陳政

摘? 要：一個完整的車牌識別系統(tǒng)大致由車牌圖像獲取、圖像預處理、車牌定位、字符分割和字符識別五部分組成。本文結合現(xiàn)實中光照、天氣等因素造成的干擾，針對每項技術在識別過程中經(jīng)常采用的方法展開了論述，并在此基礎上分析了當前技術仍存在的一些問題以及車牌識別的未來趨勢，希望智能交通系統(tǒng)的發(fā)展有所助益。

關鍵詞：智能交通;車牌定位;字符分割;字符識別

Abstract：A complete license plate recognition system consists of five parts：license plate image acquisition，image preprocessing，license plate location，character segmentation and character recognition. This paper combines the interference caused by factors such as illumination and weather in reality，and discusses the methods that are often used in the identification process of each technology. On this basis，it analyzes some problems existing in the current technology and the future trend of license plate recognition，it is hoped that the development of intelligent transportation system will be helpful.

Keywords：intelligent transportation;license plate location;character segmentation;character recognition

0? 引? 言

車牌識別技術是智能交通系統(tǒng)的重要組成部分，已經(jīng)廣泛應用于交通流量檢測、小區(qū)車輛管理、街道違停監(jiān)控、高速公路收費等等方面。它改變了傳統(tǒng)的交通管理體系，大大降低了人力成本，提高了工作效率，更科學高效地完善了交通管理系統(tǒng)，還具有潛在的技術應用前景。本文對車牌識別系統(tǒng)中主要技術方法存在的問題展開論述。

1? 車牌識別

一個完整的車牌識別系統(tǒng)至少要有車牌定位、字符分割、字符識別這三個過程。而在識別期間，受到影響最大的是天氣的干擾，所以在此之前需要對圖像進行獲取和預處理。

1.1? 車牌圖像獲取

目前車牌圖像獲取的技術大致分為兩種：一個由彩色攝像機和圖像捕獲卡組成：當有車輛通過傳感器時，啟動信號被發(fā)送到主機，收到信號的圖像捕獲卡會自動收集目標車輛的相關信息，彩色攝像機選用帶有自動對焦和自動光圈一體化功能的設備，以減少雨天、霧天等惡劣環(huán)境給系統(tǒng)帶來的不良干擾，并且可以開啟補光系統(tǒng)來解決光線不足時車牌圖像達不到預期效果的問題;另一種由數(shù)碼照相機構成：當感應器上有車輛通過時，會向數(shù)碼相機傳輸信號，然后數(shù)碼相機會去采集目標車輛的相關信息，并將信息發(fā)送至主機，并在啟動之前設置好與主機相連的數(shù)碼相機的一些相關技術參數(shù)，同樣可以解決光線不足時車牌圖像達不到預期效果的問題，確保圖像的質量[1]。

1.2? 車牌圖像預處理

考慮到現(xiàn)實情況，在道路上獲取到的車牌圖像經(jīng)常面臨各種問題，如光線、天氣、噪聲干擾或車牌傾斜等都會導致畫質不佳，從而加大車牌識別的難度。因此，需要預先處理在車牌定位之前的圖像以減少這些干擾。

1.2.1? 圖像灰度化處理

未處理的彩色車牌圖像均可解析成由三種顏色組成的三維矩陣：紅色、綠色和藍色。就是說在圖像上的每一個像素點都可以由它們來描述。每一個分量的取值都在0至255之間，所以可知每一個像素大概都有16000000（256×256×256）顏色;而灰度化的圖像只需要一個通道就可表達顏色上的數(shù)據(jù)，所以當在計算機上對其進行處理時，和RGB圖像相比，可減少67%的數(shù)據(jù)處理量，進而有效地提高了處理速度[2]。常對RGB的三種分量采用加權平均的方法來完成灰度化，公式如下：

I=0.229R+0.587G+0.114B? ? ? ? I為灰度值

1.2.2? 二值化處理

二值化處理可將任意圖像轉化為黑白顏色，處理后的圖片不僅更容易辨識，還降低了在計算機上的處理量。但這樣也會使圖像丟失大量細節(jié)，在處理藍底、白字的車牌時會讓圖像更加難以分辨，但灰度化后的圖像進行二值化，可以讓車牌字符變得容易分辨，所以很多圖像在進行二值化處理圖像之前都需要進行灰度化[3]。常采用自適應閾值法，該方法只需收集像素鄰域的灰度，并將它們轉化為黑或白，可以在不設置閾值的情況下獲得二值化圖像。

1.2.3? 圖像傾斜校正

在獲取圖像的過程中，由于許多因素，例如車牌懸架的角度和位置、車輛的軌跡或攝像機的傾斜，所得到的圖像可能會傾斜。所以需要對拍攝后的圖像進行傾斜度校正，常用的經(jīng)典傾斜校正算法有三種[4]：

（1）基于霍夫變換的傾斜校正：通過累加求值找到最多點所對應的角度完成傾斜校正;

（2）基于Radon變換的傾斜校正：對二值化后的圖像在各個角度上進行投影疊加，找到投影值上最大的角度完成傾斜校正;

（3）基于重心差的傾斜校正：求得圖像中心向左和向右的加權高度平均值，通過相減計算出傾斜角度完成傾斜校正。

1.2.4? 圖像傾斜校正

直方圖可以有效地表達這個圖像在整個灰度區(qū)間中的灰度構成和分布情況，通常先將圖像的像素均勻分布在灰度區(qū)間中，通過直方圖均衡化處理，使得圖像的像素點也可以均勻分布到灰度級上，這樣就可以得到對比度增強后的圖像，這種處理往往可以提高圖像的亮度[5]。

1.2.5? 濾波

在攝像機獲取車輛圖像的過程中，經(jīng)常會受天氣、泥污等因素的干擾，所以在實際拍出的圖像中有可能出現(xiàn)各種噪聲，這樣圖片的清晰度、對比度等勢必會受到影響，進而影響后續(xù)的車牌識別過程。通常采用濾波來降低或者消除這些噪聲，而濾波的方式有很多種，需要在不同情況下考慮選用哪種方式，如中值濾波、均值濾波等。

1.3? 車牌定位

車牌定位是指對獲取的圖像進行一系列處理，進而可以在圖像中定位到車牌的位置。準確、快速的車牌定位技術可以極大地幫助后續(xù)的字符分割和識別。以下是使用當前車牌定位經(jīng)常使用的三種方法。

1.3.1? 基于邊緣檢測的車牌定位方法

圖像邊緣是指圖像的灰度值發(fā)生劇烈變化的區(qū)域，由于字符在車牌圖像中具有較大的邊緣特征，所以基于邊緣檢測的車牌定位是根據(jù)圖像中字符的特征和其他邊緣信息來實現(xiàn)的[6]。卓均飛、胡煜[7]在對車牌圖像實行邊緣檢測的基礎上，利用基于雙向回溯的投影法確定車牌的上下左右邊界完成車牌的定位;王文濤、馬啟新、杜鵬飛[8]提出了一種水平垂直結構元素的方法，利用邊緣檢測和數(shù)學形態(tài)學對車牌圖像進行處理，可用于消除車牌邊框和柳釘帶來的干擾;李瓊、饒俊慧、陳多瑜[9]在邊緣檢測的基礎上，統(tǒng)計了灰度跳變的個數(shù)來確定車牌區(qū)域的邊界，從而實現(xiàn)車牌定位。

1.3.2? 基于數(shù)學形態(tài)學的車牌定位方法

數(shù)學形態(tài)學基本運算有膨脹、腐蝕、開運算和閉運算。在車牌定位中，通過膨脹求局部最大值來處理圖像外部，通過腐蝕求局部最小值處理圖像內部。這種技術可將車牌圖像內的字符區(qū)域連成一片，但很難解決干擾噪聲的問題，只能處理簡單背景的車牌圖像，因此經(jīng)常結合其他方法來實現(xiàn)車牌定位。羅山[10]利用數(shù)學形態(tài)學處理待識別車牌的候選區(qū)域，并根據(jù)區(qū)域分析定位車牌;李忠海，梁書浩，楊超[11]結合形態(tài)學和顏色特征，先用數(shù)學形態(tài)學定位車牌的大致位置，然后根據(jù)車牌的彩色像素進行詳細搜索，以達到識別的目的。

1.3.3? 基于顏色特征的車牌定位方法

攝像頭采集到的圖片大多數(shù)都是彩色圖像，里面包含很多的彩色信息，通過這些信息來定位車牌的技術就是顏色定位。這種技術即使在復雜背景下，車牌定位的準備率依然很高。但缺點也很明顯，在主機上的計算量比較大，導致車牌定位的速度不夠快，需要繼續(xù)研究。侯向寧、劉華春[12]先采用顏色分割定位車牌，當天氣原因導致定位失敗時，再采用Sobel算子的二次定位來提高車牌定位的準確率;陳海霞、崔茜[13]考慮到車牌定位時，車輛的背景顏色可能帶來的干擾，采用顏色的空間轉換只保留接近車牌顏色區(qū)域，濾去了不相干的顏色。

1.4? 字符分割

字符分割需要找到圖像中字符的邊界，將其逐一劃分并輸出到標準字符子圖。在實際應用中，光照不均或車牌上的污損都會使圖像的質量變差，從而增加字符分割的難度。

1.4.1? 基于垂直投影的字符分割

由于車牌上字符之間的大小間隙相同，所以預處理圖像時，可在垂直方向上投影圖像，形成波峰和波谷，找到波峰之間的谷點來確定字符的分割點。這種方法簡單高效，但也存在一定的局限性，對于模糊、有污損的車牌，投影后形成的波谷不明顯，分割的效果并不是很好。

1.4.2? 基于模板匹配的字符分割

我國的車牌字符有著固有的長寬比和相對固定的車牌字符結構等特征，因此可根據(jù)車牌的大小和字符之間的間距設計一個字符模板，將這個模板在車牌字符區(qū)域上進行移動，計算模板中字符像素與車牌區(qū)域像素的比值，最后求得比值的極值點，極值點所對應的位置就是字符分割的位置[14]。因此所用的匹配模板和車牌實際的大小合不合適決定了模板匹配的成功率，而且在匹配過程中邊框是很大的干擾，該方法存在一定的局限性。

1.4.3? 基于聚類分析的字符分割

首先根據(jù)車牌中字符的個數(shù)，在預處理后的車牌圖像中選擇若干個類別中心，由于字符本身帶有的連通性，可形成一個連通的區(qū)域，在這個區(qū)域中計算圖像中前景像素點與每個類別中心的距離，選擇最近的類別，并添加像素以實現(xiàn)拆分字符。當字符未連接時，此方法也具有良好的分割效果，但計算量很大，而且受干擾的情況比較嚴重，對于車牌有污損的分割，準確度并不高。

1.5? 字符識別

中國的車牌包括中文字符、24個英文字母（不包括I和O）和阿拉伯數(shù)字。因為第一個字符是漢字，所以增加了識別的難度。每一張車牌都有7個字符，不同類型的車牌字符的間隔也不同，再考慮到光照、氣候等可能帶來的干擾，所以字符識別的過程并不容易。

1.5.1? 基于模板匹配的字符識別

基于模板匹配法的字符識別[15]，首先建立標準樣本庫，然后通過圖像處理，使待識別的車牌字符大小與標準樣本庫大小相同，最后匹配所有樣本庫中的模板字符，并選擇具有最高相似性的模板字符作為結果。這種方法是最直接的字符識別方法，因為采用的是二值圖像，所以識別速度比較快，但受光照的影響特別嚴重，對噪聲比較敏感，因此往往會影響二值化處理后的圖像，出現(xiàn)模糊、粘連等情況。若能在這方面加以優(yōu)化處理，未來將會是一種很實用的識別方法。

1.5.2? 基于神經(jīng)網(wǎng)絡的字符識別

基于神經(jīng)網(wǎng)絡的字符識別[16]，首先通過輸入樣本數(shù)據(jù)來進行神經(jīng)網(wǎng)絡的學習，通過學習取得字符樣本的特征。將預處理后需要識別的字符特征輸入神經(jīng)網(wǎng)絡開始訓練，這時神經(jīng)網(wǎng)絡就會對需要識別的字符與樣本字符進行特征匹配，完成字符的識別過程。