基于图像处理的社区车牌检测系统

任芳 齐立萍

【摘 要】智能交通的出现缓解了现今严峻的交通问题，车牌检测作为其一重要环节，应用十分广泛。本文针对社区停车场问题提出基于图像处理的车牌检测系统设想。该设想对社区住户的车辆牌照进行自动检测，综合运用图像预处理、图像增强、车牌定位等技术提取车牌信息以识别该车辆是否为本社区车辆，防止住户私有车位被外部车辆占用，同时可以促进该地区停车场业的发展。

【关键词】车牌检测；图像增强；车牌定位；停车管理

中图分类号： TP391.41 文献标识码： A 文章编号： 2095-2457（2018）01-0182-002

【Abstract】The emergence of intelligent traffic relieves the serious traffic problems. As an important link， license plate detection is widely used.In this paper， the idea of license plate detection system based on image processing is proposed for the problem of community parking lot. It is intended to automatically detect vehicle licenses for community households.The technology of image pre-processing， image enhancement and license plate location is used to extract license plate information to identify whether the vehicle is the community vehicle， to prevent the occupancy of private parking spaces from being occupied by external vehicles， and to promote the development of parking industry in the area.

【Key words】License plate detection； Image denoising； License plate location； Parking lot management

0 引言

近几年交通行业发展迅速，私家车数量也愈趋增多，同时也造成了停车难的问题。许多市民在自己社区内已购买了车位，但是仍有部分人为避免去缴费停车场停车而选择占用他人车位，使原本已购买车位的住户无处停车。有些社区针对这种现象设计了一个IC卡，让住户在停车前刷卡进行身份验证。为了方便用户不必下车刷卡、减少过检时间，对此，我提出设想，将所有住户的车辆牌号统一由停车场警卫室电脑记录，在社区停车场入口处增加一个摄像头，对来往车辆拍照获取其车牌照片。之后计算机运用图像处理技术分析图片并提取该车牌信息，若检测出的牌照信息显示为本社区车辆，停车场放行，否则由相关工作人员进行处理。

1 相关理论概述

图像作为人类感知世界的重要媒介，为我们提供了许多直观信息。为使之更适宜应用于某些领域，则需要对图像进行处理。图像处理 （image processing）[1]是计算机根据所需效果对图像进行分析的一种技术。一般所说的图像处理都是指数字图像处理 （Digital Image Processing）[2]就是通过计算机对图像进行去噪、增强、复原、分割、提取特征等处理的技术，例如车牌检测技术VLPR （Vehicle License Plate Recognition）[3]。20世纪70年代初，数字图像处理技术呈逐渐上升趋势。数字图像处理技术在众多领域都受到广泛重视同时在一些领域取得杰出成绩。交通领域中基于图像处理的车牌检测可以在不影响车辆的行驶情况下完成车牌检测，减轻人力资源的浪费，是目前研究的热点。

2 系统流程

首先检测装置检测到车辆驶来随即发出信号，触发摄像头对车辆进行拍照，同时计算机收到刚捕捉到的图像，之后计算机采取图像预处理、车牌定位、字符提取等技术对图像进行分析。最终将分析出的车牌字符与住户车辆信息进行对比，判断其是否为本社区车辆。该系统流程图如图1示。

2.1 获取图像

当汽车行驶到停车场门前处于检测范围时，检测装置触动摄像头，对车辆进行拍照存储，再传送至计算机。但是由于车辆的行驶速度，天气状态或者是摄像头镜面等原因，可能会导致获取的图像有噪＼点干扰、光线不均的情况。为改善图像质量，对图像进行以下处理。

2.2 图像预处理

图像预处理解决由噪声等干扰引起的图像不清晰、车牌特征不明显等问题。其主要包括图像灰度化、图像去噪[4]和图像增强[5]。

摄像头获取的都是RGB图像，因为彩色图像会增加存储空间，增长计算机运算时间，造成资源与时间的双重浪费，所以需将彩色图像变为灰度图像。根据人眼识别系统对颜色的敏感程度，绿色>红色>蓝色，使用加权平均值算法对图像颜色进行提取，绘制的图像更适宜计算机识别。转化公式如公式（1）示：

Gray（x，y）=0.587G（x，y）+0.299R（x，y）+0.114B（x，y）（1）

其中（x， y）为图像上任意一点的像素值，Gray为该点对应的灰度值。R、G、B三个量分别表示红色、绿色和蓝色，对这三个量进行加权求均值，三个量的权值分别为：0.299、0.587、0.114。

图像灰度化后，噪声干扰明显可见，利用小波去噪[6]方法对图像进行去噪处理。其基本思想来源于Donoho理论[7]，因为经过小波分析后，图像中的有用信息都分布在低频率中，而噪声和其他图像细节信息则分布在高频率中。通过运算削弱或消除高频系数中的部分系数值，再将处理过的高频系数和分割的低頻系数进行图像重构[8]，就可达到图像去噪的目的。

图像增强就是依据某种需要，强调图像中有用的信息特征，削弱无用信息特征，增强图像的视觉判别效果。这里采取边沿密度增强算法，用Sobel算子计算出的边沿梯度同阈值相比较得出边沿图像。需注意：（1）要提高整体与局部的对比度，根据车牌部分存在较强的水平和垂直边缘响应，增强局部信息。（2）车牌的水平边沿长度在特定的范围内，过长或过短都应排除。（3）车牌字符的边沿密度近似相等。近几年出现较多图像增强算法，但是没有一种算法可以使所有指标达到最优。这将是我们以后努力的一个方向。

