摘要：為了提高車(chē)牌識(shí)別的準(zhǔn)確率，在MATLAB平臺(tái)中設(shè)計(jì)出一種車(chē)牌識(shí)別系統(tǒng)，該系統(tǒng)主要工作流程有：對(duì)車(chē)牌進(jìn)行形態(tài)學(xué)預(yù)處理、車(chē)牌定位、字符分割、字符識(shí)別。在處理過(guò)程中，通過(guò)優(yōu)化算子、算法和對(duì)大量的不同形態(tài)的車(chē)牌圖像進(jìn)行測(cè)試，得到車(chē)牌定位的最佳自適應(yīng)坐標(biāo)算法，并采用改進(jìn)迭代閾值算法對(duì)定位車(chē)牌后的圖形進(jìn)行二值化處理，在車(chē)牌精確定位中取得了較好的效果。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)對(duì)車(chē)牌識(shí)別的準(zhǔn)確率達(dá)97qo，效果較好。

關(guān)鍵詞：MATLAB;車(chē)牌定位;車(chē)牌識(shí)別

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）05-0194-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

截至2019年上半年，我國(guó)汽車(chē)保有量已達(dá)3.4億，人工汽車(chē)管理難度日益增加，對(duì)汽車(chē)自動(dòng)精確識(shí)別提出很大的需求。汽車(chē)車(chē)牌的自動(dòng)識(shí)別技術(shù)作為現(xiàn)代智慧交通重要組成部分，通過(guò)圖像識(shí)別技術(shù)對(duì)汽車(chē)車(chē)牌進(jìn)行自動(dòng)精確識(shí)別，在汽車(chē)進(jìn)出管理、汽車(chē)交通違章、汽車(chē)布控巡查等情境下有著廣泛的應(yīng)用]1，2]。

自動(dòng)汽車(chē)車(chē)牌識(shí)別系統(tǒng)是基于圖像識(shí)別技術(shù)，對(duì)監(jiān)視器所拍攝的圖像進(jìn)行研究。常見(jiàn)的車(chē)牌識(shí)別主要是依據(jù)車(chē)牌圖像不同部分的有效信息不同，通過(guò)研究有效信息，對(duì)有效信息進(jìn)行檢測(cè)，如有對(duì)車(chē)牌特有的顏色對(duì)車(chē)牌進(jìn)行定位識(shí)別[13];有使用車(chē)牌特有的紋理特征對(duì)車(chē)牌定位識(shí)別[4，5];有多種混合特征對(duì)車(chē)牌定位識(shí)別[6，7]。但在實(shí)際車(chē)牌識(shí)別中，有少量的車(chē)牌邊緣特征無(wú)法捕捉，有識(shí)別速度和精度不協(xié)調(diào)，有車(chē)牌識(shí)別率不高等缺點(diǎn)。

針對(duì)上述情況，本文在充分考慮國(guó)內(nèi)車(chē)牌大量為藍(lán)底、矩形、7個(gè)字符的基礎(chǔ)上，在MATLAB平臺(tái)設(shè)計(jì)出車(chē)牌識(shí)別系統(tǒng)。該系統(tǒng)是對(duì)監(jiān)視器拍攝帶有車(chē)牌的車(chē)輛圖片進(jìn)行識(shí)別，從而提取車(chē)牌信息，對(duì)汽車(chē)進(jìn)行精確識(shí)別，其主要工作流程有：拍攝汽車(chē)圖像、對(duì)汽車(chē)圖像形態(tài)學(xué)預(yù)處理、車(chē)牌定位、字符分割、字符識(shí)別、車(chē)牌號(hào)碼輸出。該識(shí)別系統(tǒng)在預(yù)處理中加入中值濾波來(lái)抑制噪聲;在車(chē)牌定位中，優(yōu)化算子和算法，在精確定位車(chē)牌的基礎(chǔ)上減少車(chē)牌邊緣丟失的缺點(diǎn);考慮算法的數(shù)據(jù)處理時(shí)間，協(xié)調(diào)識(shí)別速度和精度，做到高效率的快速識(shí)別。

1 研究方法

1.1 車(chē)輛圖像形態(tài)學(xué)預(yù)處理

圖像的形態(tài)學(xué)處理指使用數(shù)學(xué)形態(tài)學(xué)提取圖像有用的重要分量，例如邊界、骨架等[8]。車(chē)輛圖像的形態(tài)學(xué)預(yù)處理是對(duì)車(chē)牌進(jìn)行精確定位的第一步，其具體流程有：灰度化處理、中值濾波、邊緣檢測(cè)、腐蝕邊緣、閉運(yùn)算、去除小面積區(qū)域，最終得到車(chē)牌的二值圖像。本文使用圖1作為車(chē)牌識(shí)別的最初圖像。

