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準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)，建立在標準模板庫的基礎(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）