*基金項(xiàng)目： 校企合作橫向項(xiàng)目（YG2020090201）；2021年鹽城工學(xué)院大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（項(xiàng)目編號(hào)：368）

第一作者簡(jiǎn)介：尹恒杰（2001—），男，本科在讀，研究方向：電子科學(xué)與技術(shù)。

通訊作者簡(jiǎn)介：曹妍（1981—），女，講師，主要研究方向：圖像處理。

0   引言

隨著國(guó)民經(jīng)濟(jì)不斷增長(zhǎng)，人們生活水平不斷提高，汽車逐步走進(jìn)了普通家庭。越來(lái)越多的家庭選擇汽車作為代步工具，促進(jìn)了智能交通系統(tǒng)的快速發(fā)展。而車牌識(shí)別系統(tǒng)作為智能交通系統(tǒng)的重要組成部分，能夠自動(dòng)識(shí)別出車牌，節(jié)省了人力，簡(jiǎn)化了工作流程，提高了識(shí)別速度的同時(shí)也避免了人工管理可能帶來(lái)的錯(cuò)誤。

而MATLAB 軟件具有功能強(qiáng)大的圖像處理工具箱，利用其中的函數(shù)可以大大節(jié)約底層代碼編寫(xiě)的時(shí)間。利用MATLAB 軟件對(duì)采集到的汽車車牌圖像實(shí)現(xiàn)預(yù)處理、車牌定位與分割、字符識(shí)別等過(guò)程，完成汽車車牌的自動(dòng)識(shí)別。

1   系統(tǒng)整體設(shè)計(jì)

目前霧霾天氣越來(lái)越多，還有其他一些環(huán)境因素的影響，比如雨天、環(huán)境照度等等，使得采集到的汽車牌照?qǐng)D像不清晰，因此需要對(duì)圖像進(jìn)行預(yù)處理，提高圖像的辨識(shí)度。常用的圖像預(yù)處理方法有平滑、銳化、數(shù)學(xué)形態(tài)學(xué)處理等^[1]。車牌定位是在圖像中找出可能的車牌區(qū)域，由于中國(guó)的汽車車牌大多是藍(lán)底白字，因此車牌定位方法可以根據(jù)顏色特征，以彩色像素統(tǒng)計(jì)的方法定位出合理的車牌區(qū)域。將汽車牌照定位出來(lái)以后，需要將牌照上的7 個(gè)字符分割成7 個(gè)獨(dú)立的圖像。然后利用模板匹配法將每個(gè)圖像跟模板中的字符進(jìn)行比對(duì)，最終輸出識(shí)別的汽車車牌。本系統(tǒng)主要由圖像預(yù)處理、車牌定位及分割、字符識(shí)別等模塊組成。

2   圖像預(yù)處理

圖像預(yù)處理是車牌識(shí)別系統(tǒng)中非常重要的一個(gè)步驟。由于外界因素的影響，包括雨霧、光線強(qiáng)弱、行駛速度等，采集到的車牌圖像質(zhì)量不是很高，會(huì)影響車牌的識(shí)別，為了提高車牌的識(shí)別效率，需要對(duì)采集到的圖像進(jìn)行預(yù)處理，主要包括彩色圖像灰度化、邊緣檢測(cè)、數(shù)學(xué)形態(tài)學(xué)處理等步驟^[2]。

2.1 圖像的灰度化

圖像的灰度化處理是將彩色圖像轉(zhuǎn)化為灰度圖像的過(guò)程。對(duì)彩色圖像直接進(jìn)行預(yù)處理會(huì)浪費(fèi)很多的系統(tǒng)資源，加重計(jì)算機(jī)運(yùn)行，導(dǎo)致運(yùn)算緩慢。圖片灰度化就是使像素點(diǎn)滿足R = G = B，此時(shí)這個(gè)值叫做灰度值^[3]。因?yàn)榛叶葓D像只需對(duì)亮度信息進(jìn)行處理，計(jì)算量較彩色圖像少很多，基于此優(yōu)點(diǎn)，在數(shù)字圖像處理中將圖像轉(zhuǎn)變成灰度圖像是非常有必要的。

圖像灰度化的算法主要有以下3 種：

1）最大值法：取R、G、B 三色分量中的最大值。

R = G = B = max (R、G、B)

