基于多尺度模板匹配的车牌识别

常淑英

天津电子信息职业技术学院

基于多尺度模板匹配的车牌识别

常淑英

天津电子信息职业技术学院

车牌识别技术是现阶段交通管理领域重要的内容之一，是一门集图像处理技术、定位技术、分割技术为一体的技术。将神经网络相关知识应用到车牌识别领域，能够提升车牌识别的准确性以及效率，同时还能够提高车牌识别系统的抗干扰性。本文就对基于神经网络的车牌识别技术中车牌预处理、定位、分割、特征提取等环节进行详细的分析，希望能够给相关领域的人员提供帮助。

神经网络；车牌；识别技术

神经网络具有自动学习能力强、鲁棒性、容错性高、抗噪音能力强的优点，在字符识别方面具有很强的应用优势。在车牌识别技术中融入神经网络知识，具有很高的可行性，并能够提高车牌识别的精确度。现阶段，我国交通事业正处于快速发展的新时期，加强对基于神经网络的车牌识别技术的研究具有十分现实的意义。

1.车牌识别预处理技术

车牌识别系统：一般来说，一个完整的车牌识别系统组成部分包括车辆采集系统、预处理系统、车牌定位系统、字符分割系统、字符识别系统、图像采集系统等。图1为车牌识别系统的原理图：

对图像的预处理：对车牌图像进行灰度化处理是预处理中关键的步骤。具体是利用加权平均值法，通过灰度计算公式计算得到具体的灰度值，公式为：

G=0.110B+0.588G+0.302R（1-1）

灰度化处理不仅需要计算灰度值，还需要利用灰度线性变化法增强图像的对比度。

另外，在图像灰度化处理后，为了保证车牌图像的清晰度，还需要对图像进行锐化处理，保证图像的轮廓线以及边缘清晰，避免在车牌识别过程中出现细节上的问题。常用的锐化处理方式为空间域中的微分处理，由差分运算近似实现微分。

2.对车牌的定位、分割

2.1.牌定位

车牌图像照片拍摄的环境往往较为复杂，容易使车牌与车身包括当时的环境融为一体，加上如果车牌上存在破损、灰层等情况，加上拍摄角度的问题，就会给车牌图像造成一定的影响。这还需要对车牌的定位，快速找出车辆中车牌的位置是进行车牌识别的关键。

根据大量的实践证明，依靠一种单一的车牌定位方式无法保证车牌定位与识别的准确性，影响识别的效果。本文提出的一种是基于神经网络，将车牌纹理特征以及颜色特征有机的结合起来，实现对车牌的准确定位。在具体的定位过程中，需要根据车牌的颜色特征、车牌形状、字符排列、灰度分布等特征，优化车牌定位的流程，本文中提出的车牌定位流程如图2所示：

图2.牌区域定位流程图

2.2.符分割

所谓的字符分割是将提取的车牌区域中的图像实施分割，将其分割为单个的字符图像，字符分割的准确性影响后续车牌识别工作的顺利实施。分割字符是车牌识别系统中较为困难的环节，同事也是较为关键的环节。车牌字符分割工作会受到车牌图像拍摄的影响，现阶段字符分割方法主要包括聚类分析法、模板匹配法、水平投影法等，与车牌定位相同，采用单种传统的字符分割技术很难保证字符分割的准确性，对车牌识别会造成不同程度的影响。这就需要不断的探索，寻求一种全新的车牌字符分割方式，保证车牌识别的精确性。

其中最大阈值法就是对车牌字符分割方式主要是对水平投影法实施改进，也就是在车牌图像预处理后，从左到右对各个字符像素点进行统计，并将每一列包含的像素点的数量与某一固定的阈值实施比较，如果大于阈值，则将其识别为初始位置，然后进行逐次扫描与对比，直到遇见比阈值小的列为止。

本文提出的一种基于多尺度模板匹配分割方式，首先通过多尺度变化，将车牌区域中最有模板匹配信息采集，并将字符图像中包含的噪声区域进行剔除，具有较强的鲁棒性，能够提高后续识别效果。

3.提取车牌特征

每一个字符图像都具有几千上万个数据，这就意味着一个车牌图像包含的数据量极大，为了保证车牌字符分类器设计合理，还需要对这些大量的数据实施转换，提取有用的本质特征。由原始数据构成的空间为测量空间，而分类识别的空间为特征空间，对车牌特征进行提取的过程其实就是将测量空间中的数据进行转换为维数较低模式的过程。本文中选取车牌字符粗网络特征，将其当做是识别字符特征，首先现将带识别的分割后字符进行位置与大小的归一化处理，然后再将其等分为网格，并将车牌图像进行二值图像转换，并对网格中的像素值进行依次统计统计，从而得到一个网格特征的数值表示结果。

具体对于车牌字符来说，可以将车牌字符等分为8份，然后对每一份图像中像素点数目作为一个个相应的特征，如图3中所示，八个区域中的黑色像素点数目作为八个基本的特征：

图3.征提取法

然后对水平方向上和垂直方向中黑色像素点数目当做是4个基本特征，加上所有的黑色像素点数目作为最后的特征，也就是第十三个特征。水平与垂直方向上的4个特征如图4、图5所示：

图5.平方向像素点

图4.直方向像素点

4.车牌字符识别过程中的神经网络技术应用

字符识别是识别技术中重要的分支，也是识别领域中关键的部分，在交通管理车牌识别中发挥着重大的意义，在对字符识别的过程中，字形是其中一个具体的表现形式，同时字形识别也是字符识别的本质。具体的识别工作就是将待识别的字符点阵图提取出的特征描述，并根据一定规则确定模式的类别。因此，可以将字符识别分为字符描述、特征提取以及分类判决三个主要环节。

基于神经网络的车牌字符识别技术是本文研究的课题，首先需要对人工神经网络进行分析。人工神经网络主要是通过若干个简单神经元进行相互链接，最终形成一个复杂的网络系统，是人类大脑基本特征表现的基础，也是人类大脑神经系统的抽象化表示。由于人工神经网络技术在数据压缩、最优化、危险控制等领域应用取得了不错的效果，在车牌识别方面也具有广阔的应用前景。人工神经网络技术在算法以及计算结构上与传统的算法有着本质的不同，利用生物神经网络模型，能够更高的利用人类知识存储以及处理功能，使神经网络系统模拟人类的思维，对相关的问题进行更好的记忆、推演等，在车牌识别过程中的应用，能够有效的解决车牌残缺等非正常识别问题。另外，神经网络技术在车牌识别过程中的应用，还能够节约数学建模以及数据分析工作，能够将系统中相关信息进行并行处理，提升系统运行的效率，具有广阔的应用前景。

5.总结

在本文中，主要介绍了基于神经网络的车牌识别技术，介绍了神经网络车牌识别系统四个基本功能模块，即车牌图像预处理模块、车牌区域定位模块、车牌字符分割模块以及车牌字符识别模块。每一个识别环节的质量都影响这车牌识别的准确性，其中车牌字符识别是最重要的环节，对识别最终结果质量具有举足轻重的影响。

[1]王力.神经网络在车牌识别中的应用研究[D].长沙理工大学,2011

[2]申瑾.基于BP神经网络的车牌识别技术的研究[D].河北工业大学，2014

[3]张家伟.基于图像内容识别和神经网络的车牌识别方法研究[D].吉林大学,2010.

常淑英（1982-），女，河北景县，研究生，讲师，机器人方向。