浅谈数字图像处理在车牌识别中的应用

1. 前言

自1886年世界上出现第一辆以汽油为动力的汽车以来，至今已有超过百年的发展历程。在这期间，汽车的外形从简陋到华丽，功能从单一到齐全，操作从复杂到简单等等，可谓是发生了翻天覆地的变化。

尤其是近些年来，随着社会经济的迅速发展，人们生活水平的不断改善和提高，以及科技的不断创新，汽车已成为了人们最常用的交通工具，它给我们的出行带来了很大的便利。与此同时，汽车数量的急剧增长不仅给公路带来沉重的交通压力，而且给汽车的管理也带来很大的难题和挑战。

为了提高车辆的管理效率，在借鉴其它国家的车辆管理方法后，我国在1994年就开始实施车牌管理制度。该制度明确规定了每辆进入公路行驶的汽车必须有唯一的汽车车牌号码，配合完善的监控安防系统，交警可以通过车牌来确定汽车的身份，从而实现对违反交通法规的驾驶人员进行处罚。

然而，对于监控采集到的海量数据，仅仅依靠传统的人工识别难以满足发展的要求，并且人工识别车牌同样存在着投入大，效率低的缺点。因此，如何实现车牌的智能准确高效识别是一个迫在眉睫的问题。

结合我国的车牌管理制度和实际情况，车牌识别的难点主要分为自身因素和环境因素：

首先，我国的汽车牌照自身含有较为复杂的特征。汽车牌照颜色种类繁多，大致

分为蓝底白字、黄底黑字、白底黑字以及黑底白字四种。车牌的内容主要由汉字、字母和数字三部分组成，因此其复杂性较高，识别难度较大。此外，外部光照强弱的不同、雾霾、下雨等恶劣天气的影响，使得采集的图片模糊不清，这些因素给车牌的识别也增添的很大的难度。

通常来说，车牌的识别过程主要分为车牌定位、字符分割、字符识别三大部分^[1]。由于我们通常得到的图片拍摄范围较大，因此需要通过车牌定位来提取由管车牌信息的矩形区域，而把其它没有价值的信息删除，以方便后续的处理。字符分割是将定位得到的车牌信息拆分成单个的字符^[2]。字符识别则是将拆分得到的单个字符信息通过一定的方法准确地转换成真正意义上的文本字符。

车牌识别技术产生于上世纪末开始的智能交通革命，如今车牌识别技术已日趋走向成熟，并开始在交通、公安、路政、停车场、安防、门禁、智能小区等许多领域得到了广泛的应用。下面我会简单介绍目前常用的车牌识别方法，以及数字图像处理在其中所扮演的重要角色，并分析其对应的优点和缺点，通过对比尝试寻找一种更合适的车牌识别方法。

 

2. 国内外发展动态

近年来，车牌智能识别的技术飞速发展，出现了许多关于车牌识别的方法，不过根据其识别的基础而言，主要可以分为间接法和直接法两种^[3]。其中间接法是基于IC卡或者基于条码的识别，而直接法是基于图像处理的车牌识别^[4]。

IC卡本质上是一块集成电路卡，它是继磁卡之后出现的一种新的信息载体，通过卡内部的集成电路来存储信息，在身份认证、公共交通、银行等场合都有应用。因此可以将车牌的信息存储在IC卡中，然后通过安装在汽车上的微型电子信号收发装置与公路、收费站、停车场等地方的监测装置通信。这种方式具有信息安全、准确率高、运行可靠的优点，但是装置的成本较高、硬件复杂，难以推广。

条形码在保证高准确率和可靠性的同时，弥补了IC卡在成本方面的不足。目前已经被用来标记物品的制造厂家、商品的名称、生产日期、图书的分类号等，但是条形码对于扫描器的要求很高。因此这种方式也不太适合车牌的识别。

目前，应用最广的车牌识别方法无疑是基于数字图像处理的直接法。一个完整的车牌识别系统主要包括图像采集、图像预处理、车牌定位、字符分割、字符识别、结果输出等单元^[5]。

