车牌识别方法的研究与实现

刘 冰，游小红，逯子荣

(中北大学机械工程与自动化学院，山西太原030051)

随着社会现代化的发展，机动车数量的逐年增加，同时不断的交通事故、交通堵塞等问题也随之而来，我国正面临着交通安全以及道路通行能力不能满足日益增长交通量的需求等问题［1］。所以，针对此问题，许多国家都相继对车牌识别技术进行了深入的研究和开发，其识别的准确率也有了长足的进步，这对提高交通管理的效率和节省人力物力方面等也作出了重大的贡献。小波包分析在各个领域引起了很多研究人员和科学家的高度重视，在不懈的努力下取得了显著的成绩。本研究在大量的实践下，完成了对车牌的定位、分割、识别处理，本文着重对车牌字符分割和字符识别做主要的研究。

1 现有普通车牌字符的特点

目前我国一个标准车牌中有三类不同识别对象:汉字、英文字符和数字0－9，其中汉字51个，除I和O以外的英文大写字母A－Z和数字0－9共34个字符。车牌字符总共仅80多个字符［2］，小型车车牌的标准规格尺寸，长为440 mm，宽为220 mm，车牌内每一个字符的宽度和高度都有统一的规格，其中第二个和第三个字符之间的间隔最大，其他字符间隔相等［3］。

2 车牌字符的定位

若要获得分割图像，则首先要对图像中的车牌进行定位，常用的定位算法有4种:(1)基于彩色分割的方法;(2)基于小波变换方法;(3)基于边缘检测方法;(4)基于灰度图像纹理特征的方法。选用不同的定位算法会有不同的效果。

3 车牌字符的分割

3.1 预处理

在车牌字符分割中，待处理图像往往来自于停车场或高速公路端点处的CCD摄像头［4］，并且在采集到的图像中会受到各种各样的影响:由于不同的天气条件，比如雨天、雾天、雪天会使车牌变得模糊;车牌存在一定程度的变形和磨损;摄像头曝光效果质量的好坏等等原因。所以大量噪声的存在是不可避免的，想要取得很好的分割效果非常困难，甚至有时根本无法将字符分割出来。然而如果在对车辆图像做分割处理之前对它进行基于小波包变换的预处理，则会得到预期的效果。

一个含有噪声的二维图像可以表示成如下的形式［5］:

其中，e(i，j)为高斯白噪声 N(0，1)，噪声级为1;σ 为其方差;x(i，j)为期望图像，即真实图像;y(i，j)为含噪声的图像。

要从y(i，j)经过降噪处理后得到真实图像x(i，j)，首先对采集到的原图像进行小波包分解，通过实际分析我们了解到，图像中的噪声信息常常表现为高频，所以要选用合适的阈值对分解出的高频小波系数进行阈值量化处理，最后对图像进行重构得到去除噪声的效果，如图1所示。

图1 原图像与小波去噪后的图像

图2 分割后的图像

上述步骤中最重要的是如何选择合适的阈值进行阈值量化，因为它直接关系到对信号进行降噪处理的质量，而常用的小波包阈值去噪的方法有三种:默认阈值去噪处理、给定阈值去噪处理以及强制去噪处理。

3.2 字符分割方法

车牌字符分割就是把定位出来的车牌区域的字符串再分割成单个字符图像，字符的正确分割直接影响字符的识别率［1］。作者采用将已经定位好的车牌图像尺寸归一化为固定大小，然后再利用垂直投影信息并根据车牌的纹理特征确定字符的间距以及宽度。

分割车牌字符的具体步骤如下:

第一步，在预处理后对车牌图像归一化为同一尺寸，本文为160×40像素。

第二步，采用hough变换求候选水平分割线。

第三步，寻找图像垂直投影的谷底，作为候选垂直分割线位置［6］。

第四步，确定车牌第2个字符与第3个字符间隔(大间隔)的位置。根据得到的方差以及垂直投影信息，在已经估算出来的位置附近进行查找，确定大间隔的左右边界。

第五步，求取垂直分割线。根据大间隔的位置和先验知识找到垂直分割线的位置，然后在其附近根据方差以及投影信息，在候选垂直分割线中找到最合适的一条分割线。我们知道，在车牌的左右边框与里面的字符之间的间隔很小，并且该处含有较大的噪声，而左右边框与车牌外的背景间有较大的间隔。在现实当中，仅仅具有方差和投影信息是不容易把左右边框与其临近的字符分开的。我们通过强化先验知识的约束，有效地解决了这个问题［6］。大间隔的查找一般是比较准确的，除了首尾两个字符以外别的字符的分割也是比较准确的。那么，根据大间隔的位置和其余字符的宽度能比较准确地计算出首尾两个字符的分割位置。

