張 晨

（廈門軟件職業(yè)技術(shù)學院，福建 廈門361024）

一、引言

近年來，隨著汽車工業(yè)的發(fā)展和汽車消費需求的激增，全球汽車保有量持續(xù)上升，已遠超十億。技術(shù)的發(fā)展使公路變得越來越自動化、智能化，車牌識別系統(tǒng)成為智慧城市的重要組成部分，伴隨車牌識別技術(shù)在智能交通系統(tǒng)、高速公路收費、交通分析與執(zhí)法、自動車輛停車場等領(lǐng)域的深入應(yīng)用，車牌的識別需求也越來越大。中國的汽車消費市場潛力巨大，保有量增速連續(xù)多年居世界第一，國內(nèi)車牌識別需求越來越大。國外的車牌識別技術(shù)起步較早，已有較成熟的系統(tǒng)，但國外車牌在尺寸、顏色、字符等特征上與國內(nèi)有所不同，直接將國外的技術(shù)和系統(tǒng)應(yīng)用到國內(nèi)會存在適應(yīng)性的問題。

車牌識別主要依靠計算機視覺技術(shù)，將汽車牌照從場景中提取出來經(jīng)過一系列處理最后完成字符的識別。車牌識別系統(tǒng)通常由圖像采集、圖像預處理、車牌定位、字符分割和字符識別五部分組成。字符識別是整個流程的核心環(huán)節(jié)，常?；贠CR 技術(shù)完成，是模式識別的一種，目前比較常見的識別方法是模板匹配法、特征匹配法和人工神經(jīng)網(wǎng)絡(luò)。雖然，目前字符識別的研究和現(xiàn)有的系統(tǒng)所采用的技術(shù)手段不盡相同，但字符識別一直是車牌識別技術(shù)研究的核心內(nèi)容。本文采用的最大似然分類的方法，利用其具有快速、簡單的特點完成對車牌字符識別進行研究，作為車牌字符識別方法的一個參考。

二、車牌圖像預處理

各個國家和地區(qū)的車牌字符寬度、高度、距離等一般是按照標準確定的，不同地域范圍的字符形態(tài)特征不盡相同。我國普通汽車車牌由七個字符構(gòu)成，第一位字符為漢字，代表各省、直轄市、自治區(qū)的簡稱；第二位字符為A到Z的大寫英文字母，其中字母O 和I 不使用；第三至第七位字符為大寫英文字母或阿拉伯數(shù)字的組合。完成車牌圖像采集之后需要經(jīng)過二值化、邊緣檢測和形態(tài)學處理等一系列圖像預處理過程，以確保字符能夠準確無誤的識別出來。

（一）車牌圖像采集

采集技術(shù)決定了車牌圖像的質(zhì)量，在良好的照明條件和合理的拍攝距離及角度下，采集到的圖像應(yīng)具有良好的空間分辨率、合理的銳度和較高的對比度。輸入圖像的質(zhì)量越高，車牌識別的精度期望就越高。當車輛進入識別區(qū)域，由成像系統(tǒng)通過攝像頭拍攝完成車牌原始圖像的采集工作，再通過圖像采集卡將圖像進行模擬圖像到數(shù)字圖像的轉(zhuǎn)換并輸入存儲到計算機中。

（二）圖像預處理

各種干擾因素會影響車牌圖像采集造成圖像失真，如感光元件靈敏度不一致造成的光電轉(zhuǎn)換異常，模數(shù)轉(zhuǎn)換和傳輸過程產(chǎn)生的噪聲，以及其他環(huán)境干擾因素等等。利用圖像處理技術(shù)可以去除噪聲，提高圖像的細節(jié)和輪廓邊緣，還原圖像特征。圖像預處理主要包括三方面的內(nèi)容：高斯濾波降低圖像噪聲使圖像平滑；圖像灰度化增強圖像的效果；圖像二值化將灰度圖像轉(zhuǎn)化為二值圖像。

（三）車牌的定位

利用Sobel 算子得到一階水平方向?qū)?shù)，推算出車牌的相對位置，再通過otsu 進行閾值分割，使用閉操作，使車牌區(qū)域連接成一個矩形，之后把全圖的輪廓都計算出來并計算輪廓的外接矩形，把傾斜角度大于額定閾值的矩形舍棄，把余下的矩形進行微小的旋轉(zhuǎn)使其水平，最后完成車牌圖塊的篩選和驗證。

