结合HOG特征的车牌识别方法

图 5 运算和闭运算结果
根据《中华人民共和国机动车号牌》的规定，汽车 号 牌 的 外 廓 尺 寸 分 为 440mm×140mm、440mm× 220mm、480长宽比例范围为[ 2.0 , 3.5 )。
通过检测图片 5 中的所有白色色块轮廓，保留拐 点信息，忽视拐点与拐点之间的直线段上的信息点， 将形状不规则的白色色块划分为若干规则色块，计算 规则色块的长宽比例，根据汽车号牌的长宽比例范围 对规则色块进行筛选分析，从而选择出汽车号牌区域。
0 引言
车牌识别（License Plate Recognition，LPR）在交 通执法、停车管理、自动收费站等多种场合起着重要 的作用，有助于智能交通系统的发展。车牌识别主要 包括三个部分：在捕获的图像中确定车牌位置，在车 牌区域分割字符和识别字符。为了减少环境因素对 车 牌 识 别 的 干 扰 ，应 先 将 图 像 进 行 预 处 理 ，再 进 行 车牌定位。
关键词：车牌识别；Otsu；形态学；支持向量机
中图分类号：TP36
文献标识码：A
文章编号：1006-8228(2021)07-01-05
License plate recognition method based on HOG features
Wang Ruxin, Ma Weihua
（Nanjing University of Aeronautics and Astronautics, Nanjing, Jiangsu 210016, China）
景像素点占整幅图片的比例 ω0，用公式⑺背景像素点
占整幅图片的比例 ω1：
ω0
=
N0 rows × cols
=
N0 N0 + N1
=
1-
ω1
⑹
ω1
=
N1 rows × cols
=
N1 N0 + N1
=
1-
ω0
⑺
前景的平均像素值为 μ0，背景的平均像素值为 μ1，
则整幅图片的平均像素值 μ 可以用公式⑻表示为：
计算机时代 2021 年 第 7 期
·1·
DOI:10.16644/33-1094/tp.2021.07.001
结合 HOG 特征的车牌识别方法
王汝心，马维华
(南京航空航天大学计算机科学与技术学院，江苏 南京 210016)
摘 要：针对路边停车的智能化管理程度较低的问题，以现行标准为依据，对车牌识别面临的问题进行分析。根据所捕
图 1 系统设计框图
2 车牌定位
2.1 高斯滤波
高斯滤波器通过高斯函数，对每个像素点本身及 其 邻 域 进 行 加 权 平 均 ，以 实 现 对 整 幅 图 像 的 卷 积 处
理，模糊图像并去除细节和噪点，完成对图像的线性
低通滤波。
在 进 行 分 类 处 理 图 像 时 ，应 使 用 二 维 高 斯 函 数 ，
区域提取字符，并排除字符断裂和粘连等问题。本文
·4·
Computer Era No. 7 2021
通过投影法对汽车号牌进行粗分割，结合了字符间隔 及尺寸的测定和轮廓分析法对汽车号牌字符进行 完全分割。
Abstract： In response to the low level of intelligent management of on-street parking, the problems faced by license plate recognition are analyzed based on the current standards. According to the characteristics of the captured image, image preprocessing is performed by Gaussian filtering, Top Hat operation and Otsu algorithm to eliminate noise, and background extraction and image binarization are completed. The license plate recognition is completed by using the closed operation combined with the shape features of the license plate. The character segmentation is completed by combining the projection method, the determination of character interval and size, and the contour analysis method. Finally, HOG features of character images are extracted and a character classifier based on SVM is designed to realize a license plate recognition system with high accuracy and high adaptability. Key words：license plate recognition; Otsu; morphology; SVM
μ = ω0 × μ0 + ω1 × μ1
⑻
可以得到前景平均像素值 μ0 和前景平均像素值
μ1 的方差 g 可以用公式⑼表示为：
( ) ( ) ( ) g = ω0 × μ0 - μ 2 + ω1 × μ1 - μ 2 = ω0 ω1 μ0 - μ1 2 ⑼
由 上 述 公 式 可 以 看 出 ，对 于 任 意 一 张 图 像 ，前 景
rows 表示图片像素点的行数，cols 表示图片像素点的
列数。
{ } A B = x,y|(B) xy ⊆ A
⑵
{ } A B = x,y|(B) xy ∩ A ≠ ∅
⑶
A ∘ B = (A B) B
⑷
tophat (i,j) = f (i,j) - open (i,j)
⑸
以图片 3(a)为例，进行开运算处理，得到结果如
