一种基于特征点的车牌识别改进算法

常学义,冯涛

(上海第二工业大学电子与电气工程学院,上海201209)

一种基于特征点的车牌识别改进算法

常学义,冯涛

(上海第二工业大学电子与电气工程学院,上海201209)

车牌识别技术已经成为公路交通自动控制与管理(RTACM)以及智能运输系统(ITS)中的一个重要组成部分。提出一种基于特征点的车牌识别改进算法,利用车牌的纹理特征和形状特征定位车牌区域,采用垂直投影分割车牌字符,通过统计特征点进行字符识别。实验结果表明,该算法能显著提高由于拍摄角度引起的车牌图像中字符拉伸、变形等情况下的识别率,同时缩短了识别时间。

特征点;车牌定位;字符分割;自/互相关

0 引言

汽车作为现代主要交通工具之一,在人们日常生产、生活中被广泛使用。随着汽车数量的迅速增加,交通压力也越来越大。公路交通自动控制与管理(RTACM)以及智能运输系统(ITS)是一种新的管理系统,其中的车牌识别技术成为图像处理和模式识别技术研究中的热点[1]。通常,车牌自动识别系统框架可分为3部分:①对采集的车牌图像作预处理(图像锐化、图像二值化、滤波等);②在复杂背景中确定汽车的车牌位置;③对车牌中的字符进行分割、特征提取和识别。

目前在实际应用中由于拍摄位置、角度等原因,导致图像经常发生旋转、拉伸或模糊不清的现象,采用传统的车牌识别算法往往会出现定位不准、识别率较低,误差较大的问题。本文采用的是以投影方式定位、分割车牌,提取车牌字符的特征点,并利用提取的特征点的自相关性和互相关性进行字符识别的算法。该算法能提高由于拍摄角度引起的车牌字符拉伸、变形等情况下的识别率,是一种能在复杂背景下实现车牌快速准确自动定位、分割及识别的算法。

1 传统车牌识别算法介绍

完整的车牌识别的流程如图1所示。

图1 车牌识别流程Fig.1 The processing of license plate recognition

目前传统的车牌识别主要有结构模式识别法、模板匹配法、神经网络法和13特征点提取方法等算法,但在识别速度和容错能力上都有各自的优势和局限性。

(1)结构模式识别法,主要通过细化处理抽取笔划、字符轮廓结构、字符图像关键特征点进行车牌识别。其缺陷是对于汉字字符的断裂、倾斜、扭曲、粘连等情况,不能完好提取结构基元,所以单纯采用结构模式的方法会导致识别率偏低。

(2)模板匹配法[2],不需要提取某一特征值,而是将字符图像直接作为特征模板与字典中的模板相配比,相似度高的模板对应的字符类就是识别结果。这种方法简单易行,可以并行处理,但由于一个模板只能识别同样大小、同种字体的字符,对于倾斜、笔划粗细不规则的字符没有很好的自适应能力。

(3)神经网络法[3],可大规模并行处理信息,具有良好的自适应、自组织能力,在数字和英文字母等效规模字符集的识别中,取得了很大的成功,但由于其结构非常复杂,运算较为耗时成为其缺陷。

(4)13特征点提取方法[4],即从每个字符中提取13个特征点。首先把字符平均分成8份,统计每一份目标像素点的个数作为8个特征点;然后统计水平方向中间两行和竖直方向中间两列的目标像素点的个数;最后统计所有目标像素点的个数作为第13个特征。利用得到的13个特征点进行字符识别。

13特征点提取方法在车牌字符识别中有着较好的适应性,算法也较为简单,因而常见于实际应用中。但是,由于在车牌图像获取的过程中,不可避免地会产生倾斜、拉伸、压缩等形变,这时使用13特征点法就会增大误差,从而导致识别率的降低,在此情况下,识别率通常会降低5%～15%。

2 基于特征点的车牌识别算法

2.1 车牌定位

先将读入的图像转为灰度图像,如图2(a)所示,然后采用公式(1)作为边缘增强算子,按列计算图像边缘增强后的归一化灰度值edge,g是指垂直方向相邻像素的变化率。

定义g:g=abs(f(xn,yn+1)-f(xn,yn)),n= 1,2,···,w(w为图像列宽度),则有

图像增强边缘如图2(b)所示,对其进行腐蚀、膨胀等数学形态学处理,根据图像区域连通性的原理,将小面积杂质图像剔除,得到如图2(c)所示的图像。根据公式(2)求得图2(c)中的连通区域,并进行相邻区域合并,进一步缩小车牌候选区域的数量。

图2 车牌定位过程:(a)转换后的灰度;(b)边缘增强后;(c)数学形态学处理后;(d)车牌的正确位置Fig.2 The processing of license plate position:(a)The gray image of license plate;(b)The image of license plate enhanced;(c)The image processing by mathematical morphology;(d)The correct position of the license plate

其中,I为整个图像,SE是一个适当的结构元素。然后根据车牌的长宽比、面积比等特征值进行综合判断,得到车牌的正确位置,如图2(d)所示。

2.2 车牌分割

截取到车牌图像以后,进一步对图像进行分割,提取单个字符区域进行字符识别。现有的牌照有4种类型:①小功率汽车所用的蓝底白字牌照;②大功率汽车所用的黄底黑字牌照;③军用或警用的白底黑字、红字牌照;④国外驻华机构用的黑底白字牌照[5]。这4种车牌具有的相同特点是:车牌长度均为45 cm,宽度为15 cm;由7个字符组成,第一个是汉字,后面是字母和数字,每两个字符间有一定空隙;汉字的宽度占整个车牌宽度的16%左右。根据车牌的特点,本文提出一种简单的车牌分割的算法。先将截取的车牌图像二值化,如图3(a)所示;进行腐蚀、膨胀等数学形态学处理,去除图像上的孤点,如图3(b)所示;然后将车牌图像沿垂直方向逐一相乘,得到一组与车牌图像宽度相等的由0和1组成的数组,如图3(c)所示;两个不连续的1之间即为车牌字符位置,根据该原理,可分割车牌字符,如图3(d)所示。

