基于图像处理技术的车牌识别研究

张洁　方厚加

摘要：本文主要探讨车牌识别过程中图像处理技术的应用，主要包括图像预处理中灰度化处理、二值化处理、直方图处理以及滤波。车牌检测中的常用算子，如prewitt算子，roberts算子，sober算子和拉普拉斯算子。最后给出车牌字符分割与识别的步骤和结果。

关键词： 灰度化； 滤波； 边缘检测； 图像分割； 字符识别

中图分类号：TP391 文献标识码：A 文章编号：2095-2163（2016）01-

Abstract：This paper discusses the application of license plate recognition during image processing technology，including image preprocessing gray processing， binarization processing， histogram processing and filtering. After that， the paper presents commonly used operators of license plate detection， such as prewitt operator， roberts operator， sober operator and Laplacian. Finally， the paper puts forwardsteps and results of character segmentation and recognition .

keywords：Grayscale； Filtering； Edge Detection； Image Segmentation， Character Recognition

作者简介：张洁，硕士，讲师，主要研究方向：数据挖掘 人工智能。

0 引言

当今汽车行业正呈现迅猛增长势头。随之而来地，诸多的汽车管理领域也逐渐获得了发展重视，同时研究者们则开始更多地关注于高速公路、停车场出入口监管，公共安全监控和犯罪分子追踪等现实攸关的重点方向领域内容。在此背景下，自动化识别即已日益突显其在该应用领域内容研发处理中的关键重要地位。而与之对应的主流分支、即车牌识别研究中，在经过多方系统论证后可知，图像的处理与分析则是其达到最终目标的关键决定性环节。具体来说，由于在不同场合，受光线、天气、距离、拍摄角度等多种因素影响，拍摄得到的车牌效果差别很大，因此，就需要将多种图像处理和分析技术，例如将直方图均衡化、灰度化、图像边缘检测技术、图像分割技术、字符识别技术等技术相结合以实现最佳图像处理效果。本文即对此一内容展开研究论述，主要给出了车牌识别技术的原理和完整实现过程。

1 车牌图像的预处理

车牌原始图像通常受光线、天气、车牌污损、拍摄角度等原因造成图像画面底质不佳，因此在车牌识别前，则需要对车牌进行预处理，使得处理后的图像便于识别。在预处理技术中，主要使用的有灰度化处理、二值化处理、直方图处理、滤波等。

1.1 图像灰度化处理

未处理车牌图像多会带有颜色，而彩色图像包涵信息容量较大，因而不易处理。在车牌识别中，具体设定任务是识别车牌号码，所以色彩一般来说并不重要。故而通常先将彩色图像转换成灰度图像。图1展示了一幅未处理车牌图像转换为灰度图像的效果对比。

1.2 二值化处理

二值化处理是将图像由彩色或灰度图像转换为黑白二值图像的过程。二值化处理后，图像只有黑白两个色度的图像，使图像的对比度明显提高，易于辨认识别。但其缺点是丢失图像的大量细节。图2是未处理彩色图像转化为二值图像的效果呈现，图3是将灰度图像转化为二值图像的效果展示。

由上图可知，在二值化过程中，由于车牌蓝底、白字的对比度并不清晰，使得在二值化过程中可能会造成边缘不易分辨，而灰度图像的二值化效果却更显优势，因此研究将在灰度图像的基础上进行二值化图像的处理。

1.3 直方图处理

直方图是灰度图各像素灰度分布的图表。可以由直方图有效推理而得到图像的灰度构成及分布。反过来，通过人为将直方图均衡化或者匹配化往往可以取得很好的处理效果。图4中（a）为原始图像的灰度图像，（b）为其直方图，从直方图中可以看出，直方图整体呈现偏左，且密集，代表图像灰暗部分多，明亮部分少。基于直方图的理论分析，如果直方图发生了偏左，表明图像偏暗；若出现了偏右，表明图像太亮；而若集中于中段，明亮度适合，但对比度稍差。综上可知，如果想得到亮度适中、对比度良好的直方图，即应使得直方图分布均匀。相迎地，图4中（c）和（d）就是直方图均衡化后的效果图像，整个图像的亮度明显提高。

1.4 滤波

车牌图像在拍摄过程中，容易受到自然因素、湿度、泥污残留等各种因素的干扰，因此拍出的图片经常出现各种噪声。因为噪声产生的原因复杂、形式多样，在图像处理领域已经设计各种手段以降低或消除噪声。通常采用方法就是滤波，借助其来消除图像噪声，即通过对图像区域进行转换，再替代未处理的图像。当下比较成熟的滤波技术有均值滤波、中值滤波等。

