高直 吳寶福 王媛媛

摘 要： 針對車輛牌照的自動識別問題，提出了一種基于數(shù)學(xué)形態(tài)學(xué)的車輛牌照識別方法。通過對車牌的定位、字符切割和字符識別，完成了車輛牌照的自動識別。首先，對原始彩色圖像進(jìn)行灰度處理、中值濾波處理等預(yù)處理，并采用數(shù)學(xué)形態(tài)學(xué)的方法對圖像進(jìn)行運算，進(jìn)而實現(xiàn)了車牌的定位；其次，通過像素點統(tǒng)計的方法對車牌進(jìn)行字符定位與切割；最后采用模板匹配的方法對字符進(jìn)行識別。實驗表明，所提出的方法具有較好的識別效果。

關(guān)鍵詞： 車牌識別； 數(shù)學(xué)形態(tài)學(xué)； 中值濾波； 像素點統(tǒng)計； 模板匹配

中圖分類號：TP311.5 文獻(xiàn)標(biāo)志碼：A 文章編號：1006-8228（2018）07-56-05

Abstract： For automatic recognition of vehicles license plate， a vehicle license plate recognition method based on mathematical morphology is proposed. Firstly， original color images are processed with gray-scale processing and median filtering， then， the license plate will be localized by the image calculation with the mathematical morphology method. In addition， pixel statistic approach is used to process the character position and segmentation. Finally， the template matching method is utilized to recognize the character. The simulation experiments demonstrate the effectiveness of the proposed algorithm and the better recognition performance.

Key words： license plate detection； mathematical morphology； median filtering； pixel statistic； template matching

0 引言

車輛牌照是車輛的身份證，是汽車唯一的標(biāo)識。有效的車牌管理可以很好的提高車輛的管理效率，緩解道路交通壓力，因此車牌識別是目前國內(nèi)外的研究熱點問題。

目前，針對車輛牌照識別國內(nèi)外涌現(xiàn)出了多種方法，有的已經(jīng)作為產(chǎn)品投入應(yīng)用，其中比較有名的是英國IPI公司研發(fā)出來的RTVNPR系統(tǒng)[1]，美國SCT公司開發(fā)的車輛牌照識別系統(tǒng)[2]。國內(nèi)雖然起步較晚，但經(jīng)過長時間的研發(fā)也取得了一定成效。做得較好的產(chǎn)品有清華紫光公司的“嵌入式車牌識別儀”、中科院自動化研究所出產(chǎn)的“漢王眼”。此外，深圳市吉通電子有限公司、亞洲視覺科技有限公司以及清華大學(xué)、上海交通大學(xué)等高校都做過相關(guān)的研究[3]。

車輛牌照的圖像往往是在自然場景下獲得的，而自然場景下的圖片往往存在形變、尺度變化、背景復(fù)雜、質(zhì)量不佳、高亮反光、牌照被遮擋、車牌的污損、字體褪色等問題[4]，這都為自然環(huán)境下的車輛牌照識別增加難度。因此如何實現(xiàn)快速、準(zhǔn)確地識別車輛牌照是一個有意義的課題。

本文利用圖像處理技術(shù)并結(jié)合數(shù)學(xué)形態(tài)學(xué)方法提出了一個完整的車輛牌照識別系統(tǒng)，該系統(tǒng)實現(xiàn)了對車牌的定位、字符的切割和字符的識別。實驗證明本文方法能夠取得較好的識別效果。

1 車牌識別系統(tǒng)的總體方法設(shè)計

車輛牌照自動識別系統(tǒng)主要由三部分組成，分別是車牌定位、字符分割和字符識別。整體識別流程如圖1所示，首先采用圖像預(yù)處理、邊緣提取并運用數(shù)學(xué)形態(tài)學(xué)運算處理的方法，對車輛牌照進(jìn)行定位，其次采用閾值化分割的方法提取車牌中的字符，最終進(jìn)行字符識別并輸出結(jié)果。