牌的形状比较有规律，为了突出更明亮的区域，分离 背景中的较亮斑块，选用顶帽（Top Hat）运算，完成背
景提取，即将原图像与开运算结果求差值。
进 行 开 运 算 时 ，为 了 消 除 微 小 且 无 意 义 的 目 标 ， 应先进行腐蚀运算，缩小图像的边界，从而消除孤立
点和小区域物体；再进行膨胀运算，填补目标区域中 空白区域，从而去除目标区域中的小颗粒噪点，平滑
算，填补目标区域，再通过腐蚀运算收缩图像边界，消
除目标区域外的噪声。闭运算可以用公式⑽表示。
A∙B = (A⊕B) ⊖ B
⑽
对图 4 做闭运算，得到结果图像如图 5 所示。可
以看出图 4 被分割为若干白色区域，图 5 与图 4 相比，
消除了一些无关的小颗粒噪点，并将图 4 中存在细微
连接的白色色块封闭在一起。
由下式公式⑴给出：
( ) G
x,y
1-
x2 + 2σ
y
2
2
= 2πσ e2
⑴
由公式⑴可以看出，高斯分布在任何地方都不为
零。考虑到在距平均值约 3 个标准偏差的情况下，分
布已非常接近于 0，99％的分布在 3 个标准偏差之内，
这意味着可以将内核大小限制为仅包含均值 3 个
标准差以内的值。 高斯核系数取决于 σ 的值，较大的 σ 会产生较宽
g 取最大值的阈值 T；根据阈值 T，对图片进行二值化
处理，得到二值化图片如图 4 所示。
规则图案，在进行车牌定位时，需要先将图像中的噪
点消除，再将被错误切割的白色色块边缘连接为一个
整体。其中，消除噪点需要使用开运算，而数学形态
学中的闭运算可以将细微连接的图案封闭在一起。
对图片进行闭运算 ，首先应对图片进行膨胀运
常用车牌定位算法主要有三类：通过汽车号牌的 底色定位车牌位置；基于滤波器过滤图像中边缘密集 的区域；提取车牌特征，结合机器学习算法。常用的 字 符 识 别 方 法 有 模 板 匹 配 、投 影 分 析 、结 构 特 征 法
等[1]。当图片背景颜色较为复杂时，基于彩色信息进 行车牌定位需要较大的计算量，而且难以对各种图像 做统一处理；神经网络通常算法复杂；边缘检测方法 需要设计适合字符的边缘检测算子[2]，但得到的结果 难以突出车牌区域。
像素点占整幅图片的比例 ω0 和背景像素点占整幅图
| | 片的比例 ω1 是固定值，方差 g 与 μ0 - μ1 正相关，换言
| | 之，方差 g 越大，μ0 - μ1 的值越大，则前景和背景的平
均像素值差别越大，表示分割效果越好。
对图 3(c)中各个像素点的灰度值列表进行统计，
得到灰度直方图。遍历灰度值列表，选择使类间方差
获图像的特点，通过高斯滤波、顶帽运算、Otsu 算法进行图像预处理，消除噪点，完成背景提取和图像二值化。运用闭运
算结合车牌的外形特征完成车牌识别。结合投影法、字符间隔及尺寸的测定和轮廓分析法完成字符分割。最后，提取字
符图片的 HOG 特征，设计了一个基于 SVM 的字符分类器，实现了一个准确率高、适应性强的车牌识别系统。
·2·
Computer Era No. 7 2021
过程中需要考虑许多种情况。 系统设计框图如图 1 所示。当系统捕获到图像后，
需要通过滤波器处理图像从而抑制图像中的噪声，并 在此基础上结合车辆牌照的特点，将车牌与背景信息 分离，确定车牌在图像中的位置，结合车牌中字符的 分布规律进行划分，通过 SVM 算法进行字符识别。若 找不到合适的区域则认为该区域内没有车牌信息，则 系统继续处理新的图像。
图 3(b)所示；对开运算结果进行顶帽运算，得到结果如 图 3(c)所示。
(a) 示例汽车号牌
(b) 开运算结果
(c) 顶帽运算结果
图 2 示例图片及处理结果
2.3 图像二值化
Otsu 算法是于 1979 年由日本学者大津基于最小
计算机时代 2021 年 第 7 期
·3·
二乘法提出的[5]，基于最小二乘法，通过求取最大类间
方差，达到确定二值化阈值的目的，主要用于分离目
标和背景图案。
假设图片由前景色和背景色组成，图片的灰度直
方图峰值不多于两个，通过统计学方法，计算最大类
间方差并选取阈值。对于一张像素点总数为 rows ×
cols 的图片，假设阈值 T，分割图像获得前景像素点个
数为 N0，背景像素点个数为 N1，可以用公式⑹表示前
本文基于 Cortex-A8 芯片，通过图片预处理、车牌 定位，字符分割和车牌识别，有效的将车牌信息与背景 颜色进行区分，提高复杂背景下车牌识别的准确率。
1 系统设计
道路环境复杂，摄像机捕获的图像中除了所需的 车牌信息还包括汽车本身和背景图像，在识别车牌的
收稿日期：2021-02-26 作者简介：王汝心（1997-），女 ，河北沧州人 ，硕士在读 ，主要研究方向 ：嵌入式应用与研究。 通讯作者：马维华（1960-），男 ，江苏连云港人 ，教授 ，主要研究方向 ：嵌入式应用与研究。
物体的轮廓，放大局部低亮度的区域。
腐蚀运算和膨胀运算用公式⑵、公式⑶表示。开 运算可以用公式⑷表示。
对于图像中的坐标点 (i,j)，该点的灰度值表示为
gray (i,j)，进行开运算后得到的灰度值表示为 open (i,j)，
顶帽运算后该点的灰度值表示为 tophat (i,j)，公式⑸
表 达 了 三 者 的 关 系 ，其 中 ，1 ≤ i ≤ rows,1 ≤ j ≤ cols，
根据筛选结果的拐点信息，可以得到在原图像 3(a) 中汽车号牌的位置，得到如图 6 所示的汽车号牌的二值 图像，并直接用于后续步骤中的字符分割和字符识别。
图 6 二值化图片的车牌定位结果
图 4 二值化图片
2.4 车牌定位 经过二值化处理后的图片中存在许多噪点和不
3 字符分割及识别
3.1 字符分割 字符分割需要将非字符像素点去除，从本地车牌
的峰值，从而产生较大的模糊。为了保持高斯过滤器 的性质，内核大小必须随着 σ 的增加而增加，系数随着
距内核中心距离的增加而减小，边缘系数必须接近 0。 选择高斯核大小为 3×3，σ=0.8，得到高斯核如图 2所示。
图 2 3×3，σ = 0.8 的高斯核
2.2 背景提取
考虑到捕获图像通常具有大幅的背景，而汽车号