基于MATLAB的车牌识别系统设计

王 乾，朱小娟

（沈阳工程学院 自动化学院，辽宁 沈阳 110136）

中国高速交通系统相对复杂，明确每一台车辆的车牌信息至关重要，未来的交通系统也必然趋向于数字化和实时化。为了应对交通系统不断的发展，对车牌识别系统的需求也日渐提高。在牌照处理系统中，主要目标是自动识别牌照并生成文字输出，预期目标是要求能自动识别给定的牌照信息。附加要求可以是复杂背景下的车辆牌照的准确识别以及对最小可接受的识别成功率。该系统的图片处理部分运行在MATLAB平台的强大计算能力基础上，依托于MATLAB提供的Image Processing Toolbox（图片处理工具箱）、Computer Vision System Toolbox（计算机视觉工具箱）以及Image Acquisition Toolbox（图像采集工具箱）等工具提供的便利条件。车牌自动识别技术已经得到了广泛的应用，例如高速路口、停车场、十字路口等场景，都有车牌识别技术的拓展和应用。

1 车牌识别系统设计原理

如果想让机器如人类一样根据所看到的画面或者图像辨别出图像的内容的话，那么就要给这个机器一双能观察或者采集图画的眼睛，只有赋予了机器能看见周围景物或者目标的能力，才能进行接下来的任务，这就是整个机器视觉系统的工作流程，如图1所示。机器视觉系统是模仿人类对物体的识别而开发的一种替代人类工作的自动化系统，整个系统犹如人类的思维一样需要运行在硬件平台上，还需要有如人眼一样的硬件设备的配合才能完成整个任务，所以该系统可以分为平台和软体两个设计模块。

本牌照辨别系统主要实现民用蓝底的牌照辨别，另外在国内还有黄底非民用车牌、120急救车牌、大型车辆双行车牌、警用车辆的车牌。在设计程序时要考虑根据问题分析修改模块参数，以便应对不同的平台要求。

图1 机器视觉系统工作流程

2 图像采集与数字图像的表示

2.1 数字图像表达

人类眼睛看到的图像就是一幅幅由不同颜色组成的图画，而构成各种颜色的基础就是众所周知的三基色或者三原色，即红色（Red）、蓝色（Blue）、绿色（Green）。对于只有黑白两种颜色的照片来说，照片上每一个点的明暗程度可以用这个平面坐标上的幅值来表示，而这一个点上的色彩就用数字来代替，这样一张灰度图像就用数学方法表示出来了。对于彩色图像可以用一样的方法，只不过要分成3个坐标系来表达：一号坐标轴表示Green；二号坐标轴表示Red；三号坐标轴表示Blue。图像实现数字化后得到的那一组数字能被看成是一个数组，假定转换后得到的数组的大小为M行N列，那么也可以认为这幅图像的大小就是坐标的值，其中M代表行数（从0到M-1），N代表列数（从0到N-1），公式（1）的右侧表示的就是数学处理后得到的画面。组成这个数组的各个数字都称为pixel。所以，在MATLAB中就可以用矩阵来描述一幅图片［1］，如下式：

2.2 图像采集

在MATLAB中，MATLAB照片收集模块的IAT收集了许多拓展MATLAB功能，允许各种照片获取装置，例如专业的图像采集卡以及基于USB的网络摄像机。

在MATLAB中可以利用MATLAB提供的函数imaqhwinfo查询MATLAB的版本信息、图像捕获工具箱的版本和已经安装的捕获设备（Adaptors）。当然，还能够使用MATLAB预置的程式来获取各种照片所包含的信息。

3 灰度变换与车牌图像直方图处理

如果想要对灰度图片进行操作的话，函数imadjust是一个相当有用的工具，该程式的常用语句形式为

直方图作为一个强大的工具在图片变换的时候能够直观的观察图片的信息，比如全局对比度等。一张比较暗淡的照片的直方图包含扎堆在较少灰度端的直方条，而一张比较明亮的图片的直方图则包含扎堆在较大灰度端的直方条。对于低对比度的照片的直方图主要聚焦在一个灰度级比较小的范围中，而高对比度的照片，直方图常常会显示出来两个最大值。直方图已经成为传递图像统计信息和确定图像中某些问题的一种通用工具，它的用途可用一个实时直方图重叠在视窗上避免拍摄到曝光不足和曝光过度的照片这一例子来证明。直方图可以在任何希望对一幅图像或者一段视频有一个统计表达时使用，直方图还可以用于增强或者改变一幅图像的特性，特别是照片的对比度，其中有一些技术，例如直方图拉伸以及收缩，一般称之为直方图修改技术［3］。

处理后的灰度图和其直方图，其调用程式如下：

为了使牌照的区域明显区别于车身以及环境，以便于进行边界的查找，需要对素材的对比度进行加大。尽管直方图携带了对应图像的显著特征和定量信息，例如最小、平均和最大灰度值，起主导作用的亮或暗像素等，但其他定性的结论，例如图像的整体质量、噪声存在与否等，还需要检测图像本身才可以；另外，尽管直方图显示了图像中灰度分布的频率，但并没有显示出直方图中素材的像素的排列情况，增强后的照片如图2所示。

图2 增强后的灰度图像及其直方图

4 边缘检测

图形边缘查找是机器视觉系统的基础操作，边缘查找的主要目标为通过标识数字图像中亮度改变突出的地方来捕捉照片信息中的突出改变，比如深浅上的间断点、平面空间的间断点、物体本身更改和环境变换。边缘检测分为两阶：一阶分为Sobel算子、Roberts Cross算子、Prewitt算子、Canny算子、罗盘算子；二阶包括Sand。

使用函数edge检测边缘，假设它的梯度定义为一个向量，然后对这个函数进行一阶求导得到这个向量的幅值［4］，如式（2）：

幅值可以简化近似表示，所以梯度单元查找边界就是对图片进行求导，然后找出梯度值变化最大的地方就是边界的位置。Sobel边界查找器的原理是利用imfilter和模板对照片滤波，然后再利用其他的模板对照片实现滤波，对每一幅滤波后的照片的像素值进行原值相乘，将这两个值求和，最后求取求和后的平方根。Sobel边沿检测器主要对灰度变化缓慢的地方和噪点较大的照片处理能力较强。索贝尔边界检测使用程式段为［5］

索贝尔边界检测如图3所示。

图3 索贝尔边界检测

5 视觉模式识别

依托于MATLAB提供的Image Processing Toolbox（图片处理工具箱）、Computer Vision System Toolbox（计算机视觉工具箱）以及Image Acquisition Toolbox（图像采集工具箱）等工具得出车牌识别结果如图4所示。

图4 车牌识别结果

其处理程序如下：

6 结论

视觉识别系统的设计是从实际问题的提出并对该问题领域可能涉及到的技术问题和实际应用场景的分析到最终系统成功运行，通过实际的操作和对实验数据的分析，可以看出系统在一定意义上已经取得了成功，但距离实际应用还是存在一定的差距。另外，面对稍微复杂的应用场景以及易于混淆的图像，机器视觉系统需要大量的相似的样本库来对它进行反复训练，但由于Back Propagation Neural NetWorks训练速度很慢[6]，这样就会耗去大量的时间。所以，系统要应用于商业场合还需要大量的实际数据对参数进行修正。样本库越大，所训练的网络识别精准率越高，所以还要对样本库进行不断的完善。