楚天鴻，唐瑞尹

基于MATLAB平臺(tái)下的車牌識(shí)別系統(tǒng)設(shè)計(jì)

楚天鴻1，唐瑞尹2

（1.華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063210；2.北華航天工業(yè)學(xué)院 電子與控制工程學(xué)院，河北 廊坊 065000）

科技的快速發(fā)展使汽車成為現(xiàn)代社會(huì)的重要代步工具，促生了新一代的智能交通系統(tǒng)，車牌識(shí)別技術(shù)作為智能交通的基石，為交通管理提供了技術(shù)支撐，使人們的駕車出行更為方便快捷。將車牌識(shí)別與計(jì)算機(jī)軟件相結(jié)合，在MATLAB平臺(tái)下，運(yùn)用數(shù)字圖像處理技術(shù)，對采集到的車輛圖像進(jìn)行相關(guān)操作，完成了對汽車牌照的定位和字符的分割。同時(shí)，將改進(jìn)后的模板匹配識(shí)別方法運(yùn)用到字符識(shí)別中，使系統(tǒng)正確識(shí)別出車牌字符，實(shí)現(xiàn)了自動(dòng)識(shí)別汽車牌照的目的。

車牌識(shí)別；MATLAB；圖像處理；模板匹配

自2013年起，中國汽車保有量逐年遞增，2019年中國汽車保有量已經(jīng)達(dá)到2.6億輛，與2018年相比增長了8.83%。這足以說明汽車已經(jīng)成為民眾生活中不可或缺的工具，給人們的出行帶來方便的同時(shí)也給交通帶來了巨大壓力，建立一個(gè)完善的智能交通系統(tǒng)的需求愈發(fā)強(qiáng)烈。計(jì)算機(jī)相關(guān)的科學(xué)技術(shù)迅猛發(fā)展以及現(xiàn)代網(wǎng)絡(luò)科技的廣泛應(yīng)用，帶動(dòng)智能信息化功能處理技術(shù)不斷完善，同時(shí)為現(xiàn)代汽車管理手段提供了新思路和新方案[1]。汽車牌照是每輛汽車特有的身份證明，而車牌識(shí)別系統(tǒng)也成為了高速路、小區(qū)門禁、停車場等場所的必備工具，在交通管制等方面發(fā)揮著重要的作用。車牌識(shí)別技術(shù)主要包括車牌定位、字符分割、字符識(shí)別三個(gè)部分[2]，通過對采集到的車輛圖像進(jìn)行相關(guān)處理就可成功獲取車牌號(hào)碼，完成車牌識(shí)別。

本文在MATLAB軟件平臺(tái)下，設(shè)計(jì)車牌識(shí)別系統(tǒng)，對小型汽車藍(lán)底白字的車牌圖像進(jìn)行相關(guān)處理，實(shí)現(xiàn)車牌識(shí)別功能。

1 系統(tǒng)總體設(shè)計(jì)

本文設(shè)計(jì)的車牌識(shí)別系統(tǒng)利用MATLAB軟件進(jìn)行編程設(shè)計(jì)和仿真實(shí)驗(yàn)。MATLAB軟件具有數(shù)值分析、計(jì)算、設(shè)計(jì)控制系統(tǒng)等功能，并且在數(shù)字圖像處理方面有強(qiáng)大的庫函數(shù)，可以出色地完成圖像處理，實(shí)現(xiàn)處理圖像的可視化操作。對汽車牌照進(jìn)行識(shí)別的具體步驟主要有圖像讀取、預(yù)處理、車牌圖像定位、字符分割、字符識(shí)別。

總體結(jié)構(gòu)如圖1所示。

圖1 總體結(jié)構(gòu)

2 車牌識(shí)別系統(tǒng)算法實(shí)現(xiàn)

2.1 圖像讀取與預(yù)處理

首先，應(yīng)用imread函數(shù)讀取已被采集到的帶有車牌的車輛圖像，其次對該圖像進(jìn)行預(yù)處理操作。

預(yù)處理操作包括對圖像像素的重新設(shè)置和圖像增強(qiáng)。在實(shí)際應(yīng)用中，為保證圖像的清晰度，常使用分辨率較高的攝像機(jī)、手機(jī)等采集設(shè)備，而采集到的圖像像素過大，會(huì)使識(shí)別系統(tǒng)的速度降低，甚至?xí)霈F(xiàn)卡頓的情況。所以，為了能夠讓系統(tǒng)的運(yùn)行順暢，提高處理速度，對讀取的圖像像素進(jìn)行重置，應(yīng)用imresize函數(shù)將圖像大小統(tǒng)一為520×390。同時(shí)，由于外界環(huán)境的影響，采集到的車輛圖像可能存在光線過暗的情況。所以需要對其進(jìn)行圖像增強(qiáng)處理，確保車牌明亮清晰，為后續(xù)工作做好準(zhǔn)備。

