图像识别在智能交通领域中的应用

张 哲，李 挺

（1.延安大学，陕西 延安 716000；2.大连交通大学，辽宁 大连 116021）

由于当前交通拥堵问题日趋严重，智能交通系统应运而生，针对我国当前的现实状况，单纯地去加宽路面、限行等方法都不能从源头上解决交通拥堵的问题，并且传统的方法不论是在资金的投入以及城市空间的消耗上都不具优势。智能交通系统则是融合各种高新技术和大数据的代表[1]，能够从根本上很好地优化人、道路、车、环境等因素之间的关系，解决道路拥堵等交通问题。

1 智能交通存在问题概述

1.1 车身颜色识别

当前智能交通系统在实验室中已经取得了较好的研究成果，尤其是在车身识别方面。但是实验室中的研究都是基于一种特定的理想的环境，并不能完全地模仿真实的道路交通环境。车体在现实生活中的行驶过程中会受到许多外界因素的干扰，例如天气、光线、灰尘、遮挡等，这些都会影响识别的结果和准确性[2]。当前较为主流的研究方向主要集中在对车身颜色的识别。在实际的测试中，室外不稳定因素多，由于车的颜色不同其对光线反射的能力存在着较大的差别，车身纹理的不同，摄像头的不同导致其对颜色的响应存在差异。在实验中我们不难发现影响颜色识别的因素主要有3种：颜色的非恒定性、运动目标不完整分割，以及目标本身颜色的复杂性[3]。所以，如何使车身颜色识别避免或者减少外界因素的影响，成为当前研究的重点和难点。目前的解决方法主要有提高摄像头的图像捕捉和处理能力，但是仅仅从摄像头入手仍然不能解决实际使用中遇到的问题。研发有效的处理技术提高车辆颜色识别算法精度是当前的首要问题。

1.2 车身形状识别

在智能交通系统的发展中我们一直长期致力于对车辆检测算法的发展。虽然研究时间长，但成果并不是很成熟，在实际的操作中还是有一些客观条件影响着形状识别的准确性。客观因素主要有以下几方面：（1）车辆自身的尺寸虽然固定，但在行驶的过程中由于行驶速度的不同会导致对车身尺寸识别的不同。（2）车辆从摄像头中驶过的角度不同，角度的不同同样也影响着大小的识别。（3）在行驶过程中车辆之间会有遮挡。（4）关照条件的不同影响识别的能力和结果。所以当前的车身识别能力与实际使用的要求还有一定的差距[4]。我们只有运用更加先进的图像处理技术，综合更多的车身信息才能得到准确的识别结果。

2 图像处理与图像识别新技术在智能交通中的运用与实践

在智能交通领域车牌的识别技术同样具有重要的意义，并且被用在许多场合，车辆车牌的识别对于车辆的管理、定位有着决定性的作用，通过监控的图像录入，对录入图像进行分析处理从而识别车牌。在高速公路收费站、停车场的进出口等场所，车牌识别都有着广泛的运用，不仅提高了工作的效率，而且也省去了人工成本，为交通以及车牌定位等提供了极大的便利。

2.1 车牌图像特征提取

2.1.1 车牌像素特征提取

在车牌像素特征提取[5]中可以将图像在识别过程中把像素点的颜色进行黑白二值化，即将黑色的像素点表示为1，白色的像素点表示为0，再将像素点1和像素点0进行排列，通过维数和黑白像素点的个数，最终确定图形对应的向量矩阵，这种方式的优点是操作较为方便，不足是实用性不够高。

2.1.2 车牌骨架特征提取

图像线条宽度的不同在很大程度上会影响图像识别的效果，给图片处理的结果带来差异，因此在对车牌的骨架图像处理[6]之前，需要先将轮廓的宽度进行统一处理，去除轮廓宽度带来的不利影响，从而降低车架轮廓宽度带来的差异化影响。由此得到车牌骨架特征，进而得到图像特征向量矩阵。这种方法得到的特征向量矩阵具有很好的普适性。

2.1.3 车牌图像特征点提取

车牌特征提取常用方法主要包括：梯度统计、弧度统计、角点提取等方法[7]。13点车牌图像特征提取法具有很强的识别性，能够识别字符倾斜，消除由于字符倾斜造成的误差，较好地弥补其他方法适应性不强的缺点。其特征提取原理是：将字符等分为8个模块，计算黑色像素点的个数，作为8个象限的特征。再对处于水平和竖直的中间两个模块的黑色像素点进行统计，第13个特征为所有的黑色像素点，13点特征法的优点是适应性极强，同时也存在特征点较少，收敛性不强的缺点。

