车牌识别系统的设计与实现

1、 邮局订阅号 :/年 技 术 创 新模 式 识 别PLC 技术应用 200例 车牌识别系统的设计与实现Design and Realization of License Plates Recognition System(广东女子职业技术学院 谢盛嘉 梁竞敏XIE Sheng-jia LIANG Jing-min摘要 :汽车 牌 照 自 动 识 别 系 统 是 制 约 道 路 交 通 智 能 化 的 重 要 因 素 , 包 括 车 牌 定 位 、 字 符 分 割 和 字 符 识 别 三 个 主 要 部 分 。 本 文 首 先 确 定 车 辆 牌 照 在 原 始 图 像 中 的 水 平 位 置

2、和 垂 直 位 置 , 从 而 定 位 车 辆 牌 照 , 然 后 采 用 局 部 投 影 进 行 字 符 分 割 。 在 字 符 识 别 部 分 , 提出 了 在 无 特 征 提 取 情 况 下 基 于 支 持 向 量 机 的 车 牌 字 符 识 别 方 法 。 实 验 结 果 表 明 , 本 文 提 出 的 方 法 具 有 良 好 的 识 别 性 能 。 关键词 :车牌定位 ; 字符分割 ; 车牌识别 ; 支持向量机 中图分类号 :TP391.4文献标识码 :AAbstract:The Vehicle License Plate Automatic Recognition System p

3、lays an important role in intelligent control of modern traffic. It consists of three steps:license plate locating, character segmentation and character recognition. A method of License plate locating is proposed, which find out the horizontal and vertical locating of the License plate. A local proj

4、ection method is used to segment char -acter. At Last, a License Plate Recognition method based support vector machines is proposed .The experiment results show the good performance of the proposed algorithm.Key words:License plate locating; Character segmentation; License Plate Recognition; Support

5、 vector machines文章编号 :1008-0570(201001-1-0165-031引言车辆牌照在交通系统管理中有着重要的作用 , 通过它可以 检索车辆的各项重要信息 , 实现车辆控制 、 运输安排 、 停车管理 、 自动收费 、 事故处理等功能 , 从而给交通系统的自动管理提供极 大的方便 。 车牌识别系统包括车牌定位 、 字符分割和字符识别三大部分 。 车牌定位是车牌识别系统中最关键 、最难解决的一 步 , 对车牌识别系统的识别精度有重要的影响 。 然而 , 由于车牌 背景的复杂性与车牌特征的多样性 , 迄今为止 , 仍没有一个完全 通用的智能化车牌定位方法 。字符的识别方法

6、总结起来主要有 :神经网络分类器识别字 符 、 外围轮廓匹配 、 投影序列特征匹配 、 外围轮廓投影匹配 、 基 于 Hausdorff 距离的模板匹配 。 但由于这些匹配计算量大 , 速度 较慢 , 对于车牌识别系统实时 、 快速的特性 , 不能满足要求 。 字符 识别受车牌图像噪声及分割等因素的影响 , 识别率一直不能达 到较高的准确率 。 由于我国国情的不同 , 车牌形式多种多样 , 到 目前为止还没有一个完善的车牌识别算法 。本文依据二值化图像中车牌区域跳变频率高的事实 , 提出 一种算法来确定车辆牌照在原始图像中的水平位置和垂直位 置 , 从而定位车辆牌照 。 采用局部投影进行字符分

7、割 。 在字符识 别部分 , 提出了在无特征提取情况下基于 SVM 的车牌字符识别 方法 。 实验结果表明 , 本文提出的方法具有良好的识别性能 。2车牌定位2.1图像预处理车牌不可避免的存在噪声 , 而且由于车牌识别系统在室外24小时工作 , 光照度大范围变化 , 也存在光照不均 , 亮度太低 、对 比度太小等情况 , 这些都会降低系统的字符识别率 , 因此需要采取去噪 , 光照不均校正和对比度增强等措施 。 本文应用中值滤波 滤除噪声 , 通过低通滤波获得图像背景的照度估计 , 再从原始图 像中减去此照度来校正光照不均 , 然后通过对比拉伸变换增强 对比度 , 图 2是图 1经过中值滤波后

