车牌识别系统：基于计算机视觉的机动车车牌识别系统

**计算机系统的介绍

文章目录

• • 一 概要
• 二、基于计算机视觉的车牌识别系统
• • 一、检测方式
  • 二、牌照定位
  • 三、字符识别
• 三、系统的功能模块
• 四、 四川省机动车车牌识别结果
• • ①图片选取
  • ②车牌定位
  • ③预处理结果
  • ④分割结果
  • ⑤车牌识别结果
• 五、 结论

一 概要

车牌识别中计算机的视觉又发挥了很大的作用,计算机视觉让计算机从数字图像或视频中获得高水平理解。以机动车车牌的识别为主要目的,其主要目的为研究机动车的车牌自动识别,整个过程分别为预处理、以及边缘、车牌定位、最后为字符分割和字符识别,并且用MATALAB软件编程以此来实现其中的每个功能,用以识别机动车的牌照。在解决问题实现功能的同时,对已经出现的问题进行相应的分析与处理,处理问题的同时找出汽车牌照识别更优的办法[2]。
各式各样的识别开始走入我们的日常生活给我们带来便利。随着近年我国经济的腾飞，我国对构建智能化交通也提出了新的需求，能否满足我国繁荣发展的交通系统，既是对基于计算机视觉的机动车车牌识别系统的一个考验，也是对基于计算机视觉的机动车车牌识别系统的一个发展契机。在高速路上，基于计算机视觉的机动车车牌识别也发挥着巨大的作用。主要由三个模块：首先是识别，24小时不断的通过监控点位进行车牌识别，如遇到有异常记录的车牌信息，交警公安需要协查车牌的详细信息；其次是识别，即雷达测速；最后则是传输数据[3]。新一轮的高速公路智能化改造已经出现了新的曙光，未来谁能够提供优质且高效的处理方式以及车水马龙的通车环境，谁就可以赢得机动车的迅速增长带来的巨大的经济收益;谁能率先选用更加智能的交通技术服务，谁就能在四通八达现代化交通处理中抢占先机运筹帷幄。如此来看，基于计算机视觉的机动车车牌识别系统有极其广泛的市场运用前景，其澎湃的且迅速的发展，也一定将会在未来的高速公路智能创造新的中国奇迹。

二、基于计算机视觉的车牌识别系统

一、检测方式

车辆检测方式涌现许多方法，比如我们生活中常见的几种方式，比如采用埋设地线圈检测、雷达检测、视频检测等多种方式。现如今最常用且应用最广泛的的就是视频监测，无论是路边随处可见红绿灯上的摄像头，还是高数路上的违法记录拍照仪，都是采用视频检测。而视频监测能应用如此广泛的原因有以下几点：视频监测的架设不用避破坏路面，架设简单，稳定的输出信息，而且它更适合移动式、便携式应用的要求[12]。
视频检测的第一步是通过摄像机对经过的车辆进行拍摄,接下来将拍摄的视频进行转换，将视频转换为一帧一帧的信号，系统继续对视频信号中的一帧的信号进行图像的采集,完成对图像数字化,对数字信号进行处理分析,判断信号中是否有机动车;若认为有机动车通行,则进入到下一步进行牌照定位;否则继续采集视频信号[13]。
一个优秀的数据处理方法，可以轻松的完成该系统对视频机动车辆的检测,若是数据处理速度慢,则可能会直接致使视频机动车图像丢帧,系统将会难以准确地检测得到正常行驶和驾驶速度较快的机动车,影响该系统对机动车辆的信息识别效果。所以我们就需要做到在基本没有丢帧的前提下才能实现对图像的采集和处理。这对机动车的处理速度和算法都来说是一个考验,所以,将视频机动车的检测和机动车自动识别技术相结合会具有一定的技术困难[14]。不断的提升设备的处理速度不断的完善算法将会是视频监测的一个重要研究方向。

