中心議題：

• 基于圖像處理技術(shù)的汽車牌照識別系統(tǒng)設(shè)計

解決方案：

• 針對過亮或者過暗的圖像采取不同的二值化策略
• 根據(jù)字符識別的結(jié)果采用回溯方法來驗證車牌定位和字符切分的準確性
• 采用神經(jīng)網(wǎng)絡(luò)作為分類器均可以提高字符識別的準確率

引言

    智能交通系統(tǒng)的研究領(lǐng)域十分廣闊，各國各地區(qū)的側(cè)重點也有所不同。如：電子收費系統(tǒng)是ITS在公路收費領(lǐng)域的具體表現(xiàn)，可解決收費站的“瓶頸”制約，較好地緩解收費站的交通擁擠、排隊等候以及環(huán)境污染等問題。為了滿足這些需求，十分有必要在智能交通管理系統(tǒng)引入車輛牌照自動識別技術(shù)。
    汽車牌 照是車輛最清晰、準確、唯一的標志。車輛牌照識別(Vehicle License Plate Recognition，簡稱VLPR)系統(tǒng)作為一個專門的計算機視覺系統(tǒng)，它能夠自動拍攝車輛行進中的動態(tài)數(shù)據(jù)，有效判斷和提取有車牌的圖像數(shù)據(jù)，并實 時準確的識別出車輛牌照上的字符。

1 汽車牌照自動識別系統(tǒng)的實現(xiàn)流程

    一個完整的汽車牌照自動識別系統(tǒng)主要分為圖像采集，圖像處理，車牌定位，字符分割，字符識別等幾個部分。圖1所示是一個汽車牌照自動識別系統(tǒng)的主要工作流程圖。
 

1．1 圖像采集與處理

    圖像采集目前主要采用專用攝像機連接圖像采集卡，或者直接連接便攜式筆記本進行實時圖像采集，同時將模擬信號轉(zhuǎn)換為數(shù)字信號。圖像處理主要是對采集的圖像進行增強、恢復(fù)、變換等處理，目的是突出車牌的主要特征，以便更好地提取車牌區(qū)域。

1．2 車牌定位

    從人眼視覺的角度出發(fā)，同時根據(jù)車牌的字符目標區(qū)域特點，在二值化圖像的基礎(chǔ)上，可以提取其相應(yīng)的定位特征。這從本質(zhì)上說，就是一個在參量空間尋找最優(yōu)定 位參量的問題，它需要用最優(yōu)化方法予以實現(xiàn)。一般可計算邊緣圖像的投影面積，尋找峰谷點，大致確定車牌位置，再計算此連通域內(nèi)的寬高比，剔除不在域值范圍 內(nèi)的連通域，最后得到的就是車牌區(qū)域。車牌定位是車輛牌照自動識別系統(tǒng)中的關(guān)鍵和難點，實際圖像中的噪聲、復(fù)雜的背景等干擾都會給定位增加困難。車輛牌照 的分割是一個尋找最符合牌照特征區(qū)域的過程。
    車牌檢測定位方法包括圖像預(yù)處理，車輛牌照粗定位，車輛牌照精確定位等幾個組成部分。圖2所示是本系統(tǒng)的車牌定位流程圖。
 

    圖像預(yù)處理部分的功能是將已經(jīng)變成電信號的信息加以區(qū)分，同時去除信號中的污點、空白等噪聲，并根據(jù)一定準則除掉一些非本質(zhì)信號，再對文字的大小、位置和筆劃粗細等進行規(guī)范化，最后簡化判斷部分的復(fù)雜性。
    車牌照粗定位部分將給出若干個待進一步判斷識別的候選車牌區(qū)域，如果候選區(qū)域的個數(shù)為零，則說明本幅圖像不含車牌，也就不用進行下一步的識別。
    車牌照精確定位就是對車牌候選區(qū)域進行分類，以判斷哪一個是真正的車牌區(qū)域并給出車牌區(qū)域的坐標。

1．3 車輛牌照的字符分割

    車輛牌照的字符分割是把經(jīng)過定位后的車牌區(qū)域切分成若干個子區(qū)域，每一個子區(qū)域包含一個字符。字符分割的任務(wù)是把多行或多字符圖像中的每個字符從整個圖像中分割出來，使其成為單個字符。
    對于一般的字符識別來說，其識別過程是從輸入的待識別字符(樣本)點陣圖形中提取描述該字符的特征，再根據(jù)一定準則來判定該樣本所屬的模式類別。因此，字符描述、特征提取與選擇、分類判決等是字符識別的三個基本環(huán)節(jié)。

