车牌识别研究背景

车牌识别研究背景（通用11篇）

车牌识别研究背景 篇1

车牌定位的研究意义及背景

1研究意义

2智能交通系统介绍

3车牌定位与智能交通

1研究意义

随着私有车辆的增多，公路上的车辆超速，超载以及日常丢车的现象越来越严重，据报载美国平均每两分钟就有一辆车丢失，北京每天也有几十辆车报失；同时在高速公路的收费口，由于目前采用手工收费方式，速度缓慢，造成了车辆的拥塞，有时排队等候的车辆可达数百米，大大降低了高速公路的利用率，交通犯罪率的逐年攀升，严重影响了社会的安定和人们的日常生活，而城市尤其是大中城市的公路交通管理变得越来越复杂，智能交通管理系统的设计和实施因而受到大众和政府的重视，汽车牌照自动识别可用于公路路口，停车场，高速公路收费站以及收费公路路段（如隧道）等场合，通过对所有经过的车辆自动跟踪识别，实现交通管理的智能化，目前世界各国都在进行适合于本国汽车牌照的自动跟踪识别，美、日、韩等国现在已经有了一些相应的系统问世，引进这些系统不仅费用高而且由于各国车牌和世纪的交通环境不同，引进的系统无法满足我国城市的需求，而我国目前还没有类似的系统问世，所以对交通智能化的研究成为目前高科技领域的热门课题，同时，交通智能化的实现对抑制交通犯罪和促进城市现代化建设均有重大意义。

2智能交通系统介绍

ITS（Intelligent Transportation System）是以信息通信技术将人、车、路三者紧密协调、和谐统一，而建立起的大范围内、全方位发挥作用的实时、准确、高效的运输管理系统。

智能交通系统（ITS）的概念：对于ITS至今没有一个明确的定义。但归纳地说：智能交通系统是人们将先进的信息技术、数据通讯传输技术、电子控制技术、传感器技术以及计算机处理技术等有效地综合运用于整个运输体系，从而建立起的一种在大范围内、全方位发挥作用的实时、准确、高效的交通综合管理系统。其目的是使人、车、路密切地配合、和谐地统一，极大地提高交通管理运输效率、保障交通安全、改善环境质量和提高能源利用率。

ITS将有效地利用现有交通设施、减少交通负荷和环境污染、保证交通安全、提高运输效率、促进社会经济发展、提高人民生活质量，并以推动社会信息化及形成新产业受到各国的重视。目前已形成世界二十一世纪的发展方向。发展中国ITS的必要性 1）中国是一个经济持续发展的发展中国家，改革开放以来，城市化与汽车化发展十分迅猛。改革开放前，城市化水平不足19%，目前已经发展到超过30%，预测2010年将接近50%；机动车拥有量目前已达6000万辆，并以

每年10%以上的速度增长，预计2010年达到1.3亿多辆；2）中国城市交通的特点是混合交通，目前自行车拥有量超过1.8亿辆，如果公共交通服务水平不提高，城市交通结构不改善，自行车拥有量将会有增无减；3）改革开放以来，中国道路交通设施及管理设施虽然有较大改观，但跟不上机动车增长速度。总体水平与发达国家有较大差距，特别是大多数城市路网结构不合理，道路功能不完善，道路系统不健全。交通管理设施缺乏，管理水平不高。即使各地都建立了交通控制中心，大多只是实现了监视功能，而远没有发挥控制功能的效应；4）中国城市的大气质量恶化，已逐步由无烟煤污染转变为机动车尾气污染。其主要原因是交通拥堵、车速下降以及车况差、车辆技术性能低等，致使在世界十大空气污染最严重的城市中，我国就据之有七。同时，车辆状况差也直接影响到城市交通，并已成为制约我国城市交通的重要因素。以车况较好的北京市为例，平均日故障次数达500次以上，给城市交通带来巨大压力。

应用范围：

• 交通路口的智能化交通管理；

• 交通信息的自动采集；

• 机场、港口等出入口车辆管理；

• 警方及其它执法机关设立临时稽查站，对来往车辆实施稽查，自动甄别待查车辆；

• 路桥、隧道等卡口的自动收费系统；

• 现代住宅小区、停车场、重要机关单位的出入口管理；

• 与应用数据库连接，可对违章车辆的资料进行处理。可实现计算机自动业务处理（需进行二次开发）；

• 不停车自动收费；

• 车辆安全防盗、查堵指定车辆等。

3车牌定位与智能交通

在智能交通系统中，车牌自动定位识别系统是一个非常重要的发展方向，车 牌定位识别系统正是在这种应用背景下研制出来的能够自动实时地检测车辆经过并定位识别汽车牌照的智能交通管理系统。车牌定位识别系统是在装备了数字摄像设备和计算机信息管理系统等软硬件平台的基础之上，采用先进的图像处理、模式识别和人工智能技术，通过对图像的采集和处理，完成车牌定位识别功能。车牌定位识别系统，集现场识别、远程传输和指挥中心网络化调度管理为一体，具有全天候实时识别车牌照、自动比对车辆信息、现场报警、事后排查、远程传输、中心管理、高速高效等功能，并符合21世纪安全防范和智能交通系统

工程主流应用技术的相关标准。

车牌识别研究背景 篇2

关键词：模糊C均值聚类算法,图像分割,车牌定位,字符分割

0 引言

随着现代交通的发展,车牌自动识别技术越来越成为智能交通的重要组成部分。车牌识别技术主要是采用计算机图像处理技术对车牌的图像进行分析,以自动提取车牌信息,确定车牌号。一般说来,在车牌自动识别系统中,处理的关键技术问题是车牌的定位及字符的分割。对于车牌自动识别系统已经提出了许多方法,如运用多重特征的车牌定位算法[1],基于彩色和纹理分析的车牌定位方法[2],用神经网络算法进行车牌自动识别[3]等。针对通过摄像头动态采集到的图像有可能存在模糊、噪声干扰等问题,我们先用改进模糊C-均值聚类算法对采集到的图像进行分割,然后根据车牌区域的特点对车牌进行定位。车牌定位后,根据车牌中字符的分布特点,对字符进行分割及识别。对于采集到的复杂背景的图像进行实验后,得到了较理想的车牌自动识别效果。

1 车牌的定位

车牌定位是车牌识别系统的核心,它是从一个复杂背景的图像找到车牌所在的区域。为了更好对车牌加以定位,需先对采集到的图像进行分割。

1.1 用改进的模糊C-均值聚类算法进行图像分割

模糊C-均值(FCM)算法[4]是常用的图像分割方法,它是通过迭代法优化目标函数来实现图像分割的,该算法的不足是收敛速度较慢。为了提高该算法的速度,已提出了不同的改进FCM算法,在文献[5]中,利用分层聚类[6]把图像数据分成一定数量的色彩相近的子集,来提高FCM算法的计算速度。该改进算法是通过减少聚类样本来提高聚类的速度的。

