林云

摘 要：隨著道路車輛的增多，傳統(tǒng)的人為交通管理方式越來越難以掌控復(fù)雜的道路交通情況，已逐漸退出大眾視野。而隨著機(jī)器視覺技術(shù)的快速發(fā)展，通過先進(jìn)的目標(biāo)檢測算法實(shí)現(xiàn)自動(dòng)化、智能化和精密的交通管控已開始大量普及。因此，提出并設(shè)計(jì)了基于OpenCV的道路車牌識別系統(tǒng)，可在復(fù)雜的道路環(huán)境下保持長時(shí)間工作并維持一定的準(zhǔn)確率，提高交通管理效率，節(jié)約人力資源，方便人們出行。文中利用車牌特征輸入的圖像進(jìn)行車牌定位，再通過灰度化，基于Radon變換的傾斜校正、二值化、腐蝕、膨脹等數(shù)字圖像處理算法來處理車牌圖像，去除車牌圖像因?yàn)榄h(huán)境而產(chǎn)生的干擾。之后運(yùn)用垂直投影法分割車牌字符，最后用模板匹配的方法來識別車牌字符，并輸出識別信息。在實(shí)驗(yàn)中，通過車牌數(shù)據(jù)檢測，該系統(tǒng)的識別準(zhǔn)確率超90%。

關(guān)鍵詞：計(jì)算機(jī)視覺;OpenCV;目標(biāo)檢測;特征提取;Radon變換;字符分割

中圖分類號：TP391.41文獻(xiàn)標(biāo)識碼：A文章編號：2095-1302（2020）06-00-04

0 引 言

隨著人們生活質(zhì)量的不斷提高，對汽車的需求量也在逐年增長，道路的車流量亦在飛速增多。由于駕駛員的違章行為經(jīng)常導(dǎo)致城市道路交通產(chǎn)生一些問題，如何科學(xué)有效地改善交通管理秩序是有關(guān)部門及政府當(dāng)下關(guān)心的問題。其中，車牌識別系統(tǒng)作為道路管理系統(tǒng)中最重要的部分，越來越受到人們的重視。它在實(shí)際生活中有著廣泛應(yīng)用。

（1）車輛出入管理。通過公路的入口和出口檢測，實(shí)現(xiàn)不停車收費(fèi)，還可以通過識別出來的車牌號查詢車輛是否按時(shí)繳納相關(guān)費(fèi)用，是否通過年檢等。

（2）超速檢測。當(dāng)車輛超速行駛時(shí)，可以通過系統(tǒng)提取車牌號圖像和字符信息，作為違章處罰的證據(jù)。

（3）檢測車流。車牌識別系統(tǒng)可以通過捕獲的車牌圖像獲得某段時(shí)間內(nèi)的車流量及密度，特別在車流高峰時(shí)期，可以通過分析相關(guān)數(shù)據(jù)來分散車流，誘導(dǎo)交通。

（4）居民小區(qū)及單位的車輛安全管理。

車牌識別系統(tǒng)涉及許多復(fù)雜的任務(wù)處理過程，包括圖像檢測、圖像分割和圖像識別等。在實(shí)際應(yīng)用場景中，不同的傾斜角或圖像噪聲也使得問題變得更加復(fù)雜。同時(shí)，一個(gè)好的車牌識別系統(tǒng)應(yīng)兼具精度與速度。對于車牌識別的研究開始于20世紀(jì)90年代。Duan T D等提出運(yùn)用圖像分割、特征提取、構(gòu)造模板、字符識別等計(jì)算機(jī)視覺技術(shù)和圖像處理技術(shù)實(shí)現(xiàn)車牌自動(dòng)識別[1]。但早期的車牌識別系統(tǒng)無法做到實(shí)時(shí)處理，且精度較低，仍需要人力介入。同時(shí)，由于我國車牌是由漢字、數(shù)字、字母組合而成，識別難度大大增加。在許多研究工作中[2-3]，均對圖像獲取、位置標(biāo)定、圖像曝光量等問題進(jìn)行了詳細(xì)的分析和討論。由于我國車牌系統(tǒng)的特殊情況，單一的識別技術(shù)難以奏效。因此，在綜合考慮環(huán)境因素、圖像誤差、背景環(huán)境多樣性、光線、角度等因素后，本文提出并設(shè)計(jì)了基于OpenCV的自動(dòng)化車牌識別系統(tǒng)，能夠?qū)崿F(xiàn)實(shí)時(shí)快速的車牌檢測與識別。

1 系統(tǒng)設(shè)計(jì)