2）平均值法：取R、G、B 三色分量的平均值。

R = G = B = (R +G + B)³

3）加權(quán)平均值法：按權(quán)取R、G、B 的平均值。

R = G = B = rR + gG + bB

系數(shù)r、g、b 是紅綠藍(lán)的權(quán)值，MATLAB 中提供了專門(mén)的彩色圖像轉(zhuǎn)換成灰度圖像的函數(shù)rgb2gray( )，默認(rèn)的權(quán)值是0.30、0.59、0.11，選擇合適的權(quán)值能夠較好地突出圖像的亮度，獲得適合人眼觀察的灰度圖像。本系統(tǒng)采用MATLAB 提供的rgb2gray( ) 函數(shù)完成圖像的灰度化。

2.2 邊緣檢測(cè)

通過(guò)邊緣檢測(cè)，可以得到車牌的輪廓，為后面的車牌定位和車牌識(shí)別做好準(zhǔn)備。在實(shí)際處理過(guò)程中，通過(guò)模板與待處理的圖像進(jìn)行卷積來(lái)完成，選擇的模板算子不同，最終檢測(cè)的結(jié)果也不同[4]。常用于邊緣檢測(cè)的算子有Roberts 算子、Sobel 算子、Laplace 算子、Canny 算子等。Canny 算子不易受噪聲干擾，通過(guò)采用不同的算子進(jìn)行實(shí)驗(yàn)對(duì)比，Canny 算子檢測(cè)效果最好，本系統(tǒng)采用Canny 算子進(jìn)行邊緣檢測(cè)。MATLAB 中利用edge( )函數(shù)完成邊緣檢測(cè)的功能。圖1 為邊緣檢測(cè)的結(jié)果。

圖1 邊緣檢測(cè)

3   車牌定位及分割

3.1 車牌定位

本系統(tǒng)車牌定位采用數(shù)學(xué)形態(tài)學(xué)進(jìn)行圖像處理。形態(tài)學(xué)技術(shù)利用鄰域的空間信息來(lái)分割圖像，本系統(tǒng)將得到的邊緣圖像利用腐蝕和閉運(yùn)算使車牌區(qū)域連通，利用MATLAB 的bwareaopen() 函數(shù)對(duì)連通區(qū)域進(jìn)行篩選、移除小對(duì)象后，其他的圖像已經(jīng)完全濾除掉，圖像中最后只存在牌照區(qū)域。

3.2 車牌分割

經(jīng)過(guò)上述步驟的圖像處理后，車牌區(qū)域的部分已經(jīng)很明顯了。在圖像中表現(xiàn)為白色的橫向近似長(zhǎng)方形的區(qū)域。顏色特征在車牌分割的過(guò)程中起了很大的作用，車牌區(qū)域的顏色具有顯著的特征。通過(guò)統(tǒng)計(jì)車牌圖像的彩色像素點(diǎn)可以分割出車牌區(qū)域。車牌區(qū)域會(huì)受到類似車牌圖案的其他圖案的干擾，而車牌區(qū)域一般比這些圖案位置要低，因此可采用從下而上的掃描方式減少這些干擾。有時(shí)得到的車牌區(qū)域可能不止一個(gè)，要根據(jù)車牌的長(zhǎng)寬比和藍(lán)白色的比例來(lái)確定車牌區(qū)域。在車牌分割的過(guò)程中，先進(jìn)行行掃描，統(tǒng)計(jì)每行的藍(lán)色像素點(diǎn)的數(shù)量，根據(jù)設(shè)置的閾值，向上追溯，直到車牌區(qū)域的上邊界，向下追溯，直到車牌區(qū)域的下邊界，從而確定水平方向的車牌區(qū)域。然后，進(jìn)行列掃描，用同樣的方法確定車牌在豎直方向的區(qū)域。對(duì)車牌區(qū)域修正后，最終確定完整的車牌區(qū)域。

3.3 字符分割

通過(guò)統(tǒng)計(jì)車牌圖像的彩色像素點(diǎn)分割出車牌區(qū)域以后，再將字符分割出來(lái)進(jìn)行歸一化處理。字符分割的方法有很多，本系統(tǒng)采用垂直投影法進(jìn)行字符分割[5]。我國(guó)車牌的大小是相等的，字符的間距以及字符大小比例關(guān)系也是確定不變的。通過(guò)水平投影分割每一行，以獲取每一行的二值圖；對(duì)每一行進(jìn)行垂直方向投影，以獲取每一行字符的位置；根據(jù)位置坐標(biāo)畫(huà)出矩形框。通過(guò)矩形框在車牌區(qū)域滑動(dòng)匹配可以完成車牌字符分割。這樣就可以確定出字符邊框，便于之后的分割。這里要注意第二個(gè)字符和第三個(gè)字符之間的間隔比其他字符略大。

