车牌照自动识别算法研究

车牌照自动识别算法研究 张明:车牌照自动识别算法研究 车牌照自动识别算法研究 张明 (中国人民解放军96411部队陕西西安721006) 摘要:以在民用领域十分有应用价值的汽车牌照作为目标自动识别(ATR)对象,提出2种分别基于色彩和字符特征 的车牌识别算法,通过不同特征的选取,使用Matlab软件作为研究工具,研究数字图像的目标识别,实现基于特征的快 速定位和识别.两种算法都简单易行,各有所长,并有所优化选择. 关键词:数字图像;自动目标识别;牌照特征;识别算法 中图分类号:TN911.7文献标识码:A文章编号:1004—373X(2008)22—108—04 StudyonAutomaticTargetRecognitionAlgorithmofLicensePlate ZHANGMing (96411Unit0fPLA,Xian,721006,China) Abstract:Asamoreprevalentvisiblescientificcalculationalsoftware,Matlabhasapowerfulprocessing functionindigital image.ThethesistakesMatlabasanappliedtool,andtakesthelicenseplatewhichhasaveryhighappliedv alueincivilfieldas AutomaticTargetRecognition(ATR)targettoresearchthemethodofobjectrecognizeofdigitalimage.T hroughdifferent charactersandarithmetictoachievefastlocationandrecognitionbasedoncharacter. Keywords:digitalimage;automatictargetrecognition;license—platecharacter;recognitionalgorith m 1引言2基于颜色特征的车牌自动识别算法 在现代社会中,图像自动识别技术在军事和民用的 许多领域都得到了日益广泛的应用.车牌识别技术的 研究是图像识别技术中最常见的种应用,具有重要的 现实意义和理论价值. 一 个完整的车牌识别系统一般由图像输入,图像处 理(提取特征)和牌照定位识别3部分组成.本文只把 重点放在后两步,着力研究这两部分的算法和实现 过程. 车牌识别系统和其他的图像识别过程一样,关键在 于特征的选择和提取. 我国的车牌底色和字符颜色种类并不多,而且字符 主要是英文字母,数字以及少量汉字组成,这就提供了 2个非常明显的特征:颜色和字符. 但由于车牌的不同,以及检测时不同的光照条件, 给车牌识别增加了难度,很难用一种算法就实现一个完 善的系统. 在这里以常用的蓝底白字车牌作为基本研究对象, 分别利用颜色和字符这两个特征,采用Matlab7.O作为 开发软件,对车牌识别算法进行研究,并对比其算法和 识别效果. 收稿日期:2008—03—20 1O8 以蓝底白字的车牌为目标,用其颜色作为选取和要 提取的特征,在输人原始图像后,对行和列方向的蓝色 像素点进行统计,分别得到行和列方向上特征蓝色像素 的位置,然后用这两个位置的坐标值对原图进行截取, 即可以得到车牌图像. 2.1车牌识别算法实现过程分析 实验采用图片主要有3张,分别是car1.jPg,car2. jPg,car3.jPg,如图1所示: ??一图1实验用图片 Matlab在处理JPG格式的真彩图像时实际上是作 为3个RGB矩阵处理,可以用一条简单的Matlab语句 来分别定义3个矩阵: I—imread(car1.jPg); [y,X,z]一size(I); myI=double(I); 第一行是将图像car1.jPg读取到Matlab的变量I 中;第二行是根据图像I的大小(和Y分别代I在行 和列方向上的像素个数)以及RGB维度(2—1,2,3,分 《现代电子技术)2008年第22期总第285期计算机应用技术司 别代表R,G,B)设置三维矩阵大小;最后一行生成一个 大小等于图像I,元素值等于图像I的相应位置像素的 RGB值(三个维度分别存储R,G,B)的图像矩阵. 