摘要：車輛牌照識(shí)別系統(tǒng)是現(xiàn)代智能交通系統(tǒng)的重要組成部分。本文闡述了車輛識(shí)別系統(tǒng)的的關(guān)鍵技術(shù)，并且對(duì)車輛識(shí)別技術(shù)存在的問題和發(fā)展進(jìn)行討論。

關(guān)鍵詞：車牌識(shí)別系統(tǒng)； 智能交通； 技術(shù)

中圖分類號(hào)： TP391.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2008)18-20ppp-0c

Research on Licence Plate Recognition System

YI Lian-jie

(Loudi Vocational and Technical College Loudi Huanan417000)

Abstract: The licence plate recognition system has an importantrole of morden intelligent traffic system. This paper narrated the key technology ofthe licence plate recognition system and discussed the existing problems and development of the licence plate recognition system.

Keywords: the licence plate recognition system; intelligent traffic system; technology

車牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的關(guān)鍵部分，可廣泛應(yīng)用于交通管理、監(jiān)控和電子收費(fèi)等場合。車牌識(shí)別系統(tǒng)就是以車牌作為車輛的唯一標(biāo)識(shí)，采用計(jì)算機(jī)視覺和模式識(shí)別技術(shù)對(duì)汽車車牌的自動(dòng)識(shí)別。

1 車牌識(shí)別系統(tǒng)的組成

典型的車牌識(shí)別系統(tǒng)由車輛檢測、圖像采集、車牌識(shí)別等部分組成（圖1）。車輛檢測就是使用車輛傳感器或紅外線檢測等來判斷車輛是否通過某一位置。當(dāng)車輛駛過探測部位時(shí)，CCD攝像機(jī)拍攝車輛圖像，由圖像采集卡采集圖像并輸入計(jì)算機(jī)。車牌識(shí)別部分由計(jì)算機(jī)和識(shí)別軟件組成，從由CCD攝像機(jī)采集的圖像中自動(dòng)尋找車牌，然后對(duì)找到的車牌進(jìn)行字符切分和識(shí)別，最后獲得車牌號(hào)碼，并將識(shí)別結(jié)果送至監(jiān)控中心等場合。

圖1車牌識(shí)別系統(tǒng)的組成

在整個(gè)識(shí)別系統(tǒng)中，以車牌識(shí)別最為關(guān)鍵。識(shí)別過程有兩個(gè)步驟，首先從圖像中找出確切的車牌位置，即車牌定位，然后對(duì)找出的車牌進(jìn)行字符切分和識(shí)別。車牌識(shí)別過程包含兩大關(guān)鍵技術(shù)：1.車牌區(qū)域定位技術(shù)；2.車牌字符切分和識(shí)別技術(shù)。

2 車牌定位技術(shù)

圖像輸入計(jì)算機(jī)后，系統(tǒng)要自動(dòng)找出車牌的準(zhǔn)確位置。車牌區(qū)域定位是車牌字符切分和識(shí)別的基礎(chǔ)，是提高系統(tǒng)識(shí)別率的關(guān)鍵。車牌定位過程包括三個(gè)步驟：圖像預(yù)處理、車牌搜索和車牌糾偏。

2.1 圖像預(yù)處理

圖像預(yù)處理的作用：平滑去噪和車牌特征增強(qiáng)。

平滑去噪就是消除圖像上由于光照、車牌污損等產(chǎn)生的噪聲干擾。平滑方法主要有平均濾波、中值濾波和指數(shù)函數(shù)濾波等方法。中值濾波和指數(shù)濾波平滑效果好且能較好保持牌照和字符邊緣，但在平滑效果和處理速度方面不如平均濾波。

通常的車牌定位算法是依據(jù)車牌特征從圖像中找出車牌，因此必須使車牌區(qū)域顯示出與非車牌區(qū)域不同的獨(dú)有的特征，車牌特征增強(qiáng)使圖像中車牌區(qū)域明顯突出。通常有下述增強(qiáng)方法：邊緣檢測法、二值化法、量化法、數(shù)學(xué)形態(tài)學(xué)法。

