车牌识别系统的设计与实现.docx

车牌识别系统的设计与实现.docx

《车牌识别系统的设计与实现.docx》由会员分享，可在线阅读，更多相关《车牌识别系统的设计与实现.docx（8页珍藏版）》请在冰豆网上搜索。

车牌识别系统的设计与实现

邮局订阅号:

/年技术创新

模式识别

PLC技术应用200例》

车牌识别系统的设计与实现

DesignandRealizationofLicensePlatesRecognitionSystem

（广东女子职业技术学院

谢盛嘉梁竞敏

XIESheng-jiaLIANGJing-min

摘要:

汽车牌照自动识别系统是制约道路交通智能化的重要因素,包括车牌定位、字符分割和字符识别三个主要部分。

本文首先确定车辆牌照在原始图像中的水平位置和垂直位置,从而定位车辆牌照,然后采用局部投影进行字符分割。

在字符识别部分,提出了在无特征提取情况下基于支持向量机的车牌字符识别方法。

实验结果表明,本文提出的方法具有良好的识别性能。

关键词:

车牌定位;字符分割;车牌识别;支持向量机中图分类号:

TP391.4文献标识码:

A

Abstract:

TheVehicleLicensePlateAutomaticRecognitionSystemplaysanimportantroleinintelligentcontrolofmoderntraffic.Itconsistsofthreesteps:

licenseplatelocating,charactersegmentationandcharacterrecognition.AmethodofLicenseplatelocatingisproposed,whichfindoutthehorizontalandverticallocatingoftheLicenseplate.Alocalprojectionmethodisusedtosegmentchar-acter.AtLast,aLicensePlateRecognitionmethodbasedsupportvectormachinesisproposed.Theexperimentresultsshowthegoodperformanceoftheproposedalgorithm.

Keywords:

Licenseplatelocating;Charactersegmentation;LicensePlateRecognition;Supportvectormachines

文章编号:

1008-0570（201001-1-0165-03

1引言

车辆牌照在交通系统管理中有着重要的作用,通过它可以检索车辆的各项重要信息,实现车辆控制、运输安排、停车管理、自动收费、事故处理等功能,从而给交通系统的自动管理提供极大的方便。

车牌识别系统包括车牌定位、字符分割和字符识别

三大部分。

车牌定位是车牌识别系统中最关键、

最难解决的一步,对车牌识别系统的识别精度有重要的影响。

然而,由于车牌背景的复杂性与车牌特征的多样性,迄今为止,仍没有一个完全通用的智能化车牌定位方法。

字符的识别方法总结起来主要有:

神经网络分类器识别字符、外围轮廓匹配、投影序列特征匹配、外围轮廓投影匹配、基于Hausdorff距离的模板匹配。

但由于这些匹配计算量大,速度较慢,对于车牌识别系统实时、快速的特性,不能满足要求。

字符识别受车牌图像噪声及分割等因素的影响,识别率一直不能达到较高的准确率。

由于我国国情的不同,车牌形式多种多样,到目前为止还没有一个完善的车牌识别算法。

本文依据二值化图像中车牌区域跳变频率高的事实,提出一种算法来确定车辆牌照在原始图像中的水平位置和垂直位置,从而定位车辆牌照。

采用局部投影进行字符分割。

在字符识别部分,提出了在无特征提取情况下基于SVM的车牌字符识别方法。

实验结果表明,本文提出的方法具有良好的识别性能。

2车牌定位

2.1图像预处理

车牌不可避免的存在噪声,而且由于车牌识别系统在室外

24小时工作,光照度大范围变化,也存在光照不均,亮度太低、

对比度太小等情况,这些都会降低系统的字符识别率,因此需要采

取去噪,光照不均校正和对比度增强等措施。

本文应用中值滤波滤除噪声,通过低通滤波获得图像背景的照度估计,再从原始图像中减去此照度来校正光照不均,然后通过对比拉伸变换增强对比度,图2是图1经过中值滤波后的结果。

图1原图图2中值滤波后2.2车牌定位

在车牌定位算法中,根据车牌区域的灰度分布特性,并结合车牌的先验知识,应用二值化后车牌区域跳变频率高的方法来进行车牌区域定位。

车牌的先验知识有:

国家对牌照执行统一的标准,因而具有统一规格的尺寸;由于拍摄角度和位置固定,摄像头与汽车的距离固定,因而摄入的图像具有固定比例的大小。

2.2.1车牌的上下边界定位。

检测汽车图像横向扫描线上相邻两个像素值的变化次数,因为牌照中至少有7个字符,每个字符边缘对应的跳变次数至

少有两次,所以牌照区域内横向扫描线上至少应该有14次

“0”、“255”之间的跳变;并且针对具体的拍摄条件,车牌宽度、长度所占的横向扫描线数量范围可由先验统计获得。

检测满足相应跳变次数的相邻横向扫描线的数量范围,也就是宽度范围,实现车牌的上下边界定位。

2.2.2车牌的左右边界定位

在实现车牌上下边界定位后,采用矩形窗口搜索的方法来确定车牌的左右边界。

矩形窗口的大小就是车牌图像在采集图像中的大小,由拍摄图像经过统计后获得。

矩形窗口中横向扫描

谢盛嘉:

讲师硕士

165--

技术创新

《微计算机信息》（测控自动化2010年第26卷第1-1期

元年邮局订阅号现场总线技术应用200例》模式识别

线上跳变次数大于14次的行数占总行数的比值定义为变量S,

矩形窗口找到车牌图像时的阈值定义为M,M最初赋值为0.9,

因为当矩形窗口找到车牌图像时,其符合度高,所以取值为0.9。

程序从第一列开始,以车牌长度作为搜索窗口的长度,在此窗口

内进行横向扫描,统计其横向扫描线上跳变次数大于14次的行

数,计算S,如果S小于M,则认为没有找到车牌区域,从下一列

开始选取矩形窗口,按同样的方法运行,当S大于M时,记录此

时矩形窗口的位置,判断是几个矩形窗口,如果是一个,就认为找

到了车牌区域,记录下此时的窗口所在的列,就是车牌的左右边

界,如果不是一个矩形窗口,就增大M值,重新进行搜索,直到找

到一个为止。

如果以最初的M值运行,没有找到一个符合条件

的矩形窗口,则减小M值,直到找到一个为止。

由于在上下边界

定位的基础上进行左右边界定位,需要搜索的区域减小了,从而

提高了检测的速度。

图3是图1车牌的定位结果。

图3车牌定位结果

3字符分割算法

3.1二值化分割

由车牌定位得到的车牌字符图像一般为彩色图（如图4或

灰度图,为方便后面的字符分割和识别要先对图像进行二值化

处理,二值化的好坏直接影响到后续的操作。

这里采用局部

OTSU聚类法确定阈值,将车牌图像二值化,二值化结果如图5

所示。

图4彩色车牌图5车牌二值化的结果

3.2车牌的倾斜校正

由于道路的坡度、车牌的悬挂、摄像头与车牌之间存在倾

斜角度等影响,使得拍摄到的车牌图像产生了倾斜,给字符分割

和识别造成困难。

因此,需要在字符分割之前进行车牌的倾斜校

正。

本文采用Hough变换的方法进行车牌倾斜校正,通过

Hough变换求取车牌的边框参数后,进而确定车牌区域四个顶

点的坐标,然后通过双线性空间变换对畸变图像进行校正。

校正

结果如图6所示。

图6车牌校正结果图7字符分割结果

3.3基于局部垂直投影的字符分割

所谓局部垂直投影,就是选取车牌区域的局部进行投影,

比如车牌的上3/4区域,下2/3区域等等。

适当选取局部候选区

域,可以避开由水平边框或者其他噪声引起的字符粘连,从而准

确地分割出车牌字符,经过局部垂直投影分割后的效果如图7所示。

局部垂直投影的具体算法如下所述:

1对经过预处理去噪的车牌图像进行整体垂直投影,如果子图像块的宽度介于预先设定的阈值a,b之间（a,b的推荐值分别为5和28,说明分割正确,返回。

2宽度小于a的子块予以舍弃,对宽度大于b的子块利用上3/4区域垂直投影进行再分割,如能正确分割,则返回。

3利用下3/4区域垂直投影进行再分割,如能正确分割,则返回。

4利用上2/3区域垂直投影进行再分割,如能正确分割,则返回。

5利用下2/3区域垂直投影进行再分割,如能正确分割,则返回。

6利用上1/2区域垂直投影进行再分割,如能正确分割,则返回。

7利用下1/2区域垂直投影进行再分割。

4基于支持向量机的车牌字符识别4.1支持向量机

支持向量机（SVM是一种新的机器学习方法,SVM最初是针对模式识别中线性可分两类分类问题提出来的。

所谓两类分类问题,即根据给定的训练集（其中,是输入,是输出,即类别,找到一个实值函数g（x,使得分类决策函数能够正确地将上的点分成两部分。

如果函数g（x为线性函数,即（其中为权向量,b为阈值,则该分类问题为线性可分的,并称为分划超平面方程。

SVM要求找到的分划超平面不仅能将两类样本正确分开,还要使分类间隔最大,这样的分划超平面称为最优分划超平面。

这样将两类分类问题转化为原始最优化问题:

（1根据对偶原理,可以将上述最优化问题转换为其对偶问题:

（2求解对偶问题得到最优解

（3再由对偶问题的解得到原始问题的最优解

（4在选择的任意一个正分量计算

（5则其最优分类函数为

（6对偶问题的最优解中每个分量均与一个训练样本点相对应,因此最终得到的最优分类函数只与对应的样本有关,对应的样本输入称为支持向量。

4.2字符识别

二值化后的车牌图像通过字符分割得到单个字符,经过归一化变为16×16像素的字符点阵。

实验结果表明,16×16的字符--

邮局订阅号:

/年技术创新

模式识别

PLC技术应用200例》

点阵在保持车牌汉字基本特征的情况下,减少了计算量,加快了识别速度。

基本的支持向量机仅能解决两类分类问题。

为实现利用SVM进行多类分类,本文将多类识别问题转化为二类识别问题来解决。

即每个分类器只将一个汉字与其余汉字区分开,训练样

本中该汉字对应的y值为+1,其余样本对应的y值为-1。

对于每个分类器,首先确定使用的核函数K,将训练样本值带入优化函数中,求出最优解以及非零值对应的支持向量,并根据支持向量求出权向量和阈值,从而得到本分类器的分类决策函数。

依此类推,分别求出所有汉字对应的分类决策函数。

同理可以得到数字和字母的分类决策函数。

由于车牌字符识别系统将识别34个汉字,因此需要建立34个二分类器。

字母25个,因此必须建立25个二分类器,数字

10个,所以建立10个数字二分类器。

为提高识别速度,降低识别系统的复杂度,不直接对输入字符进行特征提取,将16×16的字符矩阵转换成256维的行向量,直接作为每个分类器的输入。

字符识别时将输入送到每一个分类器,然后循环检查所有分类器

的输出。

若某一分类器的输出值为1,则认为输入的车牌字符为该类所对应的字符;若所有输出值均不为1,则拒绝识别该字符。

5实验结果

本文选取Gauss径向基为SVM核函数（,实验车牌图像来源网上和我们自己拍摄的车牌,共300幅样本图像,取200幅作为训练样本,选取其中的数字200个（每个数字

各20个、

字母300个（每个字母各12个、汉字200个进行分类器的设计,剩下的100幅样本图像作为识别样本,为了对比识别率,分别利用BP网络和模板匹配法进行车牌汉字字符识别对比实验。

利用BP网络进行字符识别时,该BP网络采用了3层结构,其中输入层有256个神经元;第2层15个,输出层34个;利用模板匹配法进行字符识别时,采用传统的标准模板进行匹

配。

为了对比效果,同样无特征提取,并采用了与SVM识别方案相同的字符预处理以及相同的训练集和测试集进行实验,结果如表1所示。

表1三种汉字字符识别算法的对比实验结果

实验表明,在相同的条件下,模板匹配法的识别率较低,并且模板匹配法抗干扰能力较差。

对于测试样本,SVM分类器表现出明显的优势,识别的正确率提高了9.9%。

因此,SVM具有很好的分类推广能力。

6结论

本文创新点:

提出一种新的算法定位车辆牌照,采用局部投影进行字符分割,提出基于SVM的车牌字符识别方法。

实验结果表明,该方法具有较好的性能。

参考文献

[1]余棉水,黎绍发,陈智斌.车牌自动识别技术的研究[J].机电工程技术,2003,32（1:

55-56.