2.2 車牌圖像定位

采集到的車輛圖像經(jīng)常有著復(fù)雜的背景，所以需要對車牌進(jìn)行準(zhǔn)確的定位，這對后面的操作至關(guān)重要。若定位錯(cuò)誤或不夠準(zhǔn)確，就會(huì)直接導(dǎo)致車牌識(shí)別錯(cuò)誤。在中國，車牌底色有多種，包括黃色、藍(lán)色、白色、黑色和綠色。同時(shí)，車牌有著固定的外廓尺寸，不同型號(hào)的汽車牌照的顏色和尺寸均不相同。國家規(guī)定，小型汽車牌照的尺寸為440 mm× 140 mm，顏色為藍(lán)底白字。

基于上述原因，本文將定位過程分為粗定位和精確定位。以小型汽車牌照為對象，根據(jù)車牌的底色來粗略尋找圖像中的汽車牌照部分，對選中的目標(biāo)進(jìn)行形態(tài)學(xué)處理，通過目標(biāo)的長寬比例篩選出正確的車牌圖像，并且結(jié)合投影法完成最終定位。具體步驟如下。

步驟1：將車牌圖像進(jìn)行色彩模型轉(zhuǎn)換，由RGB模型變?yōu)镠SV模型。HSV表色系由色度（Hue）、飽和度（Saturation）、亮度（Value）三個(gè)分量構(gòu)成[3]。色彩模型轉(zhuǎn)換的公式為：

步驟2：對轉(zhuǎn)換后的HSV圖像中的藍(lán)色進(jìn)行檢測，用白色像素將其標(biāo)記出來，其余背景標(biāo)記為黑色像素，生成二值圖像。在檢測藍(lán)色像素點(diǎn)時(shí)，、、三者的取值范圍決定了顏色篩選的準(zhǔn)確度。藍(lán)色在HSV中的范圍分別為：0.5≤≤0.72，0.35≤≤1，0.35≤≤1。

步驟3：對顏色篩選后的圖像進(jìn)行形態(tài)學(xué)處理。二值圖像的形態(tài)學(xué)運(yùn)算主要包括腐蝕、膨脹、開操作、閉操作，用來提取圖像目標(biāo)分量。在此運(yùn)用它來簡化車牌圖像的數(shù)據(jù)信息。首先，在MATLAB中調(diào)用sterl函數(shù)來構(gòu)建腐蝕算子，利用imerode函數(shù)將非車牌區(qū)域的信息腐蝕盡。再對噪聲區(qū)域使用閉運(yùn)算函數(shù)imclose進(jìn)行去除，彌合狹窄的間隙，填充空洞，使目標(biāo)融為一體，變得光滑。

步驟4：通過Canny算子對圖像進(jìn)行邊緣檢測，并計(jì)算連通域的長寬比，按照預(yù)先設(shè)定的閾值截取出目標(biāo)。在實(shí)際操作過程中，截取到的目標(biāo)車牌有傾斜的情況，為了便于后續(xù)工作，需要在此利用投影法對其校正。再對目標(biāo)進(jìn)行行、列方向上的掃描，使用投影法劃分出車牌的具體位置，完成精確定位，避免多余背景的干擾。

車牌定位如圖2所示。

2.3 車牌字符分割

在汽車牌照的區(qū)域被準(zhǔn)確定位出來之后，需要將白色字符切分成7個(gè)獨(dú)立的圖像。常用字符分割的技術(shù)手段有連通區(qū)域字符分割法、垂直投影法、聚類分析法等[4]。具體的字符分割方法分為直接分割和基于先驗(yàn)知識(shí)的分割方法等。直接分割即對精準(zhǔn)定位后的車牌按照設(shè)定的字符位置直接切割7份，這種方法雖然簡單，但是對車牌定位和校正的要求較高，并且一旦有少許噪聲出現(xiàn)，就會(huì)出現(xiàn)分割錯(cuò)誤，準(zhǔn)確率低?；谙闰?yàn)知識(shí)的分割方法則是根據(jù)中國車牌字符的大小比例、位置、距離等特征，需根據(jù)國家標(biāo)準(zhǔn)設(shè)定閾值，此種方法較為有效，不易出錯(cuò)。

圖2 車牌定位

根據(jù)車牌字符的國家標(biāo)準(zhǔn)，提前設(shè)定好閾值，在分割時(shí)采取垂直和水平投影法相結(jié)合的方式。具體步驟如下：①將車牌圖像二值化；②進(jìn)行垂直投影，統(tǒng)計(jì)數(shù)值；③根據(jù)閾值，確定第一個(gè)局部最小值位置，該位置即為車牌在水平方向的邊界；④由左到右依次進(jìn)行上述步驟，找到單個(gè)字符的水平邊界；⑤在水平方向上重復(fù)步驟②③，確定字符的豎直方向邊界，并進(jìn)行切分操作。

