基于结构相似度的车牌识别算法研究

第３９卷第６期２　０　１　３年１　１月 光学技术ＯＰＴＩＣＡＬ　ＴＥＣＨＮＩＱＵＥＶｏｌ．３９Ｎｏ．６Ｎｏｖ．２０１３ 文章编号：１００２－１５８２（２０１３）０６－０５０５－０５基于ＳＳＩＭ的车牌识别算法研究＊王晨，尚媛园，丁辉，王少伟，胡峻铭（首都师范大学信息工程学院，北京１０００４８）摘　要：对车牌中的字符进行精确提取并识别是车牌识别系统面临的重要问题。

在字符提取阶段，利用车牌图像特有的信息特征，提出以红色分量作为目标图像，依次进行水平和垂直投影完成字符分割，既可精确提取字符，又可矫正字符形态。

将基于结构相似度ＳＳＩＭ（ｓｔｒｕｃｔｕｒｅ　ｓｉｍｉｌａｒｉｔｙ）的算法应用于车牌识别，避免了前期对字符结构信息做大量的对比统计工作，省略了特征提取的步骤，降低了算法复杂度；利用角点检测方法对相似字符进行细化和区分，进一步完善了整体的识别性能。

实验证明，该算法有较好的识别率。

关键词：车牌识别；颜色分量；垂直水平投影；ＳＳＩＭ中图分类号：ＴＰ３９１．４ 文献标识码：ＡＬｉｃｅｎｓｅ　ｐｌａｔｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｒｅｓｅａｒｃｈ　ｂａｓｅｄ　ｏｎ　ＳＳＩＭＷＡＮＧ　Ｃｈｅｎ，ＳＨＡＮＧ　Ｙｕａｎｙｕａｎ，ＤＩＮＧ　Ｈｕｉ，ＷＡＮＧ　Ｓｈａｏｗｅｉ，ＨＵ　Ｊｕｎｍｉｎｇ（Ｓｃｈｏｏｌ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｃａｐｉｔａｌ　Ｎｏｒｍａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ　１０００４８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｏｎｅ　ｏｆ　ｔｈｅ　ｍａｉｎ　ｐｒｏｂｌｅｍｓ　ｆｏｒ　ｌｉｃｅｎｓｅ　ｐｌａｔｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｓｙｓｔｅｍ　ｉｓ　ｔｏ　ｍａｉｎｔａｉｎ　ａｎ　ａｃｃｕｒａｔｅ　ｖｉｅｗ　ｏｆ　ｅｘｔｒａｃｔｉｏｎａｎｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｏｆ　ｔｈｅ　ｌｉｃｅｎｓｅ　ｐｌａｔｅ．Ｉｎ　ｔｈｅ　ｃｈａｒａｃｔｅｒ　ｅｘｔｒａｃｔｉｏｎ　ｓｔａｇｅ　ｏｆ　ｉｍａｇｅ　ｒｅｃｏｇｎｉｔｉｏｎ，ｔｈｅ　ｒｅｄ　ｃｏｍｐｏｎｅｎｔ　ｏｆ　ｔｈｅ　ｌｉ－ｃｅｎｓｅ　ｐｌａｔｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｓ　ｅｘｔｒａｃｔｅｄ　ａｓ　ｔｈｅ　ｔａｒｇｅｔ　ｉｍａｇｅ　ｄｅｐｅｎｄｅｄ　ｏｎ　ｔｈｅ　ｕｎｉｑｕｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｈｅ　ｌｉｃｅｎｓｅ　ｐｌａｔｅ　ｉｍａｇｅ，ａｎｄ　ｔｈｅ　ｓｐｌｉｔｔｉｎｇ　ｃｈａｒａｃｔｅｒｓ　ｂｙ　ｔｈｅ　ｈｏｒｉｚｏｎｔａｌ　ａｎｄ　ｖｅｒｔｉｃａｌ　ｐｒｏｊｅｃｔｉｏｎ　ｗｉｌｌ　ｒｅｓｕｌｔ　ｉｎ　ａ　ｍｏｒｅ　ａｃｃｕｒａｔｅ　ｅｘｔｒａｃｔｉｏｎ　ａｎｄ　ｃｏｒｒｅｃｔｃｈａｒａｃｔｅｒ　ｆｏｒｍ．Ａ　ｎｅｗ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｓｔｒｕｃｔｕｒｅ　ｓｉｍｉｌａｒｉｔｙ　ｒｅｃｏｇｎｉｔｉｏｎ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ．Ｔｈｉｓ　ａｐｐｒｏａｃｈ　ａｖｏｉｄｓ　ａ　ｌｏｔ　ｏｆｓｔａｔｉｓｔｉｃａｌ　ｃｏｍｐａｒｅ　ｏｎ　ｃｈａｒａｃｔｅｒ　ｓｔｒｕｃｔｕｒｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｎ　ｅａｒｌｙ　ｐｒｏｃｅｓｓ　ａｎｄ　ｒｅｄｕｃｅｓ　ｔｈｅ　ｃｏｍｐｕｔｉｎｇ　ｃｏｍｐｌｅｘｉｔｙ　ｂｙ　ｏｍｉｔｔｉｎｇｔｈｅ　ｓｔｅｐ　ｏｆ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ．Ａ　ｍｅｔｈｏｄ　ｏｆ　ｃｏｒｎｅｒ　ｄｅｔｅｃｔｉｏｎ　ｉｓ　ｇｉｖｅｎ，ｗｈｉｃｈ　ｆｕｒｔｈｅｒ　ｐｅｒｆｅｃｔｓ　ｔｈｅ　ｉｎｔｅｇｒａｌ　ｒｅｃｏｇｎｉｔｉｏｎ　ｐｅｒ－ｆｏｒｍａｎｃｅ　ｔｏ　ｄｉｓｔｉｎｃｔ　ａｎｄ　ｒｅｆｉｎｅ　ｓｉｍｉｌａｒ　ｃｈａｒａｃｔｅｒｓ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｈａｓ　ｔｈｅ　ｂｅｔｔｅｒ　ｒｅｃｏｇｎｉ－ｔｉｏｎ　ｒａｔｅ．Ｋｅｙ　ｗｏｒｄｓ：ｌｉｃｅｎｓｅ　ｐｌａｔｅ　ｒｅｃｏｇｎｉｔｉｏｎ；ｃｏｌｏｒ　ｃｏｍｐｏｎｅｎｔ；ｈｏｒｉｚｏｎｔａｌ　ａｎｄ　ｖｅｒｔｉｃａｌ　ｐｒｏｊｅｃｔｉｏｎ；ＳＳＩＭ０　引　言智能交通系统已成为当前交通管理发展的重要研究方向，车牌识别能够完成车辆的智能管理，逐步成为智能交通系统中的一个重要组成部分，在停车场、收费站、城市关卡等有着广泛的应用。