在FCM算法中,初始聚类中心及聚类数目的选取对算法速度有一定的影响,较好的初始值,有助于提高聚类的速度。聚类中心与聚类数目与图像的灰度直方图的极值点相关联。对一幅较复杂的图像,其灰度直方图不是连续的图形,直方图中存在很多的毛刺,确定出的极值点一般有很多个。为了更有效地获取其极值点,我们对图像的灰度值做如下处理,将灰度值为[h,h+n]间的像素的个数叠加在一起,其中n为灰度区间,这可以避免一些像素值较小的极值点出现。通过处理后的图像灰度值col[i](其中0≤i≤255),来获得灰度直方图的极值点。当col[i-1]

为提高聚类的收敛速度,还需对隶属度进行修正,在半抑制式模糊C-均值聚类算法(HSFCM)[7]中引入了-抑制门限参数β,将最大隶属度值u Rj与该门限进行比较,若其大于该门限,则对其进行修正;否则就不对其修正。为了更好地提高聚类的速度,将隶属度修正公式变为:

在式(1a),当最大隶属度值uRj大于门限值β1时,uRj=1,转为硬C聚类算法;当uRj小于门限值β2时,不修正;当β1≥uRj>β2时,uRj增加为原来的2-uRj倍,提高其隶属度。在式(1b)中,将其它隶属度做相应的修改,以满足。

改进后的模糊C-均值聚类算法的具体操作步骤如下:

(1)对图像进行灰度处理,获得灰度值的极值点及个数来初始化聚类中心初始聚类中心及聚类数目C,并具体选取,令迭代次数。

(2)计算,如果,则。

如果存在,使得,则令,且。

(3)根据式(1a)、(1b),修正隶属度矩阵U(k)。

(4)计算。

(5)如果,则停止,否则令,重复步骤(2)、(3)、(4)、(5)。

对图1所示的原始图像中,处理后的灰度直方图如图2所示,获得的极值点的个数(即聚类数目)为4,聚类中心灰度值特征量的初始化值分别为(21、66、141、186)。通过改进FCM算法后,获得分割后的图像如图3所示。

1.2 车牌的定位

根据拍摄到的车牌图像的特点,牌照一般是在图像的下方,且牌照下方多数是地面,在水平方向上,地面的图像灰度分布比较均匀;而牌照区域由于图像字符的分布,使得图像灰度值在水平方向上的变化频率比较大,且变化间隔较均匀。根据上面的分析,车牌从下至上来定位可以避免上面复杂背景的干扰,缩短定位时间。图像不同部分的水平灰度值变化如图4~7所示,其中图4是车牌区域中字符下边缘的与上边缘的水平灰度值的变化(图中白线所示),图5是车牌区域外下边缘与上边缘的水平灰度值的变化。根据灰度值的变化便可定位出车牌的字符区域,如图6所示。

2 字符的分割

经过图像分割后的车牌区域中,字符与牌照底的内部灰度较均匀,而字符与底色在灰度上有较大差异,并且字符间有明显的间距。根据这个特点,将字符区域中字符像素的个数垂直投影来进行字符的分割。设置一个阈值T用来区分字符与牌照底色,hhi(0≤iT时,对应的水平位置的hhi自增1。统计后hhi显示如图7所示,可以看出灰度值的垂直投影间存在明显的间隔,并与字符间隔相对应。根据hhi的值,当

根据式(2)分割后的字符如图8所示,分割效果比较明显。

3 结论

本文提出了一种改进的模糊C均值聚类算法用来对车牌图像进行分割,改进算法中通过图像灰度直方图来初始化聚类中心与聚类数目,并对聚类中的隶属度做了相应的修正。在车牌定位与字符分割中,结合车牌中字符的分布特点,根据水平灰度值的变化曲线,来实现车牌的定位;根据字符区域中字符像素个数的垂直投影,来实现字符的分割。本文中的算法采用VC++6.0编程实现,并对多幅背景复杂的车辆图像进行了实验,实验结果表明该算法能够较快、较准确地获得车牌自动识别效果。

参考文献

[1]张于青,鲍劲松,金烨.一种基于多重特征的车牌定位算法[J].计算机工程与应用,2006,(32):220-222

[2]郭捷,施鹏飞.基于彩色和纹理分析的车牌定位方法[J].中国图象图形学报,2002,7(5):472-476.

[3]魏志轩.基于神经网络的车牌自动识别算法[J].黑龙江科技学院学报,2005,15(3):161-163.

[4]Bezdek J C.Pattern Recognition with Fuzzy Objective Function Algorithms[M].New York:Plenum,1981.

[5]吴黎,杨东勇.基于改进的模糊C均值聚类算法的人像照片背景替换[J].计算机应用,2006,(2):424-426.

[6]Tao C W.Unsupervised fuzzy clustering with multi-center clusters[J].Fuzzy Sets and Systems,2002,128(3):305-322.

车牌识别技术研究 篇3

关键词：车牌识别技术；智能交通；Mean Shit算法

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02

随着汽车在人们的工作、生产和生活中扮演着越来越重要的角色，汽车的保有量也在急速增加。由此带来的交通管理问题也变得越来越复杂，智能交通系统的建立是最好的解决问题的方法。而车牌识别技术在智能交通系统中占有十分重要的地位。停车厂、收费站、生产企业的门禁管理都有车牌识别技术的身影。

在车辆车牌识别技术中的图像提取、字符分割起、字符识别过程中，数字图像处理技术起到了重要作用。但由于图像提取现场可能存在因时间、光线、天气的变化而造成的干扰使车牌成像效果较差的问题。所以目前现有的车牌识别系统都存在因环境变化而产生的识别率变化的问题。

1 车牌图像预处理技术

车牌图像预处理技术一般包括通过滤波技术、灰度化、图像增强、数学形态学等。

1.1 滤波技术

在实际工作场景中采集到的数字图像通常会因为外界环境、摄像设备、传输线路或保存精度等方面的原因，使其在进行预处理前受到各种噪声的污染。并且在图像处理过程中也可能会对图像产生噪声。噪声与我们想要处理的图像没有任何关联，还会对我们的处理产生不好的影响。所以，一般情况下我们会在进行图像处理前对图像采用滤波技术进行处理，常用的滤波方法有：中值滤波、均值滤波、高斯滤波等。

1.2 图像增强算法

图像的对比度不足是图像处理的过程中经常会遇到的问题。主要的原因是在获取车牌图像时受外界环境的影响。对比度不足的图像会影响到图像的后续处理效果，所以，一般情况下，在进行图像处理前会使用灰度变换的方法来对图像进行对比度增强处理，以达到改善视觉效果的目的。

1.3 数学形态学

数学形态学[1]是在1964年由法国巴黎矿业学院博士生赛拉（J. Serra）和导师马瑟荣，在从事铁矿核的定量岩石学分析及预测其开采价值的研究中提出的。数学形态学的数学基础和所用语言是集合论，因此它具有完备的数学基础，这为形态学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础。基本方法是利用一个拥有一定形状的结构元素来检测图像的形状和结构。

1.4 Mean Shift算法

Mean Shift这个概念最早是1975年在一篇关于概率密度梯度函数的估计的文章中由Fukunaga等人提出来的，它的意思是偏移的均值向机构量。一般是指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。目前，Mean Shift算法较多地应用到图像聚类方面。

