基于HALCON的车牌识别技术研究

李锦珑1,张维昭2,马宏锋1,刘　馨1

(1.兰州工业学院电子信息工程学院,甘肃兰州　730050；

2.西北师范大学物理与电子工程学院,甘肃兰州　730070)

基于HALCON的车牌识别技术研究

李锦珑1,张维昭2,马宏锋1,刘馨1

(1.兰州工业学院电子信息工程学院,甘肃兰州730050；

2.西北师范大学物理与电子工程学院,甘肃兰州730070)

摘要：针对目前车牌识别速度较慢以及识别准确率较低的问题，以HALCON作为机器视觉和图像处理核心软件，将计算机视觉检测技术应用于车辆牌照的识别，实现了图像采集、预处理和检测.实验结果表明，白天车辆牌照识别准确率达到94.6%；相对于传统方法，识别速度也有所改进，每幅牌照的平均识别时间为40.3 ms.

关键词：机器视觉；HALCON；字符识别

收稿日期：2014-11-03;修改稿收到日期:2015-02-24

E-mail:lijinlong0217@126.com

基金项目:甘肃省科技支撑计划资助项目(1104GKCA032)；甘肃省自然科学基金资助项目(096RJZA084)；兰州工业学院青年科技创新计划资助项目(14K-010)

作者简介：李锦珑(1986—)，女，甘肃庆阳人，讲师，硕士.主要研究方向为智能信息处理.

中图分类号：TP 391.41

文献标志码：标志码：A

文章编号：章编号：1001-988Ⅹ(2015)06-0054-04

Abstract:For the problem of low speed and accuracy of license plate recognition,a new license plate system is designed in this paper.HALCON is used as the core of machine vision and image processing software.The major work includes image acquisition,image preprocessing and the realization of the detection algorithm.Experiments demonstrate that the accuracy of license plate recognition can reach 94.6% during the day.The speed of identification is also improved relatively,and the average recognition time of each license plate is 40.3 ms.

ResearchonlicenseplaterecognitiontechnologybasedonHALCON

LIJin-long1,ZHANG Wei-zhao2,MA Hong-feng1,LIU Xin1

(1.CollegeofElectronicEngineering,LanzhouInstituteofTechnology,Lanzhou730050,Gansu,China;

2.CollegeofPhysicsandElectronicEngineering,NorthwestNormalUniversity,Lanzhou730070,Gansu,China)

Keywords:machinevision；HALCON；characterrecognition

国外对车牌识别的研究起步较早，并且取得了较好的识别效果[1].日本学者对车牌识别技术作了大量的研究[2-3]，并在系统产业化方面做出了突出贡献.文献[4]采用马尔科夫场对车牌特征进行二值化处理和提取，样本识别率相对较高.文[5]巧妙利用车牌的反光原理，设计了一个车牌识别系统，可识别所有英国车辆的车牌.文[6]设计的车牌识别系统实时性较好，车牌定位正确率较高.国内一些科研机构也对车牌识别的关键技术进行过深入研究和探讨[7-10];中科院自动化研究所研究的识别系统在车牌定位方面准确率较高[11].

基于HALCON[12-13]的车牌识别是车辆身份认证的一种方式，它是ITS的技术基础，是集电子传感、计算机视觉处理、控制技术等技术为一体的复杂系统.

本研究在分析和研究国内外机器视觉检测系统现状的同时，搭建了一个机器视觉检测系统硬件平台，并采用HALCON作为系统软件的核心处理模块，将计算机视觉检测技术应用于车辆牌照的检测，实现车牌号码的快速、高效的识别和检测.

1系统设计

基于HALCON的车牌识别流程如图1所示.首先图像采集模块完成车牌信息的采集；然后经图像预处理模块进行灰度处理和滤波后，再进行车牌定位、字符分割；最后完成字符识别并送显示.

图1　基于HALCON的车牌识别流程

1.1HALCON介绍

图像处理软件HALCON[12-13]是德国MVtec公司开发的机器视觉软件，可在UNIX，WindowsNT/2000/XP等平台下作业.HALCON具有强大的几何与图像计算功能，如色彩分析、各类滤波、形态学计算分析、校正、分类、辨识、形状搜索等功能.HALCON的应用范围很广泛，涵盖医学、监控、遥感探测以及工业中的自动检测领域.近年来，随着机器视觉技术的发展，HALCON也被广泛应用到视频的计算和优化方面.基于HALCON平台的软件设计流程如图2所示.