完整的车牌识别系统［１］主要包括车牌定位和字符识别两个部分，字符识别的正确与否关系到整个系统的成败，是车牌识别系统的关键所在。

目前，用于车牌字符识别的算法主要有结构特征分析法、模板匹配法和基于神经网络等方法。

利用结构特征分析的方法能够用于字符的倾斜、变形等情况，但计算量大，对计算机性能的要求较高［２］；模板匹配法能够简单快速地用于字符集合较小的情５０５＊收稿日期：２０１２－１０－１６；收到修改稿日期：２０１３－０３－２０ Ｅ－ｍａｉｌ：ｗａｎｇｃｈｅｎ０８９９＠１６３．ｃｏｍ基金项目：国家自然科学基金－联合资助基金项目（１１１７８０１７）；北京市教委科技面上项目（ＫＭ２０１１１００２８０１７）作者简介：王晨（１９９０—），女，硕士研究生，主要从事数字图像处理方面的研究。

通讯作者：尚媛园（１９７７—），女，教授，博士生导师，主要从事高可靠成像系统、数字图像处理方面的研究。

Ｅ－ｍａｉｌ：ｓｙｙ＠ｂａｏ．ａｃ．ｃｎ况，但对由光照、污损等因素造成的字符断裂和粘连等情况误识率较高；基于神经网络的识别方法具有良好的容错性、适应性、自学习能力以及较高的字符识别率，但由于样本训练收敛速度较慢，不适用于对实时性要求比较高的场合［３］。

人眼通过对字符形状特征的直观度量进行字符识别，若能精确表征和提取字符的结构轮廓，就能准确快速地识别不同的字符［４］。

但目前常用的一些方法需要在前期进行复杂的特征提取和统计操作，较为耗时。

本文融合了结构分析法［５］和模板匹配法的思想，将基于结构相似度ＳＳＩＭ（ｓｔｒｕｃｔｕｒｅ　ｓｉｍｉｌａｒｉ－ｔｙ）的识别算法应用于字符识别，通过计算字符与模板之间的结构相似度信息，将最为相似的模板作为最终的匹配结果。

该方法简化了特征提取步骤，省略了大量的统计对比工作，在保证算法识别率的情况下降低了复杂度。

１　车牌识别总体流程车牌识别主要包括预处理、字符分割和字符识别三大部分。

图１所示为车牌识别系统的整体流程图。

图１　车牌识别流程图预处理主要包括基于颜色分量的灰度化、二值化和归一化三部分的操作。

基于色彩分量的灰度化可有效地增强字符与背景的对比度，二值化削弱了背景，归一化统一图像的大小，为后续识别奠定了良好的基础。

预处理后的图像通过垂直投影和水平投影分割出车牌中的单个字符，与模板归一化成统一的大小，完成了字符分割和倾斜校正工作。

最后采用基于结构特征与角点检测相结合的方法识别字符。

２　字符分割预处理２．１　基于颜色分量的灰度化基于ＲＧＢ模型的车牌图像由密切相关的红、绿蓝三个色彩分量组成，预处理首先需要对其灰度化。

传统的灰度化采用色彩分量加权的方法，适用于一般场合。

但车牌区域图像具有对比度高、背景单一、颜色特征明显等特点，针对这些特点，本文试图找到一种简单有效的灰度化方法。

通过对图２中三原色分量图像以及灰度化图像进行观察可以看出，红分量图像中背景和字符有更加明显的对比效果。

为了进一步对其进行验证，对大量图片分别进行了直方图统计，通过比较可以看出，红分量灰度分布较为广泛，且两个较为明显的峰值之间差异最大，说明背景与字符之间的过渡较为明显，可产生较强的对比。