2 車牌字符的識別

    字符識別是車牌照識別系統(tǒng)的最重要的組成部分，該部分需要對圖像采集，圖像處理，車牌照定位，字符切分所得到的結(jié)果進行識別處理，以最終得到車輛牌照的字符。
    本文論述的車輛牌照字符識別方法分為字符圖像預(yù)處理、特征提取、分類器設(shè)計等部分。

2．1 字符圖像預(yù)處理

    字符圖像預(yù)處理就是對輸入的字符圖像進行處理，以使其變成某種特定的標準形式，使后續(xù)的特征提取和字符識別更容易進行。其主要功能有兩點：一是消除圖像中的噪聲，修正圖像斷線或粘連現(xiàn)象；二是通過各種線性、非線性歸一化方法，使變換后的圖像相對穩(wěn)定，便于識別。

2．2 特征提取

    特征提取的主要目的是從原始數(shù)據(jù)中抽取出用于區(qū)分不同類別的本質(zhì)特征。由于不同的特征的適用性不同，故對不同效果的字符所提取的特征性能也不盡相同，因 此，用單一的特征已經(jīng)很難適應(yīng)受多種條件影響的車牌照字符的識別。另外，由于不同特征的不同維之間所表示的意義也不太相同，且權(quán)重也可能相差很多，如果采 用直接組合的方法，就會使權(quán)重較大的特征占主導(dǎo)地位，而忽略了權(quán)重較小的特征。要解決這種問題，可以采用特征向量歸一化法或者加權(quán)的辦法，將兩種特征通過 加權(quán)的方法組合起來，從而達到組合使用兩種特征的目的。
[page]
2．3 分類器設(shè)計

    分類器就是在特征空間中用某種方法將被識別對象歸為某一類別。其基本做法是在樣本訓(xùn)練集的基礎(chǔ)上確定某個判決規(guī)則，以使按這種判決規(guī)則對被識別對象進行分類所造成的錯誤率最小或引起的損失最小。
    采用神經(jīng)網(wǎng)絡(luò)作為分類器時，需要有一定的訓(xùn)練樣本，而且樣本個數(shù)不能太少，但是，本文的實驗環(huán)境中的車牌上，漢字、英文樣本較少，甚至某些漢字英文僅有一 個或者幾個樣本，因而無法保證神經(jīng)網(wǎng)絡(luò)的訓(xùn)練程度。因此，本文采用模板匹配法。模板匹配法實際上就是采用多個標準樣本的距離分類器。通常可利用平均樣本法 來計算樣本均值以將其作為每個類別的標準樣本，然后計算待識別樣本與標準樣本間的距離，最后選擇距離最小的標準樣本作為待識別的樣本類別。
    通常采用的距離準則如下；
    (1)Minkowsky距離
    該距離是若干種距離的通式表示：
   

    (2)“City block”距離
    即街區(qū)距離，它是對Manhattan距離的修正，同時加上了權(quán)重。即：
   

    (3)Euclidean距離
    即歐氏距離，是Minkowsky距離在λ=2時的特例，其優(yōu)點是各點連續(xù)可微：
   

    (4)Mahalanobis距離
    即馬氏距離，它注意到樣本的統(tǒng)計特性，而排除了樣本間的相關(guān)性影響。它可表示為：
   

    本設(shè)計選用了歐式距離。因為歐式距離可以只計算，這樣可以降低計算時間。

3 結(jié)束語

    本文提到的車牌照識別方法具有很好的識別效果，并可針對出現(xiàn)的漏識和識別錯誤等現(xiàn)象做出改進，預(yù)處理時還可對圖像亮度進行分析，針對過亮或者過暗的圖像采 取不同的二值化策略；也可以根據(jù)字符識別的結(jié)果采用回溯方法來驗證車牌定位和字符切分的準確性；字符識別部分可增加字符模版的訓(xùn)練樣本數(shù)量，而采用神經(jīng)網(wǎng) 絡(luò)作為分類器均可以提高字符識別的準確率。