王艷輝WANG Yan-hui；翟力欣ZHAI Li-xin；旦增曲珍Danzeng quzhen

（①山西約翰芬雷設計工程有限公司，南京 210031；②金陵科技學院，南京 211169）

0 引言

針對車牌識別遇到的問題，提高車牌識別系統(tǒng)的識別率，目前采用的方法先對視頻流中車輛的整體情況做出判斷，隨后對車牌進行精確定位，通過算法對車牌進行字符和數字識別。如果算法是最優(yōu)的，那么識別率無疑也是最高的。而我國漢字相對較復雜，無疑給準確識別字符帶來了巨大的挑戰(zhàn)，所以國內車牌識別系統(tǒng)成熟的產品不多，亟需廣大科研工作者，企業(yè)、高校相關專家進一步研究，優(yōu)化出更高效的車牌識別算法。

1 車牌識別系統(tǒng)總體方案設計

車牌識別系統(tǒng)的設計用到多種新型的技術，例如計算機技術、圖像處理技術等，所以能夠實時準確地識別出想要識別的字母、數字、漢字。建立相應的物理模型，通過建立的模型識別出符合車輛的特征，常用的特征就是車輛的車牌。因此只要能夠從動態(tài)視頻中尋找到我們需要的某一幀圖像，就能夠實現對該圖片中存在車輛的信息進行確定。最后自動將車牌字符分割出來，并對字符進行識別。將車牌識別技術應用在現實生活中，可以維護好交通治安，緩解交通堵塞，對生活十分便利。圖1 是本系統(tǒng)的設計流程圖。

圖1 基于Matlab 車牌識別系統(tǒng)的設計流程圖

2 車牌識別系統(tǒng)硬件設計

2.1 車牌識別攝像機

通過攝像機來對車輛的車牌圖像進行獲取，而這臺攝像機配置了大規(guī)模的集成電路，其具有制作簡單、重量輕、對能量需求小，所以應用較廣泛。通過將其布置在車道的兩側，那么當車輛從此處通過時，攝像機就能夠獲取到其車牌的信息。裝置可以采集車牌圖像，對獲取到的模擬信號進行離散化從而對其進行存儲。當車輛通過時，采集卡就會采集到圖像信息，并且以文件的類型保存下來。同時，我們還需要通過對識別系統(tǒng)所發(fā)出的識別結果進行接收的設備，并且實現和攝像裝置的配合，實現對多個拍攝設備的同時管控。

2.2 Matlab R2014a 硬件環(huán)境

借助了Matlab 平臺實現了對其的開發(fā)。將硬件設備采集到的不同車牌圖像輸入到Matlab R2014a 軟件中，運行所編寫的算法程序，最終完成對車牌的識別。在Matlab R2014a 軟件中以文本的形式將車牌字符識別結果輸出顯示在車牌圖像中。

3 車牌識別系統(tǒng)軟件設計

3.1 車牌圖像預處理

由于攝像頭抓拍到的圖像會受到光照、車輛行駛速度、道路行駛車輛稠密度、車輛新舊程度、攝像頭是否抖動、攝像頭拍攝的角度以及拍攝的距離等因素的影響，直接獲取到的車牌圖像可能存在著一些噪點，導致無法直接從其中提取到車牌的真實信息，因此需要通過圖像預處理，從而提升采集到的信息的質量。通常對圖像進行濾波去噪是改善圖像質量的一種有效途徑。

3.2 邊緣檢測

攝像頭拍攝出來的圖像是彩色圖像，然而在實際的邊緣過程中，其檢測對象都是灰度圖像，因此需要對采集到的圖像進行灰度轉換?？偟膩碚f，就是將彩色圖像的三個通道信號轉變?yōu)閱瓮ǖ佬盘?，因此灰度圖像的每一個像素點只有一個像素值。圖像如果顯示從最暗的黑色到最亮的白色，這樣的圖像一般就是灰度圖像，在灰色圖像中，最暗的黑色像素值為0，最亮的白色像素值是255。