之后,在RGB空间中根据广义上的”蓝色”范围,对 R,G和B分设置一个阈值范围,在行和列方向上分别 统计每个像素的RGB是否在这个阈值范围内.这个过 程在Matlab中属于一个常用的数组(矩阵)循环查询的 过程,对行和列只需要分别用一个二重循环(每列和每 行分别一个循环),循环次数分别等于前面定义图像矩 阵时获得的Y和的值. 这个过程的关键是阈值的选择.根据RGB色彩空 间理论,以8位格式存储的RGB表示系统R,G和B分 别有28个值,其组合出来的色彩则可以有224种.人 凭肉眼不可能区分224种颜色,即使假设车牌的底色都 是绝对相同的,由于光照,灰尘,水汽,环境对比等的干 扰,在原始图像获得过程中也会造成图像颜色与实际颜 色存在差别,因此,这里要统计的”蓝色”是一类相近色 彩的总称,这给阈值确定带来了困难.阈值范围太窄, 可能遗漏一些视觉色彩;而阈值范围太宽,也可能会增 加一些实际不存在的视觉色彩,影响识别的效果,甚至 造成错误.本文根据参考文献中的相关内容,结合实践 验证后采用的阈值范围是:100?R?200,40?G?200, B?150. 当完成这个步骤后,每行每列可以得到2个一元函 数厂(z)和g();和Y对应的行和列方向的值;厂(z) 和g()分别代表列和行方向蓝色像素点的个数.如果 厂或g值大于阈值,则代表检测到了车牌的颜色区域, 反之,则表示还没检测到车牌的颜色区域.根据这个阈 值,设计一个判断循环,就可以分别在行和列方向得到 2个坐标刻度. 由于图像和算法本身的不足等原因,得到的这4个 坐标刻度所围成的区域并不一定完全和真实的车牌在 图像上的区域吻合,需要根据实验进行人工修正.利用 修正后的4个坐标刻度去截取原图,就可以得到车牌, 完成整个基于颜色特征的车牌照识别过程. 2.2车牌识别效果及其原因分析 采用色彩特征作为识别依据是简单直观的,特别是 在周围色彩干扰比较小时可以非常正确地识别车牌,但 是,如果周围色彩干扰较大时,正确的识别比较困难. 在对三张实验图片的识别中,对car3.jPg就没有识别 到正确的车牌,却把图片中一个蓝色路标牌作为目标. 为了分析识别效果,特别提取3张实验图片在列和 行方向的蓝色像素点统计函数厂(z)和g(),并绘制成 曲线,分别见图3中(a),(c). 从图3(a)和图3(b)中可见,因为两图图像质量较 高,色彩的色度和对比度都非常高,而且图形规则,因此 在统计图上上显得统计曲线非常规整.而从图3(c)发 现,统计图上在y方向的统计上时有2个阈值范围内像 素集中区域,在进行4个坐标刻度截取时,首先是y方 向产生了统计错误,进而影响到方向的统计(程序设 计规定,z方向的统计是在Y方向统计的基础上进行). 垦别图2对car3的错误识别 分析原因,这与程序设计上有一定关系:首先本程 序采用的色彩RGB值,是笔者参照参考文献中的先验 值,再根据RGB色彩空间理论和实验验证得出的一个 修正值,在客观性和普遍性上有所欠缺;其次本程序对 目标的尺寸识别,位移和旋转等方面上有着很大缺陷, 从而导致识别上的误差乃至完全错误;最后,算法中的 循环统计还不太完善,导致循环统计错误,而影响到 定位. I _J/ f 图3实验的行和列方向蓝色像素点统计 3基于宇符特征的车牌自动识别算法实现 按照良好特征的4个条件:可区别性,可靠性,独立 性和数量少来看字符,车牌字符完全符合以上4个条 件.车牌字符一般都是整个图像中最集中的区域,字符 简单而且变化少,满足可区别性和数量少的要求.另外 车牌上的字符区域与其他图像区域相比,大的色块比较 少,这样边缘比较突出,满足独立性和可靠性. 109 张明:车牌照自动识别算法研究 以字符为特征的识别系统流程相对色彩要复杂一 些.首先要对输入图像进行预处理,其次对图像进行二 值化,再次要削弱图像中背景和噪声的干扰,就可以得 到一个非常简单的二值图像,其中的1值点大部分是目 标点,最后只需要用类似于蓝色像素统计的办法统计出 1值点,再进行1次阈值判断就可以得到车牌的位置坐 标,从而完成识别. 3.1车牌识别算法实现过程分析 以上节中识别不成功的car3为例.首先对图象进 行预处理,将24位真彩图转化成256级灰度图.这样 不仅便于后续的图像快速处理,提高计算运行速度,而 且对多颜色图像进行了统一,避免了颜色造成的干扰. 按照现行的平均值法,灰度转化的原理是:g一 0.3R+0.59G+0.11B在Matlab中可以使用前面提到 过的图像的格式转化函数将RGB真彩图像转化成灰度 图像.