本文所設(shè)計(jì)的車牌識別系統(tǒng)由車牌采集模塊、車牌定位模塊、車牌圖像預(yù)處理模塊、車牌字符分割模塊、車牌字符識別模塊、車牌識別結(jié)果輸出模塊組成。系統(tǒng)流程如圖1所示。

1.1 車牌采集

車牌采集是自動(dòng)識別系統(tǒng)的第一步。攝像頭與計(jì)算機(jī)連接，將攝像頭實(shí)時(shí)拍攝的照片傳輸?shù)接?jì)算機(jī)，之后進(jìn)行后續(xù)處理。

1.2 車牌定位

車牌定位是車牌識別的關(guān)鍵，一旦定位錯(cuò)誤，將導(dǎo)致系統(tǒng)無法對圖像進(jìn)行處理與識別。較常見的車牌圖像定位方法如下：

（1）運(yùn)用Haar特征模板和Adaboost構(gòu)建分類器的方法對車牌進(jìn)行定位，這種方法需要大量數(shù)據(jù)作為樣本進(jìn)行訓(xùn)練，然后再對輸入的圖像進(jìn)行處理;

（2）通過邊緣檢測方法，如邊緣檢測算子Sobel算子，Roberts算子，Prewitt算子，經(jīng)過一定的實(shí)驗(yàn)處理及比較，發(fā)現(xiàn)Roberts算子效果較好[4]。

本文利用車牌藍(lán)底白字的特征進(jìn)行車牌定位。先對圖片進(jìn)行y方向處理，逐行掃描并統(tǒng)計(jì)滿足一定要求的像素點(diǎn)，之后將滿足條件的像素點(diǎn)最多的一行定位為起點(diǎn)，并不斷向上掃描，當(dāng)像素點(diǎn)小于閾值時(shí)，定為車牌上界。同理，不斷向下掃描，當(dāng)像素點(diǎn)小于閾值時(shí)，定為車牌下界。再對圖像的x方向進(jìn)行處理[2]，為了防止中間出現(xiàn)斷層，特在y方向的基礎(chǔ)上由中間向兩邊逐列掃描并統(tǒng)計(jì)像素點(diǎn)，當(dāng)藍(lán)色像素小于一定閾值時(shí)，即為邊界，由此確定x的起點(diǎn)和終點(diǎn)。為了減少干擾，需要通過計(jì)算長寬比來對車牌區(qū)域進(jìn)行修正，需將原車牌區(qū)域增大或減小，然后將初步定位的車牌區(qū)域顯示在GUI上。

1.3 車牌圖像預(yù)處理

1.3.1 灰度化

輸入的圖像是彩色圖像，由紅、綠、藍(lán)三色組成，我們稱之為RGB。當(dāng)R=G=B時(shí)，圖像呈現(xiàn)灰色，而這種由無規(guī)則RGB值到R=G=B的過程被稱為灰度化，灰度范圍為0～255。彩色圖像灰度化常見的處理方法有分量法、最大值法和加權(quán)平均法。

1.3.2 二值化

首先設(shè)定一個(gè)閾值，然后對要處理的灰度圖像進(jìn)行變換，如果待處理的灰度圖像的灰度值大于125，則變?yōu)?55，小于等于125的則變?yōu)?，由此實(shí)現(xiàn)二值化。使用graythresh函數(shù)，用最大類間方差法找到適合圖片的閾值，達(dá)到二值化效果。

1.3.3 去除噪聲

利用腐蝕和膨脹進(jìn)行圖像處理，再通過去除小對象從而去除車牌上可能存在的污漬和磨損等噪聲。

文中利用開運(yùn)算與閉運(yùn)算處理方法。開運(yùn)算先腐蝕后膨脹，可將圖像的輪廓變得平滑，將斷裂的地方截?cái)?，去除輪廓上的邊邊角?閉運(yùn)算先膨脹后腐蝕，可去除圖像上的小洞，補(bǔ)全斷裂的地方[5]。

1.3.4 圖像裁剪

在消除噪聲后，為了提高后續(xù)的正確率，需要進(jìn)一步對圖像進(jìn)行裁剪。我們可以通過統(tǒng)計(jì)灰度值的集中范圍來確定車牌位置，便于分割圖像。二值化后，需要對圖像置反，以更好地查找黑色像素點(diǎn)，再通過投影法計(jì)算y方向和x方向的黑點(diǎn)個(gè)數(shù)。

為了避免邊緣造成的誤差，從車牌中心位置向兩邊查找，判斷黑色字符是否低于閾值，若低于閾值，則為上界和下界。為了避免左邊邊框的影響，需判斷x方向1/14處的黑色像素?cái)?shù)是否小于1，若小于1，則判斷此處為左邊框，如若不是，則把x=1作為左邊框。

