智能化移动式稽查系统中的车牌识别技术研究

【前言】智能化移动式稽查系统中的车牌识别技术研究由文秘帮小编整理而成，但愿对你的学习工作带来帮助。车牌识别技术的基本工作流程 其中：图像采集指从实际环境中或者交通车辆行驶视频中获取图像，可以通过摄像设备直接获取，也可以用图像采集卡采集。车牌识别技术均基于对图像进行分析识别，这一步是为了提供识别的对象。识别核心为整个系统的工作核心。通过OCR字符识别...

摘要：车牌识别技术是智能化移动式稽查系统中的关键技术，其是指不依赖于电子信号，利用光学特性，基于光学字符识别（简称OCR，即Optical Character Recognition）技术对车辆牌照进行识别，从而辨识车辆唯一身份的一种技术。

关键字：车牌；识别；二值化

1、研究概况

车牌识别技术是智能化移动式稽查系统中的关键技术，其是指不依赖于电子信号，利用光学特性，基于光学字符识别（简称OCR，即Optical Character Recognition）技术对车辆牌照进行识别，从而辨识车辆唯一身份的一种技术。

从OCR技术的含义来说，车牌识别技术的基本工作流程如下图所示：

车牌识别技术的基本工作流程

其中：图像采集指从实际环境中或者交通车辆行驶视频中获取图像，可以通过摄像设备直接获取，也可以用图像采集卡采集。车牌识别技术均基于对图像进行分析识别，这一步是为了提供识别的对象。识别核心为整个系统的工作核心。通过OCR字符识别技术，获得车辆牌照识别结果（包括车牌颜色、牌照位置等重要信息）。

车牌识别技术是集光学、电子、软件、人工智能等多领域的一项实用技术，由于其完全采用光学图像，避免了以往采取微波、雷达等电子设备进行交通监控造成的电子污染，同时使用一些反监控电子装置，增加了ITS系统对交通监控领域的有效性和威慑力。

2、关键技术

2.1、车辆牌照的定位

首先，由于图像的采集色系为RGB色系，故需要将RGB色系的图像转化到HSV色系中。在HSV色系中，利用H、S色系分量可以确定蓝色、黄色牌照区域；利用S、V色系分量可以确定白色牌照区域；利用V色系分量可以确定黑色牌照区域。之后，通过将其进行图像灰度化处理，利用灰度化的形态学开、闭运算消除干扰、降低噪声后，遍历迭代出连通区域来确定牌照的位置。

车辆牌照定位流程图

1）确定各种车辆颜色在HSV色系空间中的阈值

车辆牌照的颜色分为黑、白、蓝、黄四种颜色，这样我们和容易将四种颜色的标准RGB色系转化到HSV色系中来，但考虑到光照度以及牌照的颜色深浅度并不相同，所以可以通过均值、方差的方法来进行多个采样本H、S、V各个分量的值。经过试验证明，采样本的H、S、V分量值的阈值属于正态分布，故可以通过正态分布来确定阈值区间。

2）通过引入图像灰度化原理，将图像进行灰度化处理

在HSV色系中，通过上面确定的阈值区间将图像进行处理，并通过灰度化原理对图像进行灰度化。

步骤如下：

①若图像像素中H分量是在黄色阈值区间内，且像素S分量也属于黄色区间，则将该像素灰度值设定为一个试验标准值1。

②若图像像素中H分量是在蓝色阈值区间内，且像素S分量也属于蓝色区间，则将该像素灰度值设定为一个试验标准值2。

③若图像像素中V分量是在白色阈值区间内，且像素S分量也属于白区间，则将该像素灰度值设定为一个试验标准值3。

④若图像像素中V分量是在黑色阈值区间内，则将该像素灰度值设定为一个试验标准值4。

⑤若图像像素不属于上述的任何阈值空间，则将该像素灰度值设定为一个试验标准值5。

3）图像消噪处理

图像在经过灰度化处理之后，会有很多的噪声干扰。研究证明，通过颜色的滤波方法虽然可以消除噪声，但是这种方法很容易造成裂纹、很多个不连通区域，这样通过滤波的方式便不可行。通过采用图像灰度化的开运算以及确定合适的结构元素将可以大大去除噪声，并可以有效地保证图像质量。

