车牌识别系统的设计文献综述

车牌识别系统的设计文献综述（机电科学与工程系电气工程及其自动化）摘要：车牌的自动识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究课题之一,是实现交通管理智能化的重要环节,主要包括车牌识别、字符预处理和特征提取三个关键环节。车牌识别包括车牌定位、灰度（或彩色）图像二值化、字符切分及字符识别等。图像预处理包括图像灰度变换、图像增强、图像二值化、梯度锐化、噪声去除、倾斜度调整、车牌边框去除、字符分割、尺寸标准归一化、紧缩重排。特征提取本文采用逐象素特征提取法来对支付进行识别。理论上，本系统可以对中国大陆普通汽车车牌的字符进行识别。关键词：车牌识别，图像预处理，特征提取前言近几年来，随着汽车数量猛增，交通运输系统越来越智能化，这时候行驶车辆的车牌实时识别尤其是交通运输研究的重要组成部分。车牌识别系统是对公路上配置的摄像头拍摄的照片进行数字图像处理与分析，综合应用于大量的图像处理与分析，利用多种手段以提取车牌区域，进而达到对汽车牌照的精确定位并最终完成对汽车牌照的识别。识别系统的用途很多，如高速公路电子收费站、公路流量控制、公路稽查、失窃车辆查询等需要车牌认证的场合都要应用车牌识别系统，尤其是高速公路收费系统中，实现不停收费技术可提高公路系统的运行效率，由此可见车牌识别系统具有不可替代的作用，因此对车牌识别技术的研究和应用系统的开发具有重要的现实意义。正文2.1模式识别概述模式识别在数字图像处理和分析中占有非常重要的地位，识别所得到的结果往往接近于甚至就是整个数字图像处理和分析的最终结果。模式识别属于图像分析的范畴，它所得到的结果是一副由明确意义的数值或符号构成的图像或图形文件，而不再是一副具有随机分布性质的图像。模式识别的目的是对图像中的物体进行分类,或者可以说找出图像中有哪些物体。分类的依据是从原始图像中提取的不同物体的特征，包括光谱特征、空间纹理特征和时间特征等。因此，模式识别包括特征提取和分类两方面的内容。2.2数字图像及数字图像处理一般的图像都是模拟图像，即图像上的信息是连续变化的模拟量。对于这种模拟图像只能采用模拟的处理方式进行处理，计算机不能接受和处理模拟信号，只有将图像在空间和灰度上都离散化为数字信号后，或者说将模拟图像变换为数字图像方能接受，而数字图像是将连续的模拟图像经过离散化处理后变成计算机能够辨识的点阵图像。1.位映射图像——即位图图像，它是每一个栅格内不同颜色的点来描述图像属性的，这些点就是常说的像素。位图图像的分辨率不是独立的，因为描述图像的数据是对待特定大小栅格中的图像而言的，因此，编辑位图会改变它的显示质量，尤其是缩放位图，会因为图像在栅格内的重新分配而导致图像边缘粗糙。在比位图图像本身的分辨率低的输出设备上显示位图也会降低图像的显示质量[3]。2.矢量图像――指用包含颜色和位置属性的直线或曲线（即称为矢量）来描述的一种图像。定义图像上对象的变化和对象与其他对象的关系对计算机来说简单的，所有这些变化都不会影响到图像中的其他变化。数字图像处理是一门关于如何使用计算机对图像进行处理的学科，就是对图像信息进行加工以满足人的视觉心理或者应用需求的行为。它是使用计算机加工处理图像，通过各种算法来实现对图像内容处理。它通常有一个微型、小型、大型计算机与图像处理机或有一个专用计算机来执行。2.3系统的设计2.3.1系统总流程图图2.3.1系统总流程图预处理部分流程图图2.3.2图像预处理流程2.3.2车牌定位汽车牌照识别是实现智能交通系统的关键技术。其核心技术在近年来取得了飞速的发展。例如,偷窃车辆的跟踪,控制停车场车辆的进入,地段通行的限制等等。但在识别正确率及系统稳定性方面仍有待提高,仍然是一个研究热点。在CLPR系统中,主要分车牌定位、字符切分和字符识别三部分,其中车牌定位是整个系统的关键所在,定位正确率将大大影响整个系统的最终识别性能。