馬志遠 余粟

摘要：為了對現(xiàn)有小型汽車號牌識別系統(tǒng)進行優(yōu)化，改善車牌字符識別系統(tǒng)性能，借助OpenCV圖像處理開源庫，在車牌圖像頇處理階段采用均值濾波方法提高圖像質(zhì)量，采用Sobel邊緣檢測算子對圖像邊緣進行提取，利用交替的膨脹、腐蝕操作結(jié)合車牌長寬比實現(xiàn)車牌輪廓定位，并根據(jù)列像素值對車牌字符進行切割，最后采用改進的K近鄰算法對分割后的單個車牌字符進行識別.實驗結(jié)果表明，基于改進K近鄰算法的車牌識別系統(tǒng)處理時間為2.08s，識別正確率達91.3%。與傳統(tǒng)的K近郃算法相比有著更高的識別率，與神經(jīng)網(wǎng)絡(luò)法相比，有著更快的識別速度。

關(guān)鍵詞：均值濾波;Sobel邊緣檢測;車牌識別;改進的K近鄰算法

DOI：10.11907/rjdk.192090 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP317.4文獻標識碼：A 文章編號：1672-7800（2020）006-0231-04

0 引言

隨著人民生活水平的不斷提高，小型汽車銷量穩(wěn)定增長，汽車保有量不斷攀升。汽車在給人們帶來便利的同時也帶來了交通擁擠、環(huán)境污染等一系列社會問題，這些問題隨著汽車數(shù)量的增加日益嚴重。因此，學者們提出了智能交通系統(tǒng)，誕生了車牌識別LPR（License Plate Recognition）技術(shù)。該技術(shù)經(jīng)過不斷發(fā)展，逐漸成為智能交通系統(tǒng)的重要組成部分。車牌識別系統(tǒng)不僅可以實現(xiàn)車輛快速進出，減少碳排放量和車輛損耗，降低PM2.5，而且可以顯著降低交通管理中的運營成本，節(jié)約人力資源，提高服務質(zhì)量。

車牌字符識別算法是評判一個車牌識別系統(tǒng)性能的重要依據(jù)，直接影響整個系統(tǒng)性能。為了實現(xiàn)字符的智能識別，相關(guān)學者已經(jīng)研究出很多識別方法，如模板匹配法、支持向量機SVM（Suppofl Vector Machine）法、神經(jīng)網(wǎng)絡(luò)法等。

（1）模板匹配法：通過建立字符模板數(shù)據(jù)庫，將待檢測車牌字符圖像矩陣與字符模板庫中標準字符矩陣進行對比，根據(jù)待檢測圖像與模板圖像兩者之間的相似程度，對輸入圖像進行判斷。

（2）SVM法：SVM法分為訓練階段和測試階段，訓練階段對訓練集的樣本進行特征提取，然后設(shè)置SVM參數(shù)并訓練出SVM分類器;測試階段將待檢測的車牌字符樣本進行特征提取，將特征帶人已經(jīng)訓練好的SVM分類器，計算出決策值，根據(jù)決策值判斷樣本所屬的類別。

（3）神經(jīng)網(wǎng)絡(luò)法：神經(jīng)網(wǎng)絡(luò)通過訓練樣本的輸入，根據(jù)網(wǎng)絡(luò)輸出結(jié)果與期望輸出調(diào)整網(wǎng)絡(luò)內(nèi)部各神經(jīng)元之間的連接關(guān)系，從而構(gòu)建一個分類模型，根據(jù)分類模型得到測試數(shù)據(jù)的識別結(jié)果。