2 车牌的定位与校正

本章主要描述的是对已有车牌定位方法的研究，了解它们的算法原理及其优缺点，并提出了一种效果更好适用范围更广的车牌识别系统方法，即将Mean Shift算法运用到车牌识别系统，然后在此基础上对车牌进行校正。

2.1 车牌定位

车牌定位是指根据车牌图像的区域特征来将车牌在图像中的部分从背景图像中分离开来，由于车牌区域在图像特征主要包括颜色和形状，车牌区域的颜色一般为蓝色、黄色或白色，它们与图像的背景颜色存在较大的差异。车牌的形状一般为矩形。而车牌号在外形和排列上都存在规律性。车牌定位技术就是将上述特征经过一定的变换与处理后，使之能作为车牌定位的依据。

常用的车牌定位的方法有基于颜色的方法、基于纹理特征的方法、基于数学形态学的方法、基于小波变换的方法等。这些车牌定位方法，都各自具有不同的局限性。使用Mean Shift算法进行车牌定位可以获得比较好的效果。对于图像空间的所有像素点，在经过Mean Shift算法迭代后，如果最终收敛于同一点，则停止迭代。用同样的方法对图像空间中的所有像素点进行迭代遍历，得出的结果根据收敛点的不同可以把整个空间分成几个区域。这些区域即为可能的车牌区域，再通过上述特征在可能的车牌区域中进行对照分析，就可以得到车牌区域。

2.2 车牌校正

车牌校正是为了解决拍摄的车牌图像因为角度问题，导致定位后的车牌倾斜，而倾斜的车牌会给车牌识别系统的后继步骤增添麻烦，车牌校正是必须的。车牌校正是利用车牌区域的矩形序列分布同组成车牌号的字母、数字位置的分布基本一致的特征，找到了矩形序列中矩形左上角像素点排列的近似斜率，从而找出车牌区域的偏转角度，完成车牌图像区域的校正。

3 车牌的字符分割与字符识别

3.1 车牌字符分割

车牌字符分割主要后面的字符识别做准备，它是把车牌图像区域中的字符和数字一一地分割开，以便于后续处理中对单个字符进行识别。字符分割的方法[2]主要有：基于连通域标记的字符分割算法、灰度垂直投影分割的方法等。

灰度垂直投影分割的方法是车牌字符分割处理中比较热门的技术。李文举[3]等在《种新的面向字符分割的车牌图像预处理方法》一文中提出的算法步骤是：字符上下边界的确定采用的是由中点到两端搜索的方法；运用一维循环清零法对分离出的车牌号图像区域进行垂直分割，从而得到车牌的单个字符；再对二值图像进行垂直投影，若垂线上有亮点则将对应的投影值设为1，否则为0，得到垂直投影矩阵。如果是车牌字符的话，则在生成的垂直投影矩阵上应该是连续的1。如果是字符之间的间隔的话，则应该是连续的0值，噪声点可能会出现单个的1和0值。在对矩阵进行扫描后，就可以识别出字符区和间隔区。

3.2 车牌的字符识别

车牌字符识别是将分割开的单个字符进行匹配判断。常用的车牌字符识别方法主要有：基于模板的识别算法、基于BP神经网络的识别算法等。

基于模板的识别算法由于其处理速度快、识别率高的特点为大多数设计所采用。它是把分割后的单个字符区域与预置的标准字符集进行匹配处理，取标准字符集中相似度最大的字符作为识别结果。这种算法的处理步骤是：将单个字符图像区域进行二值化并改变字符大小，使之与字符集中的字符大小相同，然后再进行匹配操作，筛选出相似首先需要有字符模板库，将待识别的字符进行二值化后，将其大小变成字符模板库中字符大小，然后与库中的字符进行匹配，以相似度最高的字符为最终结果。因为算法简单所以算法的速度较快，只要在前期的预处理中降噪做得比较好，这种算法的识别率也相对较高，是一种简单、快速、有效的字符识别技术，商用价值较高。

从目前研究情况盾来，由于车牌图像拍摄环境的复杂性和多变性，在选择及判断识别技术的好坏时具有一定的难度，现有的一些方法也存在不足。而智能化交通系统对车牌识别技术的需求却十分急迫。因此，需要我们进一步深入研究更有效的车牌识别技术，以使车牌识别系统更加完善。

参考文献：

[1]戴青云，余英林.数学形态学在图像处理中的应用进展[J].控制理沦与应用，2001，1，18（4）：478-482.

[2]左望霞.复杂背景下多车牌图像分割技术研究[D].电子科技大学硕士学位论文，2006.

[3]李文举，梁德群，崔连延，毕胜.一种新的面向字符分割的车牌图像预处理方法[J].计算机应用研究，2004（7）：258-260.

字符结构知识在车牌识别中的应用 篇4

摘要：提出了一种完全基于结构知识的字符识别方法。该方法以字符的结构特点和笔画类型、数据及位置作为识别特片生成判定时，再利用判定树对汽车牌照中的字母和数字进行分类识别。

关键词：车牌号码 字符结构 判定树 字符识别

汽车牌照识别是基于图像分割和图像识别理论，对含有汽车牌照的图像进行分析处理，从而确定汽车牌照在图像中的位置，并进一步提取和识别出文本字符。从不同车牌图像中分割出的字符图像各式各样，尺寸变化范围大，增加了识别的难度。尽管可以采用图像变换方法将分割出的所有字符图像归一化为相同尺寸，但归一化过程又不可避免地丢失有用的字符信息，造成图像失真，无助于提高识别准确率，并且浪费时间，降低了识别速度。

本文通过分析汽车牌照的特点，提出了一种利用字符的笔画特征和结构知识对汽车牌照中的字母和数字进行识别的方法。试验表明，该方法识别速度快、准确率高，不受字符图像大小影响，适应性强。

1 车牌字符结构和识别

中国大陆汽车牌照中使用的字符包括59个汉字、25个英文字母(字母I不用)和10个阿拉伯数字三种类型共94个，且都是印刷体，结构固定、笔画规范。图1是车牌号码中使用的全部字母和数字的图像。这些字符的结构在水平方向有三种类型：左右对称、左大右小、左小右大。在竖直方向同样有三种结构，即上下对称、上大下小、上小下大。如车牌号码中使用的数字“8”，就属于左右对称且上下对称。

从图1可以看出，全部字母和数字的笔画共有两大类：直笔画和弧笔画。直笔画又可分为横笔画、竖笔画、左斜笔画(相当于汉字笔画中的“撇”)和右斜笔画(相当于汉字笔画中的“捺”)。弧笔画是一条曲线段，本文将其分为两类：开弧笔画和闭弧笔画。所谓开弧笔画，指该弧笔画没有形成封闭环，如字母“C”。而闭弧笔画则形成一个封闭的环，如数字“0”。

(本网网收集整理)

根据字符图像的这一特点，本文采用下述方法对字母和数字进行逐级分类，形成一棵识别判定树，每个字符就是一个叶子：

(1)首先在待识别的字符图像中搜索封闭环的数量和位置。

(2)根据搜索到封闭环的结果判断字符所在的类封闭环字符类、双封闭环字符类、无封闭环字符类。 (3)针对每一类分别进行处理。

(4)双封闭环字符只有“8”和“B”，因此只要抽取竖笔画即可区分出这两个字符。“B”的左半部分有一长竖，而“8”没有。

(5)单封闭环的字符有“A”、“D”、“O”、“P”、“Q”、“R”、“0”、“4”、“6”和“9”。根据封闭环的位置将这些字符分成三类：封闭环在上部;封闭环在下部和封闭环在中间，然后再根据结构特点和抽取的笔画特征进行识别。

