智能监控交通系统中车牌识别技术研究

中文核心期刊《微计算机信息》(管控一体化)2008年第24卷第11-3期

360元/年邮局订阅号：82-946

《现场总线技术应用200例》

图像处理

智能监控交通系统中车牌识别技术研究

research of the licence plate recognition technology in the intelligent traffic control system

（九江学院）

张丽芬代君

ZHANG Li-fen DAI Jun

摘要:随着我国国民经济的高速发展,汽车数量大幅度的增加,国内高速公路、城市道路、停车场等设施越来越多,对交通控制、安全管理的要求也日益提高。在国内外,智能交通系统(rrs)已成为当前交通管理发展的主要方向。车牌照识别(LPR)系统的研究与开发,是现代化交通发展的热点问题,也是影响交通系统智能化、现代化的重要因素。本文对车牌字符识别和车牌字符分割等方法进行了分析研究。

关键词:智能交通;车牌识别;字符分割;字符识别中图分类号:TP317.4文献标识码:A

Abstract:With the rapid development of China's national economy,the substantial increase in the number of motor vehicles,domes -tic highways,urban roads,parking lots and other facilities more and more on traffic control,safety management requirements are also increasing.At home and abroad,intelligent transportation system (rrs)the current traffic management has become the main direction.Car license plate recognition (LPR)system research and development,modernization of transport development is a hot issue,but also impact on intelligent transport system,modernization of the important factors.In this paper,the license plate character recognition and license plate character segmentation methods were analyzed.

Key words:intelligent transportation system;characters segmentation;characters recognition

文章编号:1008-0570(2008)11-3-0312-03

1车牌识别系统及应用前景

近几年来，随着计算机科技的发展，硬件水平的不断提高，模式识别技术的发展以及人工智能理论在图形图像处理中的成功运用，智能车牌识别技术不断发展，所谓智能车牌识别系统以及其工作原理，实际上就是通过引入数字摄像技术和计算机信息管理技术，采用先进的图像处理，模式识别和人工智能技术，通过对图像的采集和处理，获得更多的图像信息，从而达到对车牌字符进行自动识别的系统，这个系统是模式识别技术在实践中的一个运用。目前主要的车牌识别系统主要由以下几个具体步骤构成:图像采集、图像处理、车牌定位、车牌识别。其具体流程图如图所示图1系统工作流程图

2车牌字符分割方法

2.1车牌字符串的主要特点

车牌照上的字符串具有以下一些特点:(l)同一类的车牌中的字符位置是固定不变的，一个车牌上的所有字符的高宽比是一样的(除了“1”外)。(2)根据牌照种类的不同，有的牌照是有边框的，不能直接进行投影分割。(3)车牌上的字符和背景的对比度较大，但是由于曝光，焦距等原因，字符可能产生一定的扭曲，而非字符区域也可能会有高亮区域。(4)由于车牌自身的磨损或采用的二值化算法的局限性，使得在图像预处理之后，仍然存在断裂的字符。(5)车牌的字符串信息受到车牌污损及两个铆钉信息的影响。以上的一些特点除了(l)是对字符分割的有利信息，比如:字符固定的高宽比等。其余的特点无疑都增加了车牌字符分割的难度。

2.2车牌的倾斜校正

通常情况下，摄像机安装在固定的位置，比如十字路口等，使得车牌上下边沿与摄像机成像平面的上下边沿不能保证每次都是平行的，并且车牌平面法线与摄像机成像平面法线不能保证在同一直线上，造成了图像中牌照的倾斜如果不对车牌进行倾斜校正，而直接进行字符分割的话，将会严重影响字符分割的准确性，因此在字符分割前很有必要对车牌进行倾斜校正。

目前常用的方法基本上都是基于Hough 变换。Hough 变换在待测直线具有小的扰动和断裂、甚至是虚线时，具有很强的检测能力。具体实现时我们用到了Hough 变换中一个比较简单的情形，任意的一个线性关系式y=xu 十v ，它表达了xy 平面上