（四）字符分割

按照GA 36-2018《中華人民共和國機動車號牌》行業(yè)標準，國內(nèi)普通汽車車牌布局相對統(tǒng)一，如圖1 所示即寬度為440mm，高度為140mm，字符寬為450mm，高度900mm，寬高比為0.5，第一個字符左邊距為15mm，第二個字符與第三個字符之間的間隙為34mm，其他字符間隙為12mm。把彩色的車牌圖片進行灰度化處理，再使用不同的參數(shù)利用大津閾值法進行二值化，根據(jù)車牌字符寬度和高度、字符間距、左右邊距等特征得到字符的切割算法公式把圖中的字符矩形區(qū)域逐一截取出來。最后歸一化到統(tǒng)一格式。

圖1 國內(nèi)車牌常見尺寸布局

三、字符特征提取

（一）粗網(wǎng)格特征提取

將分割輸出的字符圖像進行二值化，僅保留黑白像素點，并歸一化為40x20的尺寸，經(jīng)過處理后的二值點陣圖是一個二維的位數(shù)組，每個位點與圖像像素相對應(yīng)。以像素作為取樣單位，通過對每行和列進行遍歷掃描，灰度值為1的記作黑色，為0的記作白色，統(tǒng)計行和列的1值點數(shù)即為該點陣圖的特征值。粗網(wǎng)格特征反映出了字符的整體形狀和像素值分布情況，但容易受到字符傾斜、偏移等情況的影響，因此再結(jié)合梯度數(shù)據(jù)來提取圖像的特征。

（二）梯度特征提取

采用HOG提取圖像邊緣輪廓特征分布數(shù)據(jù)，進一步減弱噪聲干擾，獲取輪廓信息。通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖得到特征描述子，構(gòu)成圖像梯度特征：

最后由粗網(wǎng)格特征和梯度特征構(gòu)成整張字符圖像的特征：

四、最大似然分類

（一）最大似然估計

最大似然估計是一種使用概率模型來進行參數(shù)估計的方法。利用已知的樣本結(jié)果，構(gòu)建模型并在此基礎(chǔ)上，反推最有可能產(chǎn)生這個結(jié)果的模型參數(shù)值。利用最大似然估計的基本思想：當車牌字符圖片樣本為（n 為樣本的容量）時，根據(jù)概率密度函數(shù)構(gòu)建信號似然函數(shù)L（θ），得出θ來使某結(jié)果出現(xiàn)的可能性達到最大，并求其最大值對應(yīng)的θ。

（二）最大似然分類

基于統(tǒng)計分類器的方法是字符識別中常用的方法，如隱馬爾科夫隨機模型（HMMs）、SVM等。最大似然法分類基于經(jīng)典統(tǒng)計模式識別理論，是一種監(jiān)督分類方法。分類判別規(guī)則基于概率，預先設(shè)置好的m類模型數(shù)據(jù)集，計算出某個像元屬于m中某一類的概率，然后再將該像元劃分到概率最大的那一類。在車牌字符識別中，每個字符樣本數(shù)據(jù)都是獨立于其他字符數(shù)據(jù)生成的，所有字符數(shù)據(jù)的總概率為每個數(shù)據(jù)點的概率的乘積，即邊緣概率的乘積，從高斯分布中生成的單個目標數(shù)據(jù)點的邊緣概率是：

μ 是該類別樣本中所有值的估計均值，㎡是該類別樣本中所有觀測值的估計方差。只要得出能夠讓上述表達式最大化的μ 和m 的值就可以得到該樣本最大概率。此時，標準樣本偏差近似為一組特征似然函數(shù)的總和：

五、實驗結(jié)果分析

本文仿真平臺主要基于python 和OpenCV 搭建，用到numpy庫和sympy庫。其中OpenCV用于圖像處理和特征識別，numpy 用于特征數(shù)據(jù)的處理和存取，sympy 用于處理最大似然分類。整體識別運行過程如圖2 所示。最大似然分類器的運行過程：輸入漢字、字母、數(shù)字類別樣本圖片，進行預處理和特征提取；構(gòu)建最大似然函數(shù)，得到字符先驗概率P；分類識別判斷類別結(jié)果、檢驗結(jié)果。

