張連俊 張 誠(chéng)

0 引言

隨著經(jīng)濟(jì)和社會(huì)的發(fā)展，汽車數(shù)量的迅速增加使得城市交通問(wèn)題日益嚴(yán)重。車輛管理系統(tǒng)逐漸從人工管理轉(zhuǎn)變?yōu)樽詣?dòng)化和智能化管理。車輛管理系統(tǒng)智能化的核心部分就是車牌信息的自動(dòng)識(shí)別。本文提出了一種基于Matlab 的車牌識(shí)別的方案，并進(jìn)行了仿真。

1 圖像預(yù)處理及車牌定位

由于復(fù)雜天氣、光照強(qiáng)度等因素，自然環(huán)境下拍攝的車牌圖像質(zhì)量或多或少都會(huì)發(fā)生變化，圖像的質(zhì)量將直接影響后續(xù)車牌定位和識(shí)別，需對(duì)讀入的車牌圖像進(jìn)行預(yù)處理，盡可能消除噪聲提高圖像質(zhì)量。圖像預(yù)處理主要包括圖像灰度化、圖像增強(qiáng)、平滑處理等操作，并轉(zhuǎn)換為便于車牌定位的二值化圖像。本文重點(diǎn)研究的車牌為藍(lán)底類，針對(duì)黃底車牌、白底車牌，需要調(diào)整車牌定位算法并反轉(zhuǎn)圖像，在二值化后，可以轉(zhuǎn)化為白底黑字，再經(jīng)過(guò)反轉(zhuǎn)變?yōu)楹诘装鬃痔幚怼?/p>

車牌定位部分，綜合考慮了常見(jiàn)的幾種車牌定位方法的優(yōu)缺點(diǎn)，而選擇了基于灰度圖像紋理特征的車牌定位方法。對(duì)灰度圖像進(jìn)行行列掃描工作，找出圖像的每一行所包含的車牌線段，把這些線段的起始坐標(biāo)以及長(zhǎng)度記錄下來(lái)，若有連續(xù)行都有不少于一個(gè)的牌照線段，且這些行數(shù)大于某一確定閾值，就認(rèn)為在行方向上找到了關(guān)于此牌照的一個(gè)候選區(qū)域，也就確定了行方向的起始行以及高度。同理，進(jìn)行列方向的掃描。最終確定完整車牌區(qū)域，步驟如圖1 所示。

圖1 車牌定位步驟圖

2 字符分割

在進(jìn)行字符分割之前，先在精確定位后的牌照區(qū)域上進(jìn)行進(jìn)一步的圖像處理工作，例如傾斜校正、均值濾波、膨脹腐蝕等。通過(guò)這一系列處理，使得最終在字符分割前的圖像更加清晰，更加利于字符的分割與識(shí)別。采用的校正方法是基于Radon 變換的傾斜校正。

采用基于先驗(yàn)知識(shí)約束的垂直投影的車牌字符分割方法。首先對(duì)將牌照?qǐng)D像進(jìn)行灰度化、二值化圖像、開(kāi)閉運(yùn)算等預(yù)處理工作，然后從左到右對(duì)車牌圖像進(jìn)行像素掃描，計(jì)算列方向像素值總和，確定較小的像素和閾值，找到字左端，然后根據(jù)字符與車牌的高與寬的比例關(guān)系找到漢字的右端，繼續(xù)重復(fù)此操作，找到所有剩余字符的左右位置，然后逐一分割字符。

3 字符識(shí)別

采用了兩種比較典型的字符識(shí)別方法，分別是基于模板匹配的字符識(shí)別方法和基于BP 神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法。首先將需要識(shí)別的字符標(biāo)準(zhǔn)化為模板庫(kù)中模板的大小，然后將要識(shí)別的字符與字符模板庫(kù)中所有模板進(jìn)行比較，生成一個(gè)像素差距函數(shù)，接著去尋找這個(gè)差距函數(shù)的最小值，也就是通過(guò)計(jì)算比較輸入字符與模板庫(kù)中模板之間的相似程度，差距函數(shù)最小值即相似度最高的所對(duì)應(yīng)的字符模板就是所要識(shí)別的字符，最后輸出匹配結(jié)果。

圖2 BP 神經(jīng)網(wǎng)絡(luò)的應(yīng)用過(guò)程圖

模板庫(kù)的創(chuàng)建是基于模板匹配的字符識(shí)別方法達(dá)到有效識(shí)別率的關(guān)鍵，在字符進(jìn)行識(shí)別前必須把模板庫(kù)創(chuàng)建好。BP 神經(jīng)網(wǎng)絡(luò)，通常指的是基于誤差逆向傳播訓(xùn)練（也即BP 算法）的多層反饋神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)BP 神經(jīng)網(wǎng)絡(luò)最重要的部分是要有大量訓(xùn)練樣本，以及一個(gè)高效、快速收斂的學(xué)習(xí)方法。它的實(shí)現(xiàn)過(guò)程的大致框圖如圖2 所示。

圖3 網(wǎng)絡(luò)訓(xùn)練曲線狀態(tài)圖

將車牌圖像劃分為訓(xùn)練樣本和測(cè)試樣本，將訓(xùn)練樣本輸入到BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，初始化BP 網(wǎng)絡(luò)后，正向傳播計(jì)算誤差，確定是否滿足設(shè)定條件。若不滿足，則需要調(diào)整權(quán)值及閾值，重復(fù)進(jìn)行上述操作，最終將識(shí)別結(jié)果輸出。共使用了50 張車牌照片，這些照片全部為自行拍攝，保證訓(xùn)練的真實(shí)性和實(shí)際性。在這50 張照片中，其中20 張作為訓(xùn)練照片，即共訓(xùn)練字符210張字符圖像，它們包括數(shù)字、字母以及漢字。

在收集好訓(xùn)練字符后，開(kāi)始BP 網(wǎng)絡(luò)初始化和BP 網(wǎng)絡(luò)訓(xùn)練，程序通過(guò)函數(shù)封裝，返回訓(xùn)練后的網(wǎng)絡(luò)net，在訓(xùn)練圖中，可以查看到訓(xùn)練曲線及訓(xùn)練狀態(tài)圖，如圖3 所示。

4 結(jié)束語(yǔ)

仿真表明本文的綜合識(shí)別率在93.3%以上，其中字符識(shí)別率達(dá)95.6%，初步達(dá)到預(yù)期要求，提出的方法對(duì)簡(jiǎn)單的車牌識(shí)別定位是完全有效的。但還需進(jìn)一步研究提高，對(duì)存在污損、灰暗的車牌如何進(jìn)行有效的定位識(shí)別時(shí)，可以使用神經(jīng)網(wǎng)絡(luò)對(duì)車牌定位區(qū)域進(jìn)行訓(xùn)練，提升定位的效率和準(zhǔn)確率；并用卷積神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)提高識(shí)別率。