1.3.5 傾斜校正

由于拍攝車牌圖像時(shí)外界因素的影響，如攝像頭和車牌的角度不佳，車輛行駛過程中的抖動(dòng)或車牌未正確懸掛，導(dǎo)致拍攝的車牌為傾斜狀態(tài)，因此需要對車牌進(jìn)行校正。若運(yùn)用最基本的固定角度旋轉(zhuǎn)，則可能使得正常車牌圖片或傾斜圖片的傾斜角度更大，對后續(xù)識別造成難以挽回的影響。在實(shí)際車牌識別的應(yīng)用中，常用到的傾斜校正方法有Hough變換。使用Hough變換提取邊框，確定拍攝到的車牌傾斜角，然后再通過空間變換，對圖像進(jìn)行旋轉(zhuǎn);計(jì)算出車牌上每個(gè)字符連通區(qū)域的中心點(diǎn)，再將其擬合，由此得到車牌的傾斜角;通過計(jì)算車牌字符局部極小和極大特征點(diǎn)，之后投影確認(rèn)車牌傾斜角。

本文利用Radon變換實(shí)現(xiàn)圖像旋轉(zhuǎn)，可以對不同的圖像進(jìn)行計(jì)算，從而得到不同的旋轉(zhuǎn)角。

Radon變換投影如圖2所示，均勻圖像Radon變換如圖3所示[5]。

1.4 車牌識別

1.4.1 車牌字符分割

常用于字符分割的方法有垂直投影、車牌字符間隔及車牌尺寸檢測、車牌字符輪廓檢測等。本文使用垂直投影方法，車牌字符分割流程如圖4所示。

設(shè)定閾值以判斷黑色和白色的像素點(diǎn)，定義一個(gè)數(shù)組，計(jì)算被置反后的圖像及其每一列垂直方向的黑色像素總數(shù)。將其與閾值比較，從而判斷該列的顏色。首先判斷第一列是否為黑，若為黑，無干擾時(shí)，則為第一個(gè)字符的邊界。由字符的組成可知，在無干擾時(shí)，若區(qū)域邊界的灰度值由255到0，再從0到255，則該區(qū)域?yàn)橐粋€(gè)字符。

由于上述處理可能并不完善，因此可能留下一定干擾，其中一個(gè)就是漢字前面的干擾，為了清除漢字前面的干擾，采用如下方法：

（1）識別黑色區(qū)域黑色像素總和是否小于閾值，若小于閾值，則說明該黑色區(qū)域較小，并非車牌區(qū)域;

（2）識別的黑色塊區(qū)域是否小于下一塊黑色區(qū)域?qū)挾鹊囊话?，正常情況下，應(yīng)該大于該區(qū)域，或者與之相等。

如果有干擾，則通過循環(huán)將黑色區(qū)域去除。按照車牌規(guī)格，對分割出來的字符進(jìn)行分類與后續(xù)的識別處理，并且在GUI上顯示車牌分割結(jié)果。

1.4.2 車牌字符識別

字符識別的方式總體來說分為兩種，即基于人工神經(jīng)網(wǎng)絡(luò)方式與基于模板匹配方式。本文利用模板庫與處理好的車牌字符進(jìn)行匹配，找到相似度最大的模板，并識別字符。車牌字符的識別流程如圖5所示。

模板匹配先將得到的字符進(jìn)行修正，通過雙線性插值算法將分割出來的字符修正成110×55的規(guī)格，然后分成三種格式存儲(chǔ)0～9，A～Z及省份簡稱的模板（漢字、字母、數(shù)字和字母），為了后續(xù)的模板匹配，需要將模板進(jìn)行灰度化處理、二值化處理與修正操作。修正的格式與前文一致，均為110×55，計(jì)算車牌字符和每個(gè)模板相等像素點(diǎn)的個(gè)數(shù)總和的百分比，最大即為車牌字符對應(yīng)的模板。模板位置經(jīng)過前述步驟已經(jīng)確定，之后逐個(gè)位置一一比較，再將百分比結(jié)果放在對應(yīng)位置即可。最大百分比的位置即模板位置。在識別可能出現(xiàn)數(shù)字和字母的位置時(shí)先判斷最大百分比位置是否在前十，如果在，則為數(shù)字，不在則為字母。

模板匹配相對更簡單，當(dāng)車牌字符規(guī)整時(shí)，系統(tǒng)對車牌字符受環(huán)境影響而產(chǎn)生的干擾，如車牌缺損、沾滿泥圬等具有很強(qiáng)的識別能力。

