陕 西 理 工 学 院 毕 业 设 计
汽车牌照的自动识别是车辆检测系统中的一个重要环节，可以切实有效地提高交通系统的车辆监控和管理的自动化程度，它在交通监视和控制中占有很重要的地位，是实现交通管理现代化和智能化的重要前提。汽车牌照的识别问题己成为现代交通工程领域中研究的重点和热点之一。车辆牌照识别系统是一个面向车辆牌照识别的专用计算机视觉系统，属于典型的先分割日标，再对目标进行识别的实例。针对这类问题的研究和探素不但是工程方面的问题，同时也可以对图像处理、模式识别等领域的发展起到推动作用。
1.2 国内外研究现状与发展趋势
国外车牌自动识别技术发展相当迅速。1989年Inigo 就提出了车辆检测和车辆跟踪算法，把机器视觉技术应用在交通控制这一领域中，尽管得不到车辆辨识，但是证明了这种技术是一种可行的车辆交通监控技术。M.Notturmo Gramieri等在意大利车辆身份认证技术方面进行了卓有成效的研究，并且开发了TELEPASS的实际服务系统。目前，美国、意大利、日本、法国和德国等已经将车牌自动识别技术应用在不停车收费系统和交通监控系统的实际系统中，在全天候的条件下识别精度超过95％，识别时间为3辆/秒左右。随着智能交通系统的发展，作为ITS关键技术之一的车牌自动识别技术显得越来越迫切和重要，发达国家正加大车牌自动识别技术的研究和开发的步伐，使车牌识别的精度和速度更高更快。例如美国将推出安装有车牌自动识别系统的警车，该警车在行驶中能自动识别前后左右汽车的车牌，1秒中内能识别和跟踪5辆车，是警察的得力出手。
国内车牌自动识别技术起步较晚，发展较慢 一些科研机构如北京奥特斯公司、北京兰亭公司、深圳吉通电子有限公司、国家智能交通系统工程技术研究中心、清华大学、吉林大学等对中国车牌识别技术进行了研究和开发，取得了一定成果，但是仍然停留在实验室阶段。目前实验室识别精度为90％，识别时间为1辆/秒左右。在全天候的条件下识别精度约为80％，识别时间为1辆/秒左右，远达不到电子收费系统和流量观测站系统的技术要求(要求全天候识别精度超过95％，识别时间3辆/秒以上)。
车辆牌照识别系统经过十几年的发展，在国外已有相当多的实际系统应用于自动收费，自动识别等场台，如OptasiaLid、Asia Visiov．等公司的产品，但是这些系统都是对英文字母或是阿拉伯数字进行识别，不能对汉字进行识别。近几年，在国内也有一些牌照识别的系统，如汉王、宸天等公司的产品，在车牌识别技术方面取得了一系列重大的突破，在算法研究等领域，一直处于国际、国内领先水平。尽管许多国家都致力于汽车牌照识别系统的研宄和开发，但仍未达到完全实用化的要求，并且每个国家研制的车辆牌照识别系统大都只适用于本国的车辆牌照。由于我国车牌存在特殊性，若完全引进国外的车牌自动识别系统不会收到很好的效果，必须研制和开笈适合我国车牌特征的高效、实用的车牌自动识别系统。
国外发达国家的交通系统技术先进，基础设施完善，基本实现了自动化和智能化。以美国、日本、法国等为先导的发达国家，以通讯和计算机网络为载体建立了连接交通信息系统、交通见识系统、交通控制管理系统的综合交通监控信息系统。而我国交通系统无论从硬件(基础设施)还是从软件(技术支持)来讲都还处于起步阶段，作为智能交通系统的基础技术支持，车牌自动识别技术的研究和开发非常关键。
车牌识别技术是集人工智能、图像处理、数据融合、计算机视觉、模式识别等技术为一体的复杂系统，要求识别精度高、处理时间短。目前，国内的车牌识别技术仍然停留在实验室阶段，全天候的条件下识别精度不高，识别时间长，还达不到实际应用的技术要求。因此，车牌识别技术的研究和开发具有相当大的实际价值和重要的现实意义。
第2 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
1.3 车牌识别流程及其关键技术简介
车牌识别分为图像处理、车牌定位、车牌矫正、字符分割、字符识别等几重要个步骤，如图1.1所示。
输入汽车图像 图像预处理 车牌定位
车牌矫正 字符分割 字符特征提取
字符识别
字符输出
图1.1 车牌识别系统处理流程图
(1) 图像预处理