2.3.3汽车牌照自动识别关键技术包括车牌定位、灰度（或彩色）图像二值化、、字符切分及字符识别等。图1汽车图像图2蓝色像素点行方向统计图3行方向的车牌区域图4列方向上的蓝色像素点统计图5分割出的完整的车牌区域根据车牌底色的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域。下面以蓝底白字车牌区域为例说明彩色像素点统计分割方法。CCD摄像头拍摄的头像一般为RGB彩色图像（如图1），确定车牌底色（蓝色）RGB对应的各自灰度范围，然后行方向上统计此颜色范围内像素点数量如图2，设定合理阈值，确定车牌在行方向上的合理区域如图3。然后，在分割出的行区域内，统计列方向蓝色像素点的数量如图4，最终确定的完整车牌区域如图5。评价衡量车牌定位方法性能的主要指标是定位分割精确率和算法的灵活性。目前还没有哪种算法能满足各各种性能要求:适用于不同拍摄地点、拍摄角度、不同环境气候和光照强度的汽车图像。不同环境气候和光照强度的汽车图像具有不同的特性。由于主要由车灯给光,图像各区域的亮度分布极不均匀,因而车体颜色失真很大。2.3.4图像预处理1．图像灰度化汽车图像样本目前大都是通过摄像机、数码相机等设备拍摄获取的，因而预处理前的图像都是彩色图像。彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。由彩色转换为灰度的过程叫做灰度化处理。灰度图像就是只有强度信息而没有颜色信息的图像，存储灰度图像只需要一个数据矩阵，矩阵每个元素表示对应位置像素的灰度值。彩色图像的像素色为RGB(R，G，B)，灰度图像的像素色为RGB(r，r，r),R，G，B可由彩色图像的颜色分解获得。而R，G，B的取值范围是0~255，所以灰度的级别只有256级。2.图像二值化二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。车牌识别系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。二值化的阀值选取有很多方法，主要分为3类:全局阀值法、局部阀值法和动态阀值法。4.梯度锐化图像进行锐化处理使模糊的图像变的清晰，图像锐化的实质就是增强图像的边缘或轮廓，其锐化后的结果通过微分而使图像边缘突出、清晰。图像锐化的方法有两种:微分法和高通滤波法。5．去除离散的杂点噪声图像可能在扫描或者传输过程中夹带了噪声，去噪声是图像处理中常用的手法。通常去噪声用滤波的方法，比如中值滤波、均值滤波。但是那样的算法不适合用在处理字符这样目标较长的图像中，因为在滤波的过程中很有可能会去掉字符本身的象素。6．图像的倾斜矫正及边框的去除图像的倾斜矫正使得字符都处于同一水平位置，那样即便利字符的分割也可以提高字符识别的准确率。调整的算法主要是根据图像上左右两边的黑色象素的平均高度来的。具体来说，首先要分别计算图像左半边和右半边的象素的平均高度，然后求斜率，根据斜率重新组织图像，里面包含了一个从新图像到旧图像的象素的映射。如果新图像中的象素映射到旧图像中时超出了旧图像的范围，则把新图像中的该象素置白色。由于车牌上下边框的干扰对车牌的分割非常不利，因此，必须去除车牌的上下边框。为了不受上下边框的干扰，我们采用的行扫描方法是由车牌高度的上面1/3处往上扫描，车牌高度的下面1/3处往下扫描。7．图像的归一化处理因为扫描进来的图像中字符大小存在较大的差异，而相对来说，统一尺寸的字符识别的标准性更强，准确率自然也更高，标准化图像就是要把原来各不相同的字符统一到同一尺寸，在系统实现中是统一到同一高度，然后根据高度来调整字符的宽度。2.3.5特征提取经过图像预处理后，分布不规律的各个字符变成了一个个大小相同，排列整齐的字符。下面就要从被分紧缩重排后的字符中，提取最能体现这个字符特点的特征向量。将提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练，提取出待识别的样本中的特征相量代入到训练好的BP网络中，就可以对字符进行识别。