车牌识别系统研究综述

发布时间: 2022-04-14 08:40:48 浏览：次

摘要：一个完整的车牌识别系统大致由车牌图像获取、图像预处理、车牌定位、字符分割和字符识别五部分组成。本文结合现实中光照、天气等因素造成的干扰，针对每项技术在识别过程中经常采用的方法展开了论述，并在此基础上分析了当前技术仍存在的一些问题以及车牌识别的未来趋势，希望智能交通系统的发展有所助益。

关键词：智能交通;车牌定位;字符分割;字符识别

Abstract：A complete license plate recognition system consists of five parts：license plate image acquisition，image preprocessing，license plate location，character segmentation and character recognition. This paper combines the interference caused by factors such as illumination and weather in reality，and discusses the methods that are often used in the identification process of each technology. On this basis，it analyzes some problems existing in the current technology and the future trend of license plate recognition，it is hoped that the development of intelligent transportation system will be helpful.

Keywords：intelligent transportation;license plate location;character segmentation;character recognition

0 引言

车牌识别技术是智能交通系统的重要组成部分，已经广泛应用于交通流量检测、小区车辆管理、街道违停监控、高速公路收费等等方面。它改变了传统的交通管理体系，大大降低了人力成本，提高了工作效率，更科学高效地完善了交通管理系统，还具有潜在的技术应用前景。本文对车牌识别系统中主要技术方法存在的问题展开论述。

1 车牌识别

一个完整的车牌识别系统至少要有车牌定位、字符分割、字符识别这三个过程。而在识别期间，受到影响最大的是天气的干扰，所以在此之前需要对图像进行获取和预处理。

1.1 车牌图像获取

目前车牌图像获取的技术大致分为两种：一个由彩色摄像机和图像捕获卡组成：当有车辆通过传感器时，启动信号被发送到主机，收到信号的图像捕获卡会自动收集目标车辆的相关信息，彩色摄像机选用带有自动对焦和自动光圈一体化功能的设备，以减少雨天、雾天等恶劣环境给系统带来的不良干扰，并且可以开启补光系统来解决光线不足时车牌图像达不到预期效果的问题;另一种由数码照相机构成：当感应器上有车辆通过时，会向数码相机传输信号，然后数码相机会去采集目标车辆的相关信息，并将信息发送至主机，并在启动之前设置好与主机相连的数码相机的一些相关技术参数，同样可以解决光线不足时车牌图像达不到预期效果的问题，确保图像的质量[1]。

1.2 车牌图像预处理

考虑到现实情况，在道路上获取到的车牌图像经常面临各种问题，如光线、天气、噪声干扰或车牌倾斜等都会导致画质不佳，从而加大车牌识别的难度。因此，需要预先处理在车牌定位之前的图像以减少这些干扰。

1.2.1 图像灰度化处理

未处理的彩色车牌图像均可解析成由三种颜色组成的三维矩阵：红色、绿色和蓝色。就是说在图像上的每一个像素点都可以由它们来描述。每一个分量的取值都在0至255之间，所以可知每一个像素大概都有16000000（256×256×256）颜色;而灰度化的图像只需要一个通道就可表达颜色上的数据，所以当在计算机上对其进行处理时，和RGB图像相比，可减少67%的数据处理量，进而有效地提高了处理速度[2]。常对RGB的三种分量采用加权平均的方法来完成灰度化，公式如下：

I=0.229R+0.587G+0.114B I为灰度值

1.2.2 二值化处理

二值化处理可将任意图像转化为黑白颜色，处理后的图片不仅更容易辨识，还降低了在计算机上的处理量。但这样也会使图像丢失大量细节，在处理蓝底、白字的车牌时会让图像更加难以分辨，但灰度化后的图像进行二值化，可以让车牌字符变得容易分辨，所以很多圖像在进行二值化处理图像之前都需要进行灰度化[3]。常采用自适应阈值法，该方法只需收集像素邻域的灰度，并将它们转化为黑或白，可以在不设置阈值的情况下获得二值化图像。

1.2.3 图像倾斜校正

在获取图像的过程中，由于许多因素，例如车牌悬架的角度和位置、车辆的轨迹或摄像机的倾斜，所得到的图像可能会倾斜。所以需要对拍摄后的图像进行倾斜度校正，常用的经典倾斜校正算法有三种[4]：

（1）基于霍夫变换的倾斜校正：通过累加求值找到最多点所对应的角度完成倾斜校正;

（2）基于Radon变换的倾斜校正：对二值化后的图像在各个角度上进行投影叠加，找到投影值上最大的角度完成倾斜校正;