具有不同灰度的相鄰區(qū)域之間存在邊緣，在車牌區(qū)域存在車牌邊框邊緣和車牌字符邊緣。邊緣檢測法就是要檢測出這些邊緣。有關(guān)邊緣檢測的算法很多，考慮實(shí)時(shí)性要求，采用簡單的微分算子，如一階微分算等。這些算子采用小區(qū)域模板與圖像卷積實(shí)現(xiàn)邊緣檢測。文獻(xiàn)[1]提出一種牌照字符邊緣特征增強(qiáng)的方法，該方法使用線性濾波器函數(shù)將每一行中多個(gè)連續(xù)的水平方向梯度值相加，使得字符的垂直邊緣增強(qiáng)。微分算子對(duì)噪聲較為敏感，因此在使用之前需要平滑去噪。LOG算子是高斯指數(shù)平滑法與Laplacian算子相結(jié)合的邊緣檢測方法，既能消除噪聲又能很好的突出車牌字符的邊緣。

二值化增強(qiáng)法先確定一個(gè)閾值，然后將圖像中各個(gè)像素的灰度值都與這個(gè)閾值比較，根據(jù)比較結(jié)果將整個(gè)圖像的像素點(diǎn)分為兩類，車牌區(qū)域歸為一類，便于車牌搜索。為了滿足實(shí)時(shí)性要求，采用簡單、快速的二值化法，如平均閾值法，反積分自適應(yīng)閾值法等。

文獻(xiàn)[3]使用神經(jīng)網(wǎng)絡(luò)來對(duì)彩色圖像量化，使得車牌區(qū)域的字符為一種特定的顏色，然后進(jìn)行顏色過濾或線掃描，借此提取車牌。該方法首先必須選取車牌樣本圖像，并且要把RGB顏色模式轉(zhuǎn)換為HSI模式，以HSI各分量值作為輸入對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再以訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)圖像的各像素點(diǎn)量化分類，該方法抗干擾能力強(qiáng)，量化前可不要求平滑，

數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具，它的基本思想使用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)有四種基本的運(yùn)算：膨脹，腐蝕，開啟和閉合。出于以下兩個(gè)意圖而使用形態(tài)學(xué)方法：1.將開啟和閉合結(jié)合起來，消除二值化后的車牌區(qū)域中存在的細(xì)小空洞；2.采用水平線段的結(jié)構(gòu)元素膨脹，使二值化后的車牌區(qū)域成為一連通區(qū)域。

需要說明的是，上述方法往往不是單獨(dú)使用，如二值化法是對(duì)邊緣檢測后的圖像進(jìn)行，而形態(tài)學(xué)方法是在二值化圖上實(shí)現(xiàn)。不能簡單的評(píng)價(jià)圖像預(yù)處理方法的優(yōu)劣，因?yàn)檫@與所對(duì)應(yīng)的車牌搜索方法緊密相關(guān)。

2.2 車牌搜索

車牌搜索就是根據(jù)車牌區(qū)域特征在圖像中尋找車牌的過程。根據(jù)搜索的方式可把車牌搜索方法分為以下幾種：投影統(tǒng)計(jì)法、線掃描法、模板匹配法和反Hough變換法等。車牌搜索法要與相應(yīng)的車牌增強(qiáng)法配合使用(見表2)。

表2車牌增強(qiáng)法用于不同搜索法的情況

投影統(tǒng)計(jì)法對(duì)邊緣化或二值化圖像進(jìn)行水平和垂直累加投影，根據(jù)投影直方圖呈現(xiàn)的連續(xù)峰、谷、峰的分布的特征來提取車牌，或?qū)τ尚螒B(tài)學(xué)膨脹運(yùn)算后的圖像水平和垂直投影，在投影圖上尋找波峰和波谷而確定車牌位置。文獻(xiàn)[24]提出的采用高斯指數(shù)函數(shù)對(duì)投影圖平滑，能有效消除投影圖的毛刺，使車牌位置為明顯的波峰，提高車牌定位的精度。

線掃描搜索法則是對(duì)邊緣化或二值化后的圖像逐行水平掃描，穿過車牌區(qū)域的掃描線因?yàn)樽址吘壍拇嬖?，灰度呈現(xiàn)起伏的峰、谷、峰的變化，或頻繁交替出現(xiàn)亮基元、暗基元的特征，以提取車牌。文獻(xiàn)[3]用神經(jīng)網(wǎng)絡(luò)對(duì)彩色圖像量化之后，再逐行水平掃描，分別獲取顏色向量和長度向量，能與標(biāo)準(zhǔn)車牌區(qū)域的顏色向量和長度向量匹配的為車牌區(qū)域。