為提高車牌字符識別系統(tǒng)準確率，在以上方法基礎(chǔ)上學者提出了不同的改進策略，如文獻[8]、文獻[9]在模板匹配基礎(chǔ)上，首先建立字符識別模板庫，將分割后的車牌字符與模板庫中的字符進行距離運算，以最大相關(guān)算子對應的模板為最佳匹配模板，但這種方法沒有考慮相關(guān)算子大小對預測輸出的影響程度;文獻[10]、文獻[11]中基于支持向量機的識別方法在解決多分類問題時存在固有缺點;文獻[12]、文獻[13]采用卷積神經(jīng)網(wǎng)絡(luò)方法，需要進行大規(guī)模數(shù)據(jù)訓練，計算過程過于復雜。以上研究都沒有設(shè)計出一種簡潔、有效的車牌字符識別算法。

本文通過在車牌字符識別中采用改進的K近鄰算法，在識別輸出階段增加了輸人數(shù)據(jù)與模板數(shù)據(jù)之間距離大小對預測輸出影響程度這一因素，彌補了傳統(tǒng)K近鄰算法中距離鄰近的類別被認為是相同的缺點，從而對車牌識別系統(tǒng)中傳統(tǒng)的K近鄰算法進行了改進。

1 車牌識別系統(tǒng)

車牌識別系統(tǒng)流程有4個步驟：①車牌圖像預處理;②車牌定位;③車牌字符分割;④單個車牌字符識別，系統(tǒng)總體設(shè)計如圖l所示。本文針對車牌識別系統(tǒng)每個環(huán)節(jié)設(shè)計了不同算法，通過利用開源計算機視覺庫OpenCV（Open Source Computer Vision Library）中提供的處理工具，對每一過程進行仿真實驗。

2 車牌圖像預處理

2.1 車牌圖像灰度化

彩色車牌圖像每個像素點由紅綠藍（RGB）3種色彩疊加構(gòu)成，不同的色彩通道值不盡相同。在識別系統(tǒng)中，為了方便對像素數(shù)據(jù)進行處理，采用加權(quán)平均法把RGB三通道圖像轉(zhuǎn)換為單通道灰度圖像，即對車牌圖像中每個像素的R、C、B值加起來求平均值，求得每個像素點的平均值作為車牌灰度圖像的像素值。

由公式（1）計算得到的所有灰度值構(gòu)成新灰度圖像。圖2為原始車牌圖像，圖3為灰度化的車牌圖像。

2.2 均值濾波

由于車牌圖像在采集過程中所處的環(huán)境不同，以及受限于采集圖像設(shè)備性能，使采集到的車牌圖像存在各種各樣的噪音，這些干擾信號會使圖像質(zhì)量降低，給車牌識別工作帶來困難。因此，對采集到的圖像進行濾波操作是消除干擾信號的重要措施。在車牌定位之前，要對采集到的車牌圖像進行濾波操作，在保留原始車牌特征基礎(chǔ)上，過濾掉干擾信號，盡量減少噪聲帶來的影響。均值濾波是低通數(shù)字濾波的一種，具有效率高、執(zhí)行速度快的優(yōu)點，采用3*3的均值濾波卷積核對灰度化的車牌圖片進行濾波操作，以過濾掉圖像中存在的噪音。均值濾波的卷積核為：

具體操作步驟為：對于卷積核錨點（帶“”的位置）覆蓋下的像素點，其像素值等于3*3鄰域范圍內(nèi)所有像素值的和進行均值濾波，得到的圖像如圖4所示。

2.3 邊緣提取

車牌圖像邊緣提取就是獲取車牌圖像中像素階躍較大的像素群，這些像素群中包含車牌輪廓，邊緣提取為接下來的車牌定位打下了基礎(chǔ)。Sobel算子常用于獲取圖像的一階梯度值，分別用3*3的水平方向卷積核和垂直方向卷積核對均值濾波后的圖像進行卷積操作，求出車牌圖像中每個像素值的橫向梯度值和縱向梯度值。

得到圖像每個像素點的梯度。設(shè)置閾值，如果該像素點的梯度值C大于Dt，就認為該點是邊緣點，對該像素點予以保留;如果梯度值小于Dt，就將其舍棄。提取邊緣后的圖像如圖5所示。

