張博 楊維 耿放 馬曉元 韓策策

河北軌道運輸職業(yè)技術(shù)學院，河北石家莊 052165

0 前言

近些年，隨著我國鐵路網(wǎng)的逐步延伸，公路路網(wǎng)的迅速發(fā)展，鐵路、公路客運車輛、貨運量、私家車保有量快速增長，如何高效地管理、組織車輛是擺在鐵路運營部門以及公路交通管理部門面前亟待解決的問題。采用計算機技術(shù)，實現(xiàn)鐵路車輛車次號自動記錄、汽車車牌自動識別，對于交通智能化，提高交通系統(tǒng)的組織及管理水平，節(jié)省人力物力具有非常重要的意義。

1 系統(tǒng)總體設(shè)計方案

實現(xiàn)字符識別可按照以下基本步驟：圖像采集和初步處理，確定字符區(qū)域詳細位置，字符切割，字符甄別。

采集到車輛靜態(tài)圖像后，將原始圖像轉(zhuǎn)換為灰度圖像；圖形初步處理就是采用圖像處理領(lǐng)域一些常規(guī)預處理方法，比如灰階處理、圖像二值化等[1]；通過邊緣檢測算法，找到圖像中亮度變化陡峭的點組成集合就可以構(gòu)成字符的輪廓，由此可以確定圖像中字符的具體位置，將車牌進行邊緣提取后重復進行開閉運算，確定出車牌區(qū)域；采用投影分析法，將車牌上有效字符切分成七個獨立單元，為保證切分的合理和準確，還要對切分結(jié)果進行校驗；采用模板匹配法對切割后字符進行對照識別。為了便于展示各階段字符處理效果，我們以車牌字符識別為例進行分析。

車輛牌照字符識別系統(tǒng)利用采集到的車輛動、靜態(tài)圖像進行牌照號碼的識別，完成系統(tǒng)功能需要硬件和軟件的支撐。硬件設(shè)備包括圖像采集設(shè)備、照明裝置、后臺處理單元等；軟件有車牌精確定位算法、字符分割算法等。車牌識別系統(tǒng)包括車輛感知、圖像采集、牌照識別等部分。車輛感知部分檢測到車輛接近并觸發(fā)圖像采集部分，采集當前車輛的圖像；牌照識別單元定位出圖像中牌照的精確位置，再將牌照中的字符切割成獨立單元分別識別，最后將識別到的字符牌照輸出[2]。具體流程圖如圖1所示。

2 車牌字符識別實施步驟

2.1 彩圖轉(zhuǎn)為灰度圖

灰度圖像沒有RGB顏色信息，灰度是指黑白顏色的程度?；叶葓D將亮度值劃分為256個級別，0表示最暗（全黑），255表示最亮（全白），介于0至255之間的部分是從黑到白的過渡部分。因為彩色圖像包含的信息量大且運算復雜，所以進行圖像處理前會將彩色圖像按照加權(quán)的方法先轉(zhuǎn)換為黑白（灰度）圖像[3]。具體涉及領(lǐng)域不同，加權(quán)的權(quán)重也不盡相同，一般來說R（紅）、G（綠）、B（藍）的比例為3:6:1，可以根據(jù)公式（1）將RGB顏色轉(zhuǎn)換成灰度圖像。圖2是車牌原圖和灰度圖的對比。

灰度值=0.299R+0.587G+0.114B （1）

2.2 灰度直方圖

灰度圖像直方圖描述的是灰度級同繪制頻率之間關(guān)系的函數(shù)，將圖像中某像素出現(xiàn)頻率同圖像總像素相除，即可以得到該像素點出現(xiàn)的頻率。圖像直方圖中橫坐標是灰度級別，分為0至255共256個層次，縱坐標為圖像中該灰度級出現(xiàn)的次數(shù)（頻率），如圖3所示。