圖2 車牌字符識別整體運行過程

（一）生成樣本特征數(shù)據(jù)集

實驗收集的字符樣本來源于網(wǎng)上公開數(shù)據(jù)庫、網(wǎng)絡(luò)搜索引擎搜索結(jié)果和虛擬車牌圖片。將所有漢字、數(shù)字、字母字符樣本數(shù)據(jù)集分為訓練集和測試集兩部分。樣本數(shù)據(jù)集共分為65 類，其中數(shù)字0-9 共十個類，字母A-Z 排除O 和I 后共二十四個類，中文漢字共三十一個類(“京”，“津”，“冀”，“晉”，“桂”，“滬”，“陜”，“吉”，“魯”，“貴”，“甘”，“鄂”，“遼”，“贛”，“蒙”，“閩”，“寧”，“黑”，“瓊”，“湘”，“蘇”，“皖”，“青”，“浙”，“豫”，“渝”，“粵”，“云”，“新”，“藏”)。OpenCV將每張輸入字符圖片大小歸一化為40x20，并轉(zhuǎn)成灰度點陣圖，提取字符特征并將數(shù)據(jù)處理成.npy的數(shù)據(jù)。

（二）最大似然分類器

構(gòu)建最大似然函數(shù)，計算各類字符樣本的特征密度函數(shù)，從每個備選樣本估計特征向量，用于匹配計算似然性，然后從這些特征中計算出可能性，得到字符各類別的先驗概率P。通過樣本訓練生成參數(shù)作為閾值，并進一步細分閾值結(jié)果，每個結(jié)果定義一個字符。分類識別，將待檢測目標圖像特征輸入進行遍歷計算，最后與閾值比較偏離程度，判斷類別結(jié)果。采用一對多分類，65種樣本類別構(gòu)成分類器，其中漢字分類器31個、數(shù)字分類器10個、英文字母分類器24 個。根據(jù)具體的識別環(huán)境設(shè)定一個匹配相似度閾值)，定義如果比對偏離值小于匹配不成功，即不是同一字符?？梢酝ㄟ^改變閾值來獲得多種候選字符格式，同時閾值變化使系統(tǒng)能夠減少可能因噪聲而導致的錯誤判斷。

（三）分類器的訓練與測試

訓練和測試兩個過程是分開的，按照7:3 的比例將所有正負樣本圖片塊分為訓練集和測試集兩類。分類器存儲各訓練類的均值和方差以及字符各類別的先驗概率。提取車牌標準模板字符特征值，并構(gòu)建特征向量，待識別車牌字符特征值構(gòu)造特征向量。先把訓練好的結(jié)果以xml 文件的形式存儲，如圖3所示，程序在執(zhí)行前需要預先加載好xml文件，輸入檢測目標特征計算向量與的偏差，并將其與訓練階段中描述的模型訓練得到的閾值進行比較，在閥值范圍內(nèi)最終概率最大的被確定為具有最大似然性的結(jié)果，判定為某個字符，完成字符識別。針對模型運行所有組件和集合時，可以不斷訓練直到獲得最佳結(jié)果。

圖3 最大似然分類的國內(nèi)車牌字符識別系統(tǒng)

訓練與測試結(jié)果如表1 所示，數(shù)字和字母的識別率在一定程度上受到了字母與字母、字母與數(shù)字之間存在相似字符的情況的影響，不如漢字的識別率高。根據(jù)最大似然分類的特點，可加大樣本進行訓練，以提升識別精度。

表1 訓練與測試結(jié)果

六.結(jié)語

字符識別作為車牌識別過程中最重要的環(huán)境，將直接影響到系統(tǒng)的整體效率。利用最大似然分類簡單快速、實施方便的特點，針對國內(nèi)車牌的一些特點，提出了一種最大似然分類的國內(nèi)車牌字符識別的方法，以降低字符識別過程的復雜程度，提升識別效率。實驗仿真結(jié)果表明，該方法對國內(nèi)車牌字符可以有效識別，為國內(nèi)車牌字符識別提供一種參考和借鑒。