一种基于序列图像的车牌自动识别技术探讨

刘倩兰

(湖南科技学院，湖南永州425100)

一种基于序列图像的车牌自动识别技术探讨

刘倩兰

(湖南科技学院，湖南永州425100)

基于序列图像的车牌自动识别技术，提高了图像的分辨率，能够在雾霾、阴雨等恶劣天气中识别运动中的车牌。基于此，阐述车牌自动识别技术中传统的图像采集方式、重建超分辨率的方法，深入分析基于序列图像的车牌定位技术与车牌字符识别技术，促进序列图像技术在车牌自动识别系统中的应用。

序列图像；车牌；自动识别

车牌自动识别技术对于保障交通的安全、秩序具有重要的意义，传统的车牌识别技术会受到环境、照明、分辨率的影响，识别效果不佳。目前，我国对于序列图像的研究已经有了更大的成就，如果将其应用在车牌自动识别技术中，需要重建车牌的分辨率，处理车牌运动而形成的模糊问题。

1 传重建超分辨率序列图像

1.1 传统图像采集方式

采集图像是数字处理的基本内容，图像采集的质量直接影响后期处理的效果。互补金属氧化物半导体、电耦合元件是目前常见的图像传感器，二者相比，电耦合元件在有经验的生产厂商中，也很难提高设备的成品率，因此其生产升本比互补金属氧化物半导体低。随着智能交通的发展，为了降低交通部门的成本支出，大部分会采用电耦合元件作为图像传感器。电耦合元件传感器具有高速摄像、紫外摄像、红外摄像与行列扫描的优点，但是发热快、功耗高。图像传感器在采集车牌图像时，会产生各类的噪音影响着外界的环境，而外界环境同样影响着图像传感器采集图像的质量。在雾霾、阴雨等天气中，就会降低图像的分辨率，影响交通部门的工作质量，因此如何提高图像采集的分辨率，是智能交通系统的重要工作内容。

1.2 重建超分辨率方法

重建超分辨率的方法有三种：第一、基于插值计算，在各种重建超分辨率的计算方法中，该方式的难度最低，其中包括双立方插值、双线性插值、最邻近插值等重建方法。上述的方法在计算的过程中需要以一系列的条件为基础，这样的做法能够延续原图像的连续性；第二、基于学习计算，该种方式在计算时需要建立两个样本库：低分辨率样本库、高分辨考虑样本库，学习计算法主要是建立两个样本库之间的联系，使输入的低分辨率的图像能够自动形成高分辨率的图像符号，但是要想实现该项技术，需要建立完整的图像字符库；第三、基于建模计算，通过先进的计算机技术，模拟交通现场的景象，建立图像采集的模型，依据低分辨率的原理采集车牌图像，从而提高图像的分辨率，保障交通部门能够顺利的工作[1]。

2 基于序列图像的车牌自动识别技术

2.1 建立色彩模型

通常情况下，需要使用一组数字代表具体的色彩，如RGB模型就是通过三个数值建立三维坐标，从而确定色彩的基本点。建立色彩模型的意义就是能够在不同的环境中采集车牌的信息。

1)RGB色彩模型。由于该模型具有发光的特点，因此可以将其应用在识别系统的显示设备中。在实际应用中，RGB模型的颜色在图像采集设备、成像设备两个系统中存在差异，形成色差，甚至在同一设备中，由于使用周期长短的差异也会影响颜色的呈现效果。根据RGB色彩空间可以发现，纯黑色位于坐标的原点，而白色在距离黑色最远的位置，用灰度连接黑色与白色。将同样的图像在不同的设备中呈现出来，会得到不同的色彩效果，因此建立RGB模型时需要结合图像传感器与成像设备的色彩分辨率，保障图像以最真实的状态呈现在工作人员面前。

2)CMYK模型。与RGB图像相比，CMYK主要是利用了反光的原理，只有接受到外界的光线使，人们才能发现对应色彩。对于RGB色彩而言，偏白色代表实际的发光度，而对于CMYK色彩而言，偏白色会降低印刷油墨的含量。单从色调的角度出发，RGB的色域比CMYK的色域广，使得CMYK在转换成RGB使会发生失真的现象，破坏车牌的颜色信息，甚至无法对车牌的区域进行定位，影响自动识别系统的质量。

3)HSV模型。这种模式依据颜色的直观特性创造出来的，与RGB色彩图像相比，能够更加直观地显示车牌色彩的属性。如果将RGB色彩模型转换成HSV时，将R、G、B假定为图像的红、绿、蓝坐标，每个数值都在0～1之间，然后将H、S、V用模型中的数值表示，实现二者之间的转换。