通过对道路上随机采集的50副车牌图像在matlab2010b环境下进行分割处理，如图2所示，其中只有2副图像在分割字符时的效果不理想，识别率达到96%。

4 车牌字符识别

对于车牌字符的自动识别问题，人们通过大量的研究总结出来两种识别办法:模板匹配法和字符结构的识别法。虽然前者的程序实现比较简单，但其识别的准确率不高;而后者更适用于数字和字符的识别。

KL变换是一种基于图像统计特征的变换，也被称为特征值变换［7］。它是一种最优的能量压缩方法。通过对训练样本KL变换得到的特征向量，是一组标准正交基，通常取部分基构成特征空间，待识别的字符在特征空间的投影作为特征字串，通过比较特征字串之间的距离(欧式距离)来作为识别的判据。

KL变换不同于一般的字符识别中要进行二值化处理，而是在灰度图像中处理，由于在图像灰度空间分布上存在相关性，因此要对图像进行放大以及缩小的变换，得到尺寸统一的校准图像，再对校准图像做灰度拉伸处理。最后利用直方图修正将图像得到统一的方差和均值。

KL变换中，大小为m×n的图像是一组m个随机矢量，如:

均值矢量为:

协方差矩阵:

其中，Cs的元素CIj是各矢量的第i个分量组成的矢量方差;Cs元素中CIj是第i个分量的矢量和第j个分量的矢量间的协方差，因此矩阵Cs为实对称矩阵:

令 λi(i=1，2，…，n)为 Cs的正交特征值和 μi(i=1，2，…，n)为其对应的特征矢量，并且单调排列其特征值，即λi≥λi+1(i=1，2，…，n)，所以与其对应的μi为最大特征矢量。

根据此算法求取最大的前k个特征向量，有:

其中，θ是置信度，这里设置为98%。

通过KL变换使每个图像投影到特征向量组成的子空间，即把每幅图对应到空间中的一个点。另外，由于有些字符的字形比较相似，其投影点的欧氏距离相差会比较小，介于此要选用其他的特征来提高识别的精度，比如车牌汉字里，京与宁的字形很像，利用KL变换得到的特征值不容易将其直接区分，所以可以对字符图像进行二值化处理，然后对下方轮廓特征对字符进行细分。

此车牌识别系统的识别流程的步骤如下:

第一步，创造车牌字符样本库;

第二步，对测试样本进行处理，利用KL变换以及欧氏距离与样本库进行分类;

第三步，若出现分类后几个字符的欧氏距离较近，则要进行二次分类，获得最终结果;

整个过程设计如图3所示。

图3 利用KL变换对车牌字符识别的过程

5 结论

本文主要利用小波包分解对图像进行去噪预处理，以及KL变换方法来对字符进行字符分类，经验证，该方法对有污损的车牌识别不仅有较好的效果而且其识别字符的算法更加简单实用，其识别的正确率达到了90.2%，并且二次识别后的正确率为87.3%。

［1］周喜寿.基于小波包分析和BP神经网络的车牌识别算法的研究［D］.西南交通大学，2010.

［2］胡振稳，尹朝庆.基于BP神经网络的车牌字符识别的研究［J］.电脑知识与技术，2007(2):527－528.

［3］郑彬彬，杨晨晖.基于HSI空间的车牌字符分割［J］.福建电脑，2008，3:90 －91.

［4］凌六一，段红，黄友锐.基于小波去噪的车牌定位系统［J］.铁路计算机应用，2006，15(9):41 －43.

［5］周伟.MATLAB小波分析高级技术［M］.西安:西安电子科技大学出版社，2005.

［6］葛振英.基于MATLAB的车牌图像分割技术［J］.科学之友，2008(3):133－134.

［7］章硫晋.图像处理与分析［M］.北京:清华大学出版杜，1999.