基于MSER的模糊车牌检测识别方法研究1

刘庆华

（福建商学院 工商管理学院，福建 福州 350012）

为构建智能化小区，多数物业管理中心均采用了视频监控网络对小区来往车辆进行实时监控，但是目前，视频监控网络在实际应用中存在获取的图像信息较为模糊、采集的车牌图像分辨率较低的问题，这些问题导致物业服务企业在推进智慧社区与智能建筑的建设过程中无法取得预期的效果，因此急需对车牌识别方法进行优化．目前，国内外最常见的车牌识别方法主要包括纹理特征法、颜色特征法、边缘信息法等［1］．上述几种识别方法大多数是针对特定拍摄角度、拍摄距离以及拍摄环境条件好的场景进行识别，而针对多角度、变光照等复杂物业场景下的车牌识别效果较差．MSER是一种区域特征提取的识别方法，被业界认为是性能最好的仿射不变区域［2］．当前，MSER在各个领域当中的识别效果均表现出突出的优势，可对多种复杂环境下的图像、事物等进行识别，并且识别过程中可以在原有信息空间和物理空间的基础上，加入人类认知控制，从而进一步提高识别的精度．因此，MSER识别方法以其独有的优势从大众视线中脱颖而出，早在五年前，这项技术就已经被应用于对人脸的图像识别当中，并通过实际应用证明了该方法的有效性，但目前这项识别技术在车辆识别领域中的相关研究较少［3］．对此，结合当前小区物业管理要求，开展基于MSER的模糊车牌检测识别方法研究．

1 基于MSER的模糊车牌检测识别方法设计

1.1 建立模糊车牌图像特征相似度投影矩阵

在对小区来往车辆车牌进行检测识别时，由于周围环境影响因素较多，并且小区物业的监控设置像素较低，监控图像当中的车牌显示通常较为模糊．因此，首先需要建立一个模糊车牌图像特征相似度投影矩阵，通过将模糊车牌监控图像映射到同一个特征表示空间当中，获取到维数一致的特征向量．假设模糊车牌监控图像特征相似度投影矩阵为P，则根据公式（1）计算得出该矩阵的具体表达式为：

在公式（1）中，L表示为模糊车牌监控图像的具体长度；K表示为模糊车牌监控图像的宽度；(,)x m n表示为模糊车牌监控图像在共享三维空间当中投影距离大小；m表示为模糊车牌监控图像在三维共享空间的横轴坐标；n表示为模糊车牌监控图像在三维共享空间的纵轴坐标．利用公式（1）可得出模糊车牌监控图像特征相似度投影［4］．由于车辆车牌通常为规整的矩形结构，因此在获取其车牌的监控图像时，只需要对其长和宽的大小进行提取即可确定车牌的具体识别范围．为保证识别范围的有效性，考虑到小区周围环境因素的影响，在物业管理过程中应当适当扩大识别的具体长度和宽度［5］．通常情况下，模糊车牌图像特征相似度投影矩阵长度可增加到具体车牌长度的10%~15%；矩阵宽度可增加到具体车牌宽度的20%~30%，以此来有效保证其识别范围的有效性．

1.2 确定车牌图像特征相似度信息能量占比

根据模糊车牌监控图像特征相似度投影，确定模糊车牌监控图像特征低频信息能量及高频信息能量占比［6］．本研究，结合传统车牌检测识别方法中常见的相似度判别分析法，通过对9种车牌特征相似度进行分析，得到如表1所示的模糊车牌监控图像特征相似度能量占比对应表．

表1 模糊车牌监控图像特征相似度能量占比对应表

从表1中的数据可以看出，通过特征相似度投影分析模糊车牌监控图像能够得到：能量集中在低频信息区域中，高频信息区域中能量分布较少［7］．因此，根据这一特点，对上述数据进行综合处理，得到模糊车牌监控图像普遍特征相似度信息能量占比为：高频为0.2456%，低频为45.0545%．

1.3 基于MSER的车牌局部特征描述

由于在建立模糊车牌监控图像特征相似度投影矩阵时，未考虑到模糊车牌监控图像在小区周围空间环境当中的空域联系［8］．因此，本文在建立模糊车牌监控图像特征相似度投影矩阵的基础上，基于MSER区域特征提取模糊车牌监控图像中低频信息和高频信息的局部特征描述信息．具体操作步骤为：

第一步，需要对输入的模糊车牌监控图像进行预处理；

第二步，通过MSER区域特征提取技术划分信息空间、物理空间以及人类认知空间，将高频信息划分到信息空间以及物理空间，将低频信息划分到人类认知空间；

第三步，使用MSER区域特征提取技术中编码的方式描述模糊车牌监控图像中的特征描述信息，并通过特征拼接的方式实现对区域特征的融合；

第四步，根据特征描述信息的矢量进行模糊车牌监控图像输出处理，实现直接将识别模糊车牌监控图像进行输入或输出处理［9］．上述基于MSER提取局部特征描述的整个过程可用方程式进行表示，假设提取后的局部特征描述子为(,)Q a b，则(,)Q a b方程的表达式为：

在公式（2）中，r表示为模糊车牌监控图像区域特征矢量维度，通常情况下r的取值为1；a表示为信息空间、物理空间模态下的模糊车牌监控图像；b表示为人类认知空间模态下的模糊车牌监控图像；rs表示为在r维度下，提取的模糊车牌监控图像局部区域特征矢量维度元素值［10］．根据上述公式计算，可以得出基于MSER提取模糊车牌监控图像局部特征描述信息，而局部特征描述信息则可以直接反映出的车牌中的细微部件信息，从而为本文下述的模糊车牌监控图像特征相似度最完整识别提供数据支撑．

