任芳 齊立萍

【摘 要】智能交通的出現(xiàn)緩解了現(xiàn)今嚴(yán)峻的交通問題，車牌檢測(cè)作為其一重要環(huán)節(jié)，應(yīng)用十分廣泛。本文針對(duì)社區(qū)停車場(chǎng)問題提出基于圖像處理的車牌檢測(cè)系統(tǒng)設(shè)想。該設(shè)想對(duì)社區(qū)住戶的車輛牌照進(jìn)行自動(dòng)檢測(cè)，綜合運(yùn)用圖像預(yù)處理、圖像增強(qiáng)、車牌定位等技術(shù)提取車牌信息以識(shí)別該車輛是否為本社區(qū)車輛，防止住戶私有車位被外部車輛占用，同時(shí)可以促進(jìn)該地區(qū)停車場(chǎng)業(yè)的發(fā)展。

【關(guān)鍵詞】車牌檢測(cè)；圖像增強(qiáng)；車牌定位；停車管理

中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）01-0182-002

【Abstract】The emergence of intelligent traffic relieves the serious traffic problems. As an important link， license plate detection is widely used.In this paper， the idea of license plate detection system based on image processing is proposed for the problem of community parking lot. It is intended to automatically detect vehicle licenses for community households.The technology of image pre-processing， image enhancement and license plate location is used to extract license plate information to identify whether the vehicle is the community vehicle， to prevent the occupancy of private parking spaces from being occupied by external vehicles， and to promote the development of parking industry in the area.

【Key words】License plate detection； Image denoising； License plate location； Parking lot management

0 引言

近幾年交通行業(yè)發(fā)展迅速，私家車數(shù)量也愈趨增多，同時(shí)也造成了停車難的問題。許多市民在自己社區(qū)內(nèi)已購(gòu)買了車位，但是仍有部分人為避免去繳費(fèi)停車場(chǎng)停車而選擇占用他人車位，使原本已購(gòu)買車位的住戶無(wú)處停車。有些社區(qū)針對(duì)這種現(xiàn)象設(shè)計(jì)了一個(gè)IC卡，讓住戶在停車前刷卡進(jìn)行身份驗(yàn)證。為了方便用戶不必下車刷卡、減少過檢時(shí)間，對(duì)此，我提出設(shè)想，將所有住戶的車輛牌號(hào)統(tǒng)一由停車場(chǎng)警衛(wèi)室電腦記錄，在社區(qū)停車場(chǎng)入口處增加一個(gè)攝像頭，對(duì)來(lái)往車輛拍照獲取其車牌照片。之后計(jì)算機(jī)運(yùn)用圖像處理技術(shù)分析圖片并提取該車牌信息，若檢測(cè)出的牌照信息顯示為本社區(qū)車輛，停車場(chǎng)放行，否則由相關(guān)工作人員進(jìn)行處理。

1 相關(guān)理論概述

圖像作為人類感知世界的重要媒介，為我們提供了許多直觀信息。為使之更適宜應(yīng)用于某些領(lǐng)域，則需要對(duì)圖像進(jìn)行處理。圖像處理 （image processing）[1]是計(jì)算機(jī)根據(jù)所需效果對(duì)圖像進(jìn)行分析的一種技術(shù)。一般所說的圖像處理都是指數(shù)字圖像處理 （Digital Image Processing）[2]就是通過計(jì)算機(jī)對(duì)圖像進(jìn)行去噪、增強(qiáng)、復(fù)原、分割、提取特征等處理的技術(shù)，例如車牌檢測(cè)技術(shù)VLPR （Vehicle License Plate Recognition）[3]。20世紀(jì)70年代初，數(shù)字圖像處理技術(shù)呈逐漸上升趨勢(shì)。數(shù)字圖像處理技術(shù)在眾多領(lǐng)域都受到廣泛重視同時(shí)在一些領(lǐng)域取得杰出成績(jī)。交通領(lǐng)域中基于圖像處理的車牌檢測(cè)可以在不影響車輛的行駛情況下完成車牌檢測(cè)，減輕人力資源的浪費(fèi)，是目前研究的熱點(diǎn)。