8、的结果 。图 1原图 图 2中值滤波后 2.2车牌定位在车牌定位算法中 , 根据车牌区域的灰度分布特性 , 并结合 车牌的先验知识 , 应用二值化后车牌区域跳变频率高的方法来 进行车牌区域定位 。 车牌的先验知识有 :国家对牌照执行统一的 标准 , 因而具有统一规格的尺寸 ; 由于拍摄角度和位置固定 , 摄像 头与汽车的距离固定 , 因而摄入的图像具有固定比例的大小 。2.2.1车牌的上下边界定位 。检测汽车图像横向扫描线上相邻两个像素值的变化次数 , 因为牌照中至少有 7个字符 , 每个字符边缘对应的跳变次数至少有两次 , 所以牌照区域内横向扫描线上至少应该有 14次“ 0” 、 “ 255

9、” 之间的跳变 ; 并且针对具体的拍摄条件 , 车牌宽度 、 长度所 占的横向扫描线数量范围可由先验统计获得 。 检测满足相应跳 变次数的相邻横向扫描线的数量范围 , 也就是宽度范围 , 实现车 牌的上下边界定位 。2.2.2车牌的左右边界定位在实现车牌上下边界定位后 , 采用矩形窗口搜索的方法来 确定车牌的左右边界 。 矩形窗口的大小就是车牌图像在采集图 像中的大小 , 由拍摄图像经过统计后获得 。 矩形窗口中横向扫描谢盛嘉 :讲师 硕士165-技 术 创 新 微计算机信息 (测控自动化 2010年第 26卷第 1-1期 元 年 邮局订阅号 现场总线技术应用 200例 模 式 识 别线上跳变

10、次数大于 14次的行数占总行数的比值定义为变量 S,矩形窗口找到车牌图像时的阈值定义为 M,M 最初赋值为 0.9,因为当矩形窗口找到车牌图像时 , 其符合度高 , 所以取值为 0.9。程序从第一列开始 , 以车牌长度作为搜索窗口的长度 , 在此窗口内进行横向扫描 , 统计其横向扫描线上跳变次数大于 14次的行数 , 计算 S, 如果 S 小于 M, 则认为没有找到车牌区域 , 从下一列开始选取矩形窗口 , 按同样的方法运行 , 当 S 大于 M 时 , 记录此时矩形窗口的位置 , 判断是几个矩形窗口 , 如果是一个 , 就认为找到了车牌区域 , 记录下此时的窗口所在的列 , 就是车牌的左右边

11、界 , 如果不是一个矩形窗口 , 就增大 M 值 , 重新进行搜索 , 直到找到一个为止 。 如果以最初的 M 值运行 , 没有找到一个符合条件的矩形窗口 , 则减小 M 值 , 直到找到一个为止 。 由于在上下边界定位的基础上进行左右边界定位 , 需要搜索的区域减小了 , 从而提高了检测的速度 。 图 3是图 1车牌的定位结果 。图 3车牌定位结果3字符分割算法3.1二值化分割由车牌定位得到的车牌字符图像一般为彩色图 (如图 4 或灰度图 , 为方便后面的字符分割和识别要先对图像进行二值化处理 , 二值化的好坏直接影响到后续的操作 。 这里采用局部OTSU 聚类法确定阈值 , 将车牌图像二值

12、化 , 二值化结果如图 5所示 。图 4彩色车牌 图 5车牌二值化的结果3.2车牌的倾斜校正由于道路的坡度 、 车牌的悬挂 、 摄像头与车牌之间存在倾斜角度等影响 , 使得拍摄到的车牌图像产生了倾斜 , 给字符分割和识别造成困难 。 因此 , 需要在字符分割之前进行车牌的倾斜校正 。 本文采用 Hough 变换的方法进行车牌倾斜校正 , 通过Hough 变换求取车牌的边框参数后 , 进而确定车牌区域四个顶点的坐标 , 然后通过双线性空间变换对畸变图像进行校正 。 校正结果如图 6所示 。图 6车牌校正结果 图 7字符分割结果3.3基于局部垂直投影的字符分割所谓局部垂直投影 , 就是选取车牌区域