[2]袁宝民,于万波,魏小鹏.汽车牌照定位研究综述[J].大连大学学报,2002,23（2:

6-12.[3]胡乃平,王丽.一种改进的BP算法及其在车牌识别中的应用[J].微计算机信息,2006,9:

313-315.

[4]MShridhar,etal.LicenseplaterecognitionusingSKIPSM[A].MachineVisionandThreeDimensionalImagingSystemsforIn-spectionandMetrology,ProceedingsofSPIE,2001,72-79.

[5]汪国有,邹玉兰,凌勇.基于显著性的OTSU局部递归分割算法[J].华中科技大学学报,2002,30（9:

57-59.

[6]WenCY,YuCC,HunZD.A3-Dtransformationtoimprovethelegibilityoflicenseplatenumbers[J].JournalofForensicSci-ences,2002,47（3:

578-585.

[7]赵秀娟.基于支持向量机的车辆自动分类方法[J].公路交通科技,2003（10:

108-110.

作者简介:

谢盛嘉（1975-,男（汉族,硕士、讲师,主要研究方向:

计算机网络、计算机应用、人工智能与模式识别;梁竞敏（1974-,男（汉族,硕士、讲师,主要研究方向:

计算机应用、企业信息化管理、图像检索与模式识别。

Biography:

XIESheng-jia（1975-,male（Hanethnic,Master,Lecturer,Researcharea:

Computernetwork,Computerapplica-tion,Artificialintelligenceandpatternrecognition.

（511450广东女子职业技术学院艺术设计与信息技术系谢盛嘉

梁竞敏

（DepartmentofArtsDesignandInformationTechnology,GuangdongWomen’sPolytechnicCollege511450,ChinaXIESheng-jiaLIANGJing-min

通讯地址:

（511450广东女子职业技术学院艺术设计与信息技术系谢盛嘉

（收稿日期:

2009.02.16（修稿日期:

2009.05.16

（上接第175页

[4]CafferyJJ.WirelessLocationinCDMACellularRadioSystems[M].KluwerAcademicPublishers,1999.

[5]TorrieriDJ.StatisticalTheoryofPassiveLocationSystems[J].IEEETrans.Aerosp.Electron.Syst.,1984.20（8:

943-956.

[6]HuangY,BenestyJ,ElkoGW,etal.Real-timePassiveSourceLocalization:

Apracticallinearcorrectionleast-squaresapproach[J].IEEETrans.SpeechAudioProcess.,2001,9（8:

943-956.

[7]SchauHC,RobinsonAZ.PassiveSourceLocalizationEmploy-ingIntersectingSphericalSurfacesfromTime-of-ArrivalDiffer-ences[J].IEEETransactionsonAcoustics,Speech,andSignalPro-cessing,1987,35（8:

1223-1225.

[8]WadeH.FoyPosition-LocationSolutionsbyTaylor-SeriesEsti-mation[J].IEEETrans.AerospandElectronicSystem.1976.vol.12（2.187-193

[9]斐伟温小云王勤民CDMA移动定位技术[J].微计算机信息.2006,1-3:

208-211.

作者简介:

李沁（1983-,男（汉族,四川省泸州市人,四川大学计算机系硕士研究生,主要研究领域为空管系统、图形图象。

Biography:

LIQin（1983-,male（Hanethnic,SiChuanProvince,SiChuanUniversityComputerSciencegraduatestudent,majorinATCsystem&GraphicImages.

（610064四川成都四川大学计算机学院李沁靳建平

（CollegeofComputerScience,SiChuanUniversity,ChengDuSiChuan610064,ChinaLIQinJINJian-ping

通讯地址:

（610064四川成都四川大学计算机学院李沁

（收稿日期:

2009.01.10（修稿日期:

2009.04.10

167--