1.4 车牌检测特征相似度最完整识别结果

完成上述基于MSER的车牌局部特征描述后，构建一个模糊车牌监控图像特征相似度识别数据集，通过重构权值的方法直接省略前期的预处理流程，进行模糊车牌监控图像特征组别，提炼其相关数据并完成对其重新构建［11］．面对在模糊车牌监控图像特征相似度识别中出现车牌图像特征信息倾斜状况，利用MSER技术使其稳定性提升，自动进行模糊车牌监控图像的平移或旋转操作，利用精密的特征描述实现采集到的特征相似度信息数据的处理和分析工作［12］．由于模糊车牌监控图像特征相似度识别很容易受到小区周围环境中的噪声干扰．因此，本文通过设计对称表示相似性度量方法，取得最完整的特征相似度识别结果［13］．设对称表示相似性度量方法的计算表达式为(,)Z x y，则其计算公式：

公式（3）中，wa,b表示为对多种不同区域空间模态下的模糊车牌监控图像表征中的第c维元素值；wb,c表示为对不同区域特征空间模态下的模糊车牌监控图像表示特征的第c维元素值；nc表示为区域特征空间下模拟车牌监控图像相似度识别状态，通常情况下，当wa,b和wb,c均为大于零的数时，nc的取值为1；当wa,b和wb,c均为小于零的数时，nc的取值为0．当nc为0时，则说明本次模糊车牌监控图像特征相似度识别结果无效［14］．以此，完成基于MSER的车牌检测识别．

由于车牌号均为数字与字母组合而成，因此在对数字或字母进行识别时，为了保证识别的精度要求［15］，采用最简单的从左到右和从上到下分别扫描字符的不同位置，并对每个扫描路径的跳转进行编码．以图1车牌字母细化与扫描跳转示意图为例．

图1 车牌字母细化与扫描跳转示意图

图1中字母G在进行细化和扫描跳转的过程中共进行了从左到右、从上到下多次跳转，具有良好的区分度．待检测车牌字符与模板之间的相识度检测采用经典曼哈顿距离，即相应编码位置进行相减或各取绝对值相加的形式完成．最终得到的特征信息差值之和越小，则说明字符与该模板之间的相似度越大，取最小值作为匹配结果，并进行输出，至此，完成基于三元空间融合的模糊图像特征相似度识别方法设计．

2 实验分析

2.1 实验准备

本研究通过对比实验的形式，证明基于MSER的车牌检测识别方法与传统识别方法相比更具有优越性.实验对象选取某小区物业管理中心的监控视频影像资料，将其中模糊的车牌监控图像进行提取，利用相关技术搭建识别信号网，将该模糊车牌监控图像输入到识别信号网当中．设置识别信号的传输功率为1280 bps，信号采集速率为64.4 kHz，模糊车牌监控图像的具体信息如表2所示．

表2 模糊车牌监控图像参数信息

结合表2所示，实验针对模糊车牌监控图像进行检测识别．并随机提取三幅复杂环境下的实验图像，如图2所示．

图2 复杂环境下的目标图像

首先，采用传统的特征相似度识别方法进行实验，之后再采用本研究设计的基于MSER的车牌检测识别方法进行实验，设置传统检测识别方法为对照组，本研究检测识别方法为实验组．针对表2中的10种特征参数，将实验次数设为10次，分别使用两种方法对小区物业管理中心提供的车牌监控图像进行模糊识别，从而得出实验数据．

2.2 实验结果分析

根据上述设计的对比实验操作流程，在实验中每个车牌设置210个轮廓边缘特征点，将实验组与对照组检测识别方法检测到的轮廓边缘特征点数目进行对比．为了更加直观地体现出两种检测识别方法的差异性，将实验结果在实验平台以表格的形式进行展示，具体实验结果，如表3所示．

表3 实验组与对照组车牌检测识别结果对比

根据表3中的数据可以看出，本文提出的基于MSER的车牌检测识别方法的检测识别出的特征点数量更接近于目标特征点数量．理论上，系统自动识别出的特征点数量越多，那么最终的车牌识别的准确度就越高，其实际应用前景就越广阔．

在此基础上，以车牌轮廓特征点定位偏差为指标，提取两种方法的测试结果，结果如表4所示．

表4 模糊车牌监控图像车牌轮廓特征点定位偏差对比结果

如表4所示，本文所用方法的车牌定位平均偏差明显低于对照组，说明所提方法具有较高的稳定性，同时也说明本试验所采用的相似度量方法，能有效抵抗环境中的各种复杂影响因素，可提高检测准确率．

因此，通过实验证明，本研究提出的检测识别方法与传统检测识别方法相比准确率、识别率更高，本检测识别方法在实际应用中具有更好的有效性，可实现对小区物业管理中心中车辆监控视频的高精度检测与识别．

3 结论

本文结合MSER技术提出了一种全新的车牌检测识别方法，该方法主要是针对智慧型小区物业管理中心视频监控图像中显示的车牌信息进行检测识别．在实际应用过程中，该方法可对车牌中的数字和字母分别进行识别，保证了识别结果的准确性，能够达到物业管理中心对车牌识别的高精度要求．但该方法在设计过程中，未对不同光照下、不同距离的复杂环境等因素进行过多的考虑，在实际应用中，识别范围会受到一定影响，因而，后续相关实验还需进一步对复杂环境下的车牌检测识别进行深入研究．