因此选取红分量直接作为灰度化后的图片，既能保证良好的效果，同时又可简化灰度化操作。

图２　各色彩分量以及灰度图片直方图统计图像中车牌的宽度和高度会随着图像尺寸、拍摄距离和角度的变化而变化，得到的车牌区域的大小分布较为不均匀。

而字符间的相对位置不统一，会对后续的字符分割操作造成一定的影响，因此在对灰度图片二值化后增加了归一化操作，便于统一后续处理图片的大小。

２．２　字符分割和倾斜校正对车牌预处理后的图像进行灰度垂直投影，如图３所示，垂直方向上的投影必然在字符的间隙处取得局部最小值，显示出７个较为明显的区域块。

利用该特征将字符提取问题转化为分割区域块问题。

从左至右、从右至左依次扫描垂直投影数值，将每个局部最小点位置作为区域块的边界。

图３　垂直投影统计图垂直投影得到字符的左右边界，分割出单个字符。

但由于车牌的拍摄角度和距离的不同，切割后字符的上下边界存在相对位置不同的情况。

图４显示了字符在水平方向上的灰度投影。

从图中可以看出，每个字符的上下边界（即子图中的左右边界）存在着不同程度的无灰度分布的区域。

为了消除该区域对识别的影响，对每个字符依次水平扫描上下边界。

垂直投影与水平投影相结合，最终去除每个字６０５光　学　技　术 第３９卷图４　水平投影统计图符的边框。

但由于区域切割的情况不同，使得单个字符的大小不统一，对后期的结构匹配造成影响，因此需将切割后的字符和模板归一化成同一尺寸。

通过对该部分进行处理，不仅完成了字符切割的工作，而且对字符的倾斜有一定的矫正效果。

３　基于ＳＳＩＭ的字符识别算法３．１　结构相似度ＳＳＩＭ算法人眼是通过从图像中获取字符的结构轮廓来进行信息识别的，ＳＳＩＭ算法［６］是建立在人眼视觉系统基础上的，认为像素间具有很强的相关性，因此图像是高度结构化的，图像的结构化信息独立于图像的平均亮度和对比度。

该算法通过在两幅图像之间对亮度、对比度和结构信息方面的比较，确定二者之间的结构相似程度。

ＳＳＩＭ算法框图如图５所示。

信号Ｘ和Ｙ分别是原图像和失真图像，通过亮度相似度ｌ（ｘ，ｙ）、对比度相似度ｃ（ｘ，ｙ）和结构相似度ｓ（ｘ，ｙ）确定最终的相似度度量ＳＳＩＭ，计算公式如式（１）至式（４）所示。

ｌ（ｘ，ｙ）＝２ｕｘｕｙ＋Ｃ１ｕ２ｘ＋ｕ２ｙ＋Ｃ１，Ｃ１＝（Ｋ１Ｌ）２（１）ｃ（ｘ，ｙ）＝２σｘσｙ＋Ｃ２σ２ｘ＋σ２ｙ＋Ｃ２，Ｃ２＝（Ｋ２Ｌ）２（２）ｓ（ｘ，ｙ）＝２σｘｙ＋Ｃ３σｘσｙ＋Ｃ３（３）ＳＳＩＭ（ｘ，ｙ）＝［ｌ（ｘ，ｙ）］α·［ｃ（ｘ，ｙ）］β·［ｓ（ｘ，ｙ）］γ（４）式中ｕｘ和ｕｙ分别为原图像和失真图像的平均亮度值，可作为亮度估计；σｘ和σｙ分别为两幅图像的标准差，可作为对比度估计；σｘｙ为对应像素块的亮度相关系数。

固定正数Ｃ１、Ｃ２和Ｃ３是为了避免式（１）至式（３）中分母值较小时引起的不稳定而增加的极小的常量。

ＳＳＩＭ算法最初主要应用于图像质量评价领图５　ＳＳＩＭ实现框图域［７］，主要依据是图像在拍摄、处理等过程中会出现一定程度的信息丢失，但总体结构轮廓不会有太大的变化。

本文中的车牌识别，通过结构分析与模板匹配思想相结合，将字符识别问题转换为有一定失真程度的字符图像与原图像模板之间相似程度的问题，结构最相似的模板即为识别出的字符信息。