2.2 车牌图像分割

2.2.1 车牌图像灰度转化

灰度图像中每一个像素的R，G，B值相等，因此不能够显示绚丽的颜色，而彩色图像的每一个像素 R，G，B值是不相等的。车牌图像获取可以得到256色位图图像，对256色位图图像进行灰度化处理，可以将复杂的位图图像转化为可以进一步处理的灰度图像[8]。在灰度图形中，灰度值小的像素点为暗色，而灰度值较大的像素点亮为白色。

2.2.2 车牌图像二值化

256色位图像经过灰度转换处理后，可以获得图像中像素的灰度值。二值化处理可以将图像中像素进行灰度值获取分化[9]，其大小决定了亮度和暗度。在智能交通系统中通过像素的灰度值处理成为黑白两色，进一步结合阈值法能够得到转化后的车牌图像。

2.2.3 车牌图像梯度锐化处理

在现实生活中当汽车行驶字在道路上时，我们所获取的汽车图像往往是通过摄像头拍摄获取的，汽车所处的环境、光线的明暗往往差异较大，因此获取的汽车图像也比较模糊，需要进行锐度化处理，获取较为清晰的汽车图像。

在图像的锐度化处理过程中常用的方法是微分法与高通滤波法。图像的边缘是由灰度级以及相邻域点的不同像素点形成的，要突出相邻域点之间灰度级别的变化来增强图像边缘。图像的边缘像素值通常无法所知，与此同时，由于无法实现对轮廓取向进行确定，因此通常采用不具备方向性的旋转不变特性的线性算子。利用微分法求得梯度，利用差分运算近似计算图像边缘处的像素值可以使边缘模糊的图像清晰化。

2.2.4 车牌识别噪声处理

在车牌照片拍照中，车牌定位时已进行部分去噪处理，但这一去噪，对于字符图像的处理并不适合，在处理过程中，这样的去噪方式容易将像素图像也去除。具体方法为：在对图像进行处理时，当发现有明显信号集中时，扫描周边信号，若信号强烈，且在一定范围内，则认为是非离散信号；若周边信号较弱，则认为是离散信号，需要将它去除掉。

2.2.5 车牌图像分割车牌字符分割算法

车牌图像分割车牌字符分割算法主要有垂直投影法、静态边界法以及连通区域法。这3种方法能够确定车牌字符的边界、分割得到车牌的清晰图像，但是各存在其优缺点。垂直投影法是利用字符块在垂直方向上投影的特点开展的方法，从左至右检测车牌坐标垂直投影数值，认定局部最小值为最左字符的边界。然后从右到左检测，得到的最小值为最右字符的边界。但是“黑”“L”“N”等字符出现过度切割的可能性较大，应用垂直投影法的过程中应当事先确定好最小值和宽度阈值。静态边界法能够利用车牌的模板特征进行分割，但是由于对车牌定位要求过高，可能造成字符分割误差过大。连通区域法则是利用字符连通域的特点对车牌字符进行切割，但是实际车牌中存在的噪声区域较多，与字符线条连接在一起，难以获得满意的效果。

2.2.6 在同一图像中对不同尺寸、位置的文字进行归一处理

比如，在实际应用中，往往会根据图像识别的字符外框，进行等比例的放大或缩小，或根据相关位置关系，对不同图像进行归一处理，从而将大小、为止、显示特征不同的字符图形，转化为相对统一的字符，从而提高识别准确率。

3 结语

综上所述，智能交通领域中图像识别和处理相关技术应用已经极其普遍。本文对行进中的汽车车型和颜色等相关问题进行了讨论，之后对如何提取车牌图像以及车牌图像特征进行了分析，介绍了多种车牌分割方法，并对各自优缺点进行了分析，从而探寻更为高效和更为准确的文字数字识别方案。随着智能识别技术在交通领域的应用，识别能力将随之大大增强，但就目前来看，单纯识别数字的识别技术已较为成熟，但涉及汉字、字母、数字的混合识别，准确率还有待进一步提高。