车牌识别系统的关键技术分析

0 引言
近些年，随着国家经济和科技的飞速发展，人们的生活也随之发生了巨大的变化[1]。

据有关部门统计，截至2020年6月，国内汽车保有量2.7亿辆。

如此庞大的数字给交通管理部门的运行管理带来了很大的压力。

智能交通系统（ITS）自被提出以来[2]，利用人工智能领域的数字图像处理技术和图像处理算法对汽车车牌进行自动识别[3]，不断提升智能交通系统的运行效率，具有非常重要的理论价值和现实应用意义。

车牌识别技术属于该领域的问题分支，车牌识别系统在人们的周围有着广泛的应用场景，例如：公共设施停车场管理、小区门禁系统、公司学校单位门禁等[4]。

1 车牌识别的关键步骤
通过对我国车牌图像进行收集分析，车牌上的字符有着如下特点：车牌的第一个字符通常为汉字，一般是该车所在地省份或者直辖市的简称；车牌的第二个字符通常是一个大写字母，
代表该车所在地所处省份的某一个地级市；第三个字符到第七个字符，一般情况下为字母或者数字的组合。

对于车牌的颜色而言，不同的背景色往往代表着不同的含义，车牌背景为黄色一般代表大车，车牌背景颜色为蓝色一般代表小车，车牌背景为黑色一般代表外资企业或者大使馆使用的专用车辆，军用车牌一般以白色为背景，字体颜色为红色[5]。

本文研究讨论的车牌针对的对象是民用一般车辆，其背景颜色为蓝色，字符颜色为白色。

利用数字图像进行车牌识别的流程如图1所示。

图1 车牌识别流程
2 车牌识别过程的关键技术介绍
2.1 图像采集模块
该模块的硬件部分主要包含高性能摄像机、高性能PC 机、图像采集卡和照明设备等。

很多地方的停车场车牌管理系统主要由车辆传感探测器、高性能计算机、高性能摄像机和视频采集卡等组成。

硬件设备的作用在于对车辆靠近、通过、停留及离开[6]进行辅助判断。

2.2 图像预处理模块
图像采集模块在采集图像的过程中不可避免地会受到实际拍照环境的影响，例如光线的强弱、车牌的干净程度、天气等因素，都会对最后形成的图像质感造成一定的影响。

通过图像预处理，提高图像的有效性，使图像中的有用信息更加容易检测，显著降低图像中的噪声干扰。

处理主要包括以下几个方面：
（1）图像的灰度化处理。

在计算机系统中，比较常用的颜色空间有RGB、YUV、CMY、HSI，不同的色彩空间只是同一种物理量的不同表示。

图像的灰度化主要是将采集的彩色图像变成灰度图像，减少数字图像处理的数据量。

摄像头采集的图像通常是RGB颜色空间下的图像，R代表红色，
李宏伟1，罗自航2，张贺磊3
（1.漯河职业技术学院，河南漯河 462000；2.郑州工业技师学院，河南郑州 450007；
3.郑州航空工业管理学院，河南郑州 450046）
摘 要：车牌识别技术在实际生活场景已有了广泛的使用，文章主要分析采用MATLAB实现车牌自动识别的图像处理算法。

使用的图像处理技术包括图像灰度化、Radon倾斜校正、边缘检测、形态学处理、字符分割算法、模板匹配等。

在实验结果分析中，使用50张不同的车牌图像进行实验，发现能够正确识别的有41张，识别正确率达82%，识别正确率较高。

关键词：车牌识别；MATLAB分析；灰度化；字符分割；模板匹配；字符识别
中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2022）06-0014-02
收稿日期：2021-09-05 修回日期：2021-10-08
基金项目：河南省高等学校重点科研项目（21B590003）
，从空间域变换为频率域，之后在频率域中对图像进行计算处理，处理结束后再通过傅里叶反变换将图像从频域转换到空间域。

低通滤波、高通滤波和同态滤波是频率域增强技术中常用的3种方法。

（3）图像的边缘检测处理。

边缘检测的原理：
根据图像的差异性进行检测，从而有效检测出所需图像中的有效区域。

常见的边缘检测算法比较多，检测效果相对比较好。

微分算子、Canny 算子与LOG 算子是常用的边缘检测算法。

2.3 车牌定位模块
车牌定位模块主要利用高性能计算机上的软件算法实现，该部分主要利用数字图像处理技术进行车牌位置的定位识别。

其可直接把图像分割成目标图像和背景图像，去除背景中的干扰。

通常情况下，把目标图像设置为1，背景图像设置为0，从而得到处理后的图像。

车牌定位识别的过程涉及形态学等学科。

常用的形态学处理图像的方法主要有膨胀处理、腐蚀处理、开运算处理与闭运算处理[7]。

车牌定位模块流程如图2所示。

2.4 字符分割模块
车牌图像的分割分为两部分：首先在采集的图像中检测获取仅含有车牌的图像区域；其次是对只包含车牌的数字图像进行处理，得到车牌中的单个字符；接下来对得到的每个字符进行识别分析。