4）牌照候选区域的选择

通过利用迭代法选择搜索出符合牌照特性的矩形区域，之后利用真实牌照的长、宽比例作为验证标准，搜索出候选区域。

根据牌照图像为矩形的特点，对连通区域的标注上、下、左、右四个标注。

5）在候选区域中找到真正的牌照位置

对候选区域在水平方向上进行二值化处理，计算水平方向跳跃次数以及字符所包含像素与整个候选区域像素的比例来进行验证，符合标准的，便将牌照图像切割下来，作为牌照的定位结果。

2.2、牌照的提取

由于车辆牌照的位置、光度都有很大的差异，为了能够有效地提取车辆牌照，需利用明暗相间纹理以及sobel算子确定牌照的边界，具体流程图如下：

车辆牌照提取流程图

上图中显示了具体一幅车辆图片的牌照提取过程。其中用到了大量的数字图像处理算法，包括图像的彩色图到灰度图变换，灰度拉伸，均衡，边缘卷积算子，纹理特征提取，去噪，滤波等。

3、牌照图像的预处理（即牌照图像的二值化）

牌照图像的二值化是处理与识别图像关键的一个步骤，通过引入Marr算子成功解决了图像二值化中阀值的选取问题。

1）本系统引入Marr算子

由于牌照图片可以看作由前景字符和背景组成，在光照比较均匀的时候，二值化就相当于如何找到一个合适的阀值把字符和背景分开。对于阶跃边缘，变化最剧烈的地方位于某一阶导数的极限点，或者说，位于其二阶导数的过零点处。由于图像的边缘有一定取向，如果希望二阶导数无方向，则可用拉普拉斯算子。而为了减少噪声的影响，可先把图像做高斯滤波。

2）Marr算子实现牌照图像二值化

对于灰度图而言只有两种情况一种是底色比字符亮，一种是底色比字符暗，对于字符比底色亮的牌照首先要反色后才能用Marr算子来二值化，所以就必须判断牌照的底色颜色，但是在光照不均匀和牌照过亮的情况下是很难判定颜色是白色还是蓝色，而在比较暗的地方则很难判定蓝色和黑色。所以就提出了一个判定是否需要反色的方法，因为如果能够得到字符内的像素的平均亮度和底色的平均亮度，则很容易判断反色，方法如下：

首先，对牌照图像进行对比度拉伸；

然后，用水平Sobel算子和垂直Sobel算子得到牌照的边缘图，对水平Sobel图逐行扫描，碰到边缘点时则记下这一小段线段的终点，继续扫描直到碰到另一段边缘的起点，计算这两点间距离。如果距离小于阀值t(t=3)则认为这是字符内像素点，如果距离大于t (t=5)则认为是底色的点，此外情况则不考虑，给这些像素点做好标记。同样，对垂直Sobel图扫描，然后把两幅扫描图综合起来，求底色和字符色的比值。

通过以上方法可以判断是否需要反色，如果要反色，则反色后再用Marr算子和图像进行卷积，然后根据过零点来二值化。

3）二值化后牌照图像处理

对二值化的图像处理方法之一就是去除左右边缘，一般情况左右边缘在两边，在确定了可能的左右边缘后，可以分析此区域的特点，它可能会高出上边缘或者低于下边缘或者两者皆有，通过分析这些特征，可以确定其是否是真正的边缘。对于上下边缘的处理则比较简单，一般情况下，上下边缘会比较长并且会在字符的上下边缘之外。在知道了字符的上下点后可以用来拟合直线，通常可用来清除直线外的区域。直线的拟合算法用的是最小二乘法。

2.4、字符分割及识别

通过神经网络算法迭代查询具有自学习、自记忆的知识树，每个树枝结点都可能是最终值，迭代后，按照输出值的可能性比例，产生识别出的车牌号码。神经网络应用于牌照识别技术中是通过将二值化后的图像进行迭代查询来实现的。

3、结语

1）通过改进的神经网络算法（将一颗大的神经树分成若干小的神经树）迭代查询知识树。该方法大大提高了图像识别率和识别准确度。

2）系统引入改进的小波算法和拉普拉斯算子、MARR算子和HSV色系与灰度化原理等一系列算法和处理方法，提高了车牌识别和定位的准确度和速度。

注：文章内的图表、公式请到PDF格式下查看