（3）基于重心差的倾斜校正：求得图像中心向左和向右的加权高度平均值，通过相减计算出倾斜角度完成倾斜校正。

1.2.4 图像倾斜校正

直方图可以有效地表达这个图像在整个灰度区间中的灰度构成和分布情况，通常先将图像的像素均匀分布在灰度区间中，通过直方图均衡化处理，使得图像的像素点也可以均匀分布到灰度级上，这样就可以得到对比度增强后的图像，这种处理往往可以提高图像的亮度[5]。

1.2.5 滤波

在摄像机获取车辆图像的过程中，经常会受天气、泥污等因素的干扰，所以在实际拍出的图像中有可能出现各种噪声，这样图片的清晰度、对比度等势必会受到影响，进而影响后续的车牌识别过程。通常采用滤波来降低或者消除这些噪声，而滤波的方式有很多种，需要在不同情况下考虑选用哪种方式，如中值滤波、均值滤波等。

1.3 车牌定位

车牌定位是指对获取的图像进行一系列处理，进而可以在图像中定位到车牌的位置。准确、快速的车牌定位技术可以极大地帮助后续的字符分割和识别。以下是使用当前车牌定位经常使用的三种方法。

1.3.1 基于边缘检测的车牌定位方法

图像边缘是指图像的灰度值发生剧烈变化的区域，由于字符在车牌图像中具有较大的边缘特征，所以基于边缘检测的车牌定位是根据图像中字符的特征和其他边缘信息来实现的[6]。卓均飞、胡煜[7]在对车牌图像实行边缘检测的基础上，利用基于双向回溯的投影法确定车牌的上下左右边界完成车牌的定位;王文涛、马启新、杜鹏飞[8]提出了一种水平垂直结构元素的方法，利用边缘检测和数学形态学对车牌图像进行处理，可用于消除车牌边框和柳钉带来的干扰;李琼、饶俊慧、陈多瑜[9]在边缘检测的基础上，统计了灰度跳变的个数来确定车牌区域的边界，从而实现车牌定位。

1.3.2 基于数学形态学的车牌定位方法

数学形态学基本运算有膨胀、腐蚀、开运算和闭运算。在车牌定位中，通过膨胀求局部最大值来处理图像外部，通过腐蚀求局部最小值处理图像内部。这种技术可将车牌图像内的字符区域连成一片，但很难解决干扰噪声的问题，只能处理简单背景的车牌图像，因此经常结合其他方法来实现车牌定位。罗山[10]利用数学形态学处理待识别车牌的候选区域，并根据区域分析定位车牌;李忠海，梁书浩，杨超[11]结合形态学和颜色特征，先用数学形态学定位车牌的大致位置，然后根据车牌的彩色像素进行详细搜索，以达到识别的目的。

1.3.3 基于颜色特征的车牌定位方法

摄像头采集到的图片大多数都是彩色图像，里面包含很多的彩色信息，通过这些信息来定位车牌的技术就是颜色定位。这种技术即使在复杂背景下，车牌定位的准备率依然很高。但缺点也很明显，在主机上的计算量比较大，导致车牌定位的速度不够快，需要继续研究。侯向宁、刘华春[12]先采用颜色分割定位车牌，当天气原因导致定位失败时，再采用Sobel算子的二次定位来提高车牌定位的準确率;陈海霞、崔茜[13]考虑到车牌定位时，车辆的背景颜色可能带来的干扰，采用颜色的空间转换只保留接近车牌颜色区域，滤去了不相干的颜色。

1.4 字符分割

字符分割需要找到图像中字符的边界，将其逐一划分并输出到标准字符子图。在实际应用中，光照不均或车牌上的污损都会使图像的质量变差，从而增加字符分割的难度。

1.4.1 基于垂直投影的字符分割

由于车牌上字符之间的大小间隙相同，所以预处理图像时，可在垂直方向上投影图像，形成波峰和波谷，找到波峰之间的谷点来确定字符的分割点。这种方法简单高效，但也存在一定的局限性，对于模糊、有污损的车牌，投影后形成的波谷不明显，分割的效果并不是很好。

1.4.2 基于模板匹配的字符分割

我国的车牌字符有着固有的长宽比和相对固定的车牌字符结构等特征，因此可根据车牌的大小和字符之间的间距设计一个字符模板，将这个模板在车牌字符区域上进行移动，计算模板中字符像素与车牌区域像素的比值，最后求得比值的极值点，极值点所对应的位置就是字符分割的位置[14]。因此所用的匹配模板和车牌实际的大小合不合适决定了模板匹配的成功率，而且在匹配过程中边框是很大的干扰，该方法存在一定的局限性。

