基于MATLAB的車牌識別系統(tǒng)設(shè)計與實現(xiàn)

1、圖像預(yù)處理車牌定位字符分割字符識別圖1車牌識別流程圖圖2車牌灰度圖隨著世界經(jīng)濟和科學(xué)技術(shù)的不斷發(fā)展,智能交通系統(tǒng)越來越多地被人們所關(guān)注。車牌識別LPR (LicensePlate Recognition是智能交通系統(tǒng)中重要研究課題1,已成為圖像處理和模式識別研究中的熱點。整個車牌識別系統(tǒng)主要包括圖像預(yù)處理、車牌定位、車牌字符分割、車牌字符識別4個模塊,其流程圖如圖1所示。圖像預(yù)處理主要是將輸入的彩色圖像轉(zhuǎn)換為灰度圖像,再進(jìn)行灰度增強,以達(dá)到較好的凸顯車牌字符的效果。這里首先將24位R 、G 、B 的彩色圖像按式(1轉(zhuǎn)換成256級的灰度圖,以減少存儲和計算量,圖2是轉(zhuǎn)換后的車牌灰度圖。Gray

2、=0.299R +0.587G +0.114B (1基于MATLAB 的車牌識別系統(tǒng)設(shè)計與實現(xiàn)*劉忠杰,宋小波,何鋒,李芬,周培瑩,劉百辰(常州先進(jìn)制造技術(shù)研究所機器人系統(tǒng)實驗室,江蘇常州213164摘要:通過對車牌定位、車牌字符分割和車牌字符識別進(jìn)行研究,提出了一種車牌識別系統(tǒng)的設(shè)計和實驗仿真方法。該方法首先采用基于Canny 算子邊緣檢測和數(shù)學(xué)形態(tài)學(xué)相結(jié)合的方法定位出車牌,進(jìn)行二值化、濾波和形態(tài)學(xué)開運算后使用投影二分法分割出7個車牌字符,最后使用模板匹配和特征統(tǒng)計相結(jié)合的方法識別出車牌字符。試驗表明該方法是有效的、可行的,與傳統(tǒng)使用單一算法相比較,該方法大大提高了車牌識別系統(tǒng)的正確率。關(guān)鍵

3、詞:圖像預(yù)處理;車牌定位;車牌字符分割;車牌字符識別中圖分類號:TP391.43文獻(xiàn)標(biāo)識碼:A文章編號:1674-7720(201114-0037-04Design and realization of license plate recognition system based on MatlabLiu Zhongjie,Song Xiaobo,He Feng,Li Fen,Zhou Peiying,Liu Baichen(Robot System Lab,Changzhou Institute of Advanced Manufacturing Technology,Changzhou 2

4、13164,China Abstract:This paper introduced a design and experimental simulation method of license plate recognition system based on the research of license plate location,license plate character segmentation and license plate character recognition.This method firstly lo -cated a license plate with t

5、he combining method of Canny operator edge detection and mathematical morphology.After binarization,filtering and morphological opening process,seven license plate characters were segmented by projection dichotomy.Finally,license plate character was recognized by the combining method of template mat

6、ching and statistical characteristics.Experiment demonstrates that this method is feasible,effective and greatly improves the accuracy rate of license plate recognition system ,compared with the traditional method of a single algorithm.Key words:image preprocessing;license plate location;license pla

7、te character segmentation;license plate character recognition*基金項目:安徽省自然科學(xué)基金項目(11040606Q59;常州市科技攻關(guān)項目(CE20100004;武進(jìn)區(qū)科技攻關(guān)項目(WG2010036圖4腐蝕和膨脹后的車牌圖像圖5移除小對象后的圖像(aRoberts 算子(bPrewitt 算子(cSobel 算子(dCanny 算子圖3不同邊緣檢測算子比較1車牌定位車牌定位是車牌識別系統(tǒng)中關(guān)鍵的一步,直接關(guān)系到車牌字符分割的準(zhǔn)確性和系統(tǒng)識別的正確率2。通過比較4種典型的邊緣檢測算子,選擇Canny 算子對車牌進(jìn)行邊緣檢測,然后對車

8、牌進(jìn)行形態(tài)學(xué)處理,并統(tǒng)計圖像中白色像素點的個數(shù)定位出車牌區(qū)域。1.14種典型的邊緣檢測算子邊緣檢測的目的是標(biāo)識數(shù)字圖像中亮度變化明顯的點,車牌識別4種典型的邊緣檢測算子有:Roberts 算子、Prewitt 算子、Sobel 算子和Canny 算子,圖3是這4種典型的邊緣檢測算子對車牌圖像的檢測效果圖。實驗結(jié)果表明,Roberts 算子對邊緣定位比較準(zhǔn),但對噪聲過于敏感,在圖像噪聲較少的情況下分割效果相當(dāng)不錯。Prewitt 算子有一定的抗噪能力,但是這種抗噪能力是通過像素平均來實現(xiàn)的,相當(dāng)于低通濾波,所以圖像有一定模糊,其邊緣檢測時會受到一定影響。Soble 算子對噪聲有抑制作用,但對邊緣

