基于MATLAB 的车牌识别系统设计

王艳辉WANG Yan-hui；翟力欣ZHAI Li-xin；旦增曲珍Danzeng quzhen

（①山西约翰芬雷设计工程有限公司，南京 210031；②金陵科技学院，南京 211169）

0 引言

针对车牌识别遇到的问题，提高车牌识别系统的识别率，目前采用的方法先对视频流中车辆的整体情况做出判断，随后对车牌进行精确定位，通过算法对车牌进行字符和数字识别。如果算法是最优的，那么识别率无疑也是最高的。而我国汉字相对较复杂，无疑给准确识别字符带来了巨大的挑战，所以国内车牌识别系统成熟的产品不多，亟需广大科研工作者，企业、高校相关专家进一步研究，优化出更高效的车牌识别算法。

1 车牌识别系统总体方案设计

车牌识别系统的设计用到多种新型的技术，例如计算机技术、图像处理技术等，所以能够实时准确地识别出想要识别的字母、数字、汉字。建立相应的物理模型，通过建立的模型识别出符合车辆的特征，常用的特征就是车辆的车牌。因此只要能够从动态视频中寻找到我们需要的某一帧图像，就能够实现对该图片中存在车辆的信息进行确定。最后自动将车牌字符分割出来，并对字符进行识别。将车牌识别技术应用在现实生活中，可以维护好交通治安，缓解交通堵塞，对生活十分便利。图1 是本系统的设计流程图。

图1 基于Matlab 车牌识别系统的设计流程图

2 车牌识别系统硬件设计

2.1 车牌识别摄像机

通过摄像机来对车辆的车牌图像进行获取，而这台摄像机配置了大规模的集成电路，其具有制作简单、重量轻、对能量需求小，所以应用较广泛。通过将其布置在车道的两侧，那么当车辆从此处通过时，摄像机就能够获取到其车牌的信息。装置可以采集车牌图像，对获取到的模拟信号进行离散化从而对其进行存储。当车辆通过时，采集卡就会采集到图像信息，并且以文件的类型保存下来。同时，我们还需要通过对识别系统所发出的识别结果进行接收的设备，并且实现和摄像装置的配合，实现对多个拍摄设备的同时管控。

2.2 Matlab R2014a 硬件环境

借助了Matlab 平台实现了对其的开发。将硬件设备采集到的不同车牌图像输入到Matlab R2014a 软件中，运行所编写的算法程序，最终完成对车牌的识别。在Matlab R2014a 软件中以文本的形式将车牌字符识别结果输出显示在车牌图像中。

3 车牌识别系统软件设计

3.1 车牌图像预处理

由于摄像头抓拍到的图像会受到光照、车辆行驶速度、道路行驶车辆稠密度、车辆新旧程度、摄像头是否抖动、摄像头拍摄的角度以及拍摄的距离等因素的影响，直接获取到的车牌图像可能存在着一些噪点，导致无法直接从其中提取到车牌的真实信息，因此需要通过图像预处理，从而提升采集到的信息的质量。通常对图像进行滤波去噪是改善图像质量的一种有效途径。

3.2 边缘检测

摄像头拍摄出来的图像是彩色图像，然而在实际的边缘过程中，其检测对象都是灰度图像，因此需要对采集到的图像进行灰度转换。总的来说，就是将彩色图像的三个通道信号转变为单通道信号，因此灰度图像的每一个像素点只有一个像素值。图像如果显示从最暗的黑色到最亮的白色，这样的图像一般就是灰度图像，在灰色图像中，最暗的黑色像素值为0，最亮的白色像素值是255。