13、的局部进行投影 ,比如车牌的上 3/4区域 , 下 2/3区域等等 。 适当选取局部候选区域 , 可以避开由水平边框或者其他噪声引起的字符粘连 , 从而准确地分割出车牌字符 , 经过局部垂直投影分割后的效果如图 7所示 。局部垂直投影的具体算法如下所述 :1 对经过预处理去噪的车牌图像进行整体垂直投影 , 如果 子图像块的宽度介于预先设定的阈值 a, b 之间 (a,b 的推荐值 分别为 5和 28, 说明分割正确 , 返回 。2 宽度小于 a 的子块予以舍弃 , 对宽度大于 b 的子块利用 上 3/4区域垂直投影进行再分割 , 如能正确分割 , 则返回 。 3 利用下 3/4区域垂直投影进行

14、再分割 , 如能正确分割 , 则 返回 。4 利用上 2/3区域垂直投影进行再分割 , 如能正确分割 , 则 返回 。5 利用下 2/3区域垂直投影进行再分割 , 如能正确分割 , 则 返回 。6 利用上 1/2区域垂直投影进行再分割 , 如能正确分割 , 则 返回 。7 利用下 1/2区域垂直投影进行再分割 。4基于支持向量机的车牌字符识别 4.1支持向量机支持向量机 (SVM是一种新的机器学习方法 ,SVM 最初是 针对模式识别中线性可分两类分类问题提出来的 。 所谓两类分 类问题 , 即根据给定的训练集 (其中 , 是输入 , 是输出 , 即类别 , 找到一个实值函数 g (x,使得分类

15、决策函数 能够正确地将 上的点 分成两部分 。如果函数 g(x为线性函数 , 即 (其中 为权向 量 , b 为阈值 , 则该分类问题为线性可分的 , 并称 为 分划超平面方程 。 SVM 要求找到的分划超平面不仅能将两类样 本正确分开 , 还要使分类间隔最大 , 这样的分划超平面称为最优 分划超平面 。 这样将两类分类问题转化为原始最优化问题 : (1根据对偶原理 , 可以将上述最优化问题转换为其对偶问题 : (2求解对偶问题得到最优解(3再由对偶问题的解得到原始问题的最优解(4在选择 的任意一个正分量 计算(5则其最优分类函数为(6对偶问题的最优解 中每个分量均与一个训练样本点相 对应 ,

16、 因此最终得到的最优分类函数只与对应 的样本有 关 , 对应 的样本输入称为支持向量 。4.2字符识别二值化后的车牌图像通过字符分割得到单个字符 , 经过归 一化变为 1616像素的字符点阵 。 实验结果表明 ,1616的字符 - 邮局订阅号 :/年 技 术 创 新模 式 识 别PLC 技术应用 200例 点阵在保持车牌汉字基本特征的情况下 , 减少了计算量 , 加快了 识别速度 。基本的支持向量机仅能解决两类分类问题 。 为实现利用 SVM 进行多类分类 , 本文将多类识别问题转化为二类识别问题 来解决 。 即每个分类器只将一个汉字与其余汉字区分开 , 训练样本中该汉字对应的 y 值为 +1

17、,其余样本对应的 y 值为 -1。对于每 个分类器 , 首先确定使用的核函数 K , 将训练样本值带入优化 函数中 , 求出最优解以及非零值对应的支持向量 , 并根据支持 向量求出权向量 和阈值 , 从而得到本分类器的分类决策 函数 。 依此类推 , 分别求出所有汉字对应的分类决策函数 。 同理 可以得到数字和字母的分类决策函数 。由于车牌字符识别系统将识别 34个汉字 , 因此需要建立 34个二分类器 。 字母 25个 , 因此必须建立 25个二分类器 , 数字10个 , 所以建立 10个数字二分类器 。为提高识别速度 , 降低识别 系统的复杂度 , 不直接对输入字符进行特征提取 , 将 1

18、616的字 符矩阵转换成 256维的行向量 , 直接作为每个分类器的输入 。 字 符识别时将输入送到每一个分类器 , 然后循环检查所有分类器的输出 。若某一分类器的输出值为 1, 则认为输入的车牌字符为 该类所对应的字符 ; 若所有输出值均不为 1, 则拒绝识别该字符 。5实验结果本文选取 Gauss 径向基为 SVM 核函数 (, 实验车牌图像来源网上和我们自己拍摄的车牌 , 共 300幅样本 图像 , 取 200幅作为训练样本 , 选取其中的数字 200个 (每个数字各 20个 、字母 300个 (每个字母各 12个 、 汉字 200个进行分类 器的设计 , 剩下的 100幅样本图像作为识

