智能交通领域中机动车牌照自动识别技术研究

王正玉，李 斌，李宁辉

（1.安徽广播电视大学 远程教育技术与图文信息中心，合肥 230022；2.安徽广播电视大学 安徽成教在线服务中心，合肥 230022）

一、引言

智能交通作为当代高新技术结合的产物，已成为各国争相研究的热点。其中，车牌识别技术［1－3］作为该领域的关键技术之一，越来越多地被应用到实际生活当中。该技术通过对车牌信息的自动识别从而达到对机动车辆有效监管，便于执法部门了解车辆信息，提高工作效率。现实中摄像机性能、车牌整洁度、光照条件、拍摄角度及车辆运动等因素都会给识别带来影响。本文综合考量以上因素的影响，设计了一套车辆牌照自动识别系统的解决方案，并采用一种基于投影变换的字符分割算法［4－5］。下文将对该系统的几个重要组成部分及关键技术进行详细介绍。文中所得实验数据均为Matlab7.0环境下实验产生。

二、系统架构

系统由牌照预处理、字符分割及识别［6－7］几个模块组成，如图1所示。

系统首先对获取的车牌图像预处理，将图片最终转化为一幅二值图像，并采取降噪处理，然后通过投影变换算法对车牌上的字符进行逐一分割，最终通过光学字符识别技术提取字符特征，输出判定结果。

三、图片预处理

为了方便对车牌信息进行提取和识别，首先使用预处理模块将车牌图像进行灰度化处理，然后通过二值化运算，最终得到一幅二值化图像。预处理过程中还会对所得到的二值图像进行平滑去噪，边缘提取等操作，具体步骤如下。

（一）灰度化与二值化

读取一幅待识别机动车牌照图片，通过预处理环节对该图像进行灰度化和二值化处理。该处理对图像识别来说很重要，因为图像二值化后可以消除模糊，且灰度级别只有两个，简化了处理的复杂程度，图像的二值化操作可根据下面的阈值来进行［8］：

式中，f（i，j）为像素点灰度值，t称为二值化处理的阈值。当采样点（i，j）的灰度值f（i，j）＜t时，f（i，j）＝0，表示背景部分；当采样点（i，j）的灰度值f（i，j）≥t时，f（i，j）＝1，表示目标图像部分。由此可知，阈值t的选取是关键所在，对应的阈值t的确定过程叫作阈值的选择。最后所得输出结果如图2所示。

（二）边缘检测

本文采用Sobel算子对二值化图像提取边缘特征，然后通过膨胀与填充，使每个数字成为连通区域，并查找连通区域边界，同时保留此边界图形，以便后续数字识别。边缘提取好坏将对后续处理的精确性和难易程度产生直接影响。

Sobel边缘检测算子是将图像中的各个像素的上、下、左、右四个领域的灰度值加权差，与之接近的领域的权最大。因此，Sobel算子定义如下：

通过使用Sobel边缘检测［9］最终运算的结果就是一幅边缘图像。

Sobel边缘检测算子具有平滑噪声的作用，受噪声的影响很小，产生的检测效果较好。效果如图3所示。

四、字符识别

（一）车牌字符分割

经预处理后，为实现字符的识别，还需将车牌上的字符一一分割出来，并提取字符特征，最终实现字符的有效识别。本文采用一种基于投影的字符分割算法，如图4和图5所示，即通过对车牌图像水平和垂直方向投影的分析，来实现字符的分割方法。

本文所提出的基于字符投影的分割算法基本思想如下：

（1）记录二值图像投影中波峰与波谷位置，将相邻波峰与波谷间跳变值大于阈值α的位置确定为左右边界，并进行相应字符分割操作。阈值α由实验所得，其大小将直接影响分割效果。

（2）仿照（1）中的处理方法，根据水平投影确定字符的上下边界。

（3）针对“川”“U”等一些特殊字符，如 “川”字，其在水平方向的投影会出现3个跳变，且跳变值有可能满足阈值α，从而导致误分割。故为了避免该情况，引入辅助判定阈值β：即当两个相邻跳转处位置的序列值之差的绝对值大于阈值β，才最终认为是有效分割。这样即避免了误分割，又提高了算法的适用性。

