摘 要：車(chē)牌識(shí)別技術(shù)問(wèn)題是近年來(lái)智能交通系統(tǒng)技術(shù)研究的熱點(diǎn)問(wèn)題，車(chē)牌識(shí)別技術(shù)主要包含三個(gè)部分：圖像預(yù)處理、車(chē)牌定位及校正、車(chē)牌文字識(shí)別。本文介紹了復(fù)雜背景下車(chē)牌識(shí)別系統(tǒng)的實(shí)現(xiàn)方法。

關(guān)鍵詞：車(chē)牌識(shí)別技術(shù)；智能交通；Mean Shit算法

中圖分類(lèi)號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9599 （2013） 09-0000-02

隨著汽車(chē)在人們的工作、生產(chǎn)和生活中扮演著越來(lái)越重要的角色，汽車(chē)的保有量也在急速增加。由此帶來(lái)的交通管理問(wèn)題也變得越來(lái)越復(fù)雜，智能交通系統(tǒng)的建立是最好的解決問(wèn)題的方法。而車(chē)牌識(shí)別技術(shù)在智能交通系統(tǒng)中占有十分重要的地位。停車(chē)廠(chǎng)、收費(fèi)站、生產(chǎn)企業(yè)的門(mén)禁管理都有車(chē)牌識(shí)別技術(shù)的身影。

在車(chē)輛車(chē)牌識(shí)別技術(shù)中的圖像提取、字符分割起、字符識(shí)別過(guò)程中，數(shù)字圖像處理技術(shù)起到了重要作用。但由于圖像提取現(xiàn)場(chǎng)可能存在因時(shí)間、光線(xiàn)、天氣的變化而造成的干擾使車(chē)牌成像效果較差的問(wèn)題。所以目前現(xiàn)有的車(chē)牌識(shí)別系統(tǒng)都存在因環(huán)境變化而產(chǎn)生的識(shí)別率變化的問(wèn)題。

1 車(chē)牌圖像預(yù)處理技術(shù)

車(chē)牌圖像預(yù)處理技術(shù)一般包括通過(guò)濾波技術(shù)、灰度化、圖像增強(qiáng)、數(shù)學(xué)形態(tài)學(xué)等。

1.1 濾波技術(shù)

在實(shí)際工作場(chǎng)景中采集到的數(shù)字圖像通常會(huì)因?yàn)橥饨绛h(huán)境、攝像設(shè)備、傳輸線(xiàn)路或保存精度等方面的原因，使其在進(jìn)行預(yù)處理前受到各種噪聲的污染。并且在圖像處理過(guò)程中也可能會(huì)對(duì)圖像產(chǎn)生噪聲。噪聲與我們想要處理的圖像沒(méi)有任何關(guān)聯(lián)，還會(huì)對(duì)我們的處理產(chǎn)生不好的影響。所以，一般情況下我們會(huì)在進(jìn)行圖像處理前對(duì)圖像采用濾波技術(shù)進(jìn)行處理，常用的濾波方法有：中值濾波、均值濾波、高斯濾波等。

1.2 圖像增強(qiáng)算法

圖像的對(duì)比度不足是圖像處理的過(guò)程中經(jīng)常會(huì)遇到的問(wèn)題。主要的原因是在獲取車(chē)牌圖像時(shí)受外界環(huán)境的影響。對(duì)比度不足的圖像會(huì)影響到圖像的后續(xù)處理效果，所以，一般情況下，在進(jìn)行圖像處理前會(huì)使用灰度變換的方法來(lái)對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)處理，以達(dá)到改善視覺(jué)效果的目的。

1.3 數(shù)學(xué)形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)[1]是在1964年由法國(guó)巴黎礦業(yè)學(xué)院博士生賽拉（J. Serra）和導(dǎo)師馬瑟榮，在從事鐵礦核的定量巖石學(xué)分析及預(yù)測(cè)其開(kāi)采價(jià)值的研究中提出的。數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和所用語(yǔ)言是集合論，因此它具有完備的數(shù)學(xué)基礎(chǔ)，這為形態(tài)學(xué)用于圖像分析和處理、形態(tài)濾波器的特性分析和系統(tǒng)設(shè)計(jì)奠定了堅(jiān)實(shí)的基礎(chǔ)。基本方法是利用一個(gè)擁有一定形狀的結(jié)構(gòu)元素來(lái)檢測(cè)圖像的形狀和結(jié)構(gòu)。