9、的定位不是很準(zhǔn)確,不適合對邊緣定位的準(zhǔn)確性要求很高的應(yīng)用。Canny 算子具有高定位精度,即能準(zhǔn)確地把邊緣點定位在灰度變化最大的像素上,同時較好地保留了原有車形的邊緣特征,并能抑制虛假邊緣的產(chǎn)生,因此本文選取Canny 算子作為車牌圖像邊緣檢測算子。Canny 算子邊緣檢測的實現(xiàn)是由MATLAB 圖像處理工具箱中edge 函數(shù)來完成的。edge 函數(shù)主要是在灰度圖像中查找圖像的邊緣,處理圖像的格式為BW=edge (I,Canny ,thresh,其中I 為灰度圖像;thresh 是一個包含兩個閾值的向量,第一個元素是低閾值,第二個元素是高閾值,本文Canny 算子邊緣檢測的MATLAB 參數(shù)

10、設(shè)置如下:I2=edge(I1,Canny ,0.25,0.65;figure(3,imshow(I2;title(Canny 算子邊緣檢測;1.2數(shù)學(xué)形態(tài)學(xué)處理數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運算算子組成的,用這些算子可以對圖像的形狀和結(jié)構(gòu)進(jìn)行分析及處理3。通過對圖像的腐蝕和膨脹運算能使車牌區(qū)域連通,并最大限度地消除非車牌區(qū)域的噪聲干擾。腐蝕和膨脹后的車牌圖像如圖4所示。圖像經(jīng)過膨脹以后依然存在許多連通的小區(qū)域,但這些小區(qū)域明顯不是車牌候選區(qū)域且形狀不規(guī)則。由車牌的先驗信息知,我國車牌形狀為矩形,一般高14cm,寬44cm,寬高比3.14。根據(jù)我國車牌的特征很容易就能夠刪除這些干擾對象,即使用

11、bwareaopen 函數(shù)來處理干擾對象。bwareaopen 函數(shù)的格式為BW2=bwareaopen(BW,P,conn,其作用是移除二值圖像BW 中面積小于閾值P 的對象。通過實驗得閾值P 取20003500之間效果較好,這里閾值P 的取值為2800。圖5是移除小對象后得到的車牌圖像。1.3車牌剪切通過數(shù)學(xué)形態(tài)學(xué)處理之后已大體上定位出車牌的位置,接下來就是從原彩色圖像中把車牌剪切出來,并去除車牌邊框。圖像中車牌位置可以通過統(tǒng)計圖像中的白色像素點的個數(shù)獲得4,再使用MATLAB 中imcrop 函數(shù)剪切出車牌。針對車牌邊框可以通過設(shè)置不同的閾值來去除,以L 1=Width /7為閾值對剪切

12、出的車牌圖像按行掃描,如果有線段的長度大于L 1就可以認(rèn)為是牌照的上下邊框,再以L 2=Height ×3/5為閾值對剪切出的車牌圖像按列掃描,如果有線段的長度大于L 2,則認(rèn)為是牌照的左右邊框。找到車牌的上、下、左、右邊框之后,重新剪切車牌圖像去除車牌邊框,完成車牌的定位,如圖6所示。2車牌字符分割車牌字符分割是指將單個字符從車牌圖像中分離圖6剪切邊框后的車牌圖像(a車牌灰度圖像(b二值化圖像圖7車牌灰度圖及二值化圖(a濾波后的圖像(b形態(tài)學(xué)開運算圖像圖8濾波及形態(tài)學(xué)開運算圖像圖9車牌字符分割圖像圖10歸一化的車牌字符出來。車牌字符分割方法主要有數(shù)學(xué)形態(tài)學(xué)法、投影法、松弛標(biāo)記法、連