图3 车牌分割过程Fig.3 The processing of license plate segmentation

2.3 字符识别

本文提出一种基于车牌图像特征点自相关、互相关特性的识别算法,通过提取车牌字符的特征点,将其与模板字符的特征点进行自相关和互相关运算,比较出模板字符和待识别字符间的相似程度,从而对字符进行识别。该算法能够较好地解决由于拍摄角度导致的车牌字符拉伸、变形等情况下识别率降低的问题。

将分割好的的车牌字符去除边缘非字符部分并归一化为16×32的统一大小,如图4(a)所示,这样可以将由于拍摄角度造成的字符变形的影响降到最低。将归一化之后的字符图像进行骨骼化处理,如图4(b)所示。将骨骼化以后的字符平均分成4个区域,如图4(c)所示,并且统计每个区域内的目标像素点的个数得到4个参数:

图4 提取特征点的过程Fig.4 The process of getting characteristic point

将模板字符同样分成4区域,统计得到4个参数:

将得到的车牌字符的参数和模板字符的参数进行自相关和互相关的计算,得到4个自相关参数和4个互相关参数:

定义3T1=a1-b1,T2=a2-b2,T3=a3-b3,

T4=a4-b4(T1～T4为互相关参数)。

定义4T5=a1-a4,T6=a2-a3,T7=b1-b4,

T8=b2-b3(T5～T8为自相关参数)。

将互相关参数取绝对值、相对应的自相关参数相减后再取绝对值,可得K1～K6:

利用如下公式(3)求得6个值的算术平均数(即模板相似度):

将字符分别与模板比较以后,求得的算术平均数最小的就是相似度最大的,即为识别结果。

3 实验结果分析

通过对采集到的200张车牌图像分成正常拍摄和拉伸变形两种情况分别进行实验,从识别时间和识别率两方面对实验结果进行分析,部分结果如表1、表2所示。

表1 实验结果Tab.1 The result of experiment

表2 识别结果Tab.2 The result of recognition

4 结语

本文提出的基于特征点的车牌识别改进算法能有效地提高由于拍摄角度引起的车牌字符拉伸、变形等情况下的识别率。实验结果表明本文提出的算法速度快,识别准确,可靠性高。当车牌为正常拍摄的情况下,本文算法的识别率与现有算法基本接近,识别率为91.5%,但识别所用的时间缩短了15%左右。在所拍摄的车牌有拉伸、变形的情况下,本文算法的优势较为明显,与现有的13特征点法相比,不仅缩短了15%左右的识别时间,识别率也提高了5.7%,达到89.4%,取得了较好的识别效果。所以,本文提出的方法具有一定的参考价值。

[1]沈定刚,李艳斌,戚飞虎.汽车牌照自动定位算法[J].无线电通信技术,1995,21(5):35-38.

[2]李炜,黄心汉.一种快速Hough变换改进算法及其在图像边缘检测中的应用[J].信号处理,1999,15(2): 181-187.

[3]魏武,张起森,王明俊,等.一种基于模板匹配的车牌识别方法[J].中国公路学报,2001,14(1):104-106.

[4]胡小锋,赵辉.Visual C++/MATLAB图像处理与识别实用案例精选[M].北京:人民邮电出版社,2004.

[5]张剑,周少武,刘洁.一种基于字符分割与字符识别的LPR方法[J].计算机技术与自动化,2007,26(2): 111-114.

A License Plate Recognition Algorithm Based on Characteristic Point

CHANG Xue-yi,FENG Tao
(School of Electronic&Electrical Engineering,Shanghai Second Polytechnic University, Shanghai 201209,P.R.China)

License plate recognition technology had become an important part of Road Traffc Automatic Control&Management and Intelligent Transportation System.An improved license plate recognition algorithm based on characteristic point is proposed.In the algorithm,the texture feature and shape feature is used to locate the license plate,and the vertical projection is used to segment character of license plate,and characteristic points are counted to recognize characters.Experimental results show that the algorithm can signifcantly improve the recognition rate and time in the case of the stretching deformation of characters in license plate image by the camera angle cause.

characteristic point;license plate location;character segmentation;self-correlation/cross correlation

TN912.3

:A

LED封装及可靠性相关研究

1001-4543(2014)01-0045-05

2013-08-08;

2014-02-13

常学义(1958–),男,江苏人,讲师,学士,主要研究方向为电子信息工程、数字图象处理,电子邮箱changxueyi@sspu.edu.cn。

简讯

2014年3月14日,新型显示技术及应用集成教育部重点实验室殷录桥博士应曙光研究院邀请来上海第二工业大学进行学术交流和讨论。我院于伟博士向访客介绍了本课题组相关的研究进展,并带领殷录桥博士参观了城市建设与环境工程的实验室。殷录桥博士较为详细地阐述了LED封装材料对大功率LED散热和出光的影响及大功率LED的发展趋势。指出目前大功率LED研究的瓶颈是如何提高散热和出光以及封装互连材料在提高大功率LED散热和出光方面所具有的重要影响。讨论了芯片粘结材料、荧光粉、灌封胶、散热基板等。分析了导热胶、银浆和合金钎料、陶瓷基板、金属基板、复合基板,讨论了对出光影响比较大的灌封胶和荧光粉的选用等。双方就下一步的合作达成了共识,并初步形成了具体的实验方案,共同推进高功率LED散热技术的进步。