1.4 Mean Shift算法

Mean Shift這個(gè)概念最早是1975年在一篇關(guān)于概率密度梯度函數(shù)的估計(jì)的文章中由Fukunaga等人提出來(lái)的，它的意思是偏移的均值向機(jī)構(gòu)量。一般是指一個(gè)迭代的步驟，即先算出當(dāng)前點(diǎn)的偏移均值，移動(dòng)該點(diǎn)到其偏移均值，然后以此為新的起始點(diǎn)，繼續(xù)移動(dòng)，直到滿(mǎn)足一定的條件結(jié)束。目前，Mean Shift算法較多地應(yīng)用到圖像聚類(lèi)方面。

2 車(chē)牌的定位與校正

本章主要描述的是對(duì)已有車(chē)牌定位方法的研究，了解它們的算法原理及其優(yōu)缺點(diǎn)，并提出了一種效果更好適用范圍更廣的車(chē)牌識(shí)別系統(tǒng)方法，即將Mean Shift算法運(yùn)用到車(chē)牌識(shí)別系統(tǒng)，然后在此基礎(chǔ)上對(duì)車(chē)牌進(jìn)行校正。

2.1 車(chē)牌定位

車(chē)牌定位是指根據(jù)車(chē)牌圖像的區(qū)域特征來(lái)將車(chē)牌在圖像中的部分從背景圖像中分離開(kāi)來(lái)，由于車(chē)牌區(qū)域在圖像特征主要包括顏色和形狀，車(chē)牌區(qū)域的顏色一般為藍(lán)色、黃色或白色，它們與圖像的背景顏色存在較大的差異。車(chē)牌的形狀一般為矩形。而車(chē)牌號(hào)在外形和排列上都存在規(guī)律性。車(chē)牌定位技術(shù)就是將上述特征經(jīng)過(guò)一定的變換與處理后，使之能作為車(chē)牌定位的依據(jù)。

常用的車(chē)牌定位的方法有基于顏色的方法、基于紋理特征的方法、基于數(shù)學(xué)形態(tài)學(xué)的方法、基于小波變換的方法等。這些車(chē)牌定位方法，都各自具有不同的局限性。使用Mean Shift算法進(jìn)行車(chē)牌定位可以獲得比較好的效果。對(duì)于圖像空間的所有像素點(diǎn)，在經(jīng)過(guò)Mean Shift算法迭代后，如果最終收斂于同一點(diǎn)，則停止迭代。用同樣的方法對(duì)圖像空間中的所有像素點(diǎn)進(jìn)行迭代遍歷，得出的結(jié)果根據(jù)收斂點(diǎn)的不同可以把整個(gè)空間分成幾個(gè)區(qū)域。這些區(qū)域即為可能的車(chē)牌區(qū)域，再通過(guò)上述特征在可能的車(chē)牌區(qū)域中進(jìn)行對(duì)照分析，就可以得到車(chē)牌區(qū)域。

2.2 車(chē)牌校正

車(chē)牌校正是為了解決拍攝的車(chē)牌圖像因?yàn)榻嵌葐?wèn)題，導(dǎo)致定位后的車(chē)牌傾斜，而傾斜的車(chē)牌會(huì)給車(chē)牌識(shí)別系統(tǒng)的后繼步驟增添麻煩，車(chē)牌校正是必須的。車(chē)牌校正是利用車(chē)牌區(qū)域的矩形序列分布同組成車(chē)牌號(hào)的字母、數(shù)字位置的分布基本一致的特征，找到了矩形序列中矩形左上角像素點(diǎn)排列的近似斜率，從而找出車(chē)牌區(qū)域的偏轉(zhuǎn)角度，完成車(chē)牌圖像區(qū)域的校正。

3 車(chē)牌的字符分割與字符識(shí)別

3.1 車(chē)牌字符分割

車(chē)牌字符分割主要后面的字符識(shí)別做準(zhǔn)備，它是把車(chē)牌圖像區(qū)域中的字符和數(shù)字一一地分割開(kāi)，以便于后續(xù)處理中對(duì)單個(gè)字符進(jìn)行識(shí)別。字符分割的方法[2]主要有：基于連通域標(biāo)記的字符分割算法、灰度垂直投影分割的方法等。