13、通分支法和顏色塊法5。本文綜合使用了數(shù)學(xué)形態(tài)學(xué)和投影法來分割車牌字符,其基本流程是:首先對定位出的車牌進(jìn)行二值化和形態(tài)學(xué)開運算,以去除灰塵及鉚釘?shù)雀蓴_噪聲,然后利用投影二分法分割出7個車牌字符,并對字符進(jìn)行歸一化。2.1二值化和形態(tài)學(xué)開運算二值化圖像的目的主要是找出一個合適的閾值或一個閾值范圍,將車牌區(qū)域劃分為前景和背景兩部分,以方便車牌字符的分割。常用的二值化方法有直方圖統(tǒng)計法、固定門限法、動態(tài)閾值法、松弛法、抖動矩陣二值法等。本文使用了迭代求圖像最佳分割閾值的算法,得到的二值化圖像如圖7所示。二值化圖像以后,使用fspecial函數(shù)對圖像進(jìn)行平滑濾波,在保留字符筆畫結(jié)構(gòu)特征的前提下,盡可能

14、去除噪聲。然后對圖像進(jìn)行形態(tài)學(xué)開運算,以去除圖像中的孤立區(qū)域和毛刺,將背景保留下來,得到背景的估計,并使圖像的邊界變得平滑。圖8所示為濾波及形態(tài)學(xué)開運算圖像。2.2字符分割及歸一化在車牌字符分割中,使用最多的是垂直投影法,該方法將灰度車牌圖像像素列方向上求和,這樣有字符的地方投影較高,而字符中間,理想情況下是沒有像素的,但現(xiàn)實圖像中由于噪聲的干擾會存在一定的像素。在現(xiàn)實環(huán)境中車牌圖像上往往有灰塵、鉚釘?shù)仍肼?由于垂直投影受噪聲影響較大,易造成分割字符的粘連與斷裂,嚴(yán)重情況下會造成車牌字符之間的投影很難辨認(rèn),在一定程度上影響了車牌的識別率。針對傳統(tǒng)投影法的不足,冼允廷等提出了基于投影二分法的車牌

15、字符分割方法6。該方法主要是通過迭代尋找最佳分割點,能夠很好地解決車牌字符分割中存在的粘連和斷裂問題,因此本文選用投影二分法對車牌圖像進(jìn)行分割,通過投影二分法分割出的車牌字符圖像如圖9所示。由于分割出的字符大小尺寸不相同,為提高車牌字符識別準(zhǔn)確率,需要對分割出的字符進(jìn)行歸一化處理。本文采用最近鄰插值法,即為零階插值,其輸出的像素值就等于離它映射到的位置最近的輸入像素的值。圖10是將字符的大小歸一化為40×20的圖像。3車牌字符識別在車牌字符識別環(huán)節(jié),本文使用模板匹配和特征統(tǒng)計相結(jié)合的方法,通過計算待識別字符與各樣本字符的歐氏距離來實現(xiàn)對該字符的模板匹配識別,然后再對相似字符進(jìn)行特征統(tǒng)

16、計優(yōu)化識別結(jié)果,以提高車牌字符識別的準(zhǔn)確率。3.1模板匹配初次識別模板匹配方法是最直接的識別字符方法,其實現(xiàn)方式是計算輸入模式與樣本之間的相似性,取相似性最大的作為輸入模式所屬類別。我國車牌有7個字符,其標(biāo)準(zhǔn)車牌格式是:X1X2·X3X4X5X6X7,X1是各省、直轄市和自治區(qū)的簡稱,X2是英文字母,X3X4是英文字母或阿拉伯?dāng)?shù)字,X5X6X7是阿拉伯?dāng)?shù)字。根據(jù)我國車牌的特征,建立3個模板庫,即漢字庫、字母庫和數(shù)字庫,識別時,對第1個字符采用漢字庫,第2個字符采用字母庫,第57個字符采用數(shù)字庫,其他的采用數(shù)字庫和字母庫。模板匹配法的基本算法是最小歐氏距離法,即對任一原型模式Z i,計

17、算它和待匹配字符X的歐氏距離D i, D i=|X-Z i|,然后找到最小的D i,其對應(yīng)的Z i就是識別出的字符。下面以二維圖像的處理為例來說明模板匹配算法,具體描述如下:設(shè)輸入字符用輸入函數(shù)f(x,y表示,標(biāo)準(zhǔn)模板用函數(shù)F(x,y表示,在相關(guān)器中比較后輸出為T(x,y。隨機變量用x、x1表示,相關(guān)器輸出為:T(x1-x2,y1-y2=f(x,yF(x+(x1-x2,y+(y1-y2d x d y(2當(dāng)x1=x2,y1=y2時,T(0,0=f(x,yF(x,yd x d y(3當(dāng)f(x,y=F(x,y時,T(0,0=f(x,yf(x,yd x d y(4式(3和式(4為輸入字符的自相關(guān)函數(shù),

