车牌识别论文

《车牌识别系统》
车牌识别系统
摘要：文章从车牌定位、车牌字符分割和车牌字符识别3个阶段对车牌识别技术进行了深入研究，并用MATLAB进行了仿真。

关键词：车牌识别，车牌定位，车牌字符分割
1 引言
车牌是一辆汽车独一无二的信息，因此，对车辆牌照的识别技术可以作为辨识一辆车最为有效的方法。

随着ITS(智能交通系统)的高速发展，对车牌识别技术的研究也随之发展。

从根本上讲，牌照识别应用了先进的图像处理，模式识别，人工智能技术来获取，处理，解释，记录拍照的图像。

目前，牌照识别技术已经广泛而成功的应用于高速公路的监测，电子收费，交通违规管理，安全停车管理，偷盗车辆辨识等重要领域。

车牌识别系统一般包括以下几个部分，见图1。

图1 车牌识别系统
主要研究内容如下:
1.车牌的定位研究。

先进行图像的预处理，包括:RGB彩色图像的灰度化、图像灰度拉伸、图像边缘检测、灰度图的二值化等;车牌定位采用基于水平和垂直投影分布特征的方法。

2.字符分割的研究。

先对定位后的车牌图像进行预处理，然后按照车牌的先验信息,用区域增长算法来确定候选车牌的字符区域。

3.字符识别的研究。

对于提取出的单个字符，先进行归一化操作，再与给定的模板做对比，识别出字符。

2. 图像的定位
2.1 图像的预处理
一般情况下，由CCD采集到的图像会有不理想的情况，如光线过强，或者偏弱，这些都会对后续的图像处理产生一向。

而且车牌位于车身下部，靠近散热片，对比度较差，
此时若直接对灰度图像进行定位会有不小的困难，为了获得较好处理的灰度图像，在对CCD采集的原始图像进行灰度化后，要对其灰度转换。

首先对图像灰度拉伸，使灰度级占据0--255整个区域，这样做的目的是为了减少光线过强，或者偏弱时造成的灰度级过少．本文直接采用直方图均衡化，这样处理简单，运算量小，效果也较理想。

2.2 边缘提取
对图像进行边缘提取，边缘提取的最大好处就是能够突出边缘区域，同时使背景图像中无关的部分暗淡。

由于车牌部分是边缘相对集中的区域，在对其边缘分割后，可以看到车牌部分很明显的突现出来。

实现方法中，我们采用了水平差分算法，它利用图像后一列像素减去前一列像素，从而得到边缘图像。

再对所得的图像二值化处理。

实验结果如图1所示
图1 边缘提取后的图像
由图可见，图像经过差分二值后，车牌区域明显可见。

2.2 车牌边界的确定
由于车牌一般是由字符、背景和边框组成，提取图像的边缘图像后，在字符与背景处就形成了较强的边缘。

再考虑汽车本身的特点，通常车牌位于汽车缓冲器上或附近，靠近整幅图像的下部，在往下便是路面，路面一般是比较光滑，因此可以在边缘提取时就很有效的将这部分杂质滤除掉，而使干扰图像的噪声处于车牌之上，如车灯，或散热片。

由此，我们采用由下而上的扫描的方法。

首先，对边缘图像的象素沿水平方向累加产生一个投影图，如图2所示。

图2 粗略定位的水平投影图
由投影图可以看出有车牌字符的地方，灰度值较高，而且处于图像的下部。

故此，先进行粗略定位，找寻水平投影图大于3分之2最大值的点，找到改点对应的横坐标的最大值，记录坐标。

该点记为车牌的下边界。

根据车牌的几何特征（在初始处对图像进行归一化处理统一成1000×800的大小），车牌高度大约占100个像素，考虑到噪声
等因素的影响，粗略将上下边界分别定义为最大值－120，最大值＋50。

在上下界粗定位的基础上进行精细定位，即对图像再进行水平投影，找寻大于3分之2最大值的点，记录改点所对应的横坐标的最大值和最小值，那么此两点为车牌的上下边界点。

如图3所示
5
10
15
20
25
30
图3 精细定位的水平投影图
在定位出上下边界后，再对特征图像进行垂直投影, 得到投影图后，对投影图进行处理，重复水平定位的理念，找寻大于3分之2最大值的点所对应的横坐标的最大值和最小值，即为车牌的左右边界点，完成定位。

