汽车牌照识别技术的研究

人工智能及识别技术本栏目责任编辑：唐一东汽车牌照识别技术的研究

杨善友1,2

（1.广东农工商职业技术学院，广东广州510663;2.华南理工大学，广东广州510641）

摘要：该文首先综述了汽车牌照识别系统的构架，然后介绍了车牌定位、车牌字符识别的算法，最后对各种车牌识别技术作了一下比较，提出今后一些研究方向。

关键词：汽车牌照识别系统；车牌定位；车牌字符识别；算法

中图分类号：TP391文献标识码：A 文章编号：1009-3044(2009)08-1989-02

Research of License Plates Recognition Technology

YANG Shan-you 1,2

(1.Guangdong AIB Polytechnic College,Guangzhou 510663,China;2.South China University of Technology,Guangzhou 510641,China)Abstract:This paper gives a survey of License Plates Recognition firstly.Then it introduces the algorithms of license plate position and the arithmetic of distinguish the character s in license plate.At last some future trends are proposed.

Key words:License Plates Recognition System;position of license plate;distinguish the character s in license plate;arithmetic

1引言

随着我国社会经济、公路运输的高速发展，以及汽车拥有量的急剧增加。采用先进、高效、准确的智能交通管理系统迫在眉睫，车辆监控和管理的自动化、智能化在交通系统中具有十分重要的意义，车辆自动识别系统能广泛应用于公路和桥梁收费站、城市交通监控系统、港口、机场和停车场等车牌认证的实际交通系统中，以提高交通系统的车辆监控和管理的自动化程度。

汽车牌照自动识别是智能交通管理系统中的关键技术之一。目前，国内外汽车牌照的识别技术有IC 卡识别技术、条形码识别技术、图像处理技术、人工神经网络识别技术。采用计算机视觉技术和图像处理技术进行车牌识别是一个发展方向。基于数字图像处理的车牌识别系统主要由图像的采集、牌照的定位、字符分割和字符识别四部分组成。传统的字符识别方法有模板匹配法和特征匹配法等。但由于受光照条件，牌照自身清洁程度等因素影响，往往达不到满意的要求。

本文将对汽车牌照识别技术的几种算法进行综述，对目前研究存在的问题进行分析并指出今后的研究方向。

2汽车牌照识别系统

汽车牌照识别（LPR ）系统通过引入数字摄像技术和计算机信息

管理技术，采用先进的图像处理、模式识别和人工智能技术，通过对

图像的采集和处理，获得更多的信息，从而达到更高的智能化管理

程度。在LPR 系统产品的性能指标中，识别率和识别速度难以同时

提高其中原因既包括图像处理技术不够成熟，又受到摄像设备计算

机等性能的限制。因此，研究高速准确的定位与识别算法，是当前的

主要任务。汽车牌照识别系统构架图如图1所示。

车辆牌照识别系统一般可顺序分为车辆图像获取，车辆牌照子

图像定位与分割，字符识别（OCR ）三大部分，如图2所示。图2

汽车牌照识别（LPR ）系统流程

在第一部分图像捕捉与获取中，主要通过CCD 摄像头与计算机的视频捕捉卡直接相连来完成图像采集，可以实时在监控图像中抓取到含有车辆的图像。该部分功能可简单调用计算机视频捕捉卡厂商提供的各种软件开发包工具即可实现。

汽车牌照识别（LPR ）系统的关键在于第二和第三部分。牌照定位又决定其后的车牌字符识别，因此牌照定位是车牌识别系统的关键的关键，牌照定位就是从包含整个车辆的图像中找到牌照区域的位置。

目前，已经提出了很多种方法，一个共同的出发点是：通过牌照区域的特征来判断牌照，利用的车牌特征主要包括：车牌区域内的边缘灰度直方图统计“特征”、车牌的几何特征、车牌区域的灰度分布特征、车牌区域水平或垂直投影特征、车牌形状特征和频谱特征。

根据不同的实现方法，大致可以把现有的定位方法主要分为直接法，神经网络法以及基于矢量量化的方法。对车牌字符的识别，与通用的OCR 识别方法类似。目前用于车牌字符识别中的算法主要有基于模板匹配的OCR 算法以及基于人工神经网络的OCR 算法。2.1汽车牌照定位的方法

从整个车辆图像中提取出车拍的图像是一种图像分割技术，目前常用的牌照定位的方法有以下几种：

1）车牌边框模板匹配法。就是应用一个直角形状的模板对整幅图像进行匹配，从而找到车牌边框的4个直角。

收稿日期：2009-01-10

作者简介：杨善友（1980-），男，安徽霍山人，助教，华南理工大学在职硕士，研究方向：计算机网络。

图1车牌识别系统构架图

ISSN 1009-3044

Computer Knowledge and Technology 电脑知识与技术

Vol.5,No.8,March 2009,pp.1989-1990,2000E-mail:eduf@ Tel:+86-551-569096356909641989

本栏目责任编辑：唐一东人工智能及识别技术Computer Knowledge and Technology 电脑知识与技术第5卷第8期(2009年3月)

