resolution reconstruction technology to improve the recognition rate of fuzzy license plates is proposed. This method first uses image processing to segment the image， and then uses support vector machine （SVM） to classify and screen out the license plate tiles， and then uses the multi-frame low-resolution plate tiles to perform maximum a posteriori （MAP） estimation super-resolution reconstruction and obtain a relatively clear and easy recognition of the plate， and finally use the artificial neural network （ANN） method for optical character recognition （OCR） to get the plate recognition results. Experiments show that this method is more robust than the traditional license plate recognition technology， and the correct rate is significantly improved.

Key Words： plate recognition； super-resolution； support vector machine； artificial neural network；image recognition

0 引言

作為交通控制系統(tǒng)的重要組成部分，車牌識別系統(tǒng)利用計算機應用技術(shù)實現(xiàn)車牌認讀，提高了交通控制系統(tǒng)自動化和智能化水平。車牌識別系統(tǒng)在交通事故自動測報、交通管控和交通流量管理等方面發(fā)揮著越來越重要的作用，被廣泛應用于停車場、居民小區(qū)、橋梁和公路收費站、公路流量監(jiān)測站等認證車牌的實際交通系統(tǒng)中[1]。一般情況下，車牌識別系統(tǒng)主要包含兩個過程：車牌檢測和字符識別[2]。

車牌檢測是指對包含車牌的圖像進行分析，最終截取出只包含車牌的一個圖塊。其方法主要有顏色特征[3]、紋理特征[4]、字符特征[5]、邊緣特征[6，7]和灰度跳變特征[8]等。字符識別目的就是從上一個車牌檢測步驟中獲取得到的車牌圖塊，進行光學字符識別（Optical Character Recognition，OCR），其方法主要有模板匹配法[9-12]、人工神經(jīng)網(wǎng)絡法[13，14]和特征提取法[15，16]。

一般近距離且光照充足情況下，高清攝像頭捕獲的圖片經(jīng)過以上兩步基本上可進行高精準度車牌識別。然而，遠距離或高速公路上抓拍獲取的圖片在提取車牌圖塊后像素一般都非常低，甚至無法通過人眼和人類先驗知識進行區(qū)分辨別，對于該類圖片識別，傳統(tǒng)的車牌識別系統(tǒng)顯得無能為力。

本文將基于多幀的圖像超分辨率技術(shù)應用于模糊車牌識別系統(tǒng)中。首先，將攝像頭拍攝到的圖像經(jīng)過圖像處理技術(shù)進行分割，再經(jīng)過支持向量機（Support Vector Machine，SVM）分類篩選出包含車牌的圖塊，然后利用圖像超分辨率技術(shù)對含有車牌的圖塊進行處理，得到分辨率和辨析度更高的車牌圖塊，最后利用人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANN）進行光學字符識別。該方法有效提高了車牌識別準確率，具有處理速度快、準確率高等優(yōu)點。

1 車牌識別系統(tǒng)框架分析

一個完整的車牌識別系統(tǒng)如圖1所示，主要包含車牌檢測和字符識別兩個部分。模糊車牌識別，一般是在車牌檢測與字符識別兩個部分之間添加一個車牌清晰化過程。常見的模糊類型包括運動模糊、散焦模糊、低分辨率、噪聲干擾、低對比度等。其中，最難處理的模糊類型是低分辨率，其它幾種模糊都可以通過調(diào)節(jié)圖像參數(shù)的方法達到最優(yōu)狀態(tài)[17]。因此，本文重點在于對低分辨率車牌的處理過程。