2.3 车牌定位与分割

车牌定位就是在预处理后的图像中定位到车牌所在位置。车牌定位为后续的字符提取奠定了基础。

车牌定位最重要的两个因素就是定位速度和定位准确率。本文将利用多信息融合[9]的定位技术进行车牌定位。首先，利用边沿密度分布具有的规律排除大量背景部分，提高定位速率。之后根据车牌字符是分布在一条直线或两条直线上以此实现定位。最后分割车牌字符看其是否符合车牌信息特征。我国车牌由汉字、字母和数字组成。因为汉字的识别率要低于字母和数字的识别率，所以从第二个字母开始识别。因为模板匹配的识别率不高且鲁棒性差，所以利用图像的HOG （Histogram of Oriented Gradient）特征[10]并结合SVM（支持向量机）分类器[11]进行定位。若字符中有5个或以上的数字则被识别为车牌区域，否则为背景区域。

2.4 字符提取

上文实现了车牌分割，现在对分割后的图像中的字符进行提取。目前字符识别方法主要有模板匹配[12-14]和字符特征提取[15]两大类。模板匹配主要是根据模板图像与实际图像的相似度做判定依据，其原理简单，计算方便，被广泛应用。但是模板识别会忽视字符的细节信息使其难适应字符变换，无法分辨相似汉字导致识别率太低。字符特征提取的方法主要有基于全像素、小波矩特征提取等。但是这些方法提取的特征维数过大以致识别速度低。基于这两种算法的优点使用字符多特征提取方法[16]，使得提取的结果识别率高，鲁棒性好。首先利用高斯拉普拉斯算子（LOG）作为二值化算法，能有效应对光照、天气等因素造成的图像断裂或粘连的情况。之后再对图像细化处理，以提高识别率。针对数字和字母，利用直线弯曲程度特征，点所在位置特征，环数特征以及环面积特征进行提取，对汉字利用13点特征[17]提取，都能有效提高提取字符的准确率。

2.5 信息核对

经过上述，计算机已经识别出车辆牌号并存儲在电脑上。设计一款软件，其包含了所有住户信息及其车牌信息。当车辆驶来，摄像头拍照传送至计算机，计算机迅速对其进行车牌检测。将检测出的字符与预存的信息对比，若一致则放行，否则鸣笛，之后交由工作人员处理。

被检测出的他人车辆，可由工作人员引导至收费停车场，这样不仅保证了住户车位的私有化，同时也增加了停车场的盈利，促进其行业发展。

3 结论

本文主要综述了提出的基于图像处理的社区车牌检测系统。该系统主要包括摄像机获取图片，之后计算机对图像进行预处理、车牌定位、字符提取、将处理后的字符与电脑软件中预存信息对比，达到对已知车辆放行，未知车辆鸣笛的目的。该系统概述了各个算法，还存在些许细节问题，同时摄像头的选取，计算机预存车牌信息的软件也是我们需要努力的方向。随着图像处理技术，人工智能的发展，智能交通会走进大众视野，届时，本文提出的系统将真正运作起来。

【参考文献】

[1]郭元戎.图像处理与识别技术的发展应用[J/OL].电子技术与软件工程，2018（01）：58-59[2018-01-07].http：//kns.cnki.net/kcms/detail/10.1108.TP.20180104.1025.094.html.

[2]陈汗青，万艳玲，王国刚.数字图像处理技术研究进展[J].工业控制计算机，2013，26（1）：72-74.

[3]黎洪龙.基于图像处理技术的车牌识别方法研究[J].科技与创新，2017（19）：65-66.

[4]贺丽丽.图像去噪处理技术在通信领域的应用[J].电子技术与软件工程，2017（03）：30.

[5]王浩，张叶，沈宏海，等.图像增强算法综述[J].中国光学，2017，10（4）：438-448.

[6]马莉，郑世宝，刘成国.一种基于小波变换的图像去噪算法[J].现代电子技术，2008，18（45）：160-16 2.0.

[7]李旭超.小波域马尔可夫随机场在图像处理中的应用[M].北京：电子工业出版社，2011.

[8]于笃发，邵建华，张晶如.基于小波自适应阈值图像去噪方法的研究[J].计算机技术与发展，2013，23（8）：250-253.

[9]王永杰，裴明涛，贾云得.多信息融合的快速车牌定位[J].中国图像图形学报，2014，19（3）：471-475.

[10]高聪，王福龙.基于模板匹配和局部HOG特征的车牌识别算法[J].计算机系统应用，2017，26（1）：122-128.

[11]Vapnik V.The nature of statistical learing theory[M].[S.I.]：Springer Verlag，2000.

[12]Comelli P，Ferragina P，Granieri M，et al.Optical recognition of motor vehicle license plates[J].IEEE Transactions on Vehicular Technology，1995，44（4）：779-799.

[13]Ko M.License plate surveillance systemusing weighted template matching[C].Proceeding of the 32nd Applied Imagery Pattern Recognition Workshop，2003：269-274.

[14]Huang Y，Lai S，Chuang W.A template-based model for license plate recognition[C].2004 IEEE International Conference on Networking，Sensing and Control，2004，2：737-742.

[15]Mori S，Suen C，Yamamoto K.Historical review of OCR research and development[J].Proceedings of the IEEE，1992，80（7）：1029-1058.

[16]何兆成，佘锡伟，余文进，等.字符多特征提取方法及其在车牌识别中的应用[J].计算机工程与应用，2011，47（23）：228-231.

[17]刘雄飞，朱盛春.车牌字符多特征提取与BP神经网络的识别算法[J].计算机仿真，2014，31（10）：161-164.