模板匹配搜索法是以特定的模板在圖像區(qū)域滑動(dòng)，以與模板匹配的局部區(qū)域?yàn)檐嚺?。使用的模板有線模板、倒”L”角模板、矩形框模板。線模板以水平線段或垂直線段為模板，來檢測車牌的邊框角點(diǎn)；倒“L”模板以倒“L”結(jié)構(gòu)為模板來尋找車牌邊框的左上角；矩形框模板以一個(gè)與車牌長寬比例相當(dāng)?shù)木匦慰蜃鳛槟０?，在整個(gè)圖像區(qū)域滑動(dòng)，以符合某一判別函數(shù)值的區(qū)域作為車牌區(qū)域。

反Hough變換搜索法是基于車牌形狀特征的方法，先對(duì)圖像進(jìn)行Hough變換，然后在Hough參數(shù)空間尋找車牌的四個(gè)端點(diǎn)。

上述搜索法可以結(jié)合使用，如文獻(xiàn)[25]提出的自適應(yīng)邊界搜索法，先用倒”L”模板尋找車牌邊框的左上角，然后用水平線掃描和垂直線掃描找出下邊框和右邊框。投影統(tǒng)計(jì)搜索法和線掃描搜索法處理速度快，能對(duì)大小不同的車牌識(shí)別，但定位精度不高和出現(xiàn)虛假車牌的情況，需要提高定位精度和去除虛假車牌的后續(xù)工作。模板匹配搜索法能比較準(zhǔn)確的找到車牌位置，但難以滿足實(shí)時(shí)性要求，可以采用神經(jīng)網(wǎng)絡(luò)或遺傳算法來加快搜索進(jìn)程。反Hough變換搜索法除了能準(zhǔn)確找到車牌位置，還能確定車牌的傾斜角度，對(duì)噪聲、輪廓線中斷不敏感，但在有直線干擾下可能實(shí)效，文獻(xiàn)[28]提出的快速Hough變換的策略能滿足實(shí)時(shí)性要求。

2.3 車牌糾偏

由于車輛運(yùn)行軌跡不定、攝像機(jī)位置偏斜等原因，使得圖像中車牌扭曲，為了后續(xù)正確的車牌字符切分和識(shí)別，就須對(duì)車牌糾偏，使車牌達(dá)到規(guī)范的位置和大小。采用的糾偏方法通常先是用Hough變換確定水平邊框傾斜角度和垂直邊框傾斜角度，然后糾偏。文獻(xiàn)[22]提出使用Rodan 變換可用來確定傾斜角度。

3 車牌字符識(shí)別技術(shù)

車牌定位之后就要對(duì)車牌字符識(shí)別。這一過程包含下列幾個(gè)步驟（見圖2）：車牌二值化，字符切分，字符特征提取和字符識(shí)別。這里只討論后三個(gè)步驟。

圖2 車牌字符識(shí)別步驟

3.1 字符切分

字符切分把車牌上的字符分開，得到一個(gè)個(gè)的字符圖像。常用的字符切分方法有投影法、模板匹配法、區(qū)域生長法、聚類分析法等。

投影法把車牌圖像垂直累加投影，形成峰谷交替的投影直方圖，找到投影圖的各個(gè)谷就能把字符分開。模板匹配法以字符大小的矩形作為模板，根據(jù)字符的寬度初步確定每個(gè)字符的起始位置，然后以此模板在初定位置附近滑動(dòng)，找到最佳匹配位置而切分字符。區(qū)域生長法對(duì)每個(gè)需要分割的字符找一個(gè)像素作為生長起點(diǎn)的種子，將種子像素周圍鄰域中與之相同或相近性質(zhì)的像素合并到種子像素所在的區(qū)域，然后將這些新像素當(dāng)作新的種子繼續(xù)進(jìn)行上述過程，直到再?zèng)]有滿足條件的像素可被包含進(jìn)來?；诰垲惙治龅姆椒▽?duì)車牌圖像從上到下逐行掃描，如屬于字符類的兩像素間距離小于閾值，可認(rèn)為兩像素為同一字符，由此而得字符像素的聚類。

3.2 字符特征提取和車牌字符識(shí)別

目前使用的車牌字符特征提取的方法可歸納為下述三種：1.基于字符統(tǒng)計(jì)特征。計(jì)算字符圖像的多階原點(diǎn)矩，多階中心矩以及中心慣性矩，以中心矩與中心慣性矩的比值作為字符特征向量，這樣提取的特征量具有平移，旋轉(zhuǎn)和尺度不變性，但運(yùn)算量大；也有把字符在多個(gè)方向上的投影（如水平方向，垂直方向，右斜方向，左斜方向）和二階中心矩的比值作為特征向量。2.基于結(jié)構(gòu)特征。外圍輪廓特征，粗網(wǎng)格特征，層次輪廓特征以及字符特征點(diǎn).這類特征提取計(jì)算量較少，但對(duì)噪聲和位置變化比較敏感，需要去噪和對(duì)字符歸一化。3.基于變換。對(duì)原始特征（像素點(diǎn)矩陣）進(jìn)行傅里葉變換、K-L變換或小波變換等，提取的特征向量反映字符的結(jié)構(gòu)特征和統(tǒng)計(jì)特征，相似字符的特征矢量距離較大，效果較好。實(shí)際應(yīng)用中往往是多種特征的提取，多種特征提取方法的使用。

對(duì)車牌字符特征提取之后，就把相應(yīng)的特征值輸入分類器識(shí)別，目前對(duì)于車牌字符的分類識(shí)別方法歸納為下列幾種。（1）模板匹配。該方法首先對(duì)待識(shí)字符進(jìn)行二值化并將其縮放為字符數(shù)據(jù)庫中模板大小，然后與所有的字符模板比較匹配，計(jì)算相似度，以最大相似度者為識(shí)別結(jié)果。（2）PCA子空間分類器。子空間分類器由訓(xùn)練樣本相關(guān)矩陣的特征向量構(gòu)成，單個(gè)模式的子空間建立彼此獨(dú)立，相互之間沒有聯(lián)系，以待識(shí)別字符的特征向量與所對(duì)應(yīng)的子空間距離最小作為結(jié)果。（3）基于人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)有抗噪聲、容錯(cuò)、自適應(yīng)、自學(xué)習(xí)能力強(qiáng)的特點(diǎn)。多隱含層的BP神經(jīng)網(wǎng)絡(luò)，BAM(Bidirectional association memories)神經(jīng)網(wǎng)絡(luò)方法，自諧振ART神經(jīng)網(wǎng)絡(luò)識(shí)別等是此方法的典范。（4）基于邏輯規(guī)則推理的識(shí)別方法。文獻(xiàn)[18]提出基于歸納推理的字符識(shí)別，該方法在訓(xùn)練時(shí)自動(dòng)生成識(shí)別規(guī)則。（5）基于隨機(jī)場圖像模擬的識(shí)別方法。該方法識(shí)別率高，并且可對(duì)灰度圖像直接提取字符特征，抗干擾性強(qiáng)。另外使用感知器的識(shí)別，通常感知器只用于相似字符對(duì)的識(shí)別，作為其他識(shí)別方法的補(bǔ)充。

4 總結(jié)與展望

從已有車牌識(shí)別系統(tǒng)的性能分析來看，正確識(shí)別率和識(shí)別速度兩者難以同時(shí)兼顧。其中原因包括目前的車牌識(shí)別技術(shù)還不夠成熟，又受到攝像設(shè)備、計(jì)算機(jī)性能的影響。

現(xiàn)代交通飛速發(fā)展，LPR系統(tǒng)的應(yīng)用范圍不斷擴(kuò)寬，對(duì)車牌識(shí)別系統(tǒng)的性能要求將更高。對(duì)現(xiàn)有的算法優(yōu)化或?qū)ふ易R(shí)別精度高、處理速度快、應(yīng)用于多種場合的算法將是研究的主要任務(wù)。

參考文獻(xiàn)：

[1] 廖金周,宣國榮.車輛牌照的自動(dòng)分割[J].微型電腦應(yīng)用,1999(7):32-34.

[2] 劉智勇.車牌識(shí)別中的圖像提取及分割[J].中文信息文報(bào),2000(3):29-34.

[3] Wu Wei,Mingjun Wang.An Automatic Method of Location for Number_Plate Using Color Features IEEE 2001.

[4] 郭捷,施鵬飛.基于顏色和紋理分析的車牌定位方法[J].中國圖像圖形學(xué)報(bào),2002,7(5):473-476.

[5] 章毓晉.圖像工程(上)——圖像處理與分析[M].清華大學(xué)出版社.

收稿日期：2008-04-10

作者簡介：易連結(jié)（1971-），男，湖南婁底人，婁底職業(yè)技術(shù)學(xué)院教師、軟件工程師，研究方向：軟件開發(fā)、圖形圖像識(shí)別。