邊緣檢測有多種算法，例如canny 算法、sobel 算法。在本論文中選用robert 算法對轉換得到的灰度圖像做邊緣檢測。

3.3 形態(tài)學處理

圖像形態(tài)學處理也是圖像處理中應用非常廣泛的技術，這種技術方法主要從圖像中提取對識別結果的有意義的圖像分量。圖像形態(tài)學處理方法有腐蝕、膨脹、開和閉。在本論文中主要用到腐蝕和膨脹。腐蝕和膨脹可以分割出獨立的圖像分量并將這些分量融合成一塊區(qū)域，起到消除噪聲的作用。腐蝕就是能夠消融物體的邊界，而膨脹是與腐蝕相反的一個處理過程，膨脹可以使圖像中物體邊界擴大。無論是腐蝕操作，還是膨脹，處理的結果都與圖像本身和選取的結構元素有關。結構元素可以是一個n×n 的矩陣，也可以是選取的任意一塊形狀的圖形區(qū)域，在Matlab R2014a 軟件中有專門構建結構元素的函數。

3.4 車牌字符分割

圖像分割，同樣作為車牌識別系統(tǒng)設計中關鍵的一個步驟，就是把車牌圖像分成若干個特定的、具有獨特性質的區(qū)域并提出感興趣目標的技術和過程，即可以將圖像中不同物體的像素區(qū)域分割開來，如前景與背景的分割。圖像分割主要有以下幾種方法：基于閾值的圖像分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。

基于閾值分割是一種常用的圖像分割技術，此技術方法，是根據實際處理設定相應的閾值，通過這個閾值，把圖像中所有像素點分為若干類。此方法計算簡便、運行效率高，在某些實際應用場合中應用廣泛。

3.5 車牌字符識別

字符識別方法主要有基于模板匹配算法和基于人工神經網絡算法。基于模板匹配算法是首先將分割后的字符二值化，并將其尺寸縮放為字符數據庫中模板的大小，然后與所有模板進行匹配，最后選取最佳匹配作為結果，可見建立數字庫對該方法在車牌識別過程中的重要性。基于人工神經元網絡的算法有兩種，一種是先對特征提取待識別字符，然后用所獲得的特征訓練神經網絡；另一種是直接將待處理圖像輸入網絡由網絡自動實現特征提取直至識別結果。在本論文中，字符識別的方法選用神經網絡算法。

4 實驗結果與分析

4.1 軟件環(huán)境

為驗證本文方法的有效性，本文針對不同車牌圖像做了相關實驗，在實驗中用到微型計算機一臺，實驗的編譯環(huán)境為MATLAB R2014a，操作系統(tǒng)為Windows7 64 位操作系統(tǒng)。

4.2 實驗結果

在本論文中選取了多個車牌做了實驗，在本節(jié)中選取一組車牌圖像做實驗結果展示。輸入的車牌圖像如圖2 所示，將原始圖像先轉換成灰度圖像，灰度圖像如圖3 所示。對車牌圖像進行邊緣檢測，檢測結果為圖4 所示。

圖2 車牌原始圖像

圖3 車牌灰度圖像

圖4 邊緣檢測后圖像

選取結構元素為3*1 的向量，經過腐蝕、膨脹形態(tài)學處理之后的車牌圖像如圖5、圖6 所示，最后經過中值濾波后的圖像如圖7 所示。

圖5 腐蝕后邊緣圖像

圖6 膨脹后邊緣圖像

圖7 經過濾波之后的圖像

在確定車牌字符位置時，由于通過處理后圖像的行方向像素點灰度值累計和或者列方向像素點灰度值累計和是不一樣的，所以在車牌字符處像素累計必然多，由此確定車牌字符的位置。（如圖8 所示）

圖8 不同行、列像素點灰度值累計和

隨后車牌定位剪切出來的彩色車牌圖像如圖9 所示。

圖9 定位剪切后的彩色車牌圖像

確定車牌位置后下一步的任務就是將字符區(qū)域與車牌背景分離開。然后對圖像中每個字符進行分割，在分割時經過多次試驗，選出合適的閾值。二值化的圖像如圖10、圖11 所示。

圖10 二值化后圖像

圖11 中值濾波后的二值化圖像

構造訓練樣本，用訓練好的神經網絡識別車牌字符。最后識別結果以標題形式顯示在車牌原始圖像上。識別結果如圖12。

圖12 字符識別結果

最終實驗結果顯示，本文方法可以準確地檢測并識別車牌字符。

5 結論

本文對汽車牌照定位分割和自動識別問題進行了研究，提出了汽車車牌識別系統(tǒng)的思路和總體設計方案。通過實際拍攝車牌圖像反復研究和比較，執(zhí)行車牌識別系統(tǒng)圖像預處理，車牌定位，字符分割，字符識別等方面的技術和算法改進，完成車牌識別系統(tǒng)的設計。