2 基于數(shù)學(xué)形態(tài)學(xué)的車牌定位

本文主要采用數(shù)學(xué)形態(tài)學(xué)運算處理車牌圖像，進(jìn)而實現(xiàn)車牌定位 [5]。首先通過灰度化、邊緣檢測等方法對原始圖像進(jìn)行預(yù)處理，其次通過數(shù)字形態(tài)學(xué)里的開閉運算對邊緣圖像進(jìn)行膨脹腐蝕操作，從而得到若干連通區(qū)域塊，最后從這些連通區(qū)域塊中找到其規(guī)格符合車輛牌照特征的區(qū)域。

2.1 圖像灰度化處理

本文實驗所用圖像均為真彩圖像，由于真色彩圖像處理較為復(fù)雜，首先需要將其轉(zhuǎn)化成灰度圖像，即尋找一個三維空間到一維空間的映射[6]。事實上，在本文中，gray與RGB之間的關(guān)系表達(dá)式為：

圖像灰度化效果如圖2所示，可以看出雖然圖像由多維彩色圖像轉(zhuǎn)變?yōu)橐痪S的灰度圖像，但圖片主要特征無大變化，對于車牌定位影響不大，因此進(jìn)一步對圖像進(jìn)行灰度調(diào)整，灰度調(diào)整是圖像增強的重要手段之一[7]?？梢栽黾訄D像對比度，使得圖像更加清晰、特征明顯。

本文采用線性灰度調(diào)整的方法處理圖像，將原圖像f（x，y）的灰度范圍由[a，b]變換為圖像g（x，y）的[c，d]，對于灰度圖像中的任意一個像素點的灰度值f（x，y），經(jīng)變換后成為g（x，y），其數(shù)學(xué)表達(dá)式如式⑵所示：

線性灰度調(diào)整效果圖如圖3所示，可以看出經(jīng)過灰度調(diào)整的圖像，圖像清晰度、對比度增大，使得車牌部分字符與車牌底色之間的差異凸顯出來。

2.2 車牌圖像的Roberts算子邊緣檢測

邊緣是指圖像局部亮度變化最明顯的部分，常用的邊緣檢測的算子有很多，比如Sobel、Prewitt、Roberts、log、Laplacian以及Canny算子方式，本文選用Roberts算子[8]進(jìn)行處理。

在進(jìn)行邊緣檢測之前，首先采用中值濾波的方法進(jìn)行降噪[9]。假定二維中值濾波中原始輸入圖像為f（x，y），處理后的圖像為g（x，y），則他們之間的關(guān)系表達(dá)式為：

其中，W為二維模板，，本文中設(shè)定W的區(qū)域大小為3×3。中值濾波的處理效果如圖4所示，可以看出經(jīng)過中值濾波處理后，圖像中的噪聲數(shù)量減少，圖像中許多突兀的邊緣數(shù)量減少。

接下來采用Roberts算子處理圖像。假設(shè)t（x，y）為Roberts算子處理后提取的邊緣圖像，s（x，y）為原始圖像。Roberts算子作為一階導(dǎo)數(shù)算子，則：

式⑸運算得到的處理結(jié)果與人類視覺系統(tǒng)中發(fā)生的過程相類似，為了提高運算速度，上述數(shù)學(xué)公式可以近似為：

再選取適當(dāng)?shù)拈T限閾值TH，如果t（x，y）里的某個像素點大于此門限閾值TH，則將對應(yīng)的像素點記為階躍邊緣點，這樣就得到了邊緣輪廓。本文所用函數(shù)為TH=0.3。Roberts算子邊緣檢測運算效果如圖5所示。

2.3 數(shù)學(xué)形態(tài)學(xué)運算處理

數(shù)學(xué)形態(tài)學(xué)有四個基本運算，即膨脹、腐蝕、開運算和閉運算。集合是二值形態(tài)學(xué)中的運算對象，通常使用結(jié)構(gòu)對圖像進(jìn)行操作。在定位環(huán)節(jié)，考慮到待處理圖像中存在著大量微小的干擾邊緣點，要使得邊緣豐富的車牌區(qū)域得到凸顯，就需要設(shè)定一個適當(dāng)?shù)慕Y(jié)構(gòu)元素，即要盡可能地抹掉干擾邊緣點，又要保證字符邊緣不被一起抹掉。通過實驗發(fā)現(xiàn)，當(dāng)結(jié)構(gòu)元素為三行一列的豎方向腐蝕時，對車牌的影響較小，且可以達(dá)到理想的效果。為了進(jìn)一步凸顯車牌區(qū)域塊，我們使用了閉運算操作，操作中采用采用25×25的結(jié)構(gòu)元素可以達(dá)到理想的凸顯效果。在字符切割環(huán)節(jié)，因為考慮到便于字符切割，需要每個字符邊緣盡可能地光滑，因而采用的是開操作，如圖6所示為采用數(shù)學(xué)形態(tài)學(xué)運算后的效果圖。