19、别样本 , 为了对比识别 率 , 分别利用 BP 网络和模板匹配法进行车牌汉字字符识别对 比实验 。 利用 BP 网络进行字符识别时 , 该 BP 网络采用了 3层 结构 , 其中输入层有 256个神经元 ; 第 2层 15个 , 输出层 34个 ; 利用模板匹配法进行字符识别时 , 采用传统的标准模板进行匹配 。为了对比效果 , 同样无特征提取 , 并采用了与 SVM 识别方案 相同的字符预处理以及相同的训练集和测试集进行实验 , 结果 如表 1所示 。表 1三种汉字字符识别算法的对比实验结果实验表明 , 在相同的条件下 , 模板匹配法的识别率较低 , 并且 模板匹配法抗干扰能力较差 。 对

20、于测试样本 ,SVM 分类器表现 出明显的优势 , 识别的正确率提高了 9.9%。 因此 ,SVM 具有很好 的分类推广能力 。6结论本文创新点 :提出一种新的算法定位车辆牌照 , 采用局部投 影进行字符分割 , 提出基于 SVM 的车牌字符识别方法 。 实验结 果表明 , 该方法具有较好的性能 。 参考文献1余棉水 , 黎绍发 , 陈智斌 . 车牌自动识别技术的研究 J.机电工程 技术 , 2003, 32(1:55-56.2袁宝民 , 于万波 , 魏小鹏 . 汽车牌照定位研究综述 J.大连大学学 报 , 2002,23(2:6-12.3胡乃平 , 王丽 . 一种改进的 BP 算法及其在车牌

21、识别中的应用 J.微计算机信息 ,2006,9:313-315.4MShridhar, et al. License plate recognition using SKIPSM A.Machine Vision and Three Dimensional Imaging Systems for In -spection and Metrology, Proceedings of SPIE,2001, 72-79.5汪国有 , 邹玉兰 , 凌勇 . 基于显著性的 OTSU 局部递归分割算 法 J.华中科技大学学报 ,2002, 30(9:57-59.6WenC Y, Yu C C, Hun Z

22、 D. A 3-D transformation to improve the legibility of license plate numbers J.Journalof Forensic Sci -ences, 2002,47(3:578-585.7赵秀娟 . 基于支持向量机的车辆自动分类方法 J.公路交通科 技 ,2003(10:108-110.作者简介 :谢盛嘉 (1975-, 男 (汉族 , 硕士 、 讲师 , 主要研究方向 :计 算机网络 、 计算机应用 、 人工智能与模式识别 ; 梁竞敏 (1974-, 男 (汉族 , 硕士 、 讲师 , 主要研究方向 :计算机应用 、 企业信

23、息化管 理 、 图像检索与模式识别 。Biography:XIE Sheng -jia (1975-,male (Hanethnic,Master, Lecturer, Research area:Computer network, Computer applica -tion, Artificial intelligence and pattern recognition.(511450广东女子职业技术学院艺术设计与信息技术系 谢盛嘉梁竞敏(Departmentof Arts Design and Information Technology , Guangdong Women s Poly

24、technic College 511450, China XIE Sheng-jia LIANG Jing-min通讯 地 址 :(511450广 东 女 子职 业 技 术 学 院 艺 术 设 计 与 信 息 技 术系 谢盛嘉(收稿日期 :2009.02.16(修稿日期 :2009.05.16(上接第 175页 4CafferyJ J.W ireless Location in CDMA Cellular Radio Systems M.KluwerAcademicPublishers, 1999.5TorrieriDJ. StatisticalTheory of PassiveLocation Systems J.IEEE Trans. Aerosp. Electron. Syst., 1984.20(8:943-956.6HuangY, Benesty J, Elko G W,et al. Real-time Passive Source Localization:A practical linearcorrection least-squares approach J.IEEE Trans. Speech Audio Process., 2001, 9(8:9