分割后的字符如圖3所示。

圖3 字符分割

2.4 車牌字符識(shí)別

目前，主流的車牌字符識(shí)別方法有模板匹配法、神經(jīng)網(wǎng)絡(luò)法等[5]。由于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，而識(shí)別的準(zhǔn)確率很大程度上取決于數(shù)據(jù)庫的大小和內(nèi)容的豐富度。鑒于收集各地車牌數(shù)據(jù)的困難性，決定使用模板匹配法。在進(jìn)行模板匹配之前，需要對分割后的字符圖像進(jìn)行歸一化處理，圖像大小統(tǒng)一設(shè)置為40×20，以保證其與模板大小一致。

傳統(tǒng)的模板匹配方法直接把分割后的字符與模板庫中的字符圖像逐一進(jìn)行相減，或是相關(guān)度計(jì)算操作。選取差值最小者或相關(guān)度最大者為匹配結(jié)果。但是，由于采集圖像的復(fù)雜性，前面的操作很能將車牌字符完全還原成模板的樣子，這種傳統(tǒng)的匹配方式就會(huì)經(jīng)常出現(xiàn)簡單的漢字識(shí)別成字母、數(shù)字的情況，或是字母與相似數(shù)字之間識(shí)別出錯(cuò)。例如“Q”和“0”、“D”和“B”、“云”和“5”等。

為了提高字符識(shí)別的準(zhǔn)確率，本文將傳統(tǒng)的模板匹配法在建庫和識(shí)別方面進(jìn)行改進(jìn)。建庫方面，將文字與字母數(shù)字分別建立模板庫，匹配時(shí)第一個(gè)漢字字符與后面六個(gè)字符分別和相對應(yīng)的模板庫中的圖像進(jìn)行匹配，這樣可以避免漢字和字母數(shù)字的相互混淆，降低識(shí)別的錯(cuò)誤率。在識(shí)別方面，采取局部匹配的方式。對待識(shí)別字符和模板字符增加預(yù)處理操作，將字符和模板等分成4小部分，用相應(yīng)部分分別進(jìn)行白色像素比對，計(jì)算差值。再把4個(gè)差值相加，求得的最小差值者即為匹配的結(jié)果。車牌識(shí)別結(jié)果如圖4所示。

圖4 識(shí)別結(jié)果

3 實(shí)驗(yàn)及分析

實(shí)驗(yàn)在MATLAB平臺(tái)上進(jìn)行編程和仿真，對采集到的15幅不同背景的車牌圖像進(jìn)行識(shí)別?？梢哉_識(shí)別出14幅，識(shí)別率達(dá)到了93%。根據(jù)實(shí)驗(yàn)結(jié)果可知，本文設(shè)計(jì)的汽車牌照識(shí)別系統(tǒng)可有效地對車牌字符進(jìn)行識(shí)別，且識(shí)別率較高。實(shí)驗(yàn)采集圖像和識(shí)別結(jié)果分別如圖5、圖6所示。

4 結(jié)束語

本文通過在MATLAB平臺(tái)上對車輛圖像進(jìn)行相關(guān)處理，應(yīng)用顏色檢測與形態(tài)學(xué)處理相結(jié)合的方式定位出車牌圖像，利用投影法進(jìn)行車牌分割。并且在字符識(shí)別這一步驟，改進(jìn)了傳統(tǒng)的模板匹配方法，能夠有效地識(shí)別出正確的車牌字符，實(shí)現(xiàn)了車牌字符的自動(dòng)識(shí)別功能。

圖5 實(shí)驗(yàn)采集圖像

圖6 識(shí)別結(jié)果

［1］CHAIRA T，PANWAR A.An atanassov's intuitionistic fuzzy kernel clustering for medical image segmentation ［J］.International Journal of Computational Intelligence Systems，2014，7（2）：360-370.

［2］FU R H.The research and design of vehicle license platerecognition system in traffic management system［J］.International Journal of Signal Processing，Image Processing and Pattern Recognition，2016，9（3）：445-456.

［3］王哲.車牌殘缺字符識(shí)別系統(tǒng)的研究與設(shè)計(jì)［D］.沈陽：沈陽理工大學(xué)，2013.

［4］張萍.基于MATLAB的汽車牌照自動(dòng)識(shí)別技術(shù)研究［J］.自動(dòng)化技術(shù)與應(yīng)用，2019，38（11）：132-135，149.

［5］張立志.圖像處理技術(shù)的車牌識(shí)別系統(tǒng)研究［J］.電子測試，2020（3）：70-71，10.

TP391.41

A

10.15913/j.cnki.kjycx.2020.14.006

2095－6835（2020）14－0020－03

楚天鴻（1994—），女，華北理工大學(xué)碩士研究生，研究方向?yàn)闄C(jī)器視覺、圖像處理。

唐瑞尹（1976—），女，博士，教授，研究方向?yàn)闄C(jī)器視覺、圖像處理。

〔編輯：王霞〕