圖6左圖為腐蝕操作，可以看出操作后許多零星的細(xì)小邊緣點被抹掉，而車牌區(qū)域的邊緣仍然能得以保留。圖6右圖為閉運算，操作后，邊緣豐富的車牌區(qū)域得以連成一個整體，車牌區(qū)域得以凸顯。但同時，閉運算處理后圖像中仍然存在眾多細(xì)小的區(qū)域，因此，在下面一節(jié)我們針對干擾區(qū)域進(jìn)一步處理。

3 車牌的字符定位與切割

3.1 基于像素點統(tǒng)計的字符定位

從圖6中我們看到，圖像中仍然存在眾多干擾的區(qū)域，與車牌區(qū)域相比，大部分干擾區(qū)域的面積較小，因此通過移除小對象的方法剔除干擾對象。在移除小對象之后，我們已經(jīng)實現(xiàn)了對車牌的初步定位。

本文針對小型汽車車牌進(jìn)行識別，考慮到小型汽車的牌照為藍(lán)底白字，因此系統(tǒng)通過統(tǒng)計藍(lán)色像素點個數(shù)來定位車牌[10]。首先，逐行統(tǒng)計藍(lán)色像素點數(shù)目，確定水平方向藍(lán)色像素點最多的行，再以該行為中心，向上逐行比較藍(lán)色像素點數(shù)目與閾值，若該行藍(lán)色像素點數(shù)目大于閾值，則繼續(xù)向上比較，直到其小于閾值，從而確定了車牌的上界PY1。同理，向下逐行比較從而確定車牌下界PY2，進(jìn)而確定車牌的左右界線PY1與PY2。確定位置后，調(diào)用切割函數(shù)“dw=I（PY1：PY2-8，PX1：PX2）”從而實現(xiàn)對車輛牌照圖像的切割。車牌定位及切割的效果圖如圖7所示。

3.2 字符切割

通過前面的字符定位，已經(jīng)得到了定位好的車牌，按照前面敘述的方法對車牌圖像按照灰度化→灰度調(diào)整→二值化→中值濾波→數(shù)學(xué)形態(tài)學(xué)運算處理的步驟對定位后的車牌進(jìn)行處理，如圖8所示為處理后得到的圖像。

字符切割的方法有很多，本文采用閾值化分割法 [11]。設(shè)原始圖像為f（x，y），按照一定的準(zhǔn)則從f（x，y）中找到一個合理的特征值T，將圖像分割為兩部分，分割后的圖像為：b0=0，b1=1，即為我們通常所說的圖像二值化。

由于我國車牌具有字符間隔較大的特點，不會出現(xiàn)字符與字符的粘連情形，因而本文字符分割方法的過程是判斷待切割塊的長度是否大于某一寬度閾值，若大于這個閾值則認(rèn)為該待切割塊中至少含有兩個字符，并繼續(xù)切割；若小于這一閾值則認(rèn)為只有一個字符，圖9所示為字符切割后的效果圖。

4 基于模板匹配的車牌字符識別

模板匹配是圖像識別方法中最基本的方法之一[12]。本文采用基于距離匹配的模板匹配法，首先將截取的字符塊變換成40×20像素點的規(guī)格，并歸一化處理，其次獲取一個待識別的字符的模板，再將該待識別的字符模板與模板庫中的字符模板一一對應(yīng)進(jìn)行相減，得到的0越多就表明模板越匹配。接著把每幅圖相減的結(jié)果中0的個數(shù)進(jìn)行統(tǒng)計并保存。最后從眾多數(shù)值中挑選值最大的，即得到識別結(jié)果。字符識別的效果如圖10所示。