二、牌照定位

在各种各样的天气环境以及不同地区的自然环境下,汽车图像有着不同的变化,导致了机动车车牌的背景复杂,在天气不好的时候光照不均匀,或者在极端条件下甚至车牌难以观察。如何准确地在复杂多变的自然环境中确定机动车牌照的识别区域,是整个标识过程中重中之重。首先我们需要通过采集得到的机动车视频图像进行完全的检测和搜索,以此来寻找出适合机动车辆所有牌照信息特征的若干个区域当作候选地点,接下来对这些被识别出来的候选地点区域进行做了进一步的分析,最后将我们会在其中选择一个被识别出来的最佳区域当作机动车辆的牌照信息区,将其从视频图象中进行分割和提取[15]。
我国各个地区的车牌具有许多不同的特征，主要包括纹理、形状、边缘和颜色特征等。纹理特征的不相同包括字符的宽度高度，以及笔画宽度大小；比如甚至许多机动车车牌字符的连通性等都有所不同；北京的车辆车牌上为“京”，而重庆车牌上是“渝”。形状特征包括车牌固定的宽高比、边缘特征包括车牌区域中包含的字符边缘信息；比如大型汽车为440mm×220mm，小型汽车为440mm×140mm，而农用运输车为300mm×165mm。颜色特征指的是车牌区域里字符颜色和底色所具有的固定搭配，如地方警务人员为白色车牌，教练车以及集装箱挂车车牌为黄色还有蓝
色的车牌。我国的相关的学者在深入研究分析这些特征的基础上，也提出了多种车牌定位算法[16]。到目前为止，根据采用的车牌特征的不同，车牌定位算法可分为以下几种:
①基于频谱特征的定位算法
首先将图像转换，在另一个层面中完成重构,利用机动车车牌其特有的特征找出机动车的车牌区域并提取出车牌。利用小波变换原理完成对车牌进行定位,小波变换这种算法优点是具有较高的准确率,缺点是容易因为拍摄距离较远或较近时,使得在识别时会定位产生误差较大,且由于小波变换[17]涉及的计算量比较庞大，而使得定位所以所耗时间也比较长。所以该算法应用的范围不是很广。
②基于边缘特征的定位算法
经过对车牌的特征了解后，已经有一些学者研究提出了一种能够通过利用车牌的边缘特征的边缘检测的算子，来对机动车牌中的字符边缘进行分离并检测,这种定位算法系统主要突出机动车牌区域的字符边缘信息,然后将其应用到边缘检测地图中的灰度特征信息来对车牌区域进行的定位。
由于车牌所在区域的灰度方差，边缘密度，这两个数据的有一个近似值相等，分析车牌的粗略部位,系统可以抓住这一特性从而进行精确定位,但这种方法也有一定的缺点，视角较大或距离较远时，使得通过边缘特征提取到的车牌纹理特征较少，而使得定位不准确。可以通过车牌上的号码和字符的数量的分布不同，可以对其进行定位。提取出车牌上的颜色和边框方向在计算机视觉上的差压,并结合车牌的边缘信息、像素跳变次数等特征确定车牌区域[18]
。
构建了一张车牌垂直区域的边缘图以后,车牌垂直区域的边缘性质特征和纹理性质的特点可以继续细化,完成粗略的定位，依照其条带窗口对粗定位区域继续进行更加细致深入的分析,在通过算法完成最后的精确定位。
③基于颜色特征的定位算法
我们都知道车牌的底色与字符是固定的,车牌的颜色特点也可以达到对车牌其定位的功能。在我们这个过程中,由于人的视觉系统对彩色十分敏感,而计算机视觉可以完成定位，区分出不同的车牌颜色,所以多种车牌定位算法在此基础上被提出[19]。
④综合多种特征的定位算法
在介绍了以上的三种算法后，不难发现利用单一的车牌特征进行车牌定位,可以解决特定环境的定位工作,但是但处于复杂环境和背景条件时,以上的定位效果不是很好。所以融合多种特征信息的车牌定位算法应运而生，这种定位方式不仅仅可以根据车牌的彩色信息差异,也可以将车牌图像转换为多级灰度图,进而找出车牌的候选区域,完成车牌的粗定位,然后利用车牌区域具有的长宽比特征和水平方向灰度跳变特征完成对车牌精定位。先利用车牌的颜色特征和形态学处理进行车牌的粗定位,然后利用Adaboost算法进行车牌精定位[20]。根据车牌的纹理特征、灰度特征进行车牌的粗定位，然后利用边缘投影信息进行车牌精定位，这种算法有着自适应性好、鲁棒性强的优点。所以这种定位方式作为最广泛、最全面、最稳定的应用方式。

三、字符识别

车牌文本和字符识别技术是目前实际应用于智能交通现代化汽车和智能交通系统中最为关键的一项技术,也是实际应用于车牌文本和字符识别系统中的一个至关重要的步骤,它的文本和字符识别功能将会直接地影响到整个车牌文本和识别系统的确定性。

三、系统的功能模块

基于计算机视觉的机动车车牌识别系统需要拥有车牌定位、字符分割和字符识别这三个功能模块，需要系统中
分别实现这三个模块的功能，本文的车牌识别系统功能框图如图2.2：

图2.2 车牌识别系统功能框图

四、 四川省机动车车牌识别结果

①图片选取

图4.1 图片选取

②车牌定位

图4.2 车牌定位

图4.3 车牌定位

③预处理结果

图4.4 预处理结果

④分割结果

图4.5 分割结果

⑤车牌识别结果

图4.6 车牌识别结果

五、 结论

本文提出的车牌算法主要由车牌定位、车牌预处理，车牌识别三大类技术。 车牌定位主要对我国国内现有的车牌的特点进行了分析，并根据车牌的特点分为近似定位和精确定位两部分对车牌进行定位操作。车牌的预处理主要对车牌的位置进行了校正、去除噪声和车牌字符分割操作。
车牌的识别方法介绍时，介绍了目前常用的基于不同特征的车牌定位算法，分析其车牌定位的主要思想和优缺点，总结了常用的不同类别的字符识别算法及其优缺点，并且对BP神经网络进行了详细的介绍，然后叙述了本文基于BP神经网络技术提出的车牌识别算法的详细步骤。虽然BP神经网络算法对车牌识别的准确率较高，降低了被识别图像的质量要求，这样使得该算法的应用环境更广。但是BP神经网络技术也有他的劣势，针对较为繁琐且数量比较多的数据采集进行收敛运算时，一旦需求快速进行数据收敛,就需要花费大量的时间精力去进行整体运算过程，还将要在其中的耗费一定的时间。故在使用时必须尽量去避免，选择较小的权值,整个训练就可以完整的进行一个成熟且稳定地车牌识别系统.一个可以持续稳定完成工作的基于计算机视觉的机动车车牌识别系统，需要足够识别速度以，高于百分之九十五正确识别率，而且稳定地后台管理体系也不可或缺。