可以分为以下几种方法：1．逐象素特征提取法这是一种最简单的特征提取方法，对图像进行逐行逐列的扫描当遇到黑色象素时取其特征值为1，遇到白色象素时取其特征值为0，这样当扫描结束以后就形成了一个维数与图像中象素点的个数相同的特征向量矩阵。2．骨架特征提取法两副图像由于它们的线条的粗细不同，使得两幅图像差别很大，但是将它们的线条进行细化以后，统一到相同的宽度，如一个象素宽时，这时两幅图像的差距就不那么明显。利用图形的骨架作为特征来进行数码识别，就使得识别有了一定的适应性。3．垂直方向数据统计特征提取法这种特征提取方法的算法就是自左向右对图像进行逐列的扫描，统计每列的黑色的象素的个数，然后自上而下逐行扫描，统计每行的黑色象素的个数，将统计结果作为字符的特征向量，如果字符的宽度为w，长度为h，则特征向量的维数是w＋h。总结综上所述，可见车牌识别技术在智能交通系统发展中所占的重要地位，而随着社会经济的快速持续发展，车辆数目增长迅猛，道路交通运输日益繁忙，使得交通拥堵和交通事故成为城市交通中颇受困扰的突出难题，日益严重的交通状况更让人们重视交通道路交通运输系统的管理和监控技术的开发，车牌字符识别技术便越来越受到人们的关注。现在车牌字符识别的研究在技术上已经取得了很大的突破，但是距离实用化要求还有一定距离，许多新方法还仅停留在理论上或者受到约束限定，车牌字符识别的研究仍然还有很长的路要走。致谢通过努力查找文献和与同学研究实验，我的文献综述终于完成了，通过完成这一课题，是我在学习上和思维上都受益匪浅，这除了自身的努力外，与各位老师、同学和朋友的关心、支持和鼓励是分不开的。再次尤为感谢刘长荣，郑玉才，王宽和王枫等系部专业老师给予的指导。本设计由于时间仓促及水平有限，难免会有不当甚至错误之处，敬请老师给予批评和指正。参考文献[1]陆福宏.车牌识别技术在智能交通系统中的应用[J].中国科技博览,2010(12):302.[2]霍宏涛.数字图像处理.北京：机械工程出版社，2003年[3]高守传,姚领田.VisualC++实践与提高－数字图像处理与工程应用北京：中国铁道出版社，2006年[4]四维科技，胡小锋，赵辉.VisualC++/MATLAB图像处理与识别案例精选.北京：人民邮电出版社，2004年[5]史忠科,左奇一.一种基于数学形态学的实时车牌图象分割方法[J].中国图象图形学报.2003,8(3):281-285.[6]谷志超，孙季丰;;复杂背景下的车牌定位与快速分割算法[A];第十三届全国图象图形学学术会议论文集[C];2006年[7]江翠元;汪正祥;王祥虎;;基于数学形态学的车牌定位系统[A];第九届全国信息获取与处理学术会议论文集Ⅰ[C];2011年[8]杨焯砚;徐益君;张俊如;;车牌识别算法的研究和实现[A];2009年中国高校通信类院系学术研讨会论文集[C];2009年[9]李树广;吴舟舟;罗小伟;;基于边缘统计和颜色特征的车牌综合自动定位方法[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年[10]杨琳;赵建民;朱信忠;;复杂背景下的多车牌的定位方法[A];2006年全国理论计算机科学学术年会论文集[C];2006年[11]赵建民;朱信忠;殷建平;徐慧英;;基于特征提取和BP神经网络相结合的车牌字符识别技术[A];2005年全国理论计算机科学学术年会论文集[C];2005年[12]智斌,黎绍发,余棉水.车辆牌照定位算法研究[J].微型电脑应用,2006,27(21):4059-4059.[13]余章明.数字图像增强中灰度变换方法研究[J].电子质量,2009(6):18-20.[14]黄涛.数字图像的增强[J].肇庆学院学报,2004,25(2):23-24.[15]冈萨雷斯.数字图像处理[M].北京:机械工业出版社,[16]杨淑莹.图像模式识别:VC++技术实现[M].北京