车牌识别中图像处理技术的研究与实现

张 晨

（厦门软件职业技术学院，福建 厦门 361000）

0 引言

车牌识别系统作为一种重要的交通管理手段，是交通信息化管理的重要组成部分。虽然各个国家和地区的车牌设计有所不同，但车牌识别的本质和过程基本相同，即根据车牌图像的纹理特征、边缘信息、字符结构来完成车牌的定位、分割、识别，主要包括了车牌图像采集、图像预处理、车牌定位、字符分割、车牌识别等几个环节。识别精度是衡量车牌识别系统优劣的主要指标，如何在保证识别精度的前提下提升识别速度，是车牌识别系统的重要研究内容之一。但对于大多数车牌识别系统来说，识别的精度和识别的速度往往是相互对立的，比如在实际应用中车辆在识别时需在图像采集摄像头前停留较长一段时间，以便完成高质量的车牌图像拍摄。

车牌图像质量的高低直接影响到车牌识别的效率。在实际应用中，车牌识别系统大多部署于环境较为复杂的户外。周围环境的干扰因素加上车牌本身可能存在的污损情况，会导致采集到的原始车牌图像或多或少存在失真的问题。因此，在车牌识别中应用图像处理技术，将滤波去噪、灰度化、二值化技术融合到车牌识别的图像预处理环节，通过预处理来还原车牌图像的关键特征并增强特征细节，为后续的车牌定位、字符分割和归一化、车牌识别等打下基础。

1 车牌图像采集与图像处理技术分析

1.1 车牌图像的采集分析

高质量的图像采集是车牌高效识别的必要条件和基本前提，输入系统的车牌图像质量越高，识别的精度期望就越高。车牌原始图像的采集通过图像采集处理单元来完成：在保持稳定光源的前提下由CCD 高清相机设备对目标进行感应和拍摄，再由图像采集卡完成模拟图像到数字图像的转换，并进行初步的图像去噪和特征加强处理。采集得到的车牌图像应具备轮廓和纹理清晰的特点，且具有良好的空间分辨率、合理的锐度和较高的对比度[1]。

1.2 车牌识别中的图像处理技术分析

在车牌识别的实际检测场景中，各种来自内部和外部的干扰因素都影响着车牌图像的采集质量，造成图像的失真。使用图像处理技术不仅可以有效去除图像噪声，提高图像的细节和边缘轮廓、还原图像特征，还可以去除一些在识别检测过程中并不关注的信息，从而降低计算机系统的算力消耗。针对车牌图像的特点，主要采用高斯滤波、灰度化、二值化来完成图像的预处理。

1.2.1 高斯滤波

滤波操作是信号和图像处理中最常见的操作之一，在图像数据的压缩、纹理分析、边缘检测、图像增强等方面有重要应用。常用的滤波算法主要有均值滤波、中值滤波和高斯滤波。其中，均值滤波通过计算图像的像素平均值来完成滤波操作，这种方法虽然过程较为简单，但是无法很好地消除噪声带来的干扰；中值滤波通过计算图像的像素中值来完成滤波操作，虽然可以很好地过滤掉椒盐噪声，但易导致图像出现不连续特性；高斯滤波是一种线性平滑滤波算法，通过扫描图像的所有像素点来确认邻域内像素的加权平均灰度值，对图像进行平滑滤波的同时，还能更多地保留图像的纹理特征，适用于车牌图像噪声的降低操作，特别是对于服从正态分布的车牌图像噪声有非常好的平滑效果。高斯函数表达式为：

其中，z 表示车牌图像的灰度值，μ 为灰度值的平均值。σstd为的图像灰度的标准差，是高斯滤波器重要影响参数之一。若σstd取值较小，则平滑过度；若取值较大，则滤波质量不佳，所以要根据实际场景中的车牌图像来选择普适性参数。

1.2.2 灰度化

数字图像常呈现为彩色（如RGB 图像）或黑白（如灰度图像）的显示效果。虽然在车牌识别中，不同国家和地区的车牌颜色不尽相同，但在实际的识别场景中，图像的颜色并不是我们要关注的重点，且系统处理彩色图像的数据量和运算量远远大于灰度图像[2]。因此对车牌图像进行灰度化处理，可以过滤掉无关信息，增强图像特征轮廓。目前主要有分量法、最大值法、平均值法、加权平均法等几种灰度化方法。其中，分量法是将彩色图像中的RGB 三分量的亮度作为图像灰度值的方法；最大值法则将彩色图像中的RGB 三分量亮度的最大值作为图像的灰度值；平均值法通过求彩色图像中的RGB 三分量亮度的平均值来得到灰度图像；加权平均法主要基于加权计算图像像素中R（红）、G（绿）、B（蓝）三原色的色彩通道中的每个像素点的颜色深度，将RGB 三分量以不同的权值进行加权平均得到合理的灰度图像。几种方法各有优劣，在应用中需要根据实际情况进行选择。在保证不影响处理效果和识别速度的前提下，车牌识别常采用加权平均算法将图像进行灰度化处理：

灰度化处理后的灰度值代表图像色彩的明暗程度。其中，WR、WG、WB分别为R、G、B 的权值，取值一般分别为WR=0.2987、WG=0.5870、WB=0.1140。