1.5 車牌識別結(jié)果輸出

在現(xiàn)實(shí)生活中，車牌識別結(jié)果通常由3種方式輸出，即輸出到屏幕、語音播報(bào)、輸出到系統(tǒng)下一級。在本文中，用OpenCV模擬車牌識別輸出，即以對話框、語音播報(bào)的方式輸出。

2 實(shí)驗(yàn)和結(jié)果分析

為了評估提出的車牌識別系統(tǒng)的有效性，通過對32張具有不同復(fù)雜程度背景的車輛圖像進(jìn)行檢測，統(tǒng)計(jì)結(jié)果見表1所列。

由表1可知，在車牌圖像為32張的情況下，識別成功了29張，識別率達(dá)到90.6%。

出錯(cuò)的部分：車牌定位出錯(cuò);車牌字符分割出錯(cuò);車牌識別出錯(cuò)。

造成這些錯(cuò)誤的可能原因：車輛顏色偏藍(lán)色，或者背景偏藍(lán)，導(dǎo)致定位出錯(cuò);車牌處理過程中邊框的影響未能消除，導(dǎo)致車牌字符分割出錯(cuò);模板匹配過程中，0與D的相似可能會(huì)造成部分車牌識別出錯(cuò)。

時(shí)間差異的原因：車牌離攝像頭越近，定位車牌區(qū)域所需要的時(shí)間越久;車牌傾斜程度越大，校正和再次剪切車牌區(qū)域所需的時(shí)間越長。

3 結(jié) 語

本文基于計(jì)算機(jī)視覺處理算法，以O(shè)penCV工具為開發(fā)平臺(tái)，提出并設(shè)計(jì)了車牌識別系統(tǒng)。該系統(tǒng)能夠處理在復(fù)雜環(huán)境下的車牌圖像，并識別車牌圖片。通過色彩因素對圖像中的車牌進(jìn)行定位，并通過Radon變換計(jì)算傾斜角，然后經(jīng)過一系列的預(yù)處理、分割、識別操作，識別圖像中的車牌信息。在仿真實(shí)驗(yàn)中，該系統(tǒng)識別準(zhǔn)確率達(dá)到90.6%。

本論文中的車牌識別方法仍有不足，需要后續(xù)進(jìn)行改正和提高。

（1）車牌圖像處理時(shí)，利用車牌特征對其進(jìn)行定位與分割的方法存在一定的局限性與誤檢率，該方法只能應(yīng)用于車輛顏色不偏藍(lán)和背景無過于密集的藍(lán)色區(qū)域。

（2）在車牌字符定位時(shí)，若邊框過大將導(dǎo)致二值化后的左邊框存在很多非字符的黑色長條區(qū)域，在分割字符時(shí)將其錯(cuò)誤的識別為第一塊字符區(qū)域。

參考文獻(xiàn)

[1] DUAN T D，DU T L H，PHUOC T V，et al. Building an automatic vehicle license plate recognition system [C]// Proc.Int.Conf.Comput.Sci.RIVF.2005：59-63.

[2]劉慶祥，蔣天發(fā).智能車牌識別系統(tǒng)中圖像獲取技術(shù)的研究[J].武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2003，27（1）：127-130.

[3]彭玲玲，任占廣，周勤.基于MATLAB的車牌識別系統(tǒng)研究[J].電子制作，2017（22）：17.

[4]賈曉丹，李文舉，王海姣.一種新的基于Radon變換的車牌傾斜校正方法[J].計(jì)算機(jī)工程與應(yīng)用，2008（3）：245-248.

[5]陳超.MATLAB應(yīng)用實(shí)例精講：圖像處理與GUI設(shè)計(jì)篇[M].北京：電子工業(yè)出版社，2011：86-87.

[6]孟祥興，宋宇飛，顧橋磊.基于OpenCV和嵌入式的工業(yè)圖像檢測系統(tǒng)[J].物聯(lián)網(wǎng)技術(shù)，2018，8（10）：106-107.

[7]雷劍鋒，汪偉.基于OpenCV的圖像閾值分割研究與實(shí)現(xiàn)[J].現(xiàn)代電子技術(shù)，2013，36（24）：73-76.

[8]張學(xué)賀，張學(xué)東，丁寧.基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測與跟蹤[J].遼寧科技大學(xué)學(xué)報(bào)，2010（5）：490-494.

[9]尹俊超，劉直芳.基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測與跟蹤[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011（8）：2817-2820.

[10]林啟亮.基于OpenCV2.x的車牌識別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].廈門：廈門大學(xué)，2013.