為了驗證本文提出方法的有效性，選取了300張車輛圖片進(jìn)行實驗，以MATLAB R2010b為實驗平臺，整個識別過程共有三個環(huán)節(jié)，即車牌定位、字符分割和字符識別。每個環(huán)節(jié)都是后面環(huán)節(jié)的基礎(chǔ)，因此一旦定位失敗，后面的所有操作均為無效。如表1所示為識別結(jié)果與現(xiàn)有文獻(xiàn)中一些方法[13-14]的比較，通過實現(xiàn)結(jié)果可知本文提出的方法具有較好的識別效果和性能。

5 結(jié)束語

本文主要研究設(shè)計了一種車輛牌照識別系統(tǒng)，這一過程主要解決了以下幾個方面的問題：

⑴ 車輛牌照的定位，通過數(shù)學(xué)形態(tài)學(xué)操作以及切割等操作來實現(xiàn)了車輛牌照的定位；

⑵ 字符的切割，通過閾值分割法對字符進(jìn)行切割；

⑶ 字符的識別，通過采用模板匹配的方法對字符進(jìn)行識別，并取得了較好的效果。

但由于車輛牌照圖像本身的一些特異性，比如復(fù)雜背景車牌、歪斜車牌、遮擋車牌等問題的存在使得車輛牌照識別仍然存在很大的挑戰(zhàn)，有必要分析更多情況，以進(jìn)一步提高現(xiàn)有車牌識別系統(tǒng)的魯棒性。

參考文獻(xiàn)（References）：

[1] 周開軍.復(fù)雜環(huán)境下的車牌識別研究[D].武漢理工大學(xué)碩士學(xué)位論文，2006.

[2] 張宇.車輛識別系統(tǒng)中車牌定位與字符分割方法的研究[D].五邑大學(xué)碩士學(xué)位論文，2009.

[3] 高聰.車輛識別系統(tǒng)中字符識別的研究[D].廣東工業(yè)大學(xué)碩士學(xué)位論文，2017.

[4] LI H， WANG P， YOU M Y， SHEN C H. Reading carlicense plates using deep neural networks[J]. Image and Vision Computing，2018.72（4）：14-23

[5] DEVKOTA B， ALSADOON A， PRASAD P， SINGH AK， ELCHOUEMI A. Image Segmentation for Early Stage Brain Tumor Detection using Mathematical Morphological Reconstruction[J]. Procedia Computer Science，2018.125（3）：115-123

[6] 盧紅陽，劉且根，熊嬌嬌等.基于最大加權(quán)投影求解的彩色圖像灰度化對比度保留算法[J].自動化學(xué)報，2017.43（5）：843-854

[7] 徐衛(wèi)昌，黃威，李永峰等.低通濾波與灰度值調(diào)整在圖像增強中的應(yīng)用[J].激光與紅外，2012.42（4）：458-462

[8] 高勇鋼.一種改進(jìn)roberts算子邊緣檢測[J].巢湖學(xué)院學(xué)報，2009.11（6）：31-32

[9] Zhu Y， Huang C. An Improved Median Filtering Algorithm for Image Noise Reduction[J].Physics Procedia，2012.25（22）：609-616

[10] 周彬彬，周之平，賈杰.結(jié)合有色點對搜索和區(qū)域統(tǒng)計特征的車牌定位算法分析[J].無線互聯(lián)科技，2016.4：9-12

[11] 劉平，陳斌，阮波.基于邊緣信息的圖像閾值化分割方法[J].計算機應(yīng)用，2004.24（9）：28-30

[12] 謝永祥，董蘭芳.復(fù)雜背景下基于HSV空間和模板匹配的車牌識別方法研究[J].圖學(xué)學(xué)報，2014.35（4）：585-589

[13] 曾泉，譚北海.基于SVM和BP神經(jīng)網(wǎng)絡(luò)的車牌識別系統(tǒng)[J].電子科技，2016.29（1）：98-101

[14] 陳景航，楊宜民.基于小波變換和神經(jīng)網(wǎng)絡(luò)的車牌識別系統(tǒng)[J].計算機工程，2005.31（15）：175-177