1.4.3 基于聚类分析的字符分割

首先根据车牌中字符的个数，在预处理后的车牌图像中选择若干个类别中心，由于字符本身带有的连通性，可形成一个连通的区域，在这个区域中计算图像中前景像素点与每个类别中心的距离，选择最近的类别，并添加像素以实现拆分字符。当字符未连接时，此方法也具有良好的分割效果，但计算量很大，而且受干扰的情况比较严重，对于车牌有污损的分割，准确度并不高。

1.5 字符识别

中国的车牌包括中文字符、24个英文字母（不包括I和O）和阿拉伯数字。因为第一个字符是汉字，所以增加了识别的难度。每一张车牌都有7个字符，不同类型的车牌字符的间隔也不同，再考虑到光照、气候等可能带来的干扰，所以字符识别的过程并不容易。

1.5.1 基于模板匹配的字符识别

基于模板匹配法的字符识别[15]，首先建立标准样本库，然后通过图像处理，使待识别的车牌字符大小与标准样本库大小相同，最后匹配所有样本库中的模板字符，并选择具有最高相似性的模板字符作为结果。这种方法是最直接的字符识别方法，因为采用的是二值图像，所以识别速度比较快，但受光照的影响特别严重，对噪声比较敏感，因此往往会影响二值化处理后的图像，出现模糊、粘连等情况。若能在这方面加以优化处理，未来将会是一种很实用的识别方法。

1.5.2 基于神经网络的字符识别

基于神经网络的字符识别[16]，首先通过输入样本数据来进行神经网络的学习，通过学习取得字符样本的特征。将预处理后需要识别的字符特征输入神经网络开始训练，这时神经网络就会对需要识别的字符与样本字符进行特征匹配，完成字符的识别过程。

1.5.3 基于特征分析匹配的字符识别

基于特征统计匹配的字符识别[17]，首先，对要识别的字符图像进行特征提取统计，其中包括字符的轮廓数、轮廓形状等，然后设置规则和决策函数对这些特征进行分类和判断，并且统计待识别字符图像相应字符的特征，将其放入字符库里与特征集匹配，获得最终匹配结果。然而在实际应用中，受到各种客观因素的影响，在识别字符时经常出现字符断裂、模糊等情况，使得最终统计的结果不是很理想，鲁棒性不强。

1.5.4 基于支持向量机的字符识别

关于SVM（支持向量机）的车牌字符识别[18]，主要思想与神经网络相比没有太大差别，都是先通过训练数据来获得字符样本的特征，然后输入待识别的字符进行匹配，识别出字符。但最终的分类结果只需要由一组特征向量来决定，这样就大大减少了计算量，而且SVM算法的模型建立也相对简单，与神经网络相比，不需要太多人为的干预，所以结果也相对客观，作为分类器的算法，在识别性能方面无可挑剔，但是它的局限性在于字符的特征需要人工提取，所以分类的效果由这些特征的优良来决定。

2 结论

目前我国的车牌识别技术可以快速、精准地识别那些静止、无遮挡的车辆。但由于环境的复杂性，如光照、车牌倾斜度、雾天等都会给车牌识别增加难度。此外，如果可以在高速隧道中对运动的行车实现车牌识别，那将使隧道交通智能化获得重大的发展。在未来的城市交通环境里，车牌识别的发展还需要更深一步的研究，这对我国经济的发展以及能源的节约有着不可估量的意义。

参考文献：

[1] 吴进军.车牌识别技术的研究 [D].杭州：浙江大学，2005.

[2] 周毅.基于OPENCV的车牌定位方法 [J].西部交通科技，2018（6）：146-150.

[3] 张洁，方厚加.基于图像处理技术的车牌识别研究 [J].智能计算机与应用，2016，6（1）：75-79.

[4] 廖玉钦.增值税发票自动识别算法研究 [D].大连：大连海事大学，2018.

[5] 陳永亮.灰度图像的直方图均衡化处理研究 [D].合肥：安徽大学，2014.

[6] 姜晓.智能车牌识别系统的实现与优化 [D].上海：东华大学，2017.

[7] 卓均飞，胡煜.基于边缘检测和投影法的车牌定位算法研究 [J].科技通报，2010，26（3）：438-441.

[8] 王文涛，马启新，杜鹏飞.基于边缘检测和数学形态学的车牌定位 [J].中南民族大学学报（自然科学版），2008，27（4）：83-87.

[9] 李琼，饶俊慧，陈多瑜.基于边缘检测及灰度跳变的车牌定位算法研究 [J].玉林师范学院学报，2013，34（5）：127-132.

[10] 罗山.一种基于形态学与区域分析的车牌定位方法 [J].山西电子技术，2018，（6）：11-14.

[11] 李忠海，梁书浩，杨超.基于数学形态学和颜色统计的车牌定位方法 [J].科技风，2018，（7）：1-3.