因Sobel算子[9]在圖像邊緣檢測(cè)中對(duì)像素位置的影響有加權(quán)處理效果，有效降低了圖像邊緣模糊程度，故使用Sobel算子對(duì)車(chē)輛圖像進(jìn)行邊緣檢測(cè)。圖2所示為對(duì)灰度化處理、中值濾波后的車(chē)輛圖像進(jìn)行Sobel算子邊緣檢測(cè)后得到的圖像。在圖2中可發(fā)現(xiàn)，邊緣檢測(cè)后基本保留了車(chē)牌的邊緣，但同時(shí)也有無(wú)用背景的邊緣信息。為去除無(wú)用邊緣信息，本設(shè)計(jì)使用lmer-ode（image，[1;1;1]）命令對(duì)圖1進(jìn)行腐蝕，腐蝕后得到圖3。從圖2可發(fā)現(xiàn)，背景無(wú)效信息大部分被去除，但車(chē)牌所在位置的有效信息也有部分被去除。若想對(duì)車(chē)牌位置進(jìn)行精確定位，車(chē)牌所在位置有效信息必須較多，為解決圖2問(wèn)題，使用閉運(yùn)算對(duì)圖3進(jìn)行有效信息填充，同時(shí)使用bwareaopen函數(shù)對(duì)無(wú)效信息的填充進(jìn)行去除，為高效率保留有效信息的填充和去除無(wú)效信息的填充，本設(shè)計(jì)在大量測(cè)試的基礎(chǔ)上，得到去除無(wú)效信息填充和保留有效信息的最佳閾值，最終得到圖4。從圖4可發(fā)現(xiàn)，車(chē)牌所在位置有效信息均被保留，其他無(wú)效信息均被去除。

1.2 車(chē)牌定位

在車(chē)牌識(shí)別中，最重要的就是對(duì)車(chē)牌所在圖像位置進(jìn)行定位。我們通過(guò)尋找圖4，這一二值圖像中車(chē)牌所在位置的具體坐標(biāo)來(lái)確定車(chē)牌的位置。因車(chē)牌形狀為矩形，所以只需要計(jì)算出車(chē)牌的兩個(gè)具體坐標(biāo)，即左上點(diǎn)坐標(biāo)和右下點(diǎn)坐標(biāo)。

圖4為二值圖像，有效信息在MATLAB軟件工作區(qū)中表現(xiàn)為矩陣元素中的1。本設(shè)計(jì)采用找到矩陣元素中所有1的坐標(biāo)，并將其橫坐標(biāo)和縱坐標(biāo)進(jìn)行相加，相加結(jié)果最小的橫縱坐標(biāo)即為車(chē)牌所在位置的左上點(diǎn)坐標(biāo)，相加結(jié)果最大的即為車(chē)牌所在位置的右下點(diǎn)坐標(biāo)。通過(guò)左上點(diǎn)坐標(biāo)和右下點(diǎn)坐標(biāo)確定的矩形，可以從圖1的灰度圖像中分割出車(chē)牌。

分割出的車(chē)牌如圖5所示。

根據(jù)本系統(tǒng)的工作流程，得到精確車(chē)牌定位圖像后，將對(duì)車(chē)牌進(jìn)行分割，分割成為7個(gè)字符的圖像，以便對(duì)字符進(jìn)行識(shí)別。為方便分割，就必須對(duì)圖5進(jìn)行二值化處理，本文使用改進(jìn)迭代閾值算法對(duì)圖5進(jìn)行二值化處理。二值化處理結(jié)果后發(fā)現(xiàn)，車(chē)牌的分隔點(diǎn)和固封螺絲出現(xiàn)在圖像中，會(huì)對(duì)車(chē)牌分割造成較大的干擾，故使用bwareaopen函數(shù)對(duì)固封螺絲和分隔點(diǎn)信息進(jìn)行清除，得到二值化處理后車(chē)牌圖像，如圖6所示。

1.3 車(chē)牌分割

車(chē)牌分割的主要工作是對(duì)圖6進(jìn)行分割，分割為7個(gè)字符。我們對(duì)圖6，這一二值化圖像的列元素進(jìn)行相加，相加后發(fā)現(xiàn)需要進(jìn)行分割區(qū)域的列元素相加值均為0，字符有效信息所在區(qū)域的列元素相加值均不為0?；谶@一結(jié)果，對(duì)圖6按照橫坐標(biāo)順序，依次相加列元素值，當(dāng)相加結(jié)果從0轉(zhuǎn)變?yōu)榉?時(shí)，記錄下非0所在的橫坐標(biāo);當(dāng)相加結(jié)果從非0轉(zhuǎn)變?yōu)?時(shí)，再次記錄下此時(shí)非0所在的橫坐標(biāo)，依據(jù)記錄出的這兩個(gè)橫坐標(biāo)分割出第1個(gè)字符。然后以此類推，通過(guò)相同的方法，依次分割出其他6個(gè)字符，并對(duì)分割出的分割出圖像結(jié)果進(jìn)行歸一化處理，最終的結(jié)果圖像如圖7所示。

1.4 車(chē)牌字符識(shí)別

字符識(shí)別的主要工作就是對(duì)圖7分割好的7個(gè)字符依次進(jìn)行字符識(shí)別有效信息輸出。本設(shè)計(jì)采用模板匹配算法對(duì)字符進(jìn)行識(shí)別[10.11]。將歸一化處理后的字符圖像與模板字符圖像進(jìn)行減法運(yùn)算，并對(duì)相減結(jié)果進(jìn)行比較，比較出的最小值即為最佳匹配結(jié)果。依次對(duì)7個(gè)字符分別進(jìn)行匹配，得到最佳匹配結(jié)果并輸出。最終輸出車(chē)配的信息，顯示結(jié)果圖8。從圖8中可發(fā)現(xiàn)，顯示原始圖像的識(shí)別結(jié)果為晉LAX795，字符識(shí)別成功。

2 小結(jié)

車(chē)牌圖像的形態(tài)學(xué)預(yù)處理和車(chē)牌定位算法對(duì)車(chē)牌圖像精確識(shí)別的成功率意義重大。本文所設(shè)計(jì)車(chē)牌識(shí)別系統(tǒng)在形態(tài)學(xué)預(yù)處理中，優(yōu)化部分函數(shù)的算子;在車(chē)牌定位算法中，提出尋找預(yù)處理后有效特征的坐標(biāo)點(diǎn)，成功提取出車(chē)牌，解決了車(chē)牌定位不精確，邊緣信息容易丟失的情況。同時(shí)，在車(chē)牌字符分割中，精確分割出車(chē)牌的7個(gè)字符，并結(jié)合模板匹配算法對(duì)字符進(jìn)行識(shí)別，結(jié)果顯示，車(chē)牌被正確識(shí)別出。結(jié)合大量實(shí)驗(yàn)的基礎(chǔ)上，本系統(tǒng)對(duì)車(chē)牌確定識(shí)別的成功率在97%以上，若想再提高識(shí)別的成功率，可以結(jié)合神經(jīng)網(wǎng)絡(luò)算法，在深度學(xué)習(xí)的基礎(chǔ)上，發(fā)現(xiàn)新的車(chē)牌定位和字符識(shí)別算法，來(lái)提高車(chē)牌識(shí)別的準(zhǔn)確率。

參考文獻(xiàn)：

[1]毛啟，張治榮，楊國(guó)榮.一種基于MATIAB的車(chē)牌提取研究[Jl.電腦知識(shí)與技術(shù)，2019，15（16）：189-190.

[2]鐘彩，唐婧，楊興耀，車(chē)牌智能識(shí)別技術(shù)的應(yīng)用研究[Jl.電腦知識(shí)與技術(shù)，2019，07（11）：189-190.

[3]趙亮.基于特征匹配的彩色車(chē)牌定位算法研究[D].長(zhǎng)沙：湖南師范大學(xué)，2013.

[4]楊鼎鼎，陳世強(qiáng)，劉靜漪，基于車(chē)牌背景和字符顏色特征的車(chē)牌定位算法[Jl.計(jì)算機(jī)應(yīng)用與軟件，2018，12（12）：216-221.

[5]李學(xué)順，魏宗壽.基于彩色邊緣檢測(cè)和Edge Boxes的車(chē)牌定 位方法[J].電腦知識(shí)與技術(shù)，2019，07（11）：187-188.

[6]陳宏照，謝正光，盧海倫.顏色與邊緣紋理相結(jié)合的車(chē)牌定位方法[J].現(xiàn)代電子技術(shù)，2018，11（05）：67-70.

[7]張曦元.基于OpenCV的智能車(chē)牌檢測(cè)系統(tǒng)[J].電腦知識(shí)與技術(shù)，2019，13（14）：225-226.

[8]胡學(xué)龍，數(shù)字圖像處理[Ml.北京：電子工業(yè)出版社，2014：125 -130.

[9]胡徐怡，王超，厲丹，基于改進(jìn)Sobel算子的邊緣檢測(cè)算法研究[J].福建電腦，2018，09（25）：235-238.

[10]張倩蓓，車(chē)牌字符識(shí)別算法研究[Dl.鄭州：鄭州大學(xué)，2019.

[11]王娜.一種基于BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別算法[J].電腦知識(shí)與技術(shù)，2017，32（29）：201-202.

【通聯(lián)編輯：唐一東】

收稿日期：2019 -11-15

作者簡(jiǎn)介：高強(qiáng)（1988-），男，山西臨汾人，助教，碩士，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)。