具体来说，均值滤波的实现过程是将中心在（x，y）点，尺寸为m*n的矩形子图像窗口进行计算，求得被噪声污染图像g（x，y）的平均值；而中值滤波则是属于统计排序的滤波器，并将结果中相邻像素的灰度中值来代替原像素值。

2图像边缘检测

车牌图像的识别通常仅需要识别车牌区域即可，如何在整张图片中提取获得车牌区域，此时就要用到图像分割。时下流行的方法是边缘检测，因为车牌边缘与背景图像之间往往存在较大的亮度差，基于此将可以采用一定的算法提取出所需图像边缘部分的信息。常见的边缘检测算子有prewitt算子、roberts算子、sober算子和拉普拉斯算子[1]。

目前，车牌字符识别的主要算法分别有如下两种：基于模板匹配的算法及基于人工神经网络的算法。在此，可对其分述如下。

首先，基于模板匹配的实现过程可概述为：对被识别的字符进行二值化处理，再将字符尺寸缩放成字符数据库中模板的尺寸进行匹配，由此选取最佳的匹配作为识别结果。

其次，基于人工神经网络的字符识别有两种技术实现方式：其一是先对被识别字符提取特征，再用所获得的特征集来训练神经网络分类器，最后进行匹配。其二是直接利用神经网络将被识别的图像输入网络，由网络自动实现特征提取直至识别[3]。

模板匹配法实现上更为简单，并且车牌的字符也比较规则，因此对字符图像的缺损、污迹等干扰的适应力较强且识别率较高。而神经网络法算法识别效果却与字符特征提取密切相关，字符特征提取将消耗较大的资源。故而研究选用模板匹配法作为车牌字符识别的主要方法。

模板匹配的实施步骤如图8所示。

由图8了自己哦搭配，模板匹配的实现过程是将从被识别车牌的图像区域f（i，j）中提取的若干特征量与模板T（i，j）相应的特征量进行逐项比对，计算二者间规格化的互相关量，互相关量最大的则表示二者相似程度最高，可将被识别的图像归于其所属分类。也可以用最小距离法判定所属类，即通过计算图像与模板特征量之间的距离来给出判定，距离最小的就表示二者最接近。然而，由于成像条件存在差异，会产生有较大的噪声干扰，或未处理的图像经预处理和规格化处理后，可能使得图像的灰度或像素点的位置发生改变，故而在实际构建模板时，应当注意考虑各类似区域之间差别，及容易由处理过程引起的噪声和位移等因素，再基于图像不变特性来进行优良设计，就可以有效解决上述问题[2-4]。

本文采用相减的方法来求得字符与模板中哪一个字符最相似，由此找到相似度最大的输出。我国汽车牌照标准统一，少量特殊车辆不一致，字符一般为七个，车牌第一位规定是汉字，代表车辆所属省份；其后为字母或数字组合。车牌字符识别由于字符数有限（汉字共约50多个，大写英文字母26个，数字10个），就使得建立字符模板库比较方便。

4 结束语

本文对车牌识别过程中涉及到的关键图像处理技术进行研究，从前期的图像预处理，到图像的定位与检测，到最终的字符识别进行了详细的介绍。车牌图像因为受光线、天气、泥污、拍摄角度等多方面影响，造成原始图像差异很大，图像噪声严重。另外，车牌图像具有蓝底白字（少量其他特殊车辆具有其他颜色）等通用特征，决定了在车牌分割中必将具有一定的规范性。因此，通过图像的前期处理和图像分割的方法，可以将车牌字符定位出来。且车牌字符具有不连贯性，为字符识别带来方便。本文给出了车牌图像识别常用技术和方法，并通过Matlab实现，为车牌识别领域的研究提供一定的帮助和借鉴。

参考文献

[1]刘超. 实时无缝全景图像拼接技术研究与实现[D].长沙：中南大学，2011.

[2]王立强. 车牌自动识别技术的算法与实践[J].廊坊师范学院学报（自然科学版），2010，10（4）：39～41.

[3]甘英俊；胡天翔；沈海涛；陈睿. 基于机器视觉的汽车牌照识别[J]. 机械制造与自动化，2009（2）：97-101.

[4] 董然. 基于J2ME的车牌识别系统的研究[D].太原：太原理工大学，2010

[5]林苏映.基于计算机视觉的人脸跟踪[D]. 杭州：浙江大学，2010..