图像采集通常是由安装在交叉入口、收费站、停车场等公共场所的摄像头完成。

它能够将收集到的图片信息通过网络等途径传递给计算机，从而进行下一步的分析和处理。

首先明确计算机接收到的图片一般是彩色的。彩色图片包含着大量与车牌定位无关的信息，具有存储体积大，数据处理复杂的缺点。而与彩色所对立的灰度图像，每个像素仅需一个存放灰度值即可，灰度值的范围从0~255^[6]。它具有存储体积小，数据处理方便的优点。因此，将得到的图片进行灰度化处理是非常有必要的，它可以帮助我们去掉一些没有用的信息。彩色图像的灰度化处理常使用分量法、最大值法、平均值法、加权平均法这四种方式^[7]。

此外，图像在摄取或传输时会因受到随机信号的干扰而产生图像噪音。噪音通常表现为或大或小的极值，这些极值通过加减作用于图像像素的真实灰度值上，对图像造成亮点、暗点的干扰，降低了图像的质量的同时也影响到后续对图像定位、识别等操作步骤^[8]。因此，需要对图像进行滤波处理，可采用均值滤波或中值滤波的方法。前者对高斯噪声有较好的抑制作用，后者对去除“椒盐”噪声有更好的效果。

除了彩色图像灰度化、滤波以外，图像的预处理还可以是直方图均衡化、二值化、膨胀和腐蚀等，我们可以根据实际需要进行合理的选择预处理的方案。

车牌定位是车牌识别系统中最为关键的一步，定位的准确与否会直接影响后期处理的好坏^[9]。常用的车牌定位方法很多，例如：基于小波变换的车牌定位方法、采用灰度二值化后车牌区域跳变频率高的方法、基于边缘检测的车牌定位方法、基于数学形态学的车牌定位方法等。

其中小波变换的基本思想是通过伸缩、平移等运算把原始信号分解成分辨率、频率特性和方向特性不同的子信号。因此在时域和频域具有良好的局部特性。边缘检测则是利用物体在边缘处灰度会发生剧烈变化的特点来检测图像的边缘，例如：Roberts边缘算子、Sobel算子、拉普拉斯边缘检测等。如何选择合适的算子需要根据环境和要求的差异来决定。数学形态学的定位方法主要用来配合其它方式使用，从而提高车牌定位的速度和准确度。

成功定位车牌后，就需要对字符进行分割，传统的字符分割算法可以归纳为以下三类：直接分割法、基于识别基础上的分割法以及自适应分割线聚类法^[10]。

其中直接分割法操作相对简单，但对分割点的准确性要求较高。基于识别基础的分割法对识别的准确性的要求较高。聚类分析切割是以同一个字符的像素构成一个连通域的原则，再结合车牌字符的固定高度、间距、比例等关系，能够较好地解决汽车牌照再复杂背景条件下的字符切割问题，降低了对车牌定位准确性的要求^[11]。

采用连通域和投影相结合的方法对定位的车牌图像进行分割比较合适，如果在判断各个连通域的高宽与车牌字符区域的高和宽是否基本相同时，出现相差较大的情况时，可以进一步执行垂直投影，根据投影的波谷和波峰能够对字符的分割有很大的帮助^[12]。

最后，将分割的字符进行识别操作。字符识别的基本思想是匹配判断。首先提取待识别的字符特征，然后把它和预先存储在计算机中的标准字符特征进行一一比对，选择最接近的标准字符作为输出结果。总体来说，字符识别的方法主要有：神经网络分类识别字符、外围轮廓匹配、投影序列特征匹配、基于Hausdorff距离的模板匹配^[13]。

在众多的方法中，模板匹配的方式相对简单。只要预先把标准的字符模板存入计算机，然后在需要的时候进行调用判断即可^[14]。基于神经网络原理的字符识别相对比较抽象，它采用CCD摄像机拍摄图像，设计实现了一种新硬件电路对视频信号进行预测处理和高速数据采集。并提出了简易快速的算法来进行字符分割、字符规格化和特征提取，能够有效地从相互粘连的字符组成的字符串中提取出单个字符模式。它具有速度快，学习能力强的优点。

3. 结语

如今，车牌识别系统已经遍布我们的身边。它在交通管理、车辆定位、汽车防盗、停车场收费等场合都得到了广泛的应用。目前常用的方法包括基于数字图像处理的车牌识别、基于模式识别的图像处理、基于Simulink的车牌识别仿真等。但在识别过程中，车牌本身的复杂特性、人为的因素以及恶劣的天气条件，都会影响到车牌识别的准确性。我相信未来一定会有更多更好的方案去弥补目前存在的不足，数字图像处理技术将会应用于更为广阔的领域。