如下所示: 1一imread(car3.JPg); I2=rgb2gray(I): 将图像二值化后,图像上只有0值和1值点.0值 多半为背景,1值中包含要寻找的字符特征,也有部分 景物干扰.二值化过程有效突出了图像中的边缘部分, 排除大部分背景干扰,达到突出目标的目的,同时也大 大降低了后续处理的工作量. Matlab为二值化过程提供了一个简便的函数 BW=im2bw(I,leve1),level是归一化的阈值,取值在 [0,1]之间,其取值直接关系到二值化的效果.图像中 灰度大于等于level/256(灰度/256)的像素在二值化后 置为1,反之,像素在二值化后被置为0.这样,如何选 取阈值level成了这一步的关键. 实践证明,合理选择阈值能够有效地将背景基本置 为0.Matlab提供了一个有效阈值计算函数grayth— resh,这个函数是根据Otsu方法,生成1个阈值,这个 阈值将使图像二值化后区域内部的元素差异最小. 在参考文献I-1-]中,也提供了一个计算阈值的经验 公式:丁一G…一(G一Gi)/3,T是阈值,G和G… 分别是图像中的最高,最低灰度值.本文选用这个经验 公式作为产生阈值的方法. 然后,再对图像进行削弱背景和噪声干扰处理.首 先对二值图像进行边缘检测,进一步去除背景的干扰, 然后针对噪声干扰多为独立点,而字符特征多为短竖线 这一特点进行中值滤波,过滤掉噪声. 在进行边缘检测时,常用的几种边缘检测算子是: Robert算子,Sobel算子,Prewitt算子,LOG算子和 Canny算子,其具体内容可参考相关文献. 经过实验比对,Canny算子最满足本文去除背景的 110 要求,因此在程序中选用的是Canny算子. Canny算子是根据着名的Canny三原则(信噪比 原则,定位精度原则,单边缘响应原则)结合获得的信噪 比与定位乘积之最优逼近算子,使用一阶导数的极大值 表示边缘.其基本思想是先将图像使用Gauss函数进 行平滑,再根据一阶微分的极大值确定边缘点.Canny 算子使用2个阈值来分别检测强边缘和弱边缘,当且仅 当弱边缘与强边缘相连时,弱边缘才会出现在输出中, 因此受噪声干扰较小,能检测到真正的弱边缘.边缘检 测后需要进一步去除噪声.因为字符多是一些短竖线 和短横线,而背景噪声很大部分是孤立噪声,因此,使用 中值滤波函数medfilt2就可以滤除主要噪声了.根据 前面的分析,这里中值滤波采用的模板窗口是一个9行 1列的竖线滤波窗口(medfilt2函数参数为[91]),这 样将过滤掉图像中非短竖线的部分,从而去掉噪声. 经过前面几步后,基本就可以获得一个比较”纯净” 的二值图像,在这个图像上的字符特征区域有比较密集 的”1”值点,还散布有少量残余背景和噪声也表现为”1” 值点.接下来采用统计的方法对”1”值点分别在行和列 方向进行统计,步骤几乎与采用色彩特征进行识别的统 计过程一致,区别只在于色彩特征要求统计阈值的是 256级的RGB范围,而这里只需判断是否为”1”. 确定车牌位置也于前面的色彩特征识别时确定位 置的过程一样,也是用1个阈值来判断是否”遇到”了特 征字符区域,然后确定4个坐标刻度,然后根据实验情 况对这4个刻度进行修正,最后准确地对车牌实现 定位. 3.2车牌识别效果及其原因分析 通过实验发现,基于字符特征的车牌自动识别技术 对于car1.jPg和car3.jPg都具有良好的识别效果,但 对于car2,jPg的识别却发生错误,识别对象变成了右 后视镜. 分析错误的原因发现,当car2.jPg转为灰度图时 就已经出现错误的隐患了,车牌部分已经几乎和周围的 背景完全混在一起,如图4所示.再转换为二值图像, 车牌部分完全成了黑色,也就是没有任何”1”值点,字符 特征已经完全被附近的背景所掩盖,导致错误发生,如 图5所示. 一 . 一 鸯叠i—.晶j盈一.誓====昌-/汹?蓄?,\. —??—_— 图4car2.jPg转换为 灰度图像 图5灰度图像转换成 二值图像 2008年第22期第285 分析car2和carl以及car3的区别,可以发现car2 图像中,字符区域字符的特征不明显,而且字符的颜色 和周围背景的颜色很接近;另外车牌区域和周围区域的 颜色对比度很大,导致在转换为灰度图像时,车牌区域 相对周围区域灰度级太低,在二值化时被判决为”0”区 域,即被判决为背景,导致识别失败.