車輛牌照識(shí)別系統(tǒng)的研究

摘要：在對(duì)車輛牌照識(shí)別系統(tǒng)研究的基礎(chǔ)上，采用基于灰度二值化的連通域搜索的車牌照粗分類算法，彩色模型的車牌照字符切分算法和加權(quán)組合特征的字符識(shí)別算法，通過實(shí)驗(yàn)，設(shè)計(jì)出一個(gè)有效的車牌照識(shí)別系統(tǒng)。
關(guān)鍵詞：粗分類算法；字符切分；字符識(shí)別

0 引言
    車牌照系統(tǒng)主要分為圖像采集，圖像處理，車牌定位，字符切分，字符識(shí)別幾個(gè)部分。

    圖像采集：目前圖像采集主要采用專用攝像機(jī)連接圖像采集卡或者直接連接便攜式筆記本進(jìn)行實(shí)時(shí)圖像采集，將模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)。
    圖像處理：需對(duì)采集的圖像進(jìn)行增強(qiáng)、恢復(fù)、變換等處理，目的是突出車牌的主要特征，以便更好地提取車牌區(qū)域。
    車牌定位：從人眼視覺的角度出發(fā)，并根據(jù)車牌的字符目標(biāo)區(qū)域的特點(diǎn)，在二值化圖像的基礎(chǔ)上提取相應(yīng)的特征。車輛牌照的分割是一個(gè)尋找最符合牌照特征區(qū)域的過程。從本質(zhì)上說，就是一個(gè)在參量空間尋找最優(yōu)定位參量的問題，需要用最優(yōu)化方法予以實(shí)現(xiàn)。
    字符分割：是從獲得的牌照區(qū)域分割出單個(gè)字符(包括漢字、字母和數(shù)字)以便于進(jìn)行字符識(shí)別的過程。考慮到車牌上的字符一般除了一個(gè)漢字外其他的都是字母和數(shù)字，即在理想狀態(tài)下每個(gè)字符是全連通的且互不相連，因此可以使用特定的方法進(jìn)行字符切分。
    字符識(shí)別：是使分割得到的字符進(jìn)一步轉(zhuǎn)化為文本并存入數(shù)據(jù)庫(kù)或者直接顯示出來的過程。

1 圖像的預(yù)處理
    所采用的圖像預(yù)處理方法是把經(jīng)過采集得到的彩色圖像經(jīng)過彩色-灰度變換，灰度拉伸處理，得到車牌區(qū)域突出顯示的256級(jí)灰度圖像。
1．1 RGB顏色模型
    RGB顏色模型通常用于彩色陰極射線管等彩色光柵圖形顯示設(shè)備中，它是我們使用最多、最熟悉的顏色模型。它采用三維直角坐標(biāo)系，紅、綠、藍(lán)為三原色，各個(gè)原色混合在一起可以產(chǎn)生復(fù)合色。
    RGB顏色模型通常采用圖2所示的單位立方體來表示，在正方體的主對(duì)角線上，各原色的強(qiáng)度相等，產(chǎn)生由暗到明的白色，也就是不同的灰度值。(0，0，0)為黑色，(1，1，1)為白色。正方體的其它六個(gè)角點(diǎn)分別為紅、黃、綠、青、藍(lán)和品紅，需要注意的一點(diǎn)是，RGB顏色模型所覆蓋的顏色域取決于顯示設(shè)備熒光點(diǎn)的顏色特性，是與硬件相關(guān)的。

1．2 彩色圖像轉(zhuǎn)換成灰度圖像
    把彩色圖像轉(zhuǎn)換成灰度圖像進(jìn)行進(jìn)一步的處理。利用公式將彩色圖像轉(zhuǎn)換成灰度圖像：p=0．114*R+0．587*G+0．299*B，其中P代表圖像中某點(diǎn)的灰度值，R，G，B分別代表彩色圖中對(duì)應(yīng)點(diǎn)的RGB模型中的R，G，B分量的值。圖3就是彩色圖像轉(zhuǎn)換成灰度圖像的效果圖。

1．3 灰度圖像的增強(qiáng)
    灰度拉伸的主要方法就是對(duì)圖像在某一灰度變換區(qū)間內(nèi)的象素點(diǎn)的灰度值進(jìn)行線性變換，以達(dá)到突出某一灰度區(qū)間圖像，增強(qiáng)對(duì)比度的目的。一般的灰度變化方程為：D=AX+B，其中D為灰度變換后灰度矩陣，X為變換前灰度矩陣，A，B為變換方程系數(shù)。