针对车牌对象，系统往往需要进行适当的预处理以提高图像质量。图像预处理包括灰度化、滤波、边缘检测、二值化等。预处理首先可以减少或消除图像采集中的噪声及其它干扰，提高图像信噪比；其次，可以减少或消除图像模糊(包括运动模糊)；第三，可以较少或消除图像退化，以减少图像失真(例如几何失真)；第四，还可以转变模式结构，例如把非线性模式转化成线性模式，以利于后续处理。图像预处理是车牌识别流程的第一步，处理效果直接影响到以后的每个处理流程以及最后的识别精度。图像预处理的目的是为了方便以后车牌定位及字符分割，所以预处理的方法也是根据其后的工作流程决定的，图像预处理的方法常常和车牌定位、图像分割的方法综合使用以达到分割字符的最终目的。 (2) 车牌定位
车牌定位从人眼视觉的角度出发，并根据车牌的字符目标区域的特点，在二值化图像的基础上提取相应的特征，寻找最符合牌照特征的区域。车牌定位是车辆牌照自动识别系统中的关键和难点，实际图像中的噪声、复杂的背景等干扰都会使定位十分困难。目前车牌定位主要采用以下3种方法：
第3 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
1. 基于边缘检测的方法；2. 基于水平灰度变化特征的方法；3. 基于车牌颜色特征的方法。方法1定位准确，但是漏检率高、虚景较多。方法2速度快，漏检率低，但是定位不够准确，很难区分与背景文字、车灯等同样灰度变化明显的区域。方法3定位较准确，漏检率较低，但是对车牌大小的适应性差，受车牌磨损、倾斜的影响大，容易和颜色相似的区域混淆。由此可见，使用单一特征定位车牌存在明显的局限性，因此需要将各种方法综合优化。 (3) 车牌矫正
理想情况下，车牌图像应该是一个矩形，但是由于摄像机和车牌之间角度的变化，常常使所拍摄的车牌图像产生倾斜现象，给字符分割代来不利影响，造成误分割；倾斜的车牌同时会造成字符变形，给字符识别带来困难，造成车牌识别率的下降。因此，需要在字符分割之前进行车牌的倾斜校正。
(4) 字符分割
字符分割是从获得的牌照区域分割出单个字符(包括汉字、字母和数字)以便于进行字符识别的过程。考虑到车牌上的字符一般除了一个汉字外其他的都是字母和数字，即在理想状态下每个字符是全连通的且互不相连，因此可以使用基于模板匹配的字符分割的方法进行字符切分。 (5) 字符识别
字符识别是使分割得到的字符进一步转化为文本并存入数据库或者直接显示出来的过程。目前的字符识别主要通过神经网络、模板匹配或其他方法进行。人工神经网络具有良好的容错性、自适应和学习能力等特点，对字符的识别率较高，但是目前几乎没有市场化的产品。模板匹配算法先将待匹配的字符归一化为模板大小，然后对其中相应的点一一比较，将匹配点数最多的模板认为是待匹配的字符结果。模板匹配方法简单．但是对于字符有断裂和粘连等情况容易造成错误的判断，并且判断速度较慢。假定需要识别的字符大小为32×64，字符集为车牌中可能出现的字符数目为96个，则平均要32×64×96／2次比较。同时这种方法对于相似的字符如：0和D、8和B则几乎不能识别。
第4 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
2 图像预处理
图像预处理包括对动态采集到的图像进行灰度化、二值化、边界增强、滤波等处理，以克服图像干扰，改善识别效果。
车牌图像信息的采集、输入过程中由于受到自然环境的影响，如光照(白天、黑夜)、天气(阴、雨、雾、雪、晴)，还有季节、运动失真及模糊等因素，总会使所获取的图像质量下降，给后面的车牌图像定位、字符分割和字符识别带来很大的困难。因此需要对车牌初始图像进行必要的预处理，提高图像质量并突出我们所需要的信息，从而有利于进行各种后续的处理。
图像预处理是相对于图像分析、图像识别、图像理解而言的一种对图像前期的处理，也可以看作是对初始采集图像的增强。图像增强的目的就是采用一系列技术，改善图像的效果或将图像进行适当的变换以突出某些有用的信息，去除或消弱无用的信息，如改变图像的对比度、去除噪声或强调边缘等，从而改进特征抽取、匹配和识别的可靠性。
本章介绍了车牌定位前的图像预处理技术，目的是提高图像质量，突出车牌信息，为高质量地完成车牌识别奠定基础。
输入汽车图像
灰度处理
图像去噪 边缘检测
图2.1 图像预处理流程图
2.1 图像灰度化处理
在计算机图形学与图像处理中，数字图像的灰度是进行图像识别与处理的基础。我们往往需要先读取数字图像的灰度，然后对其进行分析与处理，如生成灰度直方图、灰度修正、提取图像特征、图像锐化等。在车牌识别技术中将图像进行灰度化处理，不仅不会大量损失车牌信息，而且由于灰度图像包含的信息量比彩色图像要小得多，处理起来也不必考虑车牌颜色不同的情况，既简化了处理过程又不会影响识别精度。