2）Hough 变换法。由于Hough 变换常常被用来提取图像中的直线段，因此该方法就是用Hough 变换找到组成车牌边框的直线段。

3）基于形态学理论的车牌定位法。该方法采用形态学的膨胀技术生成连通的区域图像。

4）基于神经元网络车牌定位法。就是首先设计好神经元网络的结构和参数，然后采集大量图像来训练网络，使网络“记忆”车牌的特征，从而能找出其他车辆图像中的车牌。

5）彩色汽车图像牌照的定位法。该方法根据车牌的颜色找到车牌。

6）频域分析方法。即采用频率分析，以提取图像边缘的车牌定位法。

方法1）和2）都是假定车牌的边框是清晰的，但是实际的车辆图像中由于有些车牌经过日晒等原因已经造成车牌边框褪色，或者由于光照强度不同的原因导致车牌的边框并不都是清晰的。相反大部分车牌的边框十分模糊、变形或者亏损断裂。因而应用这种方法是有很大局限性的。方法3）十分费时，不适合实时系统的要求。方法4）的代码移植性能不好。方法5）受光照影响很大，不同的光照情况会使同一车牌呈现不同的颜色，出来起来相对困难。方法6）可以较好地解决上述问题。

频域分析方法是基于边缘图像检测的车牌定位法。所谓边缘（或边沿）就是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间，图象的边缘是图象的最基本的特征。人们观察物体的时候，首先看到的最清楚的部分就是边缘和线，根据边缘和线的组成，便可以知道物体的构造，所以边缘提取是图形处理、特征提取中的重要技术。

在车辆图象中，位于车牌字符的笔画上的点与其背景上的点的灰度特性存在某种不连续性，这种不连续性从字符笔画区过度到背景区的边缘所引起。因此，利用边缘检测技术可以检出字符笔画上的边缘像素点集。

目前边缘检测的方法有很多，其基本原理都是对图象进行微分来达到边缘检测的目的。微分运算的结果表明，凡是灰度迅速变化的点都具有较高的微分值。常用的边缘检测操作数有：Robert 边缘操作数、Prewitt 边缘算子、拉普拉斯操作数、Sobel 边缘操作数等。

2.2汽车牌照字符识别

牌照字符识别就是根据定位的牌照区域的图像识别出字符。在牌照区域被定位以后，还存在着诸如牌照倾斜、图像质量差等问题。对车牌字符的识别，目前常用的方法有基于神经网络的方法、基于模板匹配的方法、基于字符特征的方法等。这些方法通常是在定位好车牌后进行归一化、二值化，以获得与标准模板一致的车牌图像，然后进行模板匹配或提取特征进行识别。

2.2.1前面提到的BP 神经网络就是很好的车牌字符识别的方法

BP 网络模型结构如图3。

BP 算法是把一组样本输入输出问题转化为一个非线性优化问题，建立在梯度下降法

的基础上，利用迭代运算求解权值问题的一种学习方法。已经证明，具有Sigmoid 非线性

函数的三层神经网络可以以任意精度逼近任何连续函数。

应用BP 神经网络来进行牌照字符的识别过程如图4所示。

图4牌照字符的识别过程

主要包括三个部分：首先将待识别的字符进行预处理，接着进行归一化处理提取图像的特征和纹理特征作为神经网络的输入，训练相应的权值矩阵，实现字符的分类，将输出

作为识别的结果。

利用BP 神经网络进行车牌字符识别，其中对数字、字母的识别率很高，汉字的识别率并不理想。由于汉字的复杂结构，在预处理阶段往往产生粘连等情况，这种方法还不是十分理想，需要进一步的研究。

2.2.2遗传算法（GA ）是克服BP 算法存在收敛速度慢、容易陷入局部极小等缺点的有力工具

GA 神经网络就是将GA 作为神经网络的学习算法，对神经网络的权系数和阈值进行编码，形成所谓染色体，然后模拟自然界的进化过程，对染色体进行选择、交叉以及变异操作，使染色体不断进化，最终产生代表问题最优解的染色体，再经反编码得到优化的网络权系数和阈值。

与BP 算法不同，GA 在网络学习过程中不采用梯度和其他辅助信息，只根据适应度的大小对神经网络权系数和阈值的编码进行遗传操作，得到最优解。其要解决的主要问题是：1）如何对权系数和阈值进行编码；2）定义适应度函数；3）构造有效的遗传算子。

GA 神经网络能快速、稳定地收敛，并且在实际应用中识别速度和正确率较BP 神经网络都有了显著提高，能很好地满足实际系统的要求。

3对几种汽车牌照识别技术的总结

“IC 卡识别技术、条形码识别技术、图象处理技术”这三种方法存在着使用成本高、识别速度慢等缺点。由于人工神经网络识别技术有良好的自适应性、自组织性，很强的学习功能、联想功能和容错功能，使得识别率高，抗干扰能力强，因此越来越多地受到人们的广泛关注与应用。目前广泛采用的是基于BP 算法的多层前馈神经网络。但由于BP 算法具有一些特定局限性，其学习过程容易陷入误差函数的局部极值点。如果神经网络的权系数初值设置不当，就很容易使学习过程收敛缓慢甚至不收敛，其学习过程较长。这使得人工神经网络识别技术的应用受到许多限制。遗传算法具有全局最优搜索能力和天然的增强式学习能力，成为克服BP 算法缺点的有力工具。

4存在的问题及研究方向

从20世纪80年代以来，世界各国投入了大量的人力、物力进行汽车牌照识别系统的研究.时隔20多年，仍然没有一个成熟系统的识别率达到100%。在以后的研究过程中，认为下述方面有待突破：

改善硬件：提高CCD 的采集精度以及图像采集卡的采样率。这是从源头上改善图像质量。现在有很多成熟的产品，如NI 公司的

IMAQ 系列数据采集卡。

（下转第2000页）图3BP 网络模型结构

1990