图2　基于HALCON的软件设计流程

HALCON独特的库提供了千余个为图像及视频分析作业、数据可视化、除错等功能所设计的算子，与其他平台相比，车牌识别的速度较高.同时，HALCON提供了HDevelop作为快速开发的图形化界面，方便用户开发车牌识别系统.此外，通过HALCON可将代码转化为C++,C或VisualBasic源代码，以便集成在实际的应用系统中，避免了重复开发，可降低车牌识别系统的开发周期.

1.2图像采集模块

在HALCON软件中可采用read_image算子加载已采集好的车牌图像(支持BMP,IFF,GIF,JPEG,PNG,PCX,XWD等格式图像)，也可直接从摄像机中实时获取车牌图像.

1.3图像预处理模块

由于车型复杂和车牌位置不固定等因素的影响，车牌识别具有一定的困难.另外，车牌本身的污染、缺损也直接影响最终的识别结果.图像预处理是通过增大对比度和亮度等方式，使得图像轮廓相对清晰，目的是加大车牌区域和背景区域的区分度.图像预处理方式有二值化处理、灰度化处理与图像滤波处理等.

彩色图像所包含的信息量较大，不利于图像的快速处理.本研究对彩色图像进行降维处理，即把彩色图像转换为灰度图.灰度化处理后的图像在后期的字符分割中使用，可以降低处理时间.常用的灰度值计算方法有平均值法、最大值法、加权平均值法3种，本研究采用加权平均值法对彩色图像进行灰度化处理.

1.3.1车辆图像对比度增强本研究采用比较分段线性拉伸方法进行对比度增强，可拉伸特征物体的灰度细节，相对抑制不感兴趣的灰度级.HALCON中借助算子emphasize实现车辆图像的对比度增强.

1.3.2车辆图像滤波处理车辆图像滤波[14]就是在尽可能保留车辆特征细节的基础上，对图像进行去噪.本研究采用中值滤波法去噪.中值滤波法是一种非线性除噪方法，可在去除噪声的同时，最大限度地保护图像的边缘效果.车牌图像含有较强的轮廓特征，经过中值滤波平滑处理，不但可以去除噪声，还能更好地突出车牌的轮廓部分.

中值滤波法通过设置的模板来实现.设车辆图像f(i,j)n×n中各灰度值为{xij,(i,j)∈I2}，设置窗口为D，经中值滤波处理后图像的灰度值y(i,j)为[15]18

在HALCON中，借助算子median_rect实现车辆图像的滤波处理.

1.4车牌区域定位模块

本研究根据车牌图像的色彩信息进行目标区域定位，利用颜色模型[16]通过颜色信息在原彩色图像上找到车牌所在位置.这种方法对车牌在图像中的位置、图像背景以及车牌大小的限制较少，定位效果较好.

图像颜色的表示方式有多种，在电视机、显示器、扫描仪等设备中多使用RGB颜色模型，而在电视视频中则使用了HSV颜色空间标示法，能较好反映人对色彩的感知和鉴别能力，适合基于彩色的图像的相似比较.其他形式表示的图像可转换到HSV颜色空间进行分析.文中以RGB颜色空间到HSV颜色空间的转换为例进行说明.设Imax=max{r,g,b},Imin=min{r,g,b}，HSV模型各分量h,s,v与RGB模型各分量r,g,b的转换关系为[17]180

(2)

(3)

其中Hmax表示色调个数.在HSV颜色模型下，色彩C1=(h1,s1,v1)与色彩C2=(h2,s2,v2)之间的距离为[18]61

两色彩之间的相似度为[18]61

中国车辆牌照主要有4种类型，车牌底色和字符颜色组合如表1所示.车牌图像采用HSV颜色空间表示法，充分利用车牌底色信息，计算色彩空间距离及相似度，然后利用投影法找到目标颜色区域.车牌定位结果如图3所示，图中白色矩形区域即为利用颜色信息定位的车牌号码区域部分.

表1　车牌颜色组合

图3　车牌定位

1.5字符分割与识别模块

字符分割是车牌识别过程中的重要环节，本研究采用字符垂直投影与车牌字符宽度信息相结合进行分割.对于复杂背景下的汽车图像，垂直投影法可获得较好的字符分割效果.