2.3 灰度拉伸

2.4 Roberts算子邊緣檢測

圖像中，局部特征以及周圍像素顯著變化就會產(chǎn)生邊緣。邊緣檢測的目的是找出數(shù)字圖像中亮度變化最顯著點的集合。

Roberts（又稱羅伯茨）算子是利用局部差分算子尋找邊緣的數(shù)學算法[4]，利用對角方向兩像素的差值近似等于梯度幅值來檢測邊緣。這種算法檢測垂直邊緣的效果較好，確定邊緣的精度高，缺點是無法抑制噪聲的影響，因此這種邊緣檢測方法適用于噪聲少、邊緣明顯的圖像。

Roberts算子的原理見式（2）：

式中，f(x, y)、f(x+1,y)、f(x,y+1)和f(x+1,y+1)分別為4個領(lǐng)域的坐標，輸入圖像的坐標像素是整數(shù)，其中的平方根運算和人類視覺系統(tǒng)作用過程類似；g(x, y)是輸出圖像。使用Roberts算子對車牌進行邊緣檢測后車牌輪廓分明，如圖6所示。

2.5 圖像膨脹和腐蝕處理

通過初步處理，灰度圖像的邊緣邊界清晰，車牌區(qū)域邊界被勾勒且明顯地顯露出來。利用數(shù)學形態(tài)學方法，即膨脹（Dilation）、腐蝕（Erosion）兩個基本運算，不僅可以確定車牌在車輛圖象中的準確位置，還可以在簡化圖像的同時保持形態(tài)特征，去除圖像中非相干的小對象[5]。

利用羅伯茨算法進行圖像邊緣檢測后，車牌區(qū)域鮮明，數(shù)字和漢字顯示清晰明了。但是，因為羅伯茨算法在計算過程中也將車牌附近車身區(qū)域進行圖像處理，這樣在車牌四周會出現(xiàn)大量冗余信息，我們稱之為噪聲點。為提高車牌字符識別成功率，需要對圖像進行一種被稱作“腐蝕”的處理，通過腐蝕處理后圖像中白色部分會縮減細化，白色部分區(qū)域減小。腐蝕濾波使得圖像中物體的邊界輪廓模糊，參數(shù)設(shè)置合理的話能把圖像中小于結(jié)構(gòu)元素的物體去掉，也可以去除兩物體間細小的粘連。圖7是腐蝕處理后的效果圖。

圖像進行腐蝕處理之后再膨脹處理，可以平滑圖像邊緣。圖像膨脹處理類似于像素插值處理，具體操作原理就是在圖像邊緣添加像素值，像素添加后圖像整體像素變大。進行膨脹處理后圖像會變得模糊，有些細節(jié)信息會遺失，車牌字符所在的區(qū)域顯著地被標記出來。

開放內(nèi)在空間是相當了不起的內(nèi)在革命。陷入極端的負面情緒的心靈，正在經(jīng)歷被支離分裂扭曲，力量難以匯聚。不能接受師生關(guān)系緊張是自己的原因，難以啟齒正經(jīng)歷的不幸，意味著感受到外部的恐懼不安全，還沒有機緣在新調(diào)入的環(huán)境把真實自我和力量展現(xiàn)出來，還沒有感到自己的能力是被信任的，恐懼只被同情不受尊重。

膨脹運算是一種數(shù)學集合運算，運算符為“⊕”，如果集合A被集合B膨脹，可以記作：

式中，定義集合B是卷積模板，模板B與圖像A進行卷積計算，模板元素與二值圖像元素逐一進行“與”運算，最終目的是找到B覆蓋區(qū)域的像素點最大值來替換參考點的像素值，使得圖像膨脹。

經(jīng)過上述腐蝕和膨脹處理后，已經(jīng)可以大致確定汽車牌照在圖像中所處區(qū)域，但是圖像中仍可見少量冗余信息，如圖8中所標記的部分，可以再次使用腐蝕濾波的方法過濾掉噪聲信息，我們稱之為去除圖像中除車牌外的小對象，效果如圖9所示。