2.4 形態(tài)學車牌定位處理

2.4.1 形態(tài)學處理

數(shù)學形態(tài)學是一門建立在集合論基礎(chǔ)上的學科，在圖像處理領(lǐng)域應用廣泛，其基本操作包括：膨脹（Dilate）、腐蝕（Erode）。膨脹操作可以連接相近的圖像區(qū)域，腐蝕操作可以去除孤立區(qū)域，通過交替進行的膨脹、腐蝕操作，找到包含車牌信息的矩形輪廓結(jié)構(gòu)。本文為使車牌字符區(qū)域能夠連通起來，依次進行兩次橫向的膨脹操作，再經(jīng)過4次迭代腐蝕操作，以盡可能多地去除車牌圖像之外的小塊碎片區(qū)域，最后再進行兩次膨脹操作，以恢復由腐蝕操作造成的車牌圖像不連通區(qū)域。經(jīng)過形態(tài)學處理的圖像如圖6所示。

2.4.2 車牌輪廓查找與篩選

圖6中3塊白色圖形其中一個包含了車牌的輪廓與位置信息，車牌輪廓查找與篩選要從這3個圖形中選出正確的車牌輪廓。分別計算這3個圖形水平方向與垂直方向上不為0的像素點個數(shù)，作為其長（Height）與寬（Width）;根據(jù)設(shè)置車牌長寬比參數(shù)i（2.5

3 車牌字符分割

車牌字符識別是一種基于單字符的識別方法，識別的前提是對連通的車牌圖像進行分割，獲得單字符圖像。車牌字符的正確分割直接影響到字符識別環(huán)節(jié)，因而在車牌字符分割前，對車牌圖像進行預處理就顯得尤為重要。

3.1 車牌字符分割預處理

首先對提取出的車牌進行灰度化、二值化等操作，便于車牌像素信息的計算和統(tǒng)計。車牌邊框在車牌字符識別中屬于無用信息，需要去除。車牌邊框是一些水平排列的像素點和垂直排列的像素點，定義閾值分別為車牌圖像平均每行像素值和每列像素值的1.6倍，通過依次掃描圖像中的行像素值與列像素值，與閾值進行比較，對低于閾值的行和列刪除，以達到去除車牌邊框的目的。去除邊框后的車牌圖像如圖8所示。

3.2 基于列像素均值的車牌字符分割法

在車牌圖像中，包含車牌字符區(qū)域白色較多，相應的列像素值較高，而沒有字符的區(qū)域基本為黑色，相應的列像素值就較低。車牌字符分割方法可檢測車牌圖像列像素值的變化。首先計算所有列像素值的和S，然后求取列像素的均值，將閾值設(shè)置為所有列像素均值的70%。對車牌圖像進行逐列掃描，求其列像素值，將超過閾值對應列的值置為“l(fā)”，直到找到一個低于閾值的列，并將其值置為“0”。

從P_c=1列開始，直到出現(xiàn)P_c=0的n列，中間的n-j列即為車牌字符分割長度len。為了增加字符分割的準確性，在得到字符分割寬度len之后，考慮到車牌中只有7個字符，再通過判斷l(xiāng)en的值與車牌寬度的1/7作比較，如果len大于車牌寬度的1/7，即視為合理分割寬度，否則視為不合理分割寬度。最后，根據(jù)得到的合理分割寬度進行車牌字符分割。車牌字符分割效果如圖9所示。

4 基于改進K-近鄰算法的車牌字符識別

我國小型汽車號牌字符包含3類，分別為以“京”、“滬”、“粵”等31個漢字代表省、自治區(qū)、直轄市簡稱，除去字母0和I的24個從A-Z的大寫英文字母，以及0-9的10個阿拉伯數(shù)字。車牌字符識別目的是從已經(jīng)分割的單個車牌字符圖像中識別出對應的65個字符中的一個。K-近鄰算法是分類數(shù)據(jù)最簡單有效的算法，在車牌字符識別方面有著廣泛應用。K近鄰算法在輸入新的分類對象時，會與已有模板數(shù)據(jù)進行比較，根據(jù)模板數(shù)據(jù)與輸人數(shù)據(jù)距離的大小，從模板數(shù)據(jù)中選出與需要分類對象最為相似的模板數(shù)據(jù)作為預測輸出。本文提出改進的K近鄰算法，在獲得輸入數(shù)據(jù)與模板數(shù)據(jù)的距離后，根據(jù)距離權(quán)值得分相加得到標簽的總得分，進而判斷出輸人數(shù)據(jù)所屬的標簽。