车牌图像拍摄时的倾斜角度、车牌整洁度、光照和车辆运动等因素，都有可能给字符识别带来困难[19].常用的字符识别方法主要有人工神经网络算法和模板匹配算法，依据我国车牌特点，本研究中采用模板匹配算法.首先从待识别的字符位图中提取字符特征加权值，并将其与已知字符标准特征库加权值进行比较，最后从中选取最接近的字符作为识别结果.

HALCON支持神经网络分类器、支持向量机分类器和贝叶斯分类器等.本研究调用HALCON中自带的分类器设计算子，创建、训练和保存了神经网络分类器.新分类器的创建选用create_ocr_class_mlp算子，训练采用trainf_ocr_class_mlp算子，存储分类器采用write_ocr_class_mlp算子.把分割好的字符进行识别，最终组成牌照号码.

2实验与讨论

选取了25幅白天拍摄的车辆照片对系统进行测试.实验结果显示，白天车辆牌照识别的准确率可达到94.6%，识别速度也相对传统方法有所改进，每幅牌照的平均识别时间为40.3 ms.

选取的部分识别结果如图4所示.其中，图4(a)显示车辆牌照正拍时的识别结果，图4(b)，(c)显示车辆牌照侧拍时的识别结果.

(a)正拍

(b)侧拍1

(c)侧拍2

参考文献:

[1]WEN Ying,LU Yue.An algorithm for license plate recognition applied to intelligent transportation system[J].IEEETransactionsonIntelligentTransportationSystems,2011,12(3):830.

[2]NAITO T,TSUKADA T.Moving-vehicle license plate recognition method robust to changes in lighting conditions[J].SystemandComputerinJapan,2000,31(11):82.

[3]KAGESAWA M,UENO S.Vehicle recongnition system in infrared images using IMAP parallel vision board[J].ElectronicsandCommunicationsinJapan,2003,86(5):1.

[4]CUI Yun-tao,HUANG Qian.Automatic license extraction from moving vehicles[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1997,7(4):126.

[5]TINDALL D W.Deployment of automatic licence plate recognition systems in multinational environments[C]//ProceedingsofEuropeanConferenceonSecurityandDetection.London:IET,1997:42.

[6]YOUNG Sung Soh,BYUNG Tae Chun,HO Sub Yoon.Design of real time vehicle identification system[J].IEEETransactiononPatternAnalysisandMachineIntelligence,1994,7(6):86.

[7]严丽.车牌识别系统的关键技术研究[D].南京：南京理工大学,2012.

[8]马爽,樊养余,雷涛,等.一种基于多特征提取的实用车牌识别方法[J].计算机应用研究,2013(6):256.

[9]魏娜,王振臣,张聪,等.一种新型车牌定位算法的研究[J].激光与红外,2012,42(8):936.

[10]王永春.自动车牌识别关键技术研究[D].长沙：中南大学,2013.

[11]刘智勇,刘迎建.车牌识别中的图像提取及分割[J].中文信息学报,2000,14(4):26.

[12]占建云,张毅,王长君，等.基于HALCON的视频交通参数检测方法[J].公路交通科技,2008,25(9):126.

[13]彭晓辉.基于HALCON的IC卡喷码符号识别技术研究与实现[D].广州：广东工业大学,2006.

[14]LI Xue-chen,DENG Hui,LI Guo-qing.Improved switching median filter for removing impulse noise from the image of the welded joint[C]//ProceedingsofCongressonImageandSignalProcessing.Chongqing:IEEE,2012：312.

[15]马永慧.车牌识别系统中车牌定位与字符分割的研究[D].太原：中北大学,2013.

[16]程增会,戴祥,唐大鹏,等.一种基于HSI 和YUV颜色模型的车牌定位方法[J].计算机应用与软件,2011,28(12):132.

[17]袁庭启,徐涛.一种基于HSV空间和纹理特征的快速车牌定位方法[J].重庆工业学院学报,2008,22(10):179.

[18]谢君廷，王小华.一种基于HSV空间的颜色相似度计算方法[J].杭州电子科技大学学报,2008,28(1):60.

[19]闫雪梅,王晓华,夏兴高.基于PCA和BP神经网络算法的车牌字符识别[J].激光与红外,2007,37(5):481.

(责任编辑惠松骐)