2.2 车牌自动定位

序列图像重建分辨率是实现车牌定位的前提，更是车牌自动识别技术的关键步骤。实现车牌自动定位的技术主要有两个方面，下面具体介绍。

第一种，灰度图像定位技术：1)根据车牌自身的纹理特征进行定位。实验信息的阈值，可以根据车牌的灰度变化来确定，然后统计灰度变化的频次，并与设定的阈值进行比较，确定车牌的具体位置。这种方式操作简单，应用广泛，在车牌与背景之间有相对明显的灰度差时可以准确的识别车牌的位置。2)形态学车牌定位法，这种定位方式历史悠久，主要是根据数学形态的运算方式，将车牌中的腐蚀与噪音去掉。但是在腐蚀运算的过程中，会导致图像的噪音变形，影响自动识别系统的效果。3)边缘检测定位法。使用这种方式时，其步骤为降噪、采集车牌亮度、边缘跟踪。其中降噪就是通过卷积方式，处理高斯平滑模型与原始数据；采集车牌亮度即使用对角线、垂直线以及水平线的检测，确定车牌的边缘；边缘跟踪就是利用滞后阈值检测车牌的信息。4)网络拥塞控制。这种算法就是将每一个像素点进行改进，使用自动滑动窗口确定车牌的区域。重建超分辨率之后，能够提高定位识别的速度，但是在识别不确定时，会自动降低识别的速度。5)神经网络训练定位。这种方法采用了识别车牌字符的技术，选择某一车牌的位置作为样本，提取车牌的主要特征，进行神经网络的训练，从而得到一个敏感的识别系统。接下来，使用单张图像进行车牌定位，因此能够在复杂的环境中准确的识别车牌。但是在实际运用的过程中，无法用恰当的特征对车牌的图像进行表述，因此其应用范围较小[2]。

第二种，色彩图像定位技术。在车牌自动识别技术中，色彩图像定位技术有两种方式。1)以图像的边缘信息为基础，对车牌进行定位，然后使用色彩检测对比车牌图像的边缘信息，结合边缘的实际特点实现车牌的定位。2)在RGB模型的基础上，建立HSV色彩模型，操作车牌的色彩空间，测算模型之间的像素程度与色彩距离，从而识别车牌的具体位置。

2.3 自动识别字符

第一，字符的特征：字符的特征是其区别于其他字符的主要描述方式，一般满足以下几点要求：1)字符特征的选取不受环境影响；2)字符特征应具备唯一性和独立性，在描述不同字符时，不能出现相近或相似的情况；3)字符特征要尽可能对该字符信息作出描述；4)字符特征的识别方法不能过于复杂，从而节省计算时间，保证字符识别的可操作性。基于上述要求，字符特征一般采用下述方法进行表述：1)在采集模板图像中进行提取，优点是特征提取快捷，缺点是自然噪音影响较大，有时不能体现实际图像特征；2)利用图形变换系数对其进行表述，主要采用傅里叶变换方法、K-L变换方法的等；3)从几何拓扑特征中进行提取，主要依据字符的投影信息、交叉点信息和空洞信息等，虽然识别效果较好，但提取过程较为繁琐；4)从纹理特征和边缘信息中进行提取，具体方法包括垂直信息统计、像素提取和骨架信息提取等[3]。

第二，车牌字符识别技术，主要分为以下三种：1)模板匹配识别技术，采用匹配算法，首先对车牌的待测字符进行提取，然后与模板中的字符特征进行匹配，以两者的相似度为判断依据，当相似度最大时，与待测字符相对应的模板字符即为输出字符，通过这种方式完成车牌字符识别。采用该方法对车牌字符进行识别，需要建立字符的模板，统一设置像素大小。在处理过程中，对待测字符也进行统一的像素处理，使其与模板字符大小保持一直。该方法的特点是识别速度快，但是总体效率较低，容易受外界因素干扰；2)特征统计识别技术，该方法以车牌字符的结构特征和笔画等特点作为识别依据，统计其在同类字符中具有共性的稳定特征。具体包括字符位置以及写法等。在识别过程中，需要对待测字符进行傅里叶变换，得到的系数即为统计特征，但统计特征在某些条件下也会发生变化，此时特征统计识别技术将无法正常发挥作用；3)神经网络识别技术，该技术受生物神经网络运作功能的启发，通过样本字符的学习过程对其特征进行记忆，并以此为依据，对待测字符进行识别。采用该识别方法可以得到最优化的模板字符输出结果，但是也容易出现局部最优问题，影响识别结果。因此，在识别过程中要注意模板字符和字符特征的选择。

3 结束语

综上所述，本文主要研究了基于序列图像的车牌自动识别技术。通过序列图像重建超分辨率，提高了车牌定位的准确性以及车牌图像的分辨率，使车牌自动识别系统能够在恶劣的环境中准确的识别车牌信息，辅助交通部门管理交通秩序。因此，在未来的发展中，可以加强序列图像在车牌自动识别技术中的应用，并及时进行技术的革新，保障车牌自动识别技术符合技术的发展以及社会的要求。

[1]张奇.结合序列图像超分辨率重建的车牌识别技术[D].内蒙古科技大学,2015.

[2]葛笑飞.基于Open CV的车牌自动识别系统的研究与实现[D].东南大学,2015.

[3]李达.基于卷积神经网络的车牌识别技术研究[D].湘潭大学,2016.

TP311

A

1009-3044(2017)21-0179-02

2017-06-12

刘倩兰(1988—)，男，湖南永州人，助教，硕士，主要研究方向为嵌入式系统开发、图像处理。