2 系統(tǒng)流程

首先檢測(cè)裝置檢測(cè)到車輛駛來(lái)隨即發(fā)出信號(hào)，觸發(fā)攝像頭對(duì)車輛進(jìn)行拍照，同時(shí)計(jì)算機(jī)收到剛捕捉到的圖像，之后計(jì)算機(jī)采取圖像預(yù)處理、車牌定位、字符提取等技術(shù)對(duì)圖像進(jìn)行分析。最終將分析出的車牌字符與住戶車輛信息進(jìn)行對(duì)比，判斷其是否為本社區(qū)車輛。該系統(tǒng)流程圖如圖1示。

2.1 獲取圖像

當(dāng)汽車行駛到停車場(chǎng)門前處于檢測(cè)范圍時(shí)，檢測(cè)裝置觸動(dòng)攝像頭，對(duì)車輛進(jìn)行拍照存儲(chǔ)，再傳送至計(jì)算機(jī)。但是由于車輛的行駛速度，天氣狀態(tài)或者是攝像頭鏡面等原因，可能會(huì)導(dǎo)致獲取的圖像有噪＼點(diǎn)干擾、光線不均的情況。為改善圖像質(zhì)量，對(duì)圖像進(jìn)行以下處理。

2.2 圖像預(yù)處理

圖像預(yù)處理解決由噪聲等干擾引起的圖像不清晰、車牌特征不明顯等問題。其主要包括圖像灰度化、圖像去噪[4]和圖像增強(qiáng)[5]。

攝像頭獲取的都是RGB圖像，因?yàn)椴噬珗D像會(huì)增加存儲(chǔ)空間，增長(zhǎng)計(jì)算機(jī)運(yùn)算時(shí)間，造成資源與時(shí)間的雙重浪費(fèi)，所以需將彩色圖像變?yōu)榛叶葓D像。根據(jù)人眼識(shí)別系統(tǒng)對(duì)顏色的敏感程度，綠色>紅色>藍(lán)色，使用加權(quán)平均值算法對(duì)圖像顏色進(jìn)行提取，繪制的圖像更適宜計(jì)算機(jī)識(shí)別。轉(zhuǎn)化公式如公式（1）示：

Gray（x，y）=0.587G（x，y）+0.299R（x，y）+0.114B（x，y）（1）

其中（x， y）為圖像上任意一點(diǎn)的像素值，Gray為該點(diǎn)對(duì)應(yīng)的灰度值。R、G、B三個(gè)量分別表示紅色、綠色和藍(lán)色，對(duì)這三個(gè)量進(jìn)行加權(quán)求均值，三個(gè)量的權(quán)值分別為：0.299、0.587、0.114。

圖像灰度化后，噪聲干擾明顯可見，利用小波去噪[6]方法對(duì)圖像進(jìn)行去噪處理。其基本思想來(lái)源于Donoho理論[7]，因?yàn)榻?jīng)過小波分析后，圖像中的有用信息都分布在低頻率中，而噪聲和其他圖像細(xì)節(jié)信息則分布在高頻率中。通過運(yùn)算削弱或消除高頻系數(shù)中的部分系數(shù)值，再將處理過的高頻系數(shù)和分割的低頻系數(shù)進(jìn)行圖像重構(gòu)[8]，就可達(dá)到圖像去噪的目的。

圖像增強(qiáng)就是依據(jù)某種需要，強(qiáng)調(diào)圖像中有用的信息特征，削弱無(wú)用信息特征，增強(qiáng)圖像的視覺判別效果。這里采取邊沿密度增強(qiáng)算法，用Sobel算子計(jì)算出的邊沿梯度同閾值相比較得出邊沿圖像。需注意：（1）要提高整體與局部的對(duì)比度，根據(jù)車牌部分存在較強(qiáng)的水平和垂直邊緣響應(yīng)，增強(qiáng)局部信息。（2）車牌的水平邊沿長(zhǎng)度在特定的范圍內(nèi)，過長(zhǎng)或過短都應(yīng)排除。（3）車牌字符的邊沿密度近似相等。近幾年出現(xiàn)較多圖像增強(qiáng)算法，但是沒有一種算法可以使所有指標(biāo)達(dá)到最優(yōu)。這將是我們以后努力的一個(gè)方向。