的点和uv 平面上的直线的一种对应关系，对于xy 平面上的任

意一条直线y=ax 十b ，取该直线上的任意两点坐标(xl ，yl)，(xZ ，

y2)，它们两点在uv 平面中所对应直线的交点可以通过解方程组得到，由以上各式可以推出(认v)两平面上的交点为u=a ，v=b ，它与(x ，y)平面上直线的选取无关。这就证明了经过这种变换，在xy 坐标系线的点按照Hough 变换在uv 平面上共点的直线，因此我们获取倾斜角度的做法如下:

第一步:对确定定位后车牌图像上的目标点在xy 坐标系下扫描，求出它们在uv 坐标系下的直线，并且把他们标记出来。

第二步:在uv 坐标系中把这些直线经过的点都标记出来。

张丽芬:讲师

PC

312--

邮局订阅号：82-946360元/年技术创新

图像处理

《PLC 技术应用200例》

您的论文得到两院院士关注

第三步:统计uv 坐标系下各个点被标记的次数，将被标记次数最多的点取出来。

第四步:由Hough 变换可知，uv 坐标系下一点(a ，b)在xy 坐标系下所对应的直线y=ax+b 的斜率为a 。那么这些直线的倾斜角即为车牌的倾斜角。下面给出实验结果图。

图2车牌倾斜校正图

2.3车牌边框的去除

车牌经过倾斜校正以后，由于牌照边框的存在，使得字符串的垂直投影值全部大于0，也使得车牌中的字符全部粘连在一起，从而很难精确的确定分割点，因此在分割前很有必要对车牌的边框进行去除。

我们以横轴为字符投影的宽度，纵轴为一列字符像素的灰度和对车牌进行垂直投影，通过分析发现字符的上下边框和左右边框离实际的字符都有一定的距离，表现在图像上就是在字符和边框之间出现相当的白色间隙区域，这样就把边框和实际的字符分割出来了。另外考虑实际无论是上下边框还是左右边框的宽度都没有字符的宽度大，而且相差比较大。利用上述两点对图像进行水平投影可以去除上下边框，进行垂直投影可以去除左右边框。下面介绍去除左右边框的算法。

第一步:对图像在垂直方向上投影，统计各列的像素个数，然后统计所有字符投影边框的宽度。

第二步:设定字符的投影宽度的闽值为T ，该值是通过多次实验确定的经验值，该经验值应该远大于边框的投影宽度。

第三步:将小于阐值T 的投影字符滤除。

第四步:根据车牌形状等先验知识，边框的投影位置应该位一于整个投影区域的两边，即开始和结束位置，依次再进行判断比对，如果符合上述条件，则保存图像。

图3去除边框的车牌

3车牌字符识别

3.1模式识别方法简介

字符识别是整个车牌识别(LPR)的核心。用于字符识别的模式识别方法可以大致分为结构模式识别、统计模式识别及两者的结合。下面分别进行介绍。

3.1.1结构模式识别

字符是一种特殊的模式，其结构虽然比较复杂，但具有相当严格的规律性。换言之，字符图形含有丰富的结构信息，可以设法提取含有这种信息的结构特征规律，作为识别字符的依据，这就是结构模式识别。

结构模式识别是早期字符识别研究的主要方法。其主要出发点是字符的组成结构。从字符的构成上讲，字符是由笔划(点横竖撇捺等)、偏旁部首构成的；还可以认为字符是由更小的结构基元构成的。由这些结构基元及其相互关系完全可以精确地对字符加以描述。

识别时，利用上述结构信息的方法进行识别，类似一个逻辑推理器。用这种方法来描述字符字形结构在理论上是比较恰当的，其主要优点在于对字体变化的适应性强，区分相似字能力强；但是，在实际应用中，面临的主要问题是抗干扰能力差，因为在实际得到的文本图像中存在着各种干扰，如倾斜，扭曲，断裂，粘连，纸张上的污点，对比度差等。这些因素直接影响到结构基元的提取，假如结构基元不能准确地得到，后面的推理过程就成了无源之水。此外结构模式识别的描述比较复杂，匹配过程的复杂度因而也较高。所以在字符识别领域中，纯结构模式识别方法已经逐渐衰落。