.封闭环在上部的字符有“P”、“R”和“9”。如果待识别字符图像上半部分有一个封闭环，则从左半部分抽取竖笔画;若左侧部分没有竖笔画，则该字符为“9”;若在左半部分抽取到竖笔画，继续抽取右斜笔画;抽取到右斜笔画，该字符为“R”;否则为“P”。

.封闭环在下部的字符有“A”、“4”和“6”。如果待识别字符图像下半部分有一个封闭环，则从右半部分抽取竖笔画;若右侧部分有竖笔画，则该字符为“4”;若在右半部分没有抽取到竖笔画，继续抽取横笔画;抽取到横笔画，该字符为“A”;否则为“6”。

.封闭环在中间的字符有“D”、“O”、“Q”和“0”。实际应用中，“O”和“0”的图像完全相同，可以作为同一个字符处理。如果待识别字符图像中间有一个封闭环，则首先利用上下对称特点判断是否为“Q”;若上下对称，则为“0”(“O”)或“D”;然后按照左右对称特征区分字符“0”和“D”。

(6)无封闭环的字符有“C”、“E”、“F”、“C”、“H”、“J”、“K”、“L”、“M”、“N”、“S”、“T”、“U”、“V”、“W”、“X”、

“Y”、“Z”、“l”、“2”、“3”、“5”和“7”，通过抽取笔画对这些字符进行识别，具体步骤如下：

・ 抽取横笔画和竖笔画。

・ 若待识别字符图像没有横笔画和竖笔画，则该字符为“S”、“V”或“X”。

・ 若待识别字符图像只有横笔画而没有竖笔画，则该字符为“2”、“3”、“7”或“Z”。

・ 若待识别字符图像只有竖笔画而没有横笔画，则该字符为“1”、“C”、“J”、“K”、“M”、“N”、“U”、“W'或”Y“。

・ 待识别字符图像既有横笔画又有竖笔画的字符为”5“、”E“、”F“、”C“、”H“、”l“或”T“。

.”S“、”V“和”X“的识别。抽取左斜笔画和右斜笔画，”S“没有这两种笔画，从而可识别出”S“。”X“的两条斜笔画交点位于字符图像的中间位置，而”V“的两条斜笔画相交于字符图像的下部，以此识别”X“和”V“。

・ 识别2”、“3”、“7”和“Z”。这四个字符中只有“Z”有两条横笔画，从而可以此识别出“Z”。“3”和“7”的横笔画都位于上部，而“2”的横笔画位于下部，这样又可以识别出“2”。对于“3”和“7”，利用左斜笔画进行识别。“7”具有左斜笔画，而“3”没有。

・识别“1”、“C”、“J”、“K”、“M”、“N”、“U”、“W”和“Y”。根据竖笔画的数量将这些字符分为三类，“1”、 “C”、“J”、“K”和“Y”都是一条竖笔画、“M”、“N”和“U”是两条竖笔画，而“W”有三条竖笔画，这样就完成了“W”的识别。

对于一条竖笔画的字符，判断该笔画的位置是在左边(“C”和“K”)、中间(“1”和“Y”)还是在右边(“J”)，即可识别出“厂。根据有无右斜笔画区分”C“和”K“，按照中间竖笔画的长短区分”1“和”Y“。

.由于字符”N“有一右斜笔画，以此将其从”M“和”U“中识别出来。对于”M“和”U“，依靠结构特征已无法识别，本文使用字符图像中前景像素个数与背景像素个数的比值来判断。根据这两个字符的特点，只计算字符上半部分即可。 ・ 识别”5“、”E“、”F“、”G“、”H“、”I“和”T“。这些字符中，只有”E“具有三条横笔画，”F“有两条横笔画，其余为一条横笔画。剩下的字符中，按照竖笔画的数量分为两组： ”5“、”L“和”T“为一条竖笔画，”G“和”H“为两条竖笔画。”H“的两条竖笔画长度相同，而”G“的两条竖笔画则一长一短，这是区分”G“和”H“的标志。”T“的.竖笔画在中间，”5“和”L“的竖笔画在左边。”L“的竖笔画长，”5“的竖笔画短，这样就完成了”5“、”T“和”L“的识别。

搜索封闭环实际上就是在字符图像中搜索连通域。在字符的二值图像中，假定字符像素值”1“，背景像素值为”0“，则：

(1)无封闭环的字符图像中只有两个连通域，即字符连通域和背景连通域，图2(a)中的B和F。

(2)只有一个封闭环的字符图像中有三个连通域，即一个字符连通域和两个背景连通域，图2(c)中的B1、B2和F。

(3)有两个封闭环的字符图像中有四个连通域，即一个字符连通域和三个背景连通域，图2(b)中的B1she、B2、B3和F。

搜索封闭环的算法如下：

(1)读入二值字符图像。

(2)找到一个像素值为”0“的背景像素点B。

(3)搜索B的连通域，并将该连通域内的像素全部标记为背景1。

(4)遍历图像中像素值为”0“的像素。

(5)若所有”0“像素都已标记为背景1，则该图像内封闭环个数为0，跳转到(11)。

(6)若存在没有标记为背景1的”0“像素点B1，则有封闭环。

(7)搜索B1的连通域，并将该连通域内的像素全部标记为背景2。

(8)遍历图像中像素值为”0“的像素。

(9)若所有”0“像素都已标记为背景1或背景2该图像内封闭环个数为1，跳转到(11)。

(10)若存在没有标记为背景1或背景2的”0“像素，则该图像内封闭环个数为2。

(11)结束搜索，返回封闭环个数。

字符的笔画抽取可参见文献[1]

2 识别测试

利用本识别方法，笔者对从车牌中分割出的字符进行了识别测试。所测试的字符包括了车牌中所使用的全部35个数字和字母共7000幅图像，其中图幅最大的为l00xl00像素，而最小的是20x20像素。正确识别的有6946幅，正确率超过99%。其中识别错误的图像主要集中在字母”0“和”D“。通过对这些容易识别错误的字符进行二次识别，可以大大提高识别准确率

本文提出的字符识别方法的核心就是通过判定树对字符群体层层分类，从树干开始逐步缩小识别范围，直到最后只有一类字符，即识别成功。

该方法具有如下特点：

(1)不需要建立识别样本库，完全依据字符自身的结构特征进行逼近识别。

车牌借用协议 篇5

乙方：购车指标借用协议

___________________ ___________________

购车指标借用协议

甲方：__________________ 身份证号：_________________________ 乙方：__________________ 身份证号：__________________________ 根据《合同法》、《道路交通安全法》及有关规定，双方在平等自愿、协商一致的基础上。就甲方以乙方名义购车达成如下协议：

一、甲、乙双方基于客观真实的情况共同做出以下约定：

由于北京现在实施车辆限购政策，乙方已经摇号取得购车指标，甲方尚不能取得购车指标，乙方愿将自己的购车指标借给无偿甲方使用，甲方保证在使用中不损害乙方的利益。

二、关于所购车辆权属约定如下：

⒈ ____年____月____日，甲方以乙方名义购买：_____________（以下简称所购车辆）一辆，乙方同意甲方出资购买以上车辆后并落户于自己名下。

⒉以乙方名义购买的车辆的出资均为甲方全部支付，故实际所有权人为甲方。

三、关于所购车辆付款的约定如下：

购车款及发生的相关费用（购置税、车辆保险等费用）均由甲方承担；以上所有交款凭据及《机动车登记证》均交由甲方保管。

四、关于所购车辆的使用约定：

⒈ 甲方享有对所购车辆全权占有、永久使用、收益及处分的权利。⒉因甲方实际占有并使用该车辆，乙方不得做影响甲方正常使用的行为，在甲方使用过程中，涉及乙方出面签名等事项应给予配合。

⒊乙方及其亲属不得对该车辆主张任何权益。

⒋乙方负责将本协议购车事宜告知乙方的亲属及所有利害关系人。⒌因甲方为该车辆的实际所有人及使用人，作为名义所有人的乙方，如对该车辆进行侵占、破坏、转卖、出租、抵押及赠与等行为，乙方以上行为均属无效。

五、甲、乙双方的权利和义务：

⒈甲方应该合理合法使用车辆，并负责给车辆上各种保险且自行负担所有费用，甲方应保证按《道路交通安全法》使用和驾驶车辆，如出交通事故或其它事故，所造成的一切经济损失及应承担的法律责任由甲方个人赔偿和承担，与乙方没有任何关系。

⒉在甲方具备办理车辆过户的条件后，乙方应无条件及时协助甲方办理车辆过户或转户手续。

六、其他约定：

⒈有关协议的一切争议，甲乙双方经协商解决未能达成一致的，任何一方均可向北京市丰台区人民法院提起诉讼。

⒉本协议一式两份，甲乙双方各执一份，自双方签字之日起生效。

北京车牌租赁协议 篇6

甲方（车辆牌照使用单位）：

乙方（车辆牌照被使用人）： 身份证号：

经甲乙双方协商一致，乙方将自有车辆牌照租借给甲方使用。现就租赁车牌照事宜双方达成协议如下：

一、甲方负责支付购买型号为：的车辆的一切费用；乙方只负责提供车牌为的车牌。

二、租赁期限：年，自年月日起至年月日止。如甲方在此期间通过摇号拿到车牌指标，可与乙方协商缩短或解除本协议，但须提前一个月协商。

三、租赁费用：大写元/月，即元/半年，半年为一个计算周期，甲方在每个周期开始的第一个月月末前将该周期的租赁费支付给乙方。

四、租赁期间，乙方不可将车牌指标租赁服务中断或给第三方使用。乙方因债权问题，引起车牌的连带责任及纠纷，乙方自行承担全部责任，甲方概不负责。甲乙双方明确：虽然车辆购买后在乙方名下，但该车辆所有权、使用权、处分权等均属于甲方，乙方及其利害关系人不享有该车任何权利，无权以任何方式使用、抵押该车。

五、租赁期内，车辆产生的一切费用及债务均由甲方支付并处理，乙方只负责提供车牌照，没有任何义务处理车辆产生的一切费用及债务。

六、车辆牌照在租赁期间，甲方应为该车上全险作为安全保障。如车辆出现一切交通事故与违法行为由甲方承担，乙方不承担责任。

七、车辆在租赁期间所产生的一切责任均由甲方承担，乙方概不负责。

八、租赁期间内，甲方要妥善保管车牌照，不得在未经乙方同意的情况下将其转让、转借等。

九、租赁期满后，甲方对车辆牌照的使用权自行终止，甲方应配合乙方办理车辆转出相关手续，便于乙方自行购买车辆使用自有牌照。

十、本协议未尽事宜双方协商解决，如协商不成，任何一方均可向北京市人民法院提起民事诉讼解决。

本协议一式贰份，双方各执壹份。本协议自签订之日起生效。

甲方（签字）： 乙方（签字）：

日 期： 日 期：

收款证明

今收到北京________________车辆牌照租赁费用：人民币_______元整。

特此证明。

收款人（签字捺印）：

基于FPGA的车牌识别算法研究 篇7

1 工作过程

车牌识别系统在智能交通系统中应用广泛, 其中数字图像处理与字符识别是最重要的两门技术。系统总体框图如图1所示, 其基本工作过程如下。

(1) 当有车辆经过拍摄区域时, 预先设置好的光电传感器被触发, 并唤醒识别系统, 使其处于工作状态。负责连接摄像头的光快门此时控制设置在车辆四周的高清相机同时对车辆进行抓拍, 从而获取图像。

(2) 抓拍到的图像经过视频卡输入计算机进行预处理, 预处理过程主要包括图像转换、图像增强、中值滤波和水平校正等。

(3) 检索模块负责搜索与检测牌照, 并定位、分割出包含车牌字符信息的矩形区域。

(4) 对车牌的七个字符进行二值化处理, 并分割出单个字符, 最后输入字符识别系统进行识别。

2 车牌识别算法设计

2.1 总体设计

整个识别系统包括定位和识别两大部分。最初的图像应具有较高的对比度和清晰度。只有这样才便于对车牌图像进行字符的分割和识别。但是受到图像采集部分工作于条件复杂的户外环境, 加之车牌的光滑度、光照度、抓拍时CCD相机与车辆所成的角度和距离以及车辆行驶速度等诸多不确定因素的影响, 图像可能有模糊、倾斜和污损等缺陷, 因此需要对初始图像在识别前进行预处理。

2.2 图像采集与平滑处理

本文选择的是普通的蓝底白字类牌照, 蓝色B通道对应的牌照区域为一亮的矩形, 而在该区域中并没有呈现出字符。因为白色与蓝色在通道中并无区分, 而在G、R通道或是灰度图像中情况却并不是如此。对白底黑字的牌照用R通道, 绿底白字的牌照用G通道, 牌照区域的位置就显而易见, 也为后续做进一步处理提供了方便。

当图像受到严重噪声干扰时, 可以通过低通滤波器来滤除噪声, 但有时为了简便, 在空域中也可以采用求邻域平均值的方法来削减噪声。然而, 图像灰度在平滑处理的时候会发生很大变化, 此时对字符边缘和轮廓等区域会变得模糊不清。为了消除模糊现象, 我们预先设置好中心点像素值与其邻域平均值的差值, 只有大于该阈值的点才能替换为邻域平均值, 从而大大削弱图像模糊现象。

2.3 牌照定位与字符分割

牌照定位在车牌识别系统中是非常重要的一环, 其主要目的是在图像经预处理后的图像中定位到牌照的具体位置。

本文采用垂直投影法进行分割, 字符在垂直方向上的投影会在字符间或字符内的间隙取得局部最小值, 且牌照的字符书写格式、尺寸限制及其他一些条件均应得到满足。分割出来的字符一般要进行进一步处理。本文只对车牌进行归一化处理来识别, 接着进行后期的处理。