2.6 車牌定位

車牌定位就是從一幅圖像中將車牌所在區(qū)域準確地提取出來。車牌定位有多種方法，比較典型的方法是利用灰度的形態(tài)學、車牌形狀、車牌色調(diào)、字符特征等進行特征提取后定位。綜合利用上述幾種方法，充分利用車牌區(qū)域圖像包含的豐富紋理信息提取圖像垂直邊緣，利用腐蝕、膨脹等處理得到覆蓋車牌區(qū)域的連通域，再結(jié)合我國汽車牌照國家標準規(guī)定的牌照外部幾何特征，在灰度圖像中定位車牌所在區(qū)域。從所標記的區(qū)域中確定最小寬、高組合，并結(jié)合實際車牌寬高比，將這組圖像提取并顯示出來。圖10為定位后的彩色車牌圖像。

2.7 車牌的傾斜校正

需要將傾斜的牌照進行水平校正，為車牌字符分割創(chuàng)造便利條件。在道路環(huán)境進行車牌識別，車牌圖像的采集是由架設(shè)在道路正上方托架上或道路兩側(cè)立柱上的監(jiān)控設(shè)備完成的，由于采集設(shè)備拍攝角度，車輛行駛狀態(tài)和牌照自身安裝等問題的影響，牌照會出現(xiàn)不同程度的傾斜，影響字符分割的準確度，很難提高字符識別正確率[6]。采用Rando變換算法對圖片傾斜的角度計算并修正，從而得到水平方向一致的圖片。圖11為傾斜校正后的效果圖。

假設(shè)有一個二維函數(shù)記作f(x, y)，Radon變換實質(zhì)上是將原來的函數(shù)做了一個空間轉(zhuǎn)換，也就是說圖像矩陣可以在任意指定角度方向上做投影變換，Radon變換可以描述為：

其中，x、y——原函數(shù)的橫坐標和縱坐標；

θ——旋轉(zhuǎn)的角度。

上式中x'、y'和x、y的關(guān)系可以寫成：

2.8 車牌圖像二值化

圖像二值化就是將灰度圖像上所有像素點進行二分組處理，將處于0～255灰度級的灰度值設(shè)置為最亮或最暗，使得圖像呈現(xiàn)出明顯的黑白色。圖12為車牌灰度圖，圖13為車牌二值圖。進行二值化處理后的圖像仍然可以反映圖像整體和局部特征[7]。

2.9 圖像去除噪聲處理

圖像濾波目的是在不影響圖像細節(jié)特征的前提下對圖像中噪聲進行抑制。車牌圖像進行精確定位并二值化處理后仍會存在許多噪聲點，這些噪聲點會嚴重影響字符分割的準確度，因此需要去除[8]。

均值濾波是一種線性濾波算法，是通過包含周圍鄰近像素的模版，用模版中全體像素均值替代原來像素值。當前像素點坐標為(x, y)，選擇該像素點附近若干像素組成模板，例如可以生成3×3或5×5的矩陣模板，在這個矩陣模板基礎(chǔ)上進行圖像處理。該模板包括了其周圍的臨近像素計算模板中所包含的像素平均值，再用平均值替代像素點(x, y)，得到另外一個灰度g(x, y)，即m是該模板中總像素個數(shù)。圖14為均值濾波后的車牌圖像。

經(jīng)過均值濾波處理后，車牌區(qū)域二值圖像已經(jīng)非常清晰，可以再次使用膨脹、腐蝕處理以進一步去除雜質(zhì)和干擾，處理后的效果如圖15所示。