3.1.2统计模式识别

统计决策论发展较早，理论也较成熟。其要点是提取待识别模式的一组统计特征，然后按照一定准则所确定的决策函数进行分类判决。字符的统计模式识别是将字符点阵看作一个整体，其所用的特征是从这个整体上经过大量的统计而得到的。

统计特征的特点是抗干扰性强，匹配与分类的算法简单，易于实现。不足之处在于细分能力较弱，区分相似字的能力差一些。常见的统计模式识别方法有：

(1)模板匹配。模板匹配并不需要特征提取过程。字符的图

像直接作为特征，与字典中的模板相比，相似度最高的模板类即为识别结果。这种方法简单易行，可以并行处理；但是一个模板只能识别同样大小、同种字体的字符，对于倾斜、笔划变粗变细均无良好的适应能力。

(2)利用变换特征的方法。对字符图像进行二进制变换(如Walsh ，Hardama 变换)或更复杂的变换(如Karhunen-Loeve ，Fourier ，Cosine ，Slant 变换等)，变换后的特征的维数大大降低。

但是这些变换不是旋转不变的，因此对于倾斜变形的字符的识别会有较大的偏差。二进制变换的计算虽然简单，但变换后的特征没有明显的物理意义。K-L 变换虽然从最小均方误差角度来说是最佳的，但是运算量太大，难以实用。总之，变换特征的运算复杂度较高。

(3)投影直方图法。利用字符图像在水平及垂直方向的投影

作为特征。该方法对倾斜旋转非常敏感，细分能力差。

(4)几何矩(Geometric Moment)特征。M.K.Hu 提出利用矩不

变量作为特征的想法，引起了研究矩的热潮。研究人员又确定

了数十个移不变、比例不变的矩。我们都希望找到稳定可靠的、对各种干扰适应能力很强的特征，在几何矩方面的研究正反映了这一愿望。以上所涉及到的几何矩均在线性变换下保持不变。但在实际环境中，很难保证线性变换这一前提条件。

(5)Spline 曲线近似与傅立叶描绘子(Fourier Descriptor)。两

种方法都是针对字符图像轮廓的。Spline 曲线近似是在轮廓上找到曲率大的折点，利用Spline 曲线来近似相邻折点之间的轮廓线。而傅立叶描绘子则是利用傅立叶函数模拟封闭的轮廓线，将傅立叶函数的各个系数作为特征的。前者对于旋转很敏感。后者对于轮廓线不封闭的字符图像不适用，因此很难用于笔划断裂的字符的识别。

当然还有许多种不同的统计特征，诸如图描述法、包含配选法、脱壳透视法、差笔划法等，这里就不一一介绍了。

3.2人工神经网络在字符识别中的应用

人工神经网络模式识别方法是近些年提出的新方法，为字

313--

技术创新

中文核心期刊《微计算机信息》(管控一体化)2008年第24卷第11-3期

360元/年邮局订阅号：82-946

《现场总线技术应用200例》

图像处理

符识别研究提供了一种新手段。它具有一些传统技术所没有的优点，如速度较快，分类能力强，识别率较高，具有良好的容错能力、并行处理能力和自学习能力。因而采用神经网络识别方式是很好的选择。

人工神经网络(ANN)可以作为单纯的分类器(不包含特征提取，选择)，也可以用作功能完善的分类器。在英文字母与数字的识别等类别数目较少的分类问题中，常常将字符的图像点阵直接作为神经网络的输入。不同于传统的模式识别方法，在这种情况下，神经网络所“提取”的特征并无明显的物理含义，而是储存在神经物理中各个神经元的连接之中，省去了由人来决定特征提取的方法与实现过程。从这个意义上来说，ANN 提供了一种“字符自动识别”的可能性。此外，ANN 分类器是一种非线性的分类器，它可以提供我们很难想象到的复杂的类间分界面，这也为复杂分类问题的解决提供了一种可能的解决方式。

目前人工神经网络的模型已有几十种，它已经被广泛应用于模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等各个方面。人工神经网络巨大的应用潜力使其在字符识别中的应用也吸引着越来越多研究人员的注意力。

4小结

本文作者创新点是：车牌识别技术是计算机视觉与模式识别技术在智能交通系统(ITS)中的重要研究课题之一，可以应用于交叉路口监控、车库管理和高速公路超速车辆检测等场合，是实现交通管理智能化的关键技术之一。车牌识别技术按顺序主要分为车牌定位、字符分割、字符识别三大部分。

参考文献

[1]波，

舒振宇，陈心浩.基于SOPC 技术的车牌识别系统设计.微计算机信息，2007，12-2:145-147.