在字符分割模块过程中，常采用基于投影信息、边缘信息和轮廓信息提取字符的分割方法。

本文采用垂直投影法进行图像分割，其流程如图3所示。

2.5 字符识别模块
识别算法的理论基础是模式识别，主要有以下几种方法[8]。

2.5.1 基于特征的字符识别方法
在对车牌拍照的过程中，往往容易受采集环境的影响，如车牌图像的洁净度、车牌字符是否有破损及变形等都会对车牌的采集结果造成影响。

通过采集得到一个原始图像，然后进行统计、分析、计算等处理。

由此可以看出，统计识别过于依赖采集过程中的原始图像完整性，采用这种方法得到
图2 车牌定位模块流程 图3 垂直投影法进行图像分割流程
2.5.2 基于神经网络的字符识别
在模式识别过程中，利用神经网络[9-10]处理一些实际分类模型问题有着不俗的表现，它具备较强的自适应性与较强的学习能力，对于复杂、推理不清晰的问题模型适合采用这种方法[11]。

2.5.3 基于模板匹配的字符识别
利用模板匹配算法进行字符识别相对比较简单，计算量较小，运行效率较高。

本文采用这种算法进行字符识别，步骤如下：
（1）使需要识别的测试样本与训练测试样本的大小保持一致；
（2）
将需要测试对象与训练样本库中的对象进行对比分析；（3）获得相似度最高的字符识别结果。

3 实验结果
利用MATLAB 2016a 运行本文算法。

采用50张不同场景、不同地区、不同型号的车牌图片进行验证，发现能够正确识别的图片有41张，识别正确率达82%，证明文中算法可以实现较为准确的车牌识别。

车牌识别过程图片如图4～ 图9所示。

图4 原始图片
图5 Radon 倾斜校正 图6 二值化处理
（下转第19页）
图12 历史查询界面
图13 上位机监控界面
5 结 语
本文将LoRa 和GPRS 通信技术相结合，应用于室外环境监测系统中，解决了传统无线通信技术通信距离短、组网难、成本高、功耗大、抗干扰能力差等问题。

也进一步介绍了系统架构、硬件设计、软件设计，实现了环境监测数据的
参
考文献
[1]张玉杰，张佳豪.LoRa 通信及其在油田监控系统中的应用[J].西安石油大学学报（自然科学版），2020，35（3）：116-121.
[2]郭恋恋.基于LoRa 技术的农业温室监测系统设计与实现[D].合肥：安徽大学，2018.
[3]郭晓明，张德.基于FPGA 的UART 设计与实现[J].电声技术，2010，34（6）：31-33.
[4]秦茜.一种改进的动态TDMA 时隙分配算法研究[J].无线电工程，2017，47（12）：1-4.
[5]肖军，刘洲洲，王琳.基于NB-IoT 的环境数据采集系统的构建 [J].自动化技术与应用，2020，39（8）：134-138.
[6]张坤.基于LoRa 通信的城市路灯智能控制系统的研究[D].济南
：山东大学，2018.[7]马晓光.环保数据采集传输系统设计与实现[D].北京：北京理工大学，2016.
[8]任庆鑫.基于LoRa 无线传感网络的研究与应用[D].杭州：浙江工业大学，2019.
[9]陈仕林，张景浩，戴子正，等.基于LoRa 的户外农业监测系统的设计[J].现代计算机，2020，37（32）：
99-104.
[10]黄新源.
基于LoRa
的城市环境室外定位方法研究与实现[D].成
都：电子科技大学，2020.
作者简介：崔文岩（1997—），男，在读硕士研究生，主要研究方向为嵌入式系统与应用、油气在线分析。

图7 字符分割投影统计
图8 字符分割 图9 识别结果
4 结 语
从仿真实验结果中可以看出，文中算法的识别正确率为82%，可以较为准确地识别汽车车牌，具有一定的理论学习和实际运用参考价值。

但文中的算法在准确率方面会受车牌遮挡、光照强度、相机与车牌距离、车牌倾斜等因素的影响，在今后的学习研究中需针对这些影响因素不断改进算法。

参
考
文
献
[1]朱克佳，郝庆华，李世勇，等.车牌识别综述[J].现代信息科技，2018，2（5）：4-6.
[2]范巍强.基于BP 神经网络的车牌识别算法研究[D].厦门：厦门大学，2011.
[3]张宇峰.图像处理在车牌识别中的应用[J].科技视界，2018，8（1）：184-185.
[4]林云.基于OpenCV 的车牌识别系统设计与实现[J].物联网技术，2020，10（6）：28-31.
[5]顾李云.基于图像处理的车牌识别算法的研究与设计[D].南京：南京邮电大学，2018.
[6]林国聪，王冬青，薛斌强，等.基于彩色图像信息的车牌自动识别系统仿真研究[J].青岛大学学报（工程技术版）， 2019，34（4）：24-28.
[7]陈亚.基于MATLAB 的车牌识别系统研究[J].软件导刊，2020，19（1）：50-54.
[8]姚文凤，甄彤，吕宗旺，等.车牌字符分割与识别技术研究[J].现代电子技术，2020，43（19）：65-69.
[9]周亮.基于神经网络的车牌识别算法研究[D].青岛：青岛科技大学，2007.
[10]陈亮.基于神经网络的车牌识别技术的研究[D].扬州：扬州大学，
2008.
[11]华荣，赵环宇.基于萤火虫BP 神经网络的车牌识别算法[J].扬
州大学学报（自然科学版），2020，47（1）：44-48.
（上接第15页）。