在互聯(lián)網(wǎng)中收集字符65*5個車牌字符圖像，依次對其進行裁剪、灰度化處理，得到28*28的單通道灰度圖像。定義325個784列的行向量，對每個圖像的784個像素值進行儲存，通過矩陣合并構(gòu)成325行784列的矩陣。

定義一個標簽數(shù)組Labels，標簽數(shù)組中的字符（例如“滬”、“K”）對應DataSet矩陣中的行向量。將分割出來的車牌字符圖像同樣轉(zhuǎn)換為行向量θ_test存儲起來。根據(jù)DataSet矩陣行的大小，復制θ_test成為與行數(shù)相等且每行都為θ_test的矩陣lnx。

通過歐式距離公式計算lnx每行與DataSet對應行的距離d_i，從而得到矩陣D。

計算矩陣D元素總和D_sum并得到權(quán)值矩陣Q，其中權(quán)值矩陣Q中每個元素Q_i的大小為：

對D中元素值進行大小比較，返回K個D中最小元素所對應的行標m₂₁.…m_k，取出Label中行標m所對應的字符標簽以及對應的權(quán)值得分Q_i，將相同標簽的不同Q_i加起來得到其標簽得分M。標簽得分M的最大值所對應的標簽字符即為車牌識別系統(tǒng)識別出來的車牌字符。

5 實驗結(jié)果與分析

為驗證改進K近鄰算法在小型汽車號牌識別系統(tǒng)中的有效性，對互聯(lián)網(wǎng)上下載的400張不同天氣、不同角度和不同照明條件下的車牌圖像，在配置為Windows 10系統(tǒng)AMD Ryzen 52600@3.4GHz CPU，16G內(nèi)存的計算機PYthon2.7平臺上進行車牌字符識別實驗，圖10為本文示范車牌的識別結(jié)果。與傳統(tǒng)K近鄰算法、神經(jīng)網(wǎng)絡(luò)法進行對比，對圖像集進行參照實驗，實驗結(jié)果如表1所示。

由表1可以看出，該算法與傳統(tǒng)K近鄰算法相比有更高的識別率，與神經(jīng)網(wǎng)絡(luò)法相比，具有結(jié)構(gòu)簡單以及更快的識別速度等優(yōu)勢。

6 結(jié)語

本文借助OpenCV圖像處理工具，設(shè)計了一種小型汽車號牌識別系統(tǒng)，對傳統(tǒng)K近鄰識別算法進行了改進。首先對包含車牌信息的圖像進行灰度化、濾波、邊緣提取、形態(tài)學處理等操作，獲取圖像中可能存在的車牌圖像輪廓，根據(jù)車牌的長寬比從目標輪廓中篩選出正確的車牌輪廓。獲得車牌圖像后，對其進行灰度化、二值化和去邊框等預處理;然后采用基于列像素均值的車牌字符分割法，分割出車牌圖像中的單個字符;最后采用改進的K-近鄰算法將輸人數(shù)據(jù)與模板數(shù)據(jù)之間的距離通過加權(quán)得分的方式運用到車牌字符識別中，使得識別系統(tǒng)對車牌字符的預測相比傳統(tǒng)K近鄰算法更加準確。但是本文對車牌圖像的預處理閾值均是在不斷調(diào)整中得到的，并沒有找到一種合理的閾值確定方法;改進的K近鄰算法如何針對不同模板數(shù)據(jù)集搜索一個最優(yōu)K值，這些仍需要進一步研究。