[2]何斌,马天予,王运坚等.Visual C++数字图像处理.第一版.北京:人民邮电出版社,2001.

[3]吴进军,杜树新.分层次车牌定位方法.科技通报,2005,21(5):606-611.

[4]李文举,梁德群.基于边缘颜色对的车牌定位新方法,计算机学报,2004,27(2):204-208.

[5]李文举,梁德群,崔连延等.一种新的车牌倾斜校正方法.信息与控制,2004,33(2):231-235.

[6]朱卫健,夏良正.一种实用快速的车牌字符分割方法.北京理工大学学报,2005,29(10):26-28.

作者简介：张丽芬(1978-),女,江西九江人，九江学院信息科学与技术学院，讲师，研究方向：面向对象程序设计，人工智能;代君（1976-），男，江西九江人，九江学院信息科学与技术学院，讲师，研究方向：三维动画，数据库应用

Biography ：ZHANG Li -fen (1978-),female,Jiangxi Jiujiang

people,Jiujiang University Faculty of Information Science and Technology,lecturer,research direction:Object -oriented pro -gramming,artificial intelligence .

(332000江西九江学院信息科学与技术学院)张丽芬

通讯地址:（332000江西省九江虹大道156号裕泰园2＃503

室）张丽芬

(收稿日期:2008.10.23)(修稿日期:2008.11.18)

(上接第265页)

蓝色线条为输出误差的第一个数值，绿色线条为第二个数值，

红色线条为第三个数值。最优设置训练得到网络模型后，进行仿真和测试得到结果及误差曲线如图4-2所示：

图4-2GRNN 仿真和测试结果

结论

本文对多层前馈神经网络的应用进行了初步的尝试。经研究，通过最优设置得到的BPNN 模型和GRNN 模型，均可较准确的识别出基因的剪接位点并确定基因的I/E 边界区域。而通过比较误差，均方差和正确率，发现GRNN 模型在网络的整体性能上较BP 神经网络有很大优势。GRNN 模型无需确定隐层神经元数，且训练速度更快，函数逼近效果好。并且，GRNN 模型的均方差更小，仿真正确率更高。测试结果稍差的原因主要由数据本身的性能和实验环境导致。

本文作者创新点：本次研究成功地完成了用两种前馈型神经网络对基因序列进行预测分析，验证了神经网络可有效克服基因数据分析中非线性建模的难题。

参考文献

[1]陈志宏.人工神经网络在基因组信息学中的应用[A].国外医学生物医学工程分册，2002，25（4）.

[2]司徒浩臻，

赵聚雪，许龙飞。基于遗传算法的多序列比对算法研究[A]。微计算机信息，2006，6-2：284-286。

[3]陈淳，徐庆.基因工程原理[A].科学出版社，2007，8.

[4]钟珞，

饶文碧.人工神经网络极其融合应用技术[A].科学出版社，2007，1.

[5]董长虹.Matlab 神经网络与应用[A].国防工业出版社，2007，9.

作者简介：程国建，（19-），男，陕西扶风人，西安石油大学副教授，博士，研究方向为神经网络、进化计算、软计算方法在油藏描述中的应用;赵斐，（1978-），男，陕西西安人，西安石油大学硕士，研究方向为神经网络、生物信息学、机器学习、软计算方法;吴晓怡，（1986-），女，上海人，西安石油大学学士，研究方向为神经网络、生物信息学、软计算方法。

Biography ：CHENG Guo-jian (19-),male,FuFeng ShannXi Province,Xi'an Shiyou University,Doctor,Research field:Neural Network,Genetic Algorithm,Reservoir Simulation with Soft Computing methods.

(710065陕西西安西安石油大学计算机学院)程国建

通讯地址:(710065陕西省西安市电子二路18号西安石油大学计算机学院)程国建

(收稿日期:2008.10.23)(修稿日期:2008.11.18)

314--