1.2.3 二值化

二值化处理可以降低由于光照、污渍等原因对车牌识别的影响，使车牌图像不易出现字符间断裂、粘连的情况，二值化处理进一步增强了车牌图像特征轮廓，不仅可以让特征细节更加容易分辨，还降低了在计算机上的处理量，为后续的边缘检测工作提供良好保障。二值化处理可将灰度图像转化为二值图像，此过程需将图像的像素点灰度值设置为0 或255，使图像仅保留纯黑和纯白这两种色彩，即呈现出明显的黑白效果。目前，最大熵法、直方图波形分析法、大津法（OTSU）是车牌识别中普遍采用的二值化方法。其中，最大熵法是基于不同角度图像灰度直方图的熵测量来获得最大熵以及选择最佳二值化阈值的方法[3]；直方图波形分析法是在灰度直方图基础上，根据图像直方图中波峰的数目来取得二值化阈值的方法；大津法是通过灰度取值来分类计算像素点数及灰度平均值，最后取所有灰度的类间方差中的最大值对应的灰度为阈值。不同的场景适用不同的方法，本文采用大津法根据最大类间方差进行判断完成二值化操作：其中，gotsu为类间方差；ω0为前景的像素点数占整幅图像的比例，其平均灰度是μ0；ω1为背景的像素点数占整幅图像的比例，其平均灰度为μ1；图像的总平均灰度为μ；分割阈值为d，通过遍历d 从0至255 的所有值计算得出二值化操作的最佳阈值。

2 实验过程与分析

2.1 车牌识别的图像处理实验

实验采用中国科学技术大学的CCPD 开源车牌数据集，该数据集包含了近30 万张在不同时间、天气、环境、角度、距离、光照等条件下采集到的国内车牌样本图像，每张图像的尺寸为720×1160×3，数据集的样本规模大且带有原始的标注信息，利于相关模型的训练。对于车牌图像的预处理依次按照高斯滤波、灰度化、二值化的顺序进行，同时根据数据集的原始标注信息规则，将图像信息与类别标签关联对应。

实验搭建的具体操作环境为Anaconda（Python 3.8）、PyCharm（Community 2021.1.2），调用OpenCV 库封装的函数并设置关键参数来进行相关操作：利用GaussianBlur 函数完成高斯滤波，设置高斯半径参数为2，标准差取0，此时系统会根据高斯矩阵的尺寸计算得出结果。图像的高斯模糊程度随着高斯矩阵的尺寸和标准差的增加而增大；利用cvtColor 函数完成图像的灰度化，参数设置为gary 灰度模式，阈值为120，小于阈值时图像更偏向于白色，大于阈值则图像更偏向于黑色；利用threshold 函数完成图像的二值化，设置阈值为220，大于阈值的部分将被设置为255，小于阈值的部分则将被设置为0，操作结束后仅保留图像的黑和白的视觉效果。其余为默认参数，各参数将随着实验的推进，结合相关模型训练的情况进行调优。以国内小型新能源汽车的车牌为例，该类车牌的外廓尺寸为480 mm×140 mm，底色以绿色为主，字符数包括中文地区简称、发牌机关代号、序号等在内共计8 位字符，字符为黑色。图像处理过程的可视化效果如图1 所示。

图1 车牌图像处理及边缘检测可视化效果

2.2 对比实验结果和分析

完成图像预处理后将进行车牌的定位，目前主要有基于边缘检测技术和基于颜色特征的车牌定位方法[4]，其中采用如sobel 算子这样的基于边缘检测技术的方法来获取数字图像的一阶梯度以完成边缘的检测和车牌的定位方法更加普遍。在完成定位后，需进一步完成字符分割和归一化处理，最后完成车牌的识别。为了验证图像处理技术对于提升车牌识别效率的积极作用，本文将经过图像处理技术完成车牌预处理的样本和未经处理的样本进行对比实验，随机选取数据集中的样本组合成六个测试集进行测试，每个测试集的样本数量为300。模式分类由采用训练过的SVM 模型分类器完成。实验过程所用到的样本数据条件相同，且使用了相同的训练标准和模型作为对照。实验结果如表1 所示，其中识别耗时为每个测试集中单个车牌的平均识别时长。分析实验结果，将图像处理技术应用到车牌识别中可以有效提升车牌识别的效率，未经图像处理的样本虽然也能够完成识别，但识别效果不尽人意，且往往需要消耗更多的算力资源，造成车牌识别速度较慢、识别效率不佳的结果。

表1 对比实验结果

3 结语

图像处理技术的应用对于提升车牌识别的精度和速度起到了积极的作用，车牌图像的预处理是降低各种内外部因素干扰、增强车牌图像特征轮廓的有效手段。道路交通的智能化发展使车牌识别系统面临的挑战越来越大，面对各种复杂的应用环境，没有任何一种车牌识别系统是能够适应所有识别场景的，也没有哪种方法能够在所有情况下保持适用，车牌识别的相关技术需要不断进行改进提升。本文通过实验验证了图像处理技术对车牌识别带来的积极作用，但受限于实验的计算机设备硬件条件，图像的处理速度和车牌的整体识别效率还有提升空间，后续将进一步对车牌识别的各个步骤展开研究，并对相关算法和模型进行适配和优化。