將車牌的7 個(gè)字符依次單獨(dú)分割出來(lái)后，進(jìn)行歸一化處理^[6]。由于字符庫(kù)中的字符是豎直的且大小固定，歸一化后可以將分割得到的可能歪斜的字符的位置轉(zhuǎn)變成與字符庫(kù)中字符相同的位置，并將分割得到的字符轉(zhuǎn)變成與字符庫(kù)中的字符具有相同的尺寸。歸一化處理十分有必要，是為了使分割得到的車牌字符與字符庫(kù)中標(biāo)準(zhǔn)字符具有相同的尺寸和位置，以便于車牌匹配。良好的歸一化處理可以有效提高車牌匹配識(shí)別的準(zhǔn)確率。圖2 為車牌定位以及字符分割的結(jié)果。

圖2 車牌定位及分割

4   車牌匹配識(shí)別

目前用于車牌字符識(shí)別的算法主要有兩種：模板匹配算法和基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別算法[7]。基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別算法需要通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)大量的字符樣本，識(shí)別的準(zhǔn)確率取決于數(shù)據(jù)庫(kù)的大小以及內(nèi)容的豐富程度。和模板匹配算法相比，基于神經(jīng)網(wǎng)絡(luò)的算法容錯(cuò)性高，但是需要大量的樣本，復(fù)雜性高，訓(xùn)練過(guò)程需要耗費(fèi)較長(zhǎng)時(shí)間，在實(shí)時(shí)系統(tǒng)中很難應(yīng)用。本系統(tǒng)采用模板匹配算法，將歸一化后的車牌圖片與模板庫(kù)中的字符直接相減或者進(jìn)行相關(guān)性計(jì)算，選取最小值或者相關(guān)性最大值，認(rèn)為是相似性最大的字符作為識(shí)別結(jié)果。由于采集圖像的復(fù)雜性，往往直接進(jìn)行比對(duì)會(huì)出錯(cuò)。為了增加識(shí)別的準(zhǔn)確性，改進(jìn)了傳統(tǒng)的字符模板庫(kù)，根據(jù)車牌字符的特點(diǎn)，將車牌字符中的漢字與字母、數(shù)字分別放到單獨(dú)的模板庫(kù)中，縮小了匹配的范圍，使識(shí)別速度加快。由于模板匹配以字符整體為基礎(chǔ)，建立在標(biāo)準(zhǔn)模板庫(kù)的基礎(chǔ)之上，不要求字符結(jié)構(gòu)的完整性，算法比較簡(jiǎn)單，識(shí)別率相對(duì)較高。圖3 為車牌識(shí)別結(jié)果。

圖3 車牌識(shí)別結(jié)果

5   結(jié)束語(yǔ)

本文通過(guò)MATLAB 平臺(tái)對(duì)車牌圖像進(jìn)行處理，利用數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行車牌定位，采用統(tǒng)計(jì)彩色像素點(diǎn)的方法分割出車牌區(qū)域，用垂直投影法進(jìn)行字符分割。在車牌匹配識(shí)別中，改進(jìn)傳統(tǒng)的模板字符庫(kù)，將漢字與字母、數(shù)字分別放到單獨(dú)的模板庫(kù)中，能夠準(zhǔn)確高效地識(shí)別出車牌號(hào)碼。

參考文獻(xiàn)：

[1] 胡學(xué)龍.數(shù)字圖像處理[M].3版.北京:電子工業(yè)出版社,2014.

[2] 邵毅,鄭大波,溫艷,等.基于模板匹配的車牌識(shí)別及圖形用戶交界面設(shè)計(jì)[J].宿州學(xué)院學(xué)報(bào),2018,33(12):121-124.

[3] 張俊峰,尚振宏,劉輝.基于顏色特征與模板匹配的車牌識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].軟件導(dǎo)刊,2018,17(1):212-215,220.

[4] 曹妍,陳偉,徐森.圖像去噪方法研究與仿真[J].軟件,2015,36(4):33-36.

[5] 黃岳銳,黃楷佳.基于圖像處理的車牌識(shí)別與字符分割及MATALB實(shí)現(xiàn)[J].內(nèi)蒙古科技與經(jīng)濟(jì),2019(10):64-66.

[6] 李強(qiáng),張娟.一種改進(jìn)的基于模板匹配的污損車牌識(shí)別方法[J].智能計(jì)算機(jī)與應(yīng)用,2019,9(3):113-117.

[7] 徐繼弘,劉號(hào).霧霾天氣下的車牌識(shí)別方法探討[J].電子科學(xué)技術(shù),2017,4(2):93-94,112.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2021年12月期）