    灰度拉伸是指根據(jù)灰度值方圖的分布有選擇地拉伸某段灰度區(qū)間以改善輸出圖像。如果一幅圖像灰度集中在較暗的區(qū)域而導(dǎo)致圖像偏暗，可以用灰度拉伸功能(斜率A>I)來拉伸物體灰度區(qū)間以改善圖像；同樣如果圖像灰度集中在較亮的區(qū)域而導(dǎo)致圖像偏亮，也可以用灰度拉伸功能(斜率A<I)來壓縮物體灰度區(qū)間。
1．4 基于灰度圖像的二值化
    二值化圖像算法又稱為閾值算法，其目的就是要找出一個(gè)合適的閾值，將待研究的區(qū)域劃分為前景和背景兩部分。對(duì)于灰度圖像的二值化實(shí)際上就是確定一個(gè)最佳的分割閾值。
    算法的描述如下：
    輸入：灰度圖像
    輸出：閾值k
    算法：
    (1)求圖像中最大的灰度max；
    (2)令k=0；
    (3)分別求出大于和小于k的這兩類像素總數(shù)和像素的灰度平均值；
    (4)計(jì)算類間方差和類內(nèi)方差；
    (5)k=k+1，循環(huán)(3)～(5)步，直到k>max；
    (6)找出最大的值，得到相應(yīng)的閾值k；
    采用本算法可以根據(jù)全局灰度圖像進(jìn)行動(dòng)態(tài)的二值化，二值化后的圖像如圖5所示，車牌照區(qū)域被很好地突出出來，其他干擾信息被很好地抑制。

 
2 車牌區(qū)域的粗定位
    一幅圖像由若干個(gè)連通域組成，所謂連通域就是由相鄰的點(diǎn)所構(gòu)成的區(qū)域。點(diǎn)S在圖像中8連通的相鄰點(diǎn)定義為點(diǎn)1，2，3，4，5，6，7，8；4連通的相鄰點(diǎn)則定義為點(diǎn)2，4，6，8(見圖6)。8連通相對(duì)于4連通更好地體現(xiàn)了相鄰性，因此本文采用計(jì)算圖像的8連通域。

    本文采用深度優(yōu)先搜索每一個(gè)點(diǎn)的相鄰點(diǎn)的方法來計(jì)算整個(gè)圖像的連通區(qū)域，具體算法如下：
    輸入：二值圖像矩陣
    輸出：連通區(qū)域矩陣(每一個(gè)黑像素都標(biāo)記所在連通區(qū)域的標(biāo)號(hào))
    算法：
    (1)讀入二值圖像矩陣，令連通區(qū)號(hào)k=0；
    (2)掃描一個(gè)標(biāo)記為未讀的像素點(diǎn)；
    (3)依次掃描該點(diǎn)相鄰的八個(gè)點(diǎn)，比較其值，如果相等就進(jìn)棧，并令其標(biāo)記為k；
    (4)彈出棧頂?shù)谝粋€(gè)像素，回到第(3)步，直到?？?；
    (5)選取下一個(gè)標(biāo)記為未讀的像素點(diǎn)，k++；
    (6)轉(zhuǎn)第(2)步，直到所有像素點(diǎn)均掃描過。
    車輛牌照?qǐng)D像是由若干個(gè)大小相近的字符構(gòu)成，而車牌照區(qū)域的連通域是由若干個(gè)字符或者字符的一部分的連通區(qū)域及車牌照邊框的連通域和車牌照背景的連通域幾部分構(gòu)成的。在正常的情況下，基本上每一個(gè)字符都會(huì)形成一個(gè)大小基本相近的連通區(qū)域的外接矩形，如圖7所示。

2．1 車輛牌照區(qū)域的特征提取
    得到了若干個(gè)車輛牌照的候選區(qū)域之后，需要對(duì)這些候選區(qū)域進(jìn)行特征提取來進(jìn)行分類識(shí)別是否為車牌照。由于這些區(qū)域的大小不一致，首先要把這些大小不同的圖像進(jìn)行歸一化，歸一化到相同大小的圖像上，然后提取這些圖像的水平穿越特征和垂直投影特征，由于特征的維數(shù)比較高，增加了計(jì)算負(fù)擔(dān)和存儲(chǔ)的容量，還要采用K—L變換壓縮特征的維數(shù)。
    為了進(jìn)一步判斷車牌區(qū)域，確定車牌照的精確位置，需要對(duì)車牌照候選區(qū)域提取特征。常見的車牌照特征有紋理特征，水平穿越特征，垂直投影特征，本文采用提取候選區(qū)域的水平穿越和垂直投影兩種特征進(jìn)行識(shí)別。

