基于DSP的圖像處理在車牌識別中的應(yīng)用

1 圖像預(yù)處理及車牌字符分割
1.1預(yù)處理 LPR的攝像部分工作于開放的戶外環(huán)境，拍照時(shí)的光線，攝像機(jī)與牌照的距離和角度等都會造成采集圖像的模糊、歪斜等，嚴(yán)重影響車牌的分割識別。所以在進(jìn)入車牌識別模塊之前，首先要對采集到的車牌圖像進(jìn)行預(yù)處理。目前，適應(yīng)于各種應(yīng)用環(huán)境的，較為通用的圖像預(yù)處理方法還不是很成熟，論文在現(xiàn)有車牌預(yù)處理算法的基礎(chǔ)上，針對車牌圖像提出了改進(jìn)的預(yù)處理方案。具體過程是在現(xiàn)有的中值濾波、灰度化及二值化的常規(guī)處理后，又提出了對二值圖像進(jìn)行二次中值濾波來對二值圖像降噪，并將通常用于實(shí)現(xiàn)車牌定位的銳化邊緣算法運(yùn)用到預(yù)處理中，為去除車牌圖像背景，提取車牌字符做好了準(zhǔn)備
1.1.1 中值濾波 中值濾波對于消除孤立點(diǎn)，即椒鹽噪聲和線段干擾十分有用，特別是對于二進(jìn)制的椒鹽噪聲尤為有效，所以論文對二值圖像再次進(jìn)行了中值濾波。CCS仿真測試表明，中值濾波后的車牌二值圖像，清晰度得到了顯著提高（如圖 1所示），為車牌字符分割打好了基礎(chǔ)。

1.1.2銳化邊緣

在車牌識別系統(tǒng)中通常采用銳化邊緣的方法實(shí)現(xiàn)車牌定位，論文將其用于預(yù)處理，采用 Roberts算子，利用局部差分算子尋找邊緣，對車牌二值圖像進(jìn)行了邊緣銳化(如圖 2所示),為去除車牌背景提取字符做好了準(zhǔn)備，同時(shí)經(jīng)過邊緣銳化提取了車牌邊框及字符的外部輪廓信息，相對整個(gè)車牌信息，后續(xù)處理的數(shù)據(jù)量大大減少了，從而提高了系統(tǒng)的處理速度。


1.2車牌字符分割算法及改進(jìn) 車牌字符分割是在車牌定位后把車牌的整體區(qū)域分割成單字符區(qū)域。字符分割算法主要有自頂向下分割、邊緣檢測分割、迭代像素聚類和區(qū)域生長法等。論文結(jié)合車牌自身的特點(diǎn)，提出了先去車牌背景提取字符，再進(jìn)行字符分割的改進(jìn)的車牌分割方案。
1.2.1字符提取 車牌背景對車牌字符的正確分割和識別有很大的影響，為了提高識別效率，論文在車牌分割之前，充分利用定位車牌兩鉚釘中間部分無鉚釘干擾，且字符與車牌邊框的粘連度較小的特點(diǎn)，首先采用改進(jìn)的局部投影法去除了車牌圖像的背景（邊框、鉚釘以及噪音），準(zhǔn)確提取出車牌圖像的純字符區(qū)（如圖4(b)所示）。首先，截取車牌二值圖像的中間部分（通常為車牌長度的 1/3到 2/3部分）進(jìn)行局部水平投影，通過從中間向兩邊掃描投影值（0或 255）的大小尋找字符區(qū)域的上下邊界，再根據(jù)車牌各字符字體高度相等的特點(diǎn)，即可去除車牌的上下邊框和鉚釘。同理，對去除水平背景的二值圖像進(jìn)行垂直投影并從左到右掃描投影值，便可找到并去除車牌圖像的左右邊框，徹底提出車牌中的字符圖像
1.2.2字符分割