2.3 車牌定位與分割

車牌定位就是在預(yù)處理后的圖像中定位到車牌所在位置。車牌定位為后續(xù)的字符提取奠定了基礎(chǔ)。

車牌定位最重要的兩個(gè)因素就是定位速度和定位準(zhǔn)確率。本文將利用多信息融合[9]的定位技術(shù)進(jìn)行車牌定位。首先，利用邊沿密度分布具有的規(guī)律排除大量背景部分，提高定位速率。之后根據(jù)車牌字符是分布在一條直線或兩條直線上以此實(shí)現(xiàn)定位。最后分割車牌字符看其是否符合車牌信息特征。我國(guó)車牌由漢字、字母和數(shù)字組成。因?yàn)闈h字的識(shí)別率要低于字母和數(shù)字的識(shí)別率，所以從第二個(gè)字母開始識(shí)別。因?yàn)槟０迤ヅ涞淖R(shí)別率不高且魯棒性差，所以利用圖像的HOG （Histogram of Oriented Gradient）特征[10]并結(jié)合SVM（支持向量機(jī)）分類器[11]進(jìn)行定位。若字符中有5個(gè)或以上的數(shù)字則被識(shí)別為車牌區(qū)域，否則為背景區(qū)域。

2.4 字符提取

上文實(shí)現(xiàn)了車牌分割，現(xiàn)在對(duì)分割后的圖像中的字符進(jìn)行提取。目前字符識(shí)別方法主要有模板匹配[12-14]和字符特征提取[15]兩大類。模板匹配主要是根據(jù)模板圖像與實(shí)際圖像的相似度做判定依據(jù)，其原理簡(jiǎn)單，計(jì)算方便，被廣泛應(yīng)用。但是模板識(shí)別會(huì)忽視字符的細(xì)節(jié)信息使其難適應(yīng)字符變換，無(wú)法分辨相似漢字導(dǎo)致識(shí)別率太低。字符特征提取的方法主要有基于全像素、小波矩特征提取等。但是這些方法提取的特征維數(shù)過大以致識(shí)別速度低。基于這兩種算法的優(yōu)點(diǎn)使用字符多特征提取方法[16]，使得提取的結(jié)果識(shí)別率高，魯棒性好。首先利用高斯拉普拉斯算子（LOG）作為二值化算法，能有效應(yīng)對(duì)光照、天氣等因素造成的圖像斷裂或粘連的情況。之后再對(duì)圖像細(xì)化處理，以提高識(shí)別率。針對(duì)數(shù)字和字母，利用直線彎曲程度特征，點(diǎn)所在位置特征，環(huán)數(shù)特征以及環(huán)面積特征進(jìn)行提取，對(duì)漢字利用13點(diǎn)特征[17]提取，都能有效提高提取字符的準(zhǔn)確率。

2.5 信息核對(duì)

經(jīng)過上述，計(jì)算機(jī)已經(jīng)識(shí)別出車輛牌號(hào)并存儲(chǔ)在電腦上。設(shè)計(jì)一款軟件，其包含了所有住戶信息及其車牌信息。當(dāng)車輛駛來(lái)，攝像頭拍照傳送至計(jì)算機(jī)，計(jì)算機(jī)迅速對(duì)其進(jìn)行車牌檢測(cè)。將檢測(cè)出的字符與預(yù)存的信息對(duì)比，若一致則放行，否則鳴笛，之后交由工作人員處理。

被檢測(cè)出的他人車輛，可由工作人員引導(dǎo)至收費(fèi)停車場(chǎng)，這樣不僅保證了住戶車位的私有化，同時(shí)也增加了停車場(chǎng)的盈利，促進(jìn)其行業(yè)發(fā)展。