考虑到现有牌照的字符与背景的颜色搭配一般有蓝底白字、黄底黑字、白底红字、绿底白字和黑底白字等几种，利用不同的色彩通道就可以将区域与背景明显地区分出来，例如，对蓝底白字这种最常见的牌照，采用蓝色 B 通道时牌照区域为一亮的矩形，而牌照字符在区域中并不呈现。因为蓝色（255, 0，0）与白色（255，255，255）在 B 通道中并无区分，而在 G、R 通道或是灰度图象中并无此便利。同理对白底黑字的牌照可用 R 通道，绿底白字的牌照可以用 G 通道就可以明显呈现出牌照区域的位置，便于后续处理。对于将彩色图象转换成灰度图象时，图象灰度值可由下面的公式计算：
Gray_Level = 0.110B_Value + 0.588G_Value + 0.302R_Value (2-1)
第5 页 共 37 页
陕 西 理 工 学 院 毕 业 设 计
计算出每个像素的灰度值Gray_Level，式中R_Value、G_Value、B_Value分别是读取的R、 G、B的分量值。实验结果如图2.1。 2.2 图像的去噪
车牌图像中的边缘、细节、跳跃部分以及噪声都代表图像的高频分量，而大面积的背景区和缓慢变化部分则代表图像的低频分量。由此可见，若采用低通滤波法去除车牌图像中的噪声，在除去噪声的同时也会使车牌及字符的边缘变得模糊，这对后续的车牌定位以及字符识别非常不利。因此，为了在保证在车牌图像边缘信息不被弱化的情况下除去噪声，采用中值滤波法来去除图像噪声。中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所引用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及颗粒噪声最为有效。中值滤波它是一种邻域运算，类似于卷积，首先把邻域中的像素按灰度等级进行排序，然后选择该组的中间值作为输出像素值。它能减弱或消除傅里叶空间的高频分量，因为高频分量对应图像中的边缘区域，且其灰度值具有较大较快的变化，该滤波可将这些分量滤除，使图像平滑。其主要原理是:首先确定一个以某个像素为中心点的邻域，一般为方形邻域;然后将邻域中的各个像素的灰度值进行排序，取其中间值作为中心点像素灰度的新值，这里的邻域通常被称为窗口。当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。
具体步骤如下:
①将模板在图像中漫游，并将模板中心与图像中某个像素的位置重合; ②读取模板下各对应像素的灰度值; ③将这些灰度值从小到大排列成一列; ④找出排在中间的一个值;
⑤将这个中间值赋给对应模板中心位置的像素。
二维中值滤波的窗口形状和尺寸对滤波效果影响较大，不同的图像内容和不同的应用要求，往往采用不同的窗口形状和尺寸。常用的二维中值滤波窗口有线状、方形、圆形、十字形、圆环形以及菱形等。窗口尺寸一般先用3×3，再取5×5逐渐增大，直到滤波效果满意为止。就一般经验而言，对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜。对于包含有尖顶物体的图像，用十字形窗口，而窗口大小则以不超过图像中最小有效物体的尺寸为宜。 2.3 图像的边缘提取
数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域十分重要的基础。所谓边缘是指其周围像素灰度值有阶跃变化或屋顶变化的那些像素点的集合。边缘广泛存在于物体与背景之间、物体与物体之间、图像基元与基元之间。它是图像分割所依赖的重要特征，图像理解和分析的第一步往往就是边缘检测。
车牌的一个重要特征就是在该区域存在大量的边缘信息，所以边缘检测对于我们进行车牌识别来说也是相当重要的。不同“尺度”意义下的边缘点，在定条件下包含了原图像的全部信息。边缘的种类分为两种：一为阶跃状边缘，它两边像素的灰度值有着显著的不同；一是屋顶状边缘，它位于灰度值从增加到减少的变化的对折点。物体的边缘是以图像的局部特征不连续形式出现的，也就是指图像局部亮度变化最显著的部分，如灰度值的突变、颜色的突变、纹理结构的突变等，同时边缘也是不同区域的分界处。图像边缘有方向和幅度两个特征，通常沿边缘的走向灰度变化平缓，垂直于边缘走向灰度变化剧烈。
第6 页 共 37 页