[文献综述]车牌识别

1 前言

近几年来，随着汽车的数量猛增，智能型交通体系(ITS——Intelligent Transportation System)便成为未来交通监管系统的主要发展趋势，所谓智能交通系统是在较完善的基础设施(包括道路、港口、机场和通信)之上将先进的信息技术、通信技术、控制技术、传感器、计算机技术和系统综合技术有效的集成， 并应用于地面运输系统，从而建立起在大范围内发挥作用的，实时、准确、高效 的运输系统

[1~2]

。

行驶车辆的车牌实时识别尤其是智能运输系统研究的重要组成部分。车牌识 别系统是对公路上配置的摄像头拍摄的照片进行数字图像处理与分析，综合应用 大量的图像处理最新成果和数学形态学方法对汽车图像进行平滑、二值化、模糊 处理、边缘检测、图像分割、开运算、比运算、区域标识等，利用多种手段以提 取车牌区域，进而达到对汽车牌照的精确定位并最终完成对汽车牌照的识别。

车牌识别系统的用途很多，如高速公路电子收费站、公路流量控制、公路稽 查、失窃车辆查询、监测黑牌机动车、监控违章车辆的电子等公路监管场合， 以及停车场车辆管理、出入控制等需要车牌认证的场合都要应用车牌识别系统， 尤其在高速公路收费系统中，实现不停车收费技术可提高公路系统的运行效率， 由此可见车牌识别系统具有不可替代的作用， 因此对车牌识别技术的研究和应用系统的开发具有重要的现实意义。

2 车牌识别技术研究现状

车牌识别系统要综合应用多种手段提取车牌区域， 对汽车牌照的精确定位并最终完成对汽车牌照的识别。因此车牌识别系统要应对多种复杂环境，如车流量高峰期、照射反光、车牌污染等。利用模拟人脑智能ANN，在识别车牌时能 进行联想记忆与推理，能够较好地解决字符残缺不完整而无法识别的问题。

2.1 车牌识别方法的研究

车牌识别系统主要包括车牌定位、字符分割、字符识别等工作模块，同时系统自身具有良好的维护性和扩展性，可在无需为车辆加装其他特殊装置情况下实 现对车辆的自动检测

[3]

。

2.2 车牌定位方法的研究

车牌定位就是把车牌区域完整的从一副具有复杂背景的车辆图像中分割出来，它是解决图像处理中的实际问题，其方法多种多样，当前最常见的定位技术

1 / 6

主要有：基于边缘检测的方法、基于彩色分割的方法、基于小波变换的方法、遗 传算法和人工神经网络技术等。

基于边缘检测的车牌定位方法：在对车牌进行定位前，先将汽车图像通过灰 度变换、直方图均衡化等增强预处理，再经二值化，最后利用边缘检测算子对图 像进行边缘检测。检测到边缘后在进行区域膨胀，腐蚀去无关的小物件，这时图 像会呈现出多个连通的判断区域， 最后找出所有连通域中最可能是车牌的那一个便可

[4~5]

。

基于色彩分割的车牌定位方法：主要由彩色分割和目标定位等模块组成，在 进行色彩分割前，要先将原始图像从RGB色彩空间转换到HSV空间，再在HSV空间内进行色彩分析。具体的分割运算：依次将四种车牌底色中一种为基准，对图像中每一像素先对照表1进行色彩分量比较，对超出基准色限定范围的像素直接设置为背景色(白色)，否则统计所有落在该区间内的像素三分量的均值，作为分割计算的颜色中心，再对所有区间范围内的像素计算其与颜色中心的色彩距离，若距离大于阈值，则设置为背景色，否则设置为目标色(黑色)。对大量图片的色彩分析得出的四种色彩所限定的区间范围值如表1所示：

表1 HSV三分量范围(—表示该值不予考虑)

H S V 蓝 [ 200—250 ] [ 0.35—1 ] [ 0.3—1 ] 黄 [ 25—55 ] [ 0.35—1 ] [ 0.3—1 ] 白 — [ 0—0.1 ] [ 0.92—1 ] [6~7]

黑 — — [ 0—0.35 ] 由于图像背景的复杂性， 色彩过滤后的图像仍然可能包含多个可能的目标区域，需进一步使用车牌体态比特征对多个目标区域进行过滤

。

基于小波变换的车牌定位方法：先将车辆图像转换成索引图像，然后对索引 图像作用小波变换，获取图像在不同子带的小波系数．车牌特征提取就是基于汽 车图像在小波变换后的LH高频子带，根据图像中车牌区域的小波系数幅值大、密度高的特点，可以通过作用一个阈值来滤掉非牌照候选区域的小波系数。通过小波尺度分解提出纹理清晰且具有不同空间分辨率、不同方向的边缘子图；再利用车牌目标区域具有水平方向低频、垂直方向高频的特点实现子图提取，最后用数学形态学方法对小波分解后的细节图像进行一系列的形态运算， 进一步消除无用信息和噪声，以确定车牌位置

[8]

。

基于遗传算法的车牌定位方法： 车牌目标区域的主要特点有车牌底色往往

2 / 6

与车身颜色、字符颜色有较大差异；另外牌照的长度比变化有一定范围，存在一个最大和最小长宽比。根据这些特点，可以在灰度图像的基础上提取相应的特征。还有车牌内字符之间的间隔比较均匀，字符和牌照底色在灰度值上存在跳变，而 字符本身与牌照底的内部都有较均匀灰度。 又由于车牌有一个连续或由于磨损而不连续的边框，车牌内字符有多个，基本呈水平排列，所以在牌照的矩形区域内存在较丰富的边缘，呈现出规则的纹理特征，因此在实际中我们只要先对彩色图像进行灰度化和二值化处理， 采用反映不同疏密度的一维滤波器组在水平方向上对二值图像进行滤波便可获得车牌图像的纹理特征向量， 再对待定局部区域图像进行滤波处理获得其特征向量， 将其与车牌特征描述向量进行比较就能得到该区域作为车牌区的可能性