边缘检测有多种算法，例如canny 算法、sobel 算法。在本论文中选用robert 算法对转换得到的灰度图像做边缘检测。

3.3 形态学处理

图像形态学处理也是图像处理中应用非常广泛的技术，这种技术方法主要从图像中提取对识别结果的有意义的图像分量。图像形态学处理方法有腐蚀、膨胀、开和闭。在本论文中主要用到腐蚀和膨胀。腐蚀和膨胀可以分割出独立的图像分量并将这些分量融合成一块区域，起到消除噪声的作用。腐蚀就是能够消融物体的边界，而膨胀是与腐蚀相反的一个处理过程，膨胀可以使图像中物体边界扩大。无论是腐蚀操作，还是膨胀，处理的结果都与图像本身和选取的结构元素有关。结构元素可以是一个n×n 的矩阵，也可以是选取的任意一块形状的图形区域，在Matlab R2014a 软件中有专门构建结构元素的函数。

3.4 车牌字符分割

图像分割，同样作为车牌识别系统设计中关键的一个步骤，就是把车牌图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，即可以将图像中不同物体的像素区域分割开来，如前景与背景的分割。图像分割主要有以下几种方法：基于阈值的图像分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

基于阈值分割是一种常用的图像分割技术，此技术方法，是根据实际处理设定相应的阈值，通过这个阈值，把图像中所有像素点分为若干类。此方法计算简便、运行效率高，在某些实际应用场合中应用广泛。

3.5 车牌字符识别

字符识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法是首先将分割后的字符二值化，并将其尺寸缩放为字符数据库中模板的大小，然后与所有模板进行匹配，最后选取最佳匹配作为结果，可见建立数字库对该方法在车牌识别过程中的重要性。基于人工神经元网络的算法有两种，一种是先对特征提取待识别字符，然后用所获得的特征训练神经网络；另一种是直接将待处理图像输入网络由网络自动实现特征提取直至识别结果。在本论文中，字符识别的方法选用神经网络算法。

4 实验结果与分析

4.1 软件环境

为验证本文方法的有效性，本文针对不同车牌图像做了相关实验，在实验中用到微型计算机一台，实验的编译环境为MATLAB R2014a，操作系统为Windows7 64 位操作系统。

4.2 实验结果

在本论文中选取了多个车牌做了实验，在本节中选取一组车牌图像做实验结果展示。输入的车牌图像如图2 所示，将原始图像先转换成灰度图像，灰度图像如图3 所示。对车牌图像进行边缘检测，检测结果为图4 所示。

图2 车牌原始图像

图3 车牌灰度图像

图4 边缘检测后图像

选取结构元素为3*1 的向量，经过腐蚀、膨胀形态学处理之后的车牌图像如图5、图6 所示，最后经过中值滤波后的图像如图7 所示。

图5 腐蚀后边缘图像

图6 膨胀后边缘图像

图7 经过滤波之后的图像

在确定车牌字符位置时，由于通过处理后图像的行方向像素点灰度值累计和或者列方向像素点灰度值累计和是不一样的，所以在车牌字符处像素累计必然多，由此确定车牌字符的位置。（如图8 所示）

图8 不同行、列像素点灰度值累计和

随后车牌定位剪切出来的彩色车牌图像如图9 所示。

图9 定位剪切后的彩色车牌图像

确定车牌位置后下一步的任务就是将字符区域与车牌背景分离开。然后对图像中每个字符进行分割，在分割时经过多次试验，选出合适的阈值。二值化的图像如图10、图11 所示。

图10 二值化后图像

图11 中值滤波后的二值化图像

构造训练样本，用训练好的神经网络识别车牌字符。最后识别结果以标题形式显示在车牌原始图像上。识别结果如图12。

图12 字符识别结果

最终实验结果显示，本文方法可以准确地检测并识别车牌字符。

5 结论

本文对汽车牌照定位分割和自动识别问题进行了研究，提出了汽车车牌识别系统的思路和总体设计方案。通过实际拍摄车牌图像反复研究和比较，执行车牌识别系统图像预处理，车牌定位，字符分割，字符识别等方面的技术和算法改进，完成车牌识别系统的设计。