2.10 投影分析法切割字符

字符分割是將牌照切割為一個個獨立的單個字符，供識別使用，本文采用投影分析法進行字符分割，投影反應(yīng)的是在垂直或水平方向上字符區(qū)域像素個數(shù)。由于對灰度圖像進行二值化處理后字符的形態(tài)結(jié)構(gòu)會發(fā)生變化，此時要結(jié)合牌照實際寬度、各字符的輪廓合理地分割字符[9]。我國汽車牌照有國家標準，7個字符寬度是固定的，第2個字符與第3個字符之間有一個圓點，所以這兩個字符間距要稍大。車牌圖像中字符間布局是左右排列，非常適合用垂直投影法，如果字符布局是呈現(xiàn)上下羅列型，可以用水平投影法，原理是相同的。更復雜的情況如字符層次不齊，就結(jié)合垂直投影和水平投影兩種方法切分字符。

將車牌區(qū)域進行二值化后，二值圖像中的白色是字符有效部分，對牌照圖像做垂直和水平投影分析時，步驟類似，只是在劃分字符與非字符區(qū)閾值參數(shù)不同。參數(shù)不同是由車牌字符本身特點所決定的，車牌水平投影時取上下邊框及字符間隙共4個谷底，垂直投影時共有8個谷底。在字符切割時會出現(xiàn)切割錯誤的情境，比如“瓊”等左右結(jié)構(gòu)漢字，會出現(xiàn)將左右偏旁獨立切割開的情況，“蘇”等上下結(jié)構(gòu)漢字也可能會獨立分割開。這種情況可以將切割完后的字符圖像同實際車牌字符寬度或高度進行對比，結(jié)合國家標準對車牌字符制式規(guī)定的先驗知識，對錯誤切割的字符進行合并。圖16為車牌字符切分和歸一化。

2.11字符識別

車牌字符識別利用的是光學字符識別（OCR）原理，將車牌圖像中字符信息轉(zhuǎn)換成計算機可以處理、人眼可以識別的信息，便于計算機處理或人的使用。字符識別常用的方法有模版匹配、神經(jīng)網(wǎng)絡(luò)、支持向量機等，本文采用最基礎(chǔ)的模版匹配法[10]。將分割后的字符圖像逐一同模板字符圖像的特征進行比對，找出相似度最高的模板庫圖像并將該圖像對應(yīng)的字符輸出。如果車牌定位精確、字符分割有效、模板庫圖片選取合理，即可取得很高的識別成功率。字符識別算法流程如圖17所示。

切割后的字符大小還是會有細微的差別，為提高字符識別的快速性和準確度，對字符進行歸一化處理，也就是使字符圖像的長度、寬度和模板庫的圖片相同。常用的插值歸一化方法就是按照比例在原圖片中相應(yīng)位置插入像素。圖18為車牌識別結(jié)果。

3 總結(jié)

本文主要探索字符識別方法在鐵路貨運、公路收費、車輛管理等方面的應(yīng)用，為不失一般性，使用灰度化、二值化、傾斜校正、腐蝕、膨脹等多種圖像處理方法對車輛圖像進行分析、處理，在Matlab 2010平臺實現(xiàn)圖像預處理、圖像切割和字符識別等相關(guān)算法。

本文使用的字符識別算法尚存在一些不足，對運動圖像不適用，需要繼續(xù)改進。車牌會隨著使用年限增長，出現(xiàn)油漆剝落、銹蝕、龜裂、污損等質(zhì)量問題，另外拍攝環(huán)境比較復雜，會受到雨、雪、霧、環(huán)境亮度等影響，這些影響因素會不同程度降低車牌識別的識別率。藍底車牌是我國使用量最大的車牌，當車輛顏色是和車牌相似的藍色，或者車頭車尾區(qū)域噴涂非車牌字符時，也會對車牌定位和字符識別產(chǎn)生干擾。字符識別過程中，因為少量漢字和數(shù)字非常相似，比如0和Q、5和S、4和A 等也會出現(xiàn)識別錯誤。為提高識別正確率，下一步可采用支持向量分類等方法進行字符識別。