[9~10]

。

采用神经网络实现车牌定位算法：可采用对灰度图像直接感知的方法实现，即使用一个滑动窗口作为采样窗口(可根据车牌特征选择长条形或狭长形滑动窗口） ，在灰度图像上依次移动，将窗口覆盖下的图像块作为神经网络的输入， 所采用的BP 网络是3 层全连接前馈网络，其输入层神经元数目为滑动窗口的尺 寸，其输出层神经元数目为1 。当输出接近1/2时，表示滑动窗口下的图像块属于车牌区域;当输出接近1/2时，表示滑动窗口下的图像块属于背景区域。此算法的样本集的选择和搜索策略都是很重要的，这都会对定位效果有影响，因此首先要对车牌和北京交替反复采样，并且要在所选图像中尽量包括各种不同光照条件、背景复杂度和牌照颜色，以有利于网络实现泛化，这样可以加强网络的容错性；而对于搜索策略而言，由于车牌一般位于图像的中下方，因此一般采取自下而上遍历，这样不容易误将车型标志处定位为车牌区域，并且当遍历图像后出现不止一个候选车牌区域的时候，也应优先考虑最下的候选车牌区域。另外，由于神经网络具有一定的容错性，对于倾斜角度较大的车牌，要在神经网络处理之前先进行水平校正

[11]

。

2.3 国内外研究现状

现在一些实用的车牌识别技术已经开始用于各种车牌监控场合， 如以色列的Hi-Tech Solutions公司、Zamir公司，新加坡的Optasla公司都研制出了较为成熟的车牌识别系统

[3]

。

我国的车牌识别研究也取得了相当的成果， 许多识别算法也已经应用于实践当中。如北京汉王科技的“汉王眼”采用了DSP嵌入式一体化结构，可在本地进行数据采集、识别、存储， 根据系统需求上传相关数据， 大大减少了数据传

3 / 6

输量， 提高了系统的实时性；昆明利普视觉提供的车牌识别通用软件模块， 不依赖于特定的硬件设备，可由用户或系统集成商自行采购，成本较低，在国内应用广泛。这些车牌识别系统大大提高了智能交通的管理效率，可以针对超速以及被盗车辆和交通肇事逃逸车辆实现实时报警，并上传相关信息，对、交警破案具有极大的实际意义

[3]

。

3 总结

综上所述，可见车牌识别技术在智能交通系统发展中所占的重要地位，而随 着社会经济的快速持续发展，车辆数目增长迅猛，道路交通运输日益繁忙，使得交通拥堵和交通事故成为城市交通中颇受困扰的突出难题，日益严重的交通状况更让人们重视道路交通运输系统的管理和监控技术的开发，车牌字符识别技术便 越来越受到人们的关注。

现在车牌字符识别的研究在技术上已经取得了很大的突破， 但是距离实用化要求还有一定的距离，许多新方法还仅停留在理论上或者受到约束限定，车牌字符识别的研究仍然有很长的路要走。

参考文献

[1] 迟铁军, 高鹏. 国外智能交通系统发展状况分析及对我国的启示[J]. 黑龙江交通科技,

2009, 32(2): 111~114

[2] 郭红兵. 智能交通系统在城市道路交叉口中的应用现状与发展展望[J]. 陕西交通职业技

术学院学报,2009, 2(1): 13~17

[3] 杨忠秀, 宋加涛等. 车牌定位算法研究[J]. 实用设计, 2007, 31(1) : 79~81

[4] 梅林, 刘锋. 基于边缘检测与垂直投影相结合的车牌定位方法[J]. 甘肃科技, 2009, 25(3): 16~17

[5]Wenjing Jia, Huaifeng Zhang, Xiangjian He. Region-based license plate detection[J]. Journal

of Network and Computer Applications, 2007, 30(4): 1324~1333

4 / 6

[6] 杨家辉, 王建英. 基于色彩分割与体态纹理分析的车牌定位方法[J]. 计算机与现代化,

2004, 25(11): 23~25

[7]Feng Wang, Lichun Manb, Bangping Wang, Yijun Xiao, Wei Pan, Xiaochun Lu. Fuzzy-based

algorithm for color recognition of license plates[J]. Pattern Recognition Letters, 2008, 29(7): 1007~1020

[8] 范蕤, 潘永惠. 基于小波变换的车牌定位算法研究[J], 通化师范学院学报, 2008, 29(10): 4~6

[9] 张玲, 刘勇, 何伟. 自适应遗传算法在车牌定位中的应用[J]. 计算机应用, 2008, 28(1): 184~186

[10] 谭熙, 黄樟灿. 基于自适应性的车牌定位新方法[J]. 计算机技术与自动化, 2008, 27(3): 73~77

[11] 陆恩诞, 陆锋, 袁晓辉. 用神经网络进行车牌定位的研究[J]. 南京理工大学学报, 2002, 26(S1): 501~701

7 [12] 范玮琦, 穆长江. 一种基于汉字结构特征的车牌照字符分割方法[J]. 仪器仪表学报, 2003, 24(4): 472~474

[13] 胡小峰, 赵辉. Visual C++/MATLