孙 淳

（山东科技大学计算机科学与工程学院，山东青岛 266590）

0 引言

1 车牌识别系统设计

系统首先通过图片选择功能选定一幅要处理的图片，然后进行图像识别，最后对识别的车牌进行语音播报，相应流程如图1 所示。

Fig.1 System flow图1 系统流程

针对识别模块，图像识别处理流程又大致分为对图像进行粗定位、图像灰度化、倾斜矫正处理、二值化处理、形态学处理等，最后得到精准定位的图像。具体流程如图2所示。

Fig.2 Image recognition processing flow图2 图像识别处理流程

本系统采用GUI 图形处理系统处理车辆图片，从中提取车牌号码，系统可显示运行时间，且界面简洁、操作简便。系统主界面如图3 所示。

Fig.3 Main interface of the system图3 系统主界面

2 车牌识别系统测试

2.1 粗定位处理

由于车牌大都是以蓝底作为背景，所以系统首先对一幅图片的横坐标和纵坐标方向设置蓝色边界阈值；然后根据设置的长宽比得到车牌图像初步边界。车牌号码一般是白色的，因此设置白色像素点变量，之后进行统计；接下来根据长宽比与白蓝比提取车牌图像；最后根据图像像素面积、设置阈值对提取的图像进行二次修正。定位处理效果如图4 所示。

Fig.4 Rough positioning effect图4 粗定位效果

2.2 灰度化处理

一般将彩色图像转化为灰色图像的过程称为灰度化处理，是一个降维处理过程［9-10］。灰度变换是数字图像处理中常用的图像增强技术［11］。目前大部分彩色图像采用RGB 颜色模式，图像处理时要分别对R、G、B 3 个分量进行相应处理。其实灰度图像也可反映图像形态特征，是一种R、G、B 3 个分量都相同的特殊彩色图像，各像素点仅表现为一种颜色［12］。因此，处理彩色图像要先进行图像灰度化处理，以减少图像计算量，然后通过灰度变换增强图像对比度。常见的图像灰度化算法有：①最大值法。可使转化后R、G、B 的值等于转化前3 个值中最大的一个，该方法转换的灰度图亮度较高；②平均值法。可使转化后R、G、B 的值为转化前R、G、B 的平均值，该方法转换的灰度图较为柔和。因此，本文采取加权平均值法对图像进行灰度处理，公式如下：

式中,wR、wG、wB代表R、G、B 权值，不同值会生成不同的灰度图像。通过人的视觉对颜色敏感度进行颜色权值排序，为wG＞wR＞wB，能得到较易识别的灰度图像。通常当wR=0.299,wG=0.587,wB=0.114 时得到的灰度图效果最好，处理效果如图5 所示。

2011年的夏天，牧场城镇化迅速推进，我的家也在拆迁之列。当我拿到新楼房钥匙的时候，心里别提有多开心了，我知道这一切都是母亲的功劳，于是郑重地把楼房钥匙交到母亲手中。

Fig.5 Grayscale treatment effect图5 灰度化处理效果

2.3 图片倾斜矫正与二值化处理

由于处理车牌图像时车牌可能出现倾斜的情况，所以需要对图像进行倾斜校正处理。常见的倾斜校正方法有基于投影的倾斜校正，但该方法一般需要提前知道图像大概的倾斜状况，然后选定角度进行投影计算，否则会加大运算量；此外还有Hough 变换的倾斜校正与外接矩形的倾斜校正，通过实验发现，后者在整体速度和效果上要优于前者。为了找到两个图像之间的几何对应关系，通常会计算包含平面变换（例如平移、旋转、缩放、投影、仿射）的单应矩阵［13］，该过程称为几何变换。在使用外接矩形的倾斜校正方法处理图像过程中，可使用基于连通域聚集的方式提取所需对象，形成外接矩形，然后通过选取长边与水平方向的夹角θ，以图像左下角为圆心，利用几何变换将图像顺时针旋转θ角度。其几何变换公式如下：

上式中，(x0,y0)与(x1,y1)代表旋转前后的图像中心点。图像倾斜矫正效果如图6 所示。

Fig.6 Image tilt correction图6 图像倾斜矫正

二值化处理的目的是将需要识别的目标与背景分离开，其算法一般分为两种：传统的非机器学习方法和基于图像分割的深度学习方法［14］。本系统采用灰度阈值变换方法，选取合适的阈值将背景与车牌号分离，最后获得二值化图像。灰度阈值变换可将一幅灰度图像转换成黑白二值图像。用户指定一个可起分界线作用的灰度值，如果图像中某像素灰度值小于该灰度值，则将该像素灰度值设置为0，否则设置为255。这个起分界线作用的灰度值称为阈值，灰度的阈值变换也常被称为阈值化或二值化。灰度阈值变换的函数表达式如下：

式中，T为指定阈值。灰度阈值变换的用途很广，可扩展性也非常强。通常将一幅灰度图像转化为二值图像，在复杂背景中直接提取出感兴趣的目标。

二值化处理结果如图7 所示。

Fig.7 Binary processing图7 二值化处理

2.4 图像形态学处理与精确定位

图像形态学处理是应用最广泛的图像技术之一，其目的主要是提取图像中对识别有意义的图像分量，能够抓住图像最本质的形状特征。图像形态学处理的主要运算方法包括：膨胀、腐蚀、开运算以及闭运算等［15］。图像经过腐蚀运算后可使边缘变得杂乱［16］。膨胀是指一个集或对象目标从其原来的形状扩大的过程［17］。腐蚀能够去除图像边界，而膨胀与其相反，能够扩大图像边界。本系统运用形态学的开运算（先腐蚀后膨胀）进行图像处理，移除车牌图像的连通与孤立像素，使图像轮廓变得更加光滑。

使用结构元素S对A进行开运算，记作A∘S，可表示为：

一般来说，开运算可使图像轮廓变得光滑，断开狭窄的连接并消除细毛刺。

如图8 所示，开运算断开了图中两个小区域间的狭窄连接，并去除了右侧物体上部突出的一个小于结构元素的2×2 区域（去除细小毛刺）。但与腐蚀不同的是，图像大的轮廓并没有发生整体收缩，物体位置也没有发生任何变化。

本系统使用开运算运行后的图像形态学处理结果如图9 所示。

Fig.8 Open operation effect图8 开运算效果

Fig.9 Results of image morphology processing图9 图像形态学处理结果

系统通过编写投影函数进一步处理裁剪图像，使其边框贴近字体，部分代码如下：

精确定位图像结果如图10 所示。

Fig.10 Accurate positioning of image results图10 精确定位图像结果

2.5 图像车牌分割处理

图像分割是图像处理和计算机视觉中应用的基本技术手段［18］，国内外广泛使用的图像分割方法主要包括阈值分割法、聚类分割法、区域生长法、深度学习法等［19］。文献［20］通过对比字符宽度对车牌图像进行分割，但效果不够理想。本系统采用阈值分割方法，针对图像像素灰度值的不同，选取阈值将图片中的车牌号与背景分割开。常见的阈值分割方法有：①直方图阈值化法。其根据直方图谷底确定阈值，但当图像直方图两个区域峰值相差很远，且图像受噪声影响时，该算法则不适用；②迭代选择阈值法。但该算法的阈值迭代选择规则不容易选取；③最小均方误差法。该算法确定阈值时使用的参数非常复杂，而且对图像有正态分布的要求；④最大类间方差法。该方法不需要人为设定其它参数，是一种自动选择阈值的方法，而且能得到较好的结果。最大类间方差法的原理为：对图像进行阈值分割时，选定的分割阈值应使前景区域、背景区域与整幅图像的平均灰度之间差别最大，这种差异用区域的方差表示。该方法不仅适用于包含两个区域的单阈值选择，也适用于多区域的多阈值选择，而且计算简单，不受图像对比度与亮度影响，是阈值分割算法中错分概率最小的一种算法。

设图像中灰度为i的像素数为ni，灰度范围为[0,L-1]，则总像素数为：

各灰度值出现概率为：

对于pi，有：

将图像中的像素根据阈值T分成两类C0和C1，C0由灰度值在[0,T-1]范围内的像素组成，C1由灰度值在[T,L-1]范围内 的像素组成。则区域C0和C1在整个图像中出现的概率分别为：

区域C0、C1的平均灰度分别为：

其中，μ是整幅图像的平均灰度。

两个区域的总方差为：

在[0,L-1]范围内对T依次取值，使最大的T值便为最佳区域分割阈值。

接着对字母与数字进行归一化处理，本系统采用图像矩归一化方法校正字符倾斜度，通过图像矩得到字体实际大小[w1,h1]与中心位置[xz,yz]，修改后的区域为[xz-，计算公式如下：

β作为经验值通常取β=4，图像矩计算公式如下：

式中，x、y为图像坐标像素点，f(x,y)为图像像素值。

最终的图像分割效果如图11 所示。

Fig.11 Image segmentation effect图11 图像分割效果

2.6 语音播报

系统会对最后的识别结果进行语音播报，系统中有提前录制好的数字、字母语音素材，系统通过相应函数实现其功能，部分关键代码如下：

3 结语

本文采用GUI 图形处理系统进行车牌识别，并通过语音播报读出结果，可令使用者更方便地使用。测试结果表明，系统对车牌识别的精确度可由95% 提高到96.5%。由于字符笔划包含丰富的角点信息，后期还可采用角点字符检测方法提取出图像中的字符信息，并尝试使用神经网络算法，以期提高识别精确度至97% 以上。