为了之后字符识别的更好处理，在这里，本人根据找寻的边界点，对该灰度增强后图进行定位。

如图4所示
0100200300400500600700800
图4 垂直投影图
3 字符分割
区域增长的基本思想是将具有相似性质的象素集合起来构成区域。

首先在待分割的每个区域中选择一个种子点作为增长的起始点，然后在种子点的领域中搜索那些与种子点的相似特征度满足指定增长准则的象素，并与种子点所在区域合并。

此时将新合并的象素作为新的种子点，继续以上搜索和合并过程，直到没有可以合并的象素为止。

本文的算法中采用区域增长算法来确定候选车牌的字符区域。

首先要确定起始的种子点。

字符的像素值最大为255，基于这个信息，选定像素值为255的点为起始点。

然后选择下面的增长标准：假定一个像素属于一个区域，则这个像素和这个区域里至少有八个像素点是相连的。

如果一个像素同时又和其他区域相连了，则这些区域合并在一起。

由于光照或者背景噪声等的影响，区域增长算法可能生错误的字符区域，就需要根据前文所述的车牌先验信息来删除错误的区域，从而准确定位字符区域。

按照车牌的先验信息字符的尺寸为45mm* 90mm，字符间隔为12mm，间隔符宽10mm，那么第二个和第三个字符的间隔为34mm，车牌的左边界和第一个字符的间隔以
及车牌右边界和最后一个字符的间隔为25mm，字符到上下边界的间隔也为25mm。

假定字符宽度为cw，字符高度为ch。

则字符间隔为(12/45)*cw =0.27*cw，第二个和第三个字符的间隔为(34/45)*cw=0.76*cw，而车牌的左边界和第一个字符的间隔以及车牌右边界和最后一个字符的间隔就为(25/45)*cw=0.56*cw，字符到上下边界的间隔为(25/45)*ch=0.56*ch。

其中cw=(45/440)*a，ch=(90/140)*b (a，b为分割车牌的宽度和高度)。

根据以上的信息就可以对车牌的字符进行准确的定位。

如图5所示
图5 字符分割
4 字符识别
4.1 归一化
因为扫描得到的图像的字符大小存在较大的差异，统一尺寸有助于字符识别的准确性，提高识别率，从而与模板进行匹配。

归一化主要包括位置归一化、大小归一化及笔划粗细归一化（常用细化算法）。

在这里本人对大小归一化。

对不同大小的字符进行变换，使之成为同一尺寸大小的字符，这个过程称为字符大小归一化。

通过字符大小归一化，许多特征就可以用于识别不同字号混排的字符。

具体实现方法，首先对图像二值化处
理，这里的阈值根据大津法得到，然后将字符的外边框按比例线性放大或缩小成为规定尺寸的字符。

为了之后模板匹配的处理，在这里，本人对二值化的图像进行反二值化处理。

如图6所示
图6 图像归一化
4.2 匹配识别字符
对分割出来的字符进行识别的方法很多，主要有以下几种方法：
（1）利用字符的结构特征和变换（如Fourier 变换、Karhunen-Loeve 变换等）进行特征提取。

该方法对字符的倾斜、变形都有很高的适应性，但运算量大，对计算机性能的要求较高。

（2）利用字符统计特征进行特征提取。

如提取字符的投影特征、网格特征和轮廓特征组成字符特征矢量进行匹配的方法，识别率较高。

（3）基于字符结构分析的识别方法。

该方法可以识别有较大旋转、变形、缩放的字符图像，但需要进行复杂的字符笔划分析和抽取，对字符图像质量要求较高。

（4）模板匹配法。

由于车辆牌照字符中只有26 个大写英文字母、10 个阿拉伯数字和约50 个汉字，所以字符集合较小，该方法对于有一定变形、污损或笔画缺损的字符图像有较好的识别效果，总体识别率较高，同时也能满足实时性的要求。

经过实验，本文采用的是第四种模板匹配算法。

将分割出来的字符图像与模板图像相减，差值最小的便是与之匹配的模板，从而识别出字符。

总结与展望
车牌识别系统是智能交通领域研究中的重要组成部分，随着经济的不断发展，车辆在人们工作生活中占据着越来越重要的地位，车辆数目的增多给车辆管理提出了更高的要求，因此车牌识别系统有着广泛的应用前景。

本文对车牌识别系统的三大模块----车牌定位、字符分割和字符识别都进行了研究工作。

下面将本文的主要工作及创新研究作如下的总结。

1. 车牌定位：读入图像，然后是进行图像的灰度化、灰度拉伸。

接着分析了边缘算子的检测及图像差分的边缘检测后选择了图像差分的边缘检测。

二值化车牌图像后，采用改进的投影法对图像进行水平定位，然后在粗定位的基础上进行了车牌精确定位。

最后采用投影法对图像进行垂直定位，定位车牌区域。

2. 字符分割：利用车牌的先验知识对字符进行分割
3. 字符识别：归一化字符图像为48×24的字符图像，比较模板图像与字符图像，找到与之匹配的模板，识别出字符。

本文虽然在车牌自动识别系统的算法技术和实现方法上进行了一些探索，并做了大量工作，取得了一些阶段性的成果，但由于客观条件及时间的限制，在很多方面还存在不足，有待于进一步的研究和探讨，主要有以下几点：
1.车牌定位中垂直定位容易受到噪声的影响，进而无法精确定位。

2. 字符分割直接采用的先验知识分割虽然运算量小，但对定位要求高，这样通用性较弱。

3. 模板匹配法虽然识别率高，但运算量较大。