2.4 字符识别

模板匹配算法首先对待识别字符进行二值化处理, 并将其尺寸大小进行缩放以便跟字符数据库中模板的大小保持一致, 接着与所有的模板进行一一匹配, 最终选出一个最佳匹配项。

3 算法验证和测试

在FPGA开发环境下使用Qsys系统互联, 将各个IP与处理器进行有机互联, 从而达到硬件与软件协同工作的目的。最终的车牌识别效果如图2所示。

4 结论

本文在FPGA集成开发环境Quartus II软件中分别对图像进行灰度化、二值化、定位、分割及识别等操作, 最终显示出车牌字符。系统具有视频图像采集实时, 定位分割准确和识别率高等优点。但从实验结果来看, 车牌定位和字符识别的算法对于污染特别严重的车牌有待进一步的改进。

摘要：车牌自动识别系统在实现智能交通系统方面发挥着重要作用, 整个系统包括车牌定位、字符分割和字符识别三部分。本设计先确定车牌在获取图像中的具体位置, 从而把车辆牌照定位出来, 进而对车牌用局部投影的方法进行字符分割, 最后采用模板匹配法进行车牌字符的识别。本文提出的方法具有实时采集视频图像, 车牌定位准确, 分割及识别效率高的优点。

关键词：FPGA,车牌识别,局部投影,模板匹配

参考文献

[1]冈萨雷斯.数字图像处理[M].2版.电子工业出版社, 2007, 8.

[2]郁梅.基于视觉的车辆牌照检测[M].计算机应用研究, 1999 (5) :65-67.

智能车牌识别技术 篇8

[关键词] 车牌定位车牌识别字符分割字符识别

车牌识别技术在公共安全、交通管理、及相关军事部门有着重要的应用价值，目前该技术主要应用于职能交通系统（Intdligent Transportation SystemITS）。一般来讲车牌识别软件系统主要包括三部分，它们是车牌定位、车牌分割和字符识别，车牌定位的任务是给出图像中车牌的位置，车牌分割的主要任务是将定位后的车牌区域中的字符分割出来，字符识别是最后一部分，它的主要任务是将分割出的字符识别出来。有关车牌识别技术国内外有大量的研究报道，在车牌识别系统中，涉及的方法比较多，有的算法简单，速度快，但识别正确率较低；有的算法复杂，正确率高，但速度慢，以下对现有的一些车牌识别技术进行综述比较。

一、车牌定位技术

车牌定位就是从车牌的图像中提取出车牌区域，它的好坏直接关系到这个系统识别率的高低，并且对识别速度也有很大的影响。由于车牌背景的复杂性与车牌特征的多样性，迄今为止, 仍没有一个完全通用的职能化车牌定位方法。车牌定位算法目前主要有基于彩色的方法、寻找车牌图像上下边界的方法、基于灰度的方法、基于频域或其他变换域的方法等几大类，结合这些基本方法与各种优化算法又派生出许多其他定位算法。

1.利用车牌的纹理的几何变化的定位方法

对车牌区域检测需要运用车牌区域所特有的属性。按照模式识别原理，应找到车牌区域图像固有的且与图像其他区域不易混淆的属性，并且所有使用的属性在各种环境下摄取的图像具有稳定性。在各种条件下车牌所在的图像区域稳定可靠的信息是它具有丰富的边缘，因此涉及了对边缘纹理信息分析为基础的算法。

这类算法的流程可以分为三个步骤:(1)预处理，将彩色图像转换成灰度图并进行图像边界增强;(2)利用根据牌照特点设计的变换公式进行变换;(3)对变换后的图像进行分析，利用牌照的几何特点进行定位。

2.利用图像信息差进行车牌定位的方法

这种方法是利用两帧或两场车牌图片之间的信息差，进行车牌的定位，所以这种方法也叫基于互相关矢量图的车牌定位算法。该算法已于车牌字符笔画两个边缘互相关值最大的原理，由原始图像构造两幅图像，用类似粒子图像测速互相关方法求出“位移矢量图”，再从中依据先验知识进行车牌定位的算法。该算法的特点是可在车牌两倍大小范围内自适应车牌大小，同时还可以得到对后续处理非常有用的信息。

3.利用颜色的车牌定位的方法

利用颜色的车牌定位方法不同于大多数的车牌定位方法，由于对车牌的大小、汽车在图像中的位置以及图像背景的限制很少，而且综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。有关车牌的模型化，根据机动车牌号标准，中国车牌照主要有蓝底白字、黄底黑字、黑底白字、和白底黑字4种类型，根据车牌底色，利用颜色空间距离及相似度计算，就可以从图像中分割出想要的顏色区域，再采用投影法来找到该颜色区域。

4.投影法进行车牌定位

在所有的车牌定位算法中，利用投影法进行牌照区域与背景的分割，是一种非常常用的方法，也是非常实用的方法。其实在上面提到的几种定位放法中，在完成特征计算后，都采用了投影的方法进行切分。投影法定位有牌照水平方向的定位算法和垂直方向的定位算法两种。

二、字符分割技术

在经过车牌定位后，为了方便后面的识别环节，应首先对字符进行分割，并进行归一化，分割质量的好坏和正确与否将直接影响后面的识别结论是否正确。它的主要任务是:确定车牌字符的上下边界，两条直线;将车牌中的字符一一分割出来;将分割出来的字符归一化到一个固定的大小。在这一过程中涉及到的技术主要有二值化、寻找精确字符边界、字符分割。

1.图像的二值化

二值化是车牌识别中的重要处理手段，它可以被用在车牌定位也可以用在车牌的分割中。图像的二值化就是把灰度图像变成黑白图像。选取一个阀值，当灰度值大于该阀值时令其位白点，否则位黑点。根据阀值选取的不同，二值化的算法分为固定阀值和自适应阀值。一般来说，不同的图像采用同一个阀值的效果也会大不一样，所以自适应阀值的灵活性比固定阀值的处理效果要好。但在默写特定的情况下，由于处理的是一组相似的图像，因此也可以选择一个固定的阀值来进行处理。自适应阀值的缺点是可能会产生许多噪声点，如果车牌系统应用范围很窄，则可以选择一个适当的固定点做阀值。

2.寻找边界

二值化后需要寻找车牌字符的边框，一边更精确地定位车牌。根据在字符区域与背景区域的交界处，前景象素的个数会发生突变。从区域的中间点出发，依次寻找上、下、左、右边界。经过上面的车牌定位，可以认为该块区域的中心点位于字符区域内。统计每一行和每一列的白点（即前景点颜色）个数，当发生冲突的时候就认为有可能到达边界了，排除一些噪音干扰，就可以得到字符区域的边界。

3.字符分割

经过牌照字符图像的分割与二值化，得到的是一个只包含牌照字符的水平条区域，为了进行字符识别，需要将牌照字符从图像中分割出来。投影法进行图像字符分割是最简便快捷的方法，其思想是根据车平均字符的特点，把车牌图像进行垂直方向的投影，音字符区域黑色像素点比较多且集中，且每个车牌字符之间有一定的空隙间隔隔开。这样投影下来得到的投影图应该有几个相对集中的投影峰值群，只需要根据峰值群的特点进行分割，就可以得到车牌的字符。

车牌图像字符定位分割的具体算法如下:(1)对车牌图像进行垂直投影，定位出每个字符的左右边界，并保存在数组中;(2)把每个字符分割出来，再进行水平投影，定位出字符具体的上下边界，并保存再数组里;(3)根据每个字符的边界，把字符信息保存再数字里，并在图像中显示定位情况。

三、字符识别

字符识别是车牌识别的最后一步，也是计算量较大的部分。对于单个的字符，最直接的识别方法就是模板匹配方法，由于牌照字符有限且位确定的字体，因此，如果前面的步骤完成的质量较高，则用这种方法的识别效率也会很高，但是如果牌照校正得步规范或字符切割得不够精确，则识别率就会大大降低，因此在实际中，通常都是利用字符的各种特征来进行识别。

1.字符的特征

车牌识别中可利用的字符特征很多，大致可以分为结构特征、象素分布特征及其他特征。

(1)结构特征，结构特征充分利用了字符本身的特点，由于车牌字符通常都是较规范的印刷体，因此可以较容易地从字符图像上得到它的字符的笔画信息，并可根据这些信息来判别字符。

(2)象素分布特征，象素分布特征的提取方法很多，常见的有水平/垂直投影的特征、微结构特征和周边特征等。水平/垂直投影的特征是计算字符图像在水平和垂直方向上的象素值的多少，以此作为特征。微结构法将图像分为几个小块，统计每个小块的象素分布。周边特征则计算从边界到字符的距离。

2.字符识别方法

(1)模板匹配字符识别。模板匹配是字符识别的最基本的方法之一，该方法是将要识别的字符与实现构造好了的模板尽心比较，根据与模板的相似度大小来确定最终的识别结果。基本思想是：首先根据切割下来的字符大小，确定一幅带有加权因子的骨架模板，然后，将切割下来的字符按照模板的大小进行归一化，包括大小的归一化和灰度的归一化，归一化后的字符图像与创建的模板进行匹配。

(2)基于过线数特征的识别方法。该方法是为了提高识别速度，它也是模板匹配的一种，是对模板的算法进行的优化，从模板中提取一些有用的特征，可以使识别速度大大提高。单一特征抽取构成的识别系统通常难以满足要求。车牌识别系统的字符识别，其实也是一种印刷体字符识别，根据印刷体的结构抽取特征，比如数字识别为例，可以抽取四种特征：横线特征、竖线特征、水平方向过线数、垂直方向过线数。然后就可以利用这四种特征和编码器组合的方法实现对印刷体数字的识别。

(3)基于左右轮廓特征的印刷体数字识别。基于左右轮廓特征提取的方法其实质也是一种特征提取的方法。由于印刷体数字的形状相对固定，而且其左右轮廓基本上反映了字符的特征，将数字的左右轮廓特征经归一化处理后得到多个特征值。

一个完整的车牌识别系统包括图像采集、图像处理、车牌定位、字符识别、近端或远端数据库、网络支持等模块。本文主要介绍了车牌定位与识别等关键技术，其他不再一一赘述。

车牌管理规定 篇9

临时号牌变2张 统一粘贴位置

根据新标准规定，从1月1日起，载客汽车的临时行驶车号牌由1张调整为2张，并将安装方式由之前的“放置在车前挡风玻璃右侧”调整为“粘贴”在统一位置。

对于尚未登记的载客汽车，需要临时上道路行驶的，应当同时粘贴2张临时行驶车号牌：1张粘贴在车内前风窗玻璃的左下角或右下角位置，要求不遮挡驾驶人视线;另1张应当粘贴在车内后风窗玻璃左下角。

其他类型汽车应当将临时行驶车号牌粘贴在车内前风窗玻璃的左下角或右下角不遮挡驾驶人视线的位置。

根据新标准要求，临时行驶车号牌必须粘贴在风窗玻璃上，否则公安机关将按照不按规定安装号牌进行处罚。

规定牌照架方式 违规不许上路

按照新标准的规定，机动车可以使用牌照架辅助安装号牌，但牌照架内侧边缘距离机动车登记编号字符边缘应大于5mm。

机动车可以使用的牌照架为固定式牌照架，不包括外置锁式、内藏锁式、电子自动遮挡和更换式等便于更换拆卸的活动牌照架，不允许使用可拆卸活动号牌架和可翻转号牌架。

同时，机动车号牌架外框不得带有标志、字母、装饰图案，更不得遮挡号牌字符，否则视为涉牌涉证违法行为。

车牌转让协议书 篇10

签约时间：年月日

签约地点：

甲方（转让方）：身份证号：

住址：联系方式：

乙方（受转让方）：身份证号：

住址：联系方式：

甲方自愿将北京用车指标及该车牌号转让给乙方，双方经过充分协商达成如下意见：

1、甲方将北京用车指标及车牌号终身使用，使用费元人民币，在车辆管理部门登记备案仍为甲方名字，实际使用为乙方。在甲方协助乙方将该车牌号合法悬挂在乙方指定车辆，乙方获得相应的车辆行驶证3日内，乙方支付上述 可他人使用。

2、悬挂上述车牌的车辆实际所有权人为乙方，甲方不对上述车辆所有权持任何疑义。

3、甲方不得对悬挂上述车牌的乙方车辆行驶出售、出租、抵押等违法行为，如发生上述情况由甲方承担相应法律责任。如因上述行为给乙方造成损失，甲方负责赔偿。

4、乙方在为悬挂上述车牌的车辆办理年检、保险、交通事故理赔、更换车辆等需要甲方配合的事宜时，甲方无条件予以配合，不再收取任何费用。车辆管理部门对上述车牌进行统一更换时，乙方当然取得车牌号的使用权，无需另行支付费用。

5、该协议双方签字后生效，如因本协议发生争议，可在甲、乙任何一方所在地法院解决。

基于图像处理技术的车牌识别研究 篇11

关键词：灰度化,滤波,边缘检测,图像分割,字符识别

0 引言

当今汽车行业正呈现迅猛增长势头。随之而来地,诸多的汽车管理领域也逐渐获得了发展重视,同时研究者们则开始更多地关注于高速公路、停车场出入口监管,公共安全监控和犯罪分子追踪等现实攸关的重点方向领域内容。在此背景下,自动化识别即已日益突显其在该应用领域内容研发处理中的关键重要地位。而在与之对应的主流分支、即车牌识别研究中,当经历了多方系统论证后可知,图像的处理与分析即是其达到最终目标的基础决定性环节。具体来说,由于在不同场合,受光线、天气、距离、拍摄角度等多种因素影响,拍摄得到的车牌效果差别很大,因此,就需要将多种图像处理和分析技术,例如将直方图均衡化、灰度化、图像边缘检测技术、图像分割技术、字符识别等技术相结合以实现最佳图像处理效果。本文即针对此一内容展开研究论述,主要给出了车牌识别技术的原理和完整实现过程。

1 车牌图像的预处理

车牌原始图像通常受光线、天气、车牌污损、拍摄角度等原因造成图像画面底质不佳,因此在车牌识别前,则需要对车牌进行预处理,使得处理后的图像便于识别。在预处理技术中,主要使用的有灰度化处理、二值化处理、直方图处理、滤波等。

1.1 图像灰度化处理

未处理车牌图像多会带有颜色,而彩色图像包含信息容量较大,因而不易处理。在车牌识别中,具体设定任务是识别车牌号码,所以色彩一般来说并不重要。为此,可以先将彩色图像转换成灰度图像。图1 即已展示了一幅未处理车牌图像转换为灰度图像的效果对比。

1.2 二值化处理

二值化处理是将图像由彩色或灰度图像转换为黑白二值图像的过程。二值化处理后,图像只有黑白两个色度的图像,使图像的对比度明显提高,易于辨认识别。但其缺点是丢失图像的大量细节。图2 是未处理彩色图像转化为二值图像的效果呈现,图3 是将灰度图像转化为二值图像的效果展示。

由上图可知,在二值化过程中,由于车牌蓝底、白字的对比度并不清晰,使得在二值化过程中可能会造成边缘不易分辨,而灰度图像的二值化效果却更显优势,因此研究将在灰度图像的基础上进行二值化图像的处理。

1.3 直方图处理

直方图是灰度图各像素灰度分布的图表。可以由直方图有效推理而得到图像的灰度构成及分布。反过来,通过人为将直方图均衡化或者匹配化往往可以取得很好的处理效果。图4 中( a) 为原始图像的灰度图像,( b) 为其直方图,从直方图中可以看出,直方图整体呈现偏左,且密集,代表图像灰暗部分多,明亮部分少。基于直方图的理论分析,如果直方图发生了偏左,表明图像偏暗; 若出现了偏右,表明图像太亮; 而若集中于中段,明亮度适合,但对比度稍差。综上可知,如果想得到亮度适中、对比度良好的直方图,即应使得直方图分布均匀。相应地,图4 中( c) 和( d) 就是直方图均衡化后的效果图像,整个图像的亮度明显提高。

1.4 滤波

车牌图像在拍摄过程中,容易受到自然因素、湿度、泥污残留等各种因素的干扰,因此拍出的图片经常出现各种噪声。因为噪声产生的原因复杂、形式多样,在图像处理领域已经设计各种手段以降低或消除噪声。通常采用方法就是滤波,借助其来消除图像噪声,即通过对图像区域进行转换,再替代未处理的图像。当下比较成熟的滤波技术有均值滤波、中值滤波等。

具体来说,均值滤波的实现过程是将中心在( x,y) 点,尺寸为m* n的矩形子图像窗口进行计算,求得被噪声污染图像g( x,y) 的平均值; 而中值滤波则是属于统计排序的滤波器,并将结果中相邻像素的灰度中值来代替原像素值。

图5 是均值滤波后和中值滤波后的车牌图像。

2 图像边缘检测

车牌图像的识别通常仅需要识别车牌区域即可,如何在整张图片中提取获得车牌区域,此时就要用到图像分割。时下流行的方法是边缘检测,因为车牌边缘与背景图像之间往往存在较大的亮度差,基于此就可以采用一定的算法提取出所需图像边缘部分的信息。常见的边缘检测算子有prewitt算子、roberts算子、sober算子和拉普拉斯算子[1]。

图6 是利用上述各算子模板产生的边缘检测效果。

3 车牌字符的分割与识别

字符识别是车牌识别的核心焦点。在完成对整个车牌图像整体相关处理后,即可进行字符的分割与识别。因为车牌的字符间隔较大,其基础方法思路即为寻找连续文字块,若长度大于某阈值,则认为该块有两个字符组成,需要分割[2]。字符分割的Matlab实验结果如图7 所示。

目前,车牌字符识别的主要算法分别有如下两种: 基于模板匹配的算法和基于人工神经网络的算法。在此,可对其分述如下。

首先,基于模板匹配的实现过程可概述为: 对被识别的字符进行二值化处理,再将字符尺寸缩放成字符数据库中模板的尺寸进行匹配,由此选取最佳的匹配作为识别结果。

其次,基于人工神经网络的字符识别有两种技术实现方式: 其一是,先对被识别字符提取特征,再用所获得的特征集来训练神经网络分类器,最后进行匹配。其二是,直接利用神经网络将被识别的图像输入网络,由网络自动实现特征提取直至识别[3]。

模板匹配法实现上要更为简单,并且车牌的字符也比较规则,因此对字符图像的缺损、污迹等干扰的适应力较强且识别率较高。而神经网络算法识别效果却与字符特征提取密切相关,字符特征提取将消耗较大的资源。故而研究选用模板匹配法作为车牌字符识别的主要方法。

模板匹配的实施步骤如图8 所示。

由图8 可知,模板匹配的实现过程是将从被识别车牌的图像区域f( i,j) 中提取的若干特征量与模板T( i,j) 相应的特征量进行逐项比对,计算二者间规格化的互相关量,互相关量最大的则表示二者相似程度最高,可将被识别的图像归于其所属分类。也可以用最小距离法判定所属类,即通过计算图像与模板特征量之间的距离来给出判定,距离最小的就表示二者最接近。然而,由于成像条件存在差异,会产生有较大的噪声干扰,或未处理的图像经预处理和规格化处理后,可能使得图像的灰度或像素点的位置发生改变,故而在实际构建模板时,应当注意考虑各类似区域之间差别,及容易由处理过程引起的噪声和位移等因素,再基于图像不变特性来进行优良设计,就可以有效解决上述问题[2,4]。

本文采用相减的方法来求得字符与模板中哪一个字符最为相似,由此找到相似度最大的输出。我国汽车牌照标准统一,少量特殊车辆不一致,字符一般为七个,车牌第一位规定是汉字,代表车辆所属省份; 其后为字母或数字组合。车牌字符识别由于字符数有限( 汉字共约50 多个,大写英文字母26个,数字10 个) ,就使得建立字符模板库比较方便。

本文Matlab实验结果如图9 所示。

4 结束语

本文对车牌识别过程中涉及到的关键图像处理技术进行研究,从前期的图像预处理,到图像的定位与检测,到最终的字符识别进行了详细的介绍。车牌图像因为受光线、天气、泥污、拍摄角度等多方面影响,造成原始图像差异很大,图像噪声严重。另外,车牌图像具有蓝底白字( 少量其他特殊车辆具有其他颜色) 等通用特征,决定了在车牌分割中必将具有一定的规范性。因此,通过图像的前期处理和图像分割的方法,可以将车牌字符定位出来。且车牌字符具有不连贯性,为字符识别带来方便。本文给出了车牌图像识别常用技术和方法,并通过Matlab实现,为车牌识别领域的研究提供一定的帮助和借鉴。

参考文献

[1]刘超.实时无缝全景图像拼接技术研究与实现[D].长沙:中南大学,2011.

[2]王立强.车牌自动识别技术的算法与实践[J].廊坊师范学院学报(自然科学版),2010,10(4):39-41.

[3]甘英俊,胡天翔,沈海涛,等.基于机器视觉的汽车牌照识别[J].机械制造与自动化,2009(2):97-101.

[4]董然.基于J2ME的车牌识别系统的研究[D].太原:太原理工大学,2010.