3 面向車輛牌照的字符切分
    算法首先將圖像二值化，計(jì)算水平方向和垂直方向上的像素投影，利用投影法確定車牌字符最上和最下點(diǎn)坐標(biāo)以及最左和最右字符的位置，估算出整個(gè)車牌的高度和寬度，從而得到單個(gè)字符的高度和寬度，然后計(jì)算車牌區(qū)域的連通域，將最左和最右字符位置之間的連通域提取出來，最后根據(jù)估算的字符大小把較大的連通域再進(jìn)行分割就得到了最后的切分結(jié)果。具體算法如下：
    輸入：圖像二值化矩陣；
    輸出：字符切分矩形位置坐標(biāo)。
    算法：
    (1)計(jì)算每一行的所有象素點(diǎn)值為0的個(gè)數(shù)，即水平投影；
    (2)從上至下尋找水平投影的第一個(gè)局部最小點(diǎn)作為圖像的上界；
    (3)從下至上尋找水平投影的第一個(gè)局部最小點(diǎn)作為圖像的下界；
    (4)計(jì)算每一列在上下界之間所有象素點(diǎn)值為0的個(gè)數(shù)，即垂直投影；
    (5)從左至右尋找第一個(gè)局部最小點(diǎn)作為切分圖像的左邊界；
    (6)從右至左尋找第一個(gè)局部最小點(diǎn)作為切分圖像的右邊界；
    整個(gè)切分區(qū)域?qū)挾葁idth=右邊界橫坐標(biāo)，左邊界橫坐標(biāo)；
    整個(gè)切分區(qū)域高度Height=上界坐標(biāo)，下界坐標(biāo)；
    單個(gè)字符寬度w=切分區(qū)域?qū)挾龋?；
    (7)計(jì)算上下邊界和左右邊界之間的8連通域；
    (8)判斷每一個(gè)連通域的寬度是否大于1．2*w；
    否：轉(zhuǎn)到(10)；
    是：轉(zhuǎn)到(9)；
    (9)計(jì)算每—個(gè)連通域?qū)挾却笥?．2*w的連通域的垂直投影的最小值點(diǎn)，用最小值點(diǎn)將連通域分成兩部分；轉(zhuǎn)到(8)；
    (10)輸出所有的切分區(qū)域坐標(biāo)；
    (11)算法結(jié)束。
    圖9就是車牌切分的結(jié)果。

4 車牌照宇符識(shí)別
    字符識(shí)別是車牌照識(shí)別系統(tǒng)的最后一個(gè)組成部分，這一部分需要對(duì)圖像采集、圖像處理、車牌照定位、字符切分所得到的結(jié)果進(jìn)行識(shí)別處理，最終得到車輛牌照的字符。車輛牌照的字符識(shí)別方法與普通OCR字符識(shí)別有很多相似之處，通常是直接利用或者借鑒OCR字符識(shí)別的方法，并且能取得很好的識(shí)別效果。
    車輛牌照字符識(shí)別屬于模式識(shí)別領(lǐng)域的一個(gè)分支，采用的是模式識(shí)別的經(jīng)典理論和方法。通常的模式識(shí)別過程可以概述為：從測(cè)量空間映射到特征空間，再映射到模式空間。對(duì)于一般的字符識(shí)別過程來說，識(shí)別過程為：從輸入的待識(shí)別字符(樣本)點(diǎn)陣圖形提取描述該字符的特征，再根據(jù)一定準(zhǔn)則來判定該樣本所屬的模式類別。因此字符描述，特征提取與選擇，分類判決，是字符識(shí)別的三個(gè)基本環(huán)節(jié)。

5 總結(jié)
    車輛牌照識(shí)別系統(tǒng)是智能交通管理系統(tǒng)中一項(xiàng)重要的技術(shù)，對(duì)車輛的自動(dòng)化管理起到了關(guān)鍵的作用?；谛旭傊械能囕v牌照識(shí)別系統(tǒng)由于其適應(yīng)性強(qiáng)，自動(dòng)化程度高，將得到更加廣泛的應(yīng)用而成為智能化交通管理系統(tǒng)的重要環(huán)節(jié)。