这个问题在本算 法中无法避免,在实际运用中必须运用其他识别方法辅 助进行来解决. 4结语 利用Matlab作为工具,结合汽车牌照识别,本文对 数字图像中的目标识别技术进行一定的研究.在前人 的工作基础上,提出2种分别基于色彩和字符特征的车 牌识别算法.两种算法都简单易行,各有所长,并有所 优化选择.由于客观条件及时间的限制,这两个车牌自 动识别算法尚不成熟,在以下几个方面还有一些问题需 要解决: (1)解决原始图像来源不同导致的图像质量差异 问题,或者从算法上抑制这些差异造成的影响; (2)改进算法,解决相近色彩干扰问题,解决循环 统计计数问题; (3)进一步提高算法的普遍性,给算法增加一些可 选分支,使得算法能适应多种识别需求. 这些问题还需要在后续研究中进一步提高和完善. 参考文献 I-1]何斌,马天予.数字图像处理[M].2版.人民邮电出版社, 2003. [2]王耀南,李树涛,毛建.计算机图像处理与识别技术[M].北 京:高等教育出版社,2001. [3]廖佩朝.自动目标识别器的发展现状及应用分析EJ].红外 与激光技术,1992(2):1—2. [4]李弼程,彭天强,彭波,等.智能图像处理技术[M].北京:电 子工业出版社,2004. [5]闻新,周露,张鸿.Matlab科学图形构建基础与应用[M].北 京:科学出版社,2002. [6]容观澳.计算机图像处理[M].北京:清华大学出版社,2000. [7]赵雪春,戚飞虎.基于彩色分割的车牌自动识别技术[J].上 海交通大学学报,1998,32(10):4—9. [8]张炜,王庆,赵荣椿.汽车牌照的实时分割算法[J].西北工 业大学学报,2001,19(1):35—37. [9]清源计算机工作室.Matlab6.0高级应用——图形图像处 理[M].北京:机械工业出版社,2001. [1o]郭亚,王水波.基于灰度图像的车牌定位算法研究与实现 [J].现代电子技术,2008,31(2):137—139. [11]陈轩飞,陈志刚.车牌字符的预处理研究[J].现代电子技 术,2005,28(2):63—65. (上接第107页) 能得到准确的分割结果,无法应用在光照系统比较复杂 的带钢检测环境.因此本文针对这种情况,提出基于曲 面拟合的图像分割算法来克服照度不均的对缺陷分割 带来的影响.实验表明,该方法对于分割受光照影响的 带钢缺陷图像,效果良好. 参考文献 [1]章毓晋.图像分割[M].北京:科学出版社,2001. [2]1waoSekita,TakioHurita,Notsu,eta1.AThresholding MethodUsingtheMixtureofNormalDensityFunctions [A].Proc.ofInter.SymposiumonSpeech,ImageProcess— ing,andNeuralNetWorks[C].HongKong:IEEE,1994:304 — 307. I-3]张永平,郑南宁,赵荣椿.基于变分的图像分割算法[J].中 国科学(E辑),2002,32(1):133—144. [4]郑毅,刘上乾.利用变分的平面网格图像自适应分割算法 口].光电工程,2006,33(3):36—39. [5]刘鼎元,赵玉琦,詹廷雄,等.Bezier曲线和B样条曲线光顺 拟合[J].计算数学,1984(4):360—365. [6]高阳,李言俊.非均匀背景下的红外图像曲面拟合分割[J]. 光电工程,2006,33(7):83—88. [7]曹利新,游洪,王晓明,等.面向截面测量数据B样条曲面光 顺拟合及其精度计算[J].大连理工大学学报,2003,43(3): 320—323. [8]WoodeardCD.SkinningTechniquesforInteractiveB— splineSurfaceInterpolati0n口].CAD,1988,20(8):441— 451. [9]施法中.计算机辅助几何设计与非均匀有理B样条[M].北 京:北京航空航天大学出版社,1994. [-10]陈元琰,张睿哲,吴东.计算机图形学实用技术[M].2版. 北京:清华大学出版社,2007. 作者简介禹建东男,1981年出生,陕西人,硕士研究生.主要研究方向为图像处理. 孔月萍女,1965年出生,重庆人,副教授,西安电子科技大学博士生.主要研究方向为图形图像 处理,网络数据库. 111