3 結(jié)論

本文主要綜述了提出的基于圖像處理的社區(qū)車牌檢測(cè)系統(tǒng)。該系統(tǒng)主要包括攝像機(jī)獲取圖片，之后計(jì)算機(jī)對(duì)圖像進(jìn)行預(yù)處理、車牌定位、字符提取、將處理后的字符與電腦軟件中預(yù)存信息對(duì)比，達(dá)到對(duì)已知車輛放行，未知車輛鳴笛的目的。該系統(tǒng)概述了各個(gè)算法，還存在些許細(xì)節(jié)問題，同時(shí)攝像頭的選取，計(jì)算機(jī)預(yù)存車牌信息的軟件也是我們需要努力的方向。隨著圖像處理技術(shù)，人工智能的發(fā)展，智能交通會(huì)走進(jìn)大眾視野，屆時(shí)，本文提出的系統(tǒng)將真正運(yùn)作起來(lái)。

【參考文獻(xiàn)】

[1]郭元戎.圖像處理與識(shí)別技術(shù)的發(fā)展應(yīng)用[J/OL].電子技術(shù)與軟件工程，2018（01）：58-59[2018-01-07].http：//kns.cnki.net/kcms/detail/10.1108.TP.20180104.1025.094.html.

[2]陳汗青，萬(wàn)艷玲，王國(guó)剛.數(shù)字圖像處理技術(shù)研究進(jìn)展[J].工業(yè)控制計(jì)算機(jī)，2013，26（1）：72-74.

[3]黎洪龍.基于圖像處理技術(shù)的車牌識(shí)別方法研究[J].科技與創(chuàng)新，2017（19）：65-66.

[4]賀麗麗.圖像去噪處理技術(shù)在通信領(lǐng)域的應(yīng)用[J].電子技術(shù)與軟件工程，2017（03）：30.

[5]王浩，張葉，沈宏海，等.圖像增強(qiáng)算法綜述[J].中國(guó)光學(xué)，2017，10（4）：438-448.

[6]馬莉，鄭世寶，劉成國(guó).一種基于小波變換的圖像去噪算法[J].現(xiàn)代電子技術(shù)，2008，18（45）：160-16 2.0.

[7]李旭超.小波域馬爾可夫隨機(jī)場(chǎng)在圖像處理中的應(yīng)用[M].北京：電子工業(yè)出版社，2011.

[8]于篤發(fā)，邵建華，張晶如.基于小波自適應(yīng)閾值圖像去噪方法的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（8）：250-253.

[9]王永杰，裴明濤，賈云得.多信息融合的快速車牌定位[J].中國(guó)圖像圖形學(xué)報(bào)，2014，19（3）：471-475.

[10]高聰，王福龍.基于模板匹配和局部HOG特征的車牌識(shí)別算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26（1）：122-128.

[11]Vapnik V.The nature of statistical learing theory[M].[S.I.]：Springer Verlag，2000.

[12]Comelli P，F(xiàn)erragina P，Granieri M，et al.Optical recognition of motor vehicle license plates[J].IEEE Transactions on Vehicular Technology，1995，44（4）：779-799.

[13]Ko M.License plate surveillance systemusing weighted template matching[C].Proceeding of the 32nd Applied Imagery Pattern Recognition Workshop，2003：269-274.

[14]Huang Y，Lai S，Chuang W.A template-based model for license plate recognition[C].2004 IEEE International Conference on Networking，Sensing and Control，2004，2：737-742.

[15]Mori S，Suen C，Yamamoto K.Historical review of OCR research and development[J].Proceedings of the IEEE，1992，80（7）：1029-1058.

[16]何兆成，佘錫偉，余文進(jìn)，等.字符多特征提取方法及其在車牌識(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（23）：228-231.

[17]劉雄飛，朱盛春.車牌字符多特征提取與BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法[J].計(jì)算機(jī)仿真，2014，31（10）：161-164.