基于图像去雾功能的车牌识别算法研究

庞宁清，徐云龙，刘润可，李丹，肖胜龙，刘向玲

（苏州大学应用技术学院计算机系，江苏苏州，215325）

0 引言

随着人们生活水平的提高，几乎每家都有汽车，而随着科技的发展以及车辆数量的增加，停车场、道路监控等地方都会通过识别车牌信息来获取车辆信息。在遭遇雾霾等糟糕天气时，拍摄的图像会出现失真等问题，单纯的车牌识别系统会无法识别到准确的车牌信息。本项目是基于MATLAB设计的一款能够在雾霾天气，或者能见度不高的环境下进行车牌识别的装置。

1 汽车牌照识别系统的总体设计方案

汽车牌照识别系统需要应用到图像采集与预处理、牌照定位、字符分割以及识别等等相关技术，这是一个非常复杂的过程。

将牌照识别系统分为硬件和软件两个大部分，其中硬件部分的主要任务是完成汽车牌照图像的采集，软件部分需要对采集到的图像信息进行处理，提取出牌照位置并且识别出牌照信息。整个系统的核心部分的工作是软件部分，能否通过汽车牌照对车辆进行有效的管理，很大程度上取决于软件部分的准确性[1]。汽车牌照识别系统一般应该包括以下五个部分：图像采集、图像预处理、牌照定位、字符分割、字符识别。

2 图像预处理

在对汽车牌照进行定位之前，需要对图像进行预处理。由于MATLAB在处理图像时，不仅会读取车的牌照部分，还会读取汽车本身和背景部分。在牌照定位前，对图片信息预处理从而改善图像质量。

2.1 灰度处理

灰度图像是一幅二维图像，灰度图像的变换采用了Rgb2gray函数。Rgb2gray：转换RGB图像为灰度图像，格式：I=rgb2gray(RGB)。原始图像和灰度图如图1所示。

图1 原图及灰度图像

2.2 图像增强

为提高识别率和精确度，必须在边缘提取前增强汽车牌照部位和其他部位的对比度，使二维灰度化的图像明暗对比鲜明。

本次设计中我们将采取直方图均衡化的方式来对图像进行增强处理。由于图像有时会出现整体偏暗或者整体偏亮的情况，要使用MATLAB中的变换函数将原图像的直方图修的更为均匀，使其层次鲜明丰富，从而避免整体偏暗或者整体偏亮的极端情况，我们称这种方法为直方图均衡化[11]。

在此，我们假设r表示原始图像的灰度级，假设s表示经过直方图均衡化之后的灰度级。若一幅图像的像元数为n，共有l个灰度级，nk代表灰度级为rk的像元的数目，则第k个灰度级出现的概率可表示为：

有以上公式可以得到，我们可以由图像的直方图算出来各像素在均衡之后的灰度值。

本次图像增强的实现采用了Histeq函数。格式：I=histeq(gray)；图像增强图像如图2所示。

图2 增强图像

2.3 边缘提取

在检测边缘时，为突出图像灰度变化的作用，需要利用微分算子把图像信息进行微分运算；另外，由于在图像边缘处的地方灰度变化比较大，所以此处图像微分计算所得到的值比较高；我们可以把此值作为相应点的边缘强度；将设置好的阈值与分支比较结果来判断和提取边缘点，只要分支大于阈值，我们就可以将其作为边缘点来提取。

常用的边缘检测算子有Sobel算子、Prewitt算子和Canny算子[9]。四种检测算子均可以较好的完成边缘提取的任务。但考虑到不确定的外观因素，在汽车图像中的牌照区域突现时，为增加车牌的边缘定位精准确性，需要抑制其他相应部分的边缘。所以，由于Canny算子表现出来的能有效检测车牌区域纹理的特性，本文将使用Canny算子来检测汽车牌照边缘。

3 车牌定位

3.1 车牌定位及分割

要想实现快速准确定位车牌，需要综合考虑多种定位方法。由于本次是针对蓝色车牌的识别系统设计，所以利用RGB模型结合车牌颜色特征，选取合适的颜色分量阈值来进行车牌的快速准确定位。定位出车牌在图像中的大概位置就要对车牌进行提取，分割出车牌。

图3 车牌定位及分割

3.2 车牌预处理

由于放置不当或拍摄角度问题，分割下来的车牌可能存在水平或垂直方向的倾斜。为了准确的分割字符，识别出车牌，所以分割下来的车牌要进行倾斜校正。一般情况下倾斜校正分为两步，第一步是计算出倾斜的角度，第二步是根据倾斜的角度进行旋转变化。

本文主要使用Radon变换进行车牌校正。Radon函数是处理图像经常使用到的工具之一，主要用来计算指定方向上的图像矩阵的投影。

车牌水平方向倾斜校正步骤如下：(1)将分割的车牌灰度化，边缘提取；(2)调用Radon函数进行水平方向投影，计算倾斜角度；(3)调用Imrotate函数进行旋转。

4 字符分割

为了得到包含车牌字符的水平条形区域，需要将分割后的车牌图形进行二值化和倾斜校正，然后将车牌字符分割出来，以便于识别。本文采用的字符分割方法是先规定分割出的车牌区域长×宽为238×52，设置阈值为2，寻找大于阈值2的列的数目，然后找到跳变对应的前边缘和后边缘所对应的列，当跳变点所对应的前边缘和后边缘所对应列的长度是238×52的0.02倍时进行分割。

字符分割完之后要对分割的字符进行归一化处理，以满足下一步字符识别的需要。本文设计把分割的字符统一规定为12×24个像素。分割字符结果如图4所示。

图4 字符分割结果

5 字符识别

在准确地把字符切分开之后，要完成整个汽车牌照识别系统的最后一步，即字符的识别。这一步是计算量比较大的一步。经过多年的研究，目前有多种字符识别方法。本文设计的汽车牌照识别系统是基于BP神经网络的识别系统。

BP(Back Propagation) 神经网络是一种多层前馈神经网络，它采用了误差反向传播算法。BP神经网络的实现分为学习过程和识别过程两个部分，在学习过程中，同时进行着两个过程，分别是信息的正向传播和误差的反向传播。基于BP算法的前馈网络由输入层、隐层、输出层三个部分组成。

通常我们采用Sigmoid型的激活函数作为输出函数，如式5-1所示。Sigmoid型函数具有个单元特性，然后把隐含节点的输出信息传送到输出节点，最后就可以将结果输出。通过网络学习的正向和反向传播过程的反复运用可以修改权值，从而得到最小的误差信号。当误差达到理想值时，就可以结束网络学习过程[12]。

车牌识别的好坏在于模板库建立的大小，要想使车牌识别率高，首先要建立比较大的模板库。汽车牌照的字符一般有7个，第一个字符是汉字，通常代表车辆所属省份，第二位是字母，紧接其后的为字母与数字的混合[11]。

BP神经网络识别分割字符的流程为建立模板库，送入神经网络，设置神经网络参数并训练，分隔字符送入神经网络，识别输出结果。

6 算法应用

车辆牌照的识别技术应用广泛，包括：交通流量检测，机场港口出入车辆管理。交通流量检测运用时，交通监控拍下车辆的车牌号，通过一系列的图像处理得到较清晰的车牌图像，通过多个路段的监控拍摄，大概判断出车辆行驶路段，从而达到预测和交通流量检测的目的。机场港口出入车辆管理运用时通过监控检测车牌，通过图像处理识别出飞机或者轮船的牌号，从而对相应的飞机或者轮船进行驶出，驶入等相关的管理操作。