灰度垂直投影分割的方法是車(chē)牌字符分割處理中比較熱門(mén)的技術(shù)。李文舉[3]等在《種新的面向字符分割的車(chē)牌圖像預(yù)處理方法》一文中提出的算法步驟是：字符上下邊界的確定采用的是由中點(diǎn)到兩端搜索的方法；運(yùn)用一維循環(huán)清零法對(duì)分離出的車(chē)牌號(hào)圖像區(qū)域進(jìn)行垂直分割，從而得到車(chē)牌的單個(gè)字符；再對(duì)二值圖像進(jìn)行垂直投影，若垂線(xiàn)上有亮點(diǎn)則將對(duì)應(yīng)的投影值設(shè)為1，否則為0，得到垂直投影矩陣。如果是車(chē)牌字符的話(huà)，則在生成的垂直投影矩陣上應(yīng)該是連續(xù)的1。如果是字符之間的間隔的話(huà)，則應(yīng)該是連續(xù)的0值，噪聲點(diǎn)可能會(huì)出現(xiàn)單個(gè)的1和0值。在對(duì)矩陣進(jìn)行掃描后，就可以識(shí)別出字符區(qū)和間隔區(qū)。

3.2 車(chē)牌的字符識(shí)別

車(chē)牌字符識(shí)別是將分割開(kāi)的單個(gè)字符進(jìn)行匹配判斷。常用的車(chē)牌字符識(shí)別方法主要有：基于模板的識(shí)別算法、基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法等。

基于模板的識(shí)別算法由于其處理速度快、識(shí)別率高的特點(diǎn)為大多數(shù)設(shè)計(jì)所采用。它是把分割后的單個(gè)字符區(qū)域與預(yù)置的標(biāo)準(zhǔn)字符集進(jìn)行匹配處理，取標(biāo)準(zhǔn)字符集中相似度最大的字符作為識(shí)別結(jié)果。這種算法的處理步驟是：將單個(gè)字符圖像區(qū)域進(jìn)行二值化并改變字符大小，使之與字符集中的字符大小相同，然后再進(jìn)行匹配操作，篩選出相似首先需要有字符模板庫(kù)，將待識(shí)別的字符進(jìn)行二值化后，將其大小變成字符模板庫(kù)中字符大小，然后與庫(kù)中的字符進(jìn)行匹配，以相似度最高的字符為最終結(jié)果。因?yàn)樗惴ê?jiǎn)單所以算法的速度較快，只要在前期的預(yù)處理中降噪做得比較好，這種算法的識(shí)別率也相對(duì)較高，是一種簡(jiǎn)單、快速、有效的字符識(shí)別技術(shù)，商用價(jià)值較高。

從目前研究情況盾來(lái)，由于車(chē)牌圖像拍攝環(huán)境的復(fù)雜性和多變性，在選擇及判斷識(shí)別技術(shù)的好壞時(shí)具有一定的難度，現(xiàn)有的一些方法也存在不足。而智能化交通系統(tǒng)對(duì)車(chē)牌識(shí)別技術(shù)的需求卻十分急迫。因此，需要我們進(jìn)一步深入研究更有效的車(chē)牌識(shí)別技術(shù)，以使車(chē)牌識(shí)別系統(tǒng)更加完善。

參考文獻(xiàn)：

[1]戴青云，余英林.數(shù)學(xué)形態(tài)學(xué)在圖像處理中的應(yīng)用進(jìn)展[J].控制理淪與應(yīng)用，2001，1，18（4）：478-482.

[2]左望霞.復(fù)雜背景下多車(chē)牌圖像分割技術(shù)研究[D].電子科技大學(xué)碩士學(xué)位論文，2006.

[3]李文舉，梁德群，崔連延，畢勝.一種新的面向字符分割的車(chē)牌圖像預(yù)處理方法[J].計(jì)算機(jī)應(yīng)用研究，2004（7）：258-260.

[作者簡(jiǎn)介]王超（1973.8-），男，重慶江津人，講師，研究方向：智能算法，軟件工程。