基于MATLAB的車牌識別系統(tǒng)研究*

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

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

通訊作者簡介：曹妍（1981—），女，講師，主要研究方向：圖像處理。

0   引言

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

而MATLAB 軟件具有功能強大的圖像處理工具箱，利用其中的函數(shù)可以大大節(jié)約底層代碼編寫的時間。利用MATLAB 軟件對采集到的汽車車牌圖像實現(xiàn)預(yù)處理、車牌定位與分割、字符識別等過程，完成汽車車牌的自動識別。

1   系統(tǒng)整體設(shè)計

目前霧霾天氣越來越多，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圖像不清晰，因此需要對圖像進行預(yù)處理，提高圖像的辨識度。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)計的方法定位出合理的車牌區(qū)域。將汽車牌照定位出來以后，需要將牌照上的7 個字符分割成7 個獨立的圖像。然后利用模板匹配法將每個圖像跟模板中的字符進行比對，最終輸出識別的汽車車牌。本系統(tǒng)主要由圖像預(yù)處理、車牌定位及分割、字符識別等模塊組成。

2   圖像預(yù)處理

圖像預(yù)處理是車牌識別系統(tǒng)中非常重要的一個步驟。由于外界因素的影響，包括雨霧、光線強弱、行駛速度等，采集到的車牌圖像質(zhì)量不是很高，會影響車牌的識別，為了提高車牌的識別效率，需要對采集到的圖像進行預(yù)處理，主要包括彩色圖像灰度化、邊緣檢測、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)化為灰度圖像的過程。對彩色圖像直接進行預(yù)處理會浪費很多的系統(tǒng)資源，加重計算機運行，導(dǎo)致運算緩慢。圖片灰度化就是使像素點滿足R = G = B，此時這個值叫做灰度值^[3]。因為灰度圖像只需對亮度信息進行處理，計算量較彩色圖像少很多，基于此優(yōu)點，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

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

圖1 邊緣檢測

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)進行圖像處理。形態(tài)學(xué)技術(shù)利用鄰域的空間信息來分割圖像，本系統(tǒng)將得到的邊緣圖像利用腐蝕和閉運算使車牌區(qū)域連通，利用MATLAB 的bwareaopen() 函數(shù)對連通區(qū)域進行篩選、移除小對象后，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方形的區(qū)域。顏色特征在車牌分割的過程中起了很大的作用，車牌區(qū)域的顏色具有顯著的特征。通過統(tǒng)計車牌圖像的彩色像素點可以分割出車牌區(qū)域。車牌區(qū)域會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。有時得到的車牌區(qū)域可能不止一個，要根據(jù)車牌的長寬比和藍(lán)白色的比例來確定車牌區(qū)域。在車牌分割的過程中，先進行行掃描，統(tǒng)計每行的藍(lán)色像素點的數(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，進行列掃描，用同樣的方法確定車牌在豎直方向的區(qū)域。對車牌區(qū)域修正后，最終確定完整的車牌區(qū)域。

3.3 字符分割

通過統(tǒng)計車牌圖像的彩色像素點分割出車牌區(qū)域以后，再將字符分割出來進行歸一化處理。字符分割的方法有很多，本系統(tǒng)采用垂直投影法進行字符分割[5]。我國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。通過水平投影分割每一行，以獲取每一行的二值圖；對每一行進行垂直方向投影，以獲取每一行字符的位置；根據(jù)位置坐標(biāo)畫出矩形框。通過矩形框在車牌區(qū)域滑動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。這里要注意第二個字符和第三個字符之間的間隔比其他字符略大。

將車牌的7 個字符依次單獨分割出來后，進行歸一化處理^[6]。由于字符庫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   車牌匹配識別

目前用于車牌字符識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)的字符識別算法[7]?；谏窠?jīng)網(wǎng)絡(luò)的字符識別算法需要通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)大量的字符樣本，識別的準(zhǔn)確率取決于數(shù)據(jù)庫的大小以及內(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)的算法容錯性高，但是需要大量的樣本，復(fù)雜性高，訓(xùn)練過程需要耗費較長時間，在實時系統(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中的字符直接相減或者進行相關(guān)性計算，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別結(jié)果。由于采集圖像的復(fù)雜性，往往直接進行比對會出錯。為了增加識別的準(zhǔn)確性，改進了傳統(tǒng)的字符模板庫，根據(jù)車牌字符的特點，將車牌字符中的漢字與字母、數(shù)字分別放到單獨的模板庫中，縮小了匹配的范圍，使識別速度加快。由于模板匹配以字符整體為基礎(chǔ)，建立在標(biāo)準(zhǔn)模板庫的基礎(chǔ)之上，不要求字符結(jié)構(gòu)的完整性，算法比較簡單，識別率相對較高。圖3 為車牌識別結(jié)果。

圖3 車牌識別結(jié)果

5   結(jié)束語

本文通過MATLAB 平臺對車牌圖像進行處理，利用數(shù)學(xué)形態(tài)學(xué)方法進行車牌定位，采用統(tǒng)計彩色像素點的方法分割出車牌區(qū)域，用垂直投影法進行字符分割。在車牌匹配識別中，改進傳統(tǒng)的模板字符庫，將漢字與字母、數(shù)字分別放到單獨的模板庫中，能夠準(zhǔn)確高效地識別出車牌號碼。

參考文獻：

[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別及圖形用戶交界面設(shè)計[J].宿州學(xué)院學(xué)報,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別系統(tǒng)設(shè)計與實現(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別與字符分割及MATALB實現(xiàn)[J].內(nèi)蒙古科技與經(jīng)濟,2019(10):64-66.

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

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

（本文來源于《電子產(chǎn)品世界》雜志2021年12月期）