18、且有T(0,0T(X,Y成立。T(X,Y會在T(0,0處出現(xiàn)主峰,而在其他標(biāo)準(zhǔn)字符處出現(xiàn)一些副峰,然后選用相關(guān)函數(shù)來對這圖11車牌識別結(jié)果些主峰和副峰進(jìn)行鑒別。圖像與模板匹配程度的相關(guān)函數(shù)可以由式(5來測定:R (i ,j =Mm =1Mn =1Si,j(m ,n ×T (m ,n M m =1Mn =1Si,j(m ,n 2姨M m =1Mn =1T (m ,n 2姨(5其中,R (i ,j 為互相關(guān)算子,S 為待檢測的圖像,S i,j為待檢測的子圖,T 為模板。將待識別的字符逐一和所有模板進(jìn)行匹配,并用上述相似度式子來計算車牌字符與每個模板字符的匹配程度,最相似的就是匹配結(jié)果,從

19、而判斷并識別出待識別的字符。計算二維圖像相似度可以用Matlab 中提供的corr2函數(shù)來實現(xiàn)。corr2函數(shù)的調(diào)用方法是R=corr2(A ,B,其中R 是相關(guān)系數(shù),數(shù)據(jù)類型為雙精度,A 、B 為大小和數(shù)據(jù)類型相同的圖像矩陣。因為前面的車牌字符分割環(huán)節(jié)中已把車牌字符大小歸一化為40×20的圖像,與模板圖像大小相同,所以模板匹配過程只需調(diào)用此函數(shù),將分割出來的每個字符與設(shè)置好的模板進(jìn)行相關(guān)運算,然后使用MATLAB 中max 函數(shù)尋找出它們中的最大相關(guān)值,即最相似的匹配結(jié)果,就完成了模板匹配過程。3.2特征統(tǒng)計優(yōu)化識別由于車牌字符中的個別英文字母與阿拉伯?dāng)?shù)字具有相似的結(jié)構(gòu)特征,投影點

20、的歐氏距離相差較小,因此,需要對部分相似字符的識別結(jié)果進(jìn)行優(yōu)化識別,并將優(yōu)化結(jié)果作為最終識別結(jié)果輸出。例如:(1數(shù)字0與8:利用數(shù)字0與8的“空心”個數(shù)進(jìn)行區(qū)分。數(shù)字0從上到下只有一個空心,而數(shù)字8從上到下有兩個空心。因此,可以將數(shù)字0與8區(qū)分開。(2數(shù)字6與9:利用數(shù)字6與9的“空心”區(qū)域分別位于圖像的中下部與中上部的特點,可以將其區(qū)分開。(3數(shù)字8與字母B:利用數(shù)字8和字母B 中部左邊像素點的位置進(jìn)行區(qū)分。對字符圖像的中部(從上向下第11個像素點至第21個像素點從左向右檢測第1個白色像素點,并記錄該點的位置。取這些點的算術(shù)平均值,若該值在4個像素點以下,則該字符為字母B ,否則為數(shù)字8。本

21、文對不同天氣情況下采集的358幅圖片進(jìn)行了MATLAB 仿真測試。如果僅使用模板匹配法,可以識別出284幅圖片,識別正確率為79.3%,其中有45幅是在相似字符識別時出錯;如果使用模板匹配和特征統(tǒng)計相結(jié)合的方法,可以識別出329幅圖片,識別正確率為91.9%,其中相似字符的識別準(zhǔn)確率大大提高。與單一使用模板匹配相比較,本文方法明顯優(yōu)于傳統(tǒng)的模板匹配法,分析原因主要是通過特征統(tǒng)計對相似字符的再次識別彌補了模板匹配對相似字符識別較弱的不足。與傳統(tǒng)使用神經(jīng)網(wǎng)絡(luò)方法識別率只有75.7%相比較,本文91.9%的識別正確率具有明顯優(yōu)勢。總之實驗結(jié)果表明,經(jīng)過特征統(tǒng)計再次優(yōu)化識別以后大大提高了整個系統(tǒng)的識別

22、正確率,圖11所示為本文車牌識別圖像。目前,車牌識別技術(shù)已經(jīng)取得一定突破,但在現(xiàn)實應(yīng)用中車牌識別正確率還不理想,僅使用一種特征和識別方法都有其優(yōu)點和局限性,走多特征組合、多方案集成的道路,已成為車牌識別系統(tǒng)走向?qū)嵱没挠行緩?因此車牌識別系統(tǒng)算法實用化的研究十分重要。參考文獻(xiàn)1GUO J M,LIU Y F.License plate localization and char-acter segmentation with feedback self-learning and hybrid binarization techniquesJ.Transactions on Vehicular Tech-nology,2008,57(3:1417-1424.2ZHANG