当分割条件同时满足两个阈值α与β时进行分割，分割结果如下图6所示：

（二）光学字符识别（OCR）［10］

在进行字符识别前，首先将分割出的字符图像进行归一化处理，包括图像大小归一化和字符线条归一化。图像大小归一化是指将分割的字符图像尺寸与模板图像尺寸归一化，使其尺寸相同。字符线条归一化主要是对分割图像中的字符进行骨化［11］处理，字符线条粗细不同会增加识别难度。对归一化后的图像采用模板匹配法［12］进行识别，识别前首先使用标准车牌字符对系统进行训练，然后使用所提取字符的特征向量与模板字符特征向量进行比较，最终使用最小二乘法识别该字符［13－14］。

本文共提取两种字符特征：一是网格特征，将字符平均分割成4×4＝16等分区域，然后统计每个区域中黑色像素点个数，并计算黑色像素点总数，从而得到17维特征矢量；二是水平与垂直方向上的边界特性，通过统计将字符16等分的8条区域分割线与细化后字符相交次数，从而获得八个特征值，最终得到一组25维的特征矢量：T＝（t1，t2，t3，Λ，t25）。最后，求出所要识别的字符特征矢量与模板库中模板特征矢量Hij＝（hi1，hi2，hi3，Λ，hi25），的加权距离为权重，i为模板库中模板个数i＝（1，2，3，Λ，n），n为自然数，j为模板特征维数（j＝（1，2，3，Λ，25）），将最终结果中加权距离di值最小的字符作为识别结果输出。

五、结束语

本文所设计的机动车牌照自动识别系统方案采用模板匹配算法达到字符识别的目的。文中通过对牌照预处理操作优化了车牌信息，简化了计算复杂度，且采用一种基于字符投影的字符分割算法并针对特殊字符采用一定的防误分割措施，达到了较好的分割效果，保证最终字符得以准确、有效地识别。与此同时，算法在适应性和准确率方面还需提高，有待进一步的研究与完善。

［1］ 赵春雪，戚飞虎.基于彩色分割的车牌自动识别技术［J］.上海交通大学学报，1998，10（32）：4－9.

［2］ 张珂，毛侠.机动车牌照自动识别技术的研究［J］.计算机应用研究，2005，22（12）：163－189.

［3］ 郑南宁，张西宁，载莹.行驶车辆牌照自动识别系统［J］.西安交通大学学报，1991，1（25）：45－53.

［4］ LEE E R，KIM P K.Automatic Recognition of a Car License Plate Using Color Image Processing［C］／／IEEE International Conference on Image Processing，1994，2A.301－305.

［5］ SHRIDJAR M，MILLER J W V.Recognition of License Plate Images：Issues and Perspectives［C］／／Proceedings of the 5th International Conference on Document Analysis and Recognition，1999.17－20.

［6］ COMELLI P.Optical recognition of motor vehicle license plates［J］.IEEE Transactions on Vehicular Technology，1955，44（4）：790－799.

［7］ NAITO T.Robust license plate recognition method for passing vehicles under outside environment［J］.IEEE Transactions on Vehicular Technology，2000，49（6）：2309－2319.

［8］ HU M K.Visual pattern recognition by moment invariants［J］.IEEE Trans Information Theory，1962（8）：179－187.

［9］ HARITAOGLU I，HARWOOD D.W4：Real－Time Surveillance of People and Their Activities.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（8）：809－830.

［10］ 荆涛，王仲.光学字符识别技术与展望［J］.计算机工程，2003，39（2）：29－31.

［11］ 吕俊白.一种有效的二值图像细化算法［J］.计算机工程，2003，29（18）：147－148.

［12］ 求是科技，张宏林.Visuai C＋ ＋ 数字图像模式识别技术及工程实践［M］.北京：人民邮电出版社，2003.

［13］ 戚飞虎，周源华，余松煜，等.模式识别与图像处理［M］.上海：上海交通大学出版社，1990.

［14］ NACCACHE N J，SHINGAL R.An Investigation into the Skeletonization Approach of Hilditch［J］.Pattern Recognition，1984，17（3）：279－284.