論文利用車牌圖像小且內(nèi)容簡單的特點(diǎn)，將自頂向下分割法與邊緣檢測分割法相結(jié)合，采用了改進(jìn)的垂直投影法，對邊緣銳化了的純字符圖像做垂直投影，從右向左掃描黑白跳變點(diǎn)來實(shí)現(xiàn)車牌字符分割。由于是對純字符的二值圖像進(jìn)行垂直投影，且車牌的邊框和鉚釘?shù)缺尘耙呀?jīng)去除，所以有連續(xù)黑點(diǎn)的地方就是字符所在地，連續(xù)黑點(diǎn)的間斷點(diǎn)（白點(diǎn)）則是分割點(diǎn)。再根據(jù)車牌字符分隔點(diǎn)的初始位置比例關(guān)系為6：
8：6：6：6：6，以及字符的平均字寬和兩字符左邊界之間的平均距離關(guān)系，去除可能存在的錯(cuò)誤切分。
2 車牌字符識別算法及改進(jìn)
字符識別是 LPR系統(tǒng)的最后一個(gè)環(huán)節(jié)，也是整個(gè)車牌識別系統(tǒng)的關(guān)鍵，識別方法的好壞直接影響到整個(gè)車牌最終的識別效果。
2.1字符歸一化 由于分割出來的字符圖像大小有差異，而字符特征提取及模板匹配都是建立在各字符圖像大小一致的基礎(chǔ)上，所以在對字符識別前首先需要進(jìn)行字符歸一化，包括分割字符歸一化和標(biāo)準(zhǔn)字符歸一化。論文根據(jù)字符提取時(shí)得到的各字符的上下邊界以及字符分割時(shí)得到的各字符的左右邊界，分別計(jì)算出各字符的高度和寬度，并求出各自的最大值作為分割字符最小包絡(luò)歸一化的識別模板尺寸，通過調(diào)試，考慮到計(jì)算量的問題論文將標(biāo)準(zhǔn)字符模板統(tǒng)一為 W40*H40的像素大小。
2.2特征提取圖像特征通?？梢苑譃榻Y(jié)構(gòu)特征和統(tǒng)計(jì)特征兩類，論文將兩者相結(jié)合，采用對各字符的外部輪廓進(jìn)行統(tǒng)計(jì)特征提取的方法實(shí)現(xiàn)特征提取，包括待識別字符的特征提取和標(biāo)準(zhǔn)字符模板的特征提取。首先，將邊緣銳化并二值化了的分割字符分成 3x3的 9份，并計(jì)算每一份中像素點(diǎn)總數(shù)與黑象素點(diǎn)(目標(biāo)點(diǎn))個(gè)數(shù)的比值，從而得到一個(gè) 9維特征向量，然后提取該向量作為待識別字符的特征。同理可以得到模板字符的特征向量，建起模板字符特征庫。實(shí)踐證明，當(dāng)字符的形狀發(fā)生變化時(shí)，該方法仍可以保證特征提取的正確性。并且相對字符的整體信息，對字符的邊緣信息進(jìn)行特征提取計(jì)算量要少的多，從而提高了處理速度。
2.3字符識別

車牌字符的識別算法主要有模板匹配法、統(tǒng)計(jì)模式識別和基于神經(jīng)網(wǎng)絡(luò)法。基于模板匹配算法首先將待識別字符二值化，再將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果[2][3]。由于這種算法穩(wěn)定性較差且耗時(shí)較長，所以論文提出基于特征向量的匹配算法，具體算法是將待識別字符的特征向量與模板字符特征庫中的特征向量依次對應(yīng)相減，若結(jié)果為零向量則完全匹配，其對應(yīng)的模板字符即為識別結(jié)果。若為非零向量，則對這 9個(gè)差值的絕對值求和，取最小值對應(yīng)的標(biāo)準(zhǔn)模板字符作為最佳匹配字符并將其輸出，完成了字符識別。由于數(shù)字“1”的字高與字寬之比大于3，而其他字符的高寬之比都小于3，所以論文首先根據(jù)這一特性判斷分割字符是否為“1”，若是則識別結(jié)果輸出標(biāo)準(zhǔn)字符“1”，若不是則依次對分割字符進(jìn)行字符歸一化、特征提取和基于特征向量的模板匹配，輸出識別結(jié)果。這樣既可以較為簡單和準(zhǔn)確的識別字符“1”，而且不需要建字符“1”的模板特征向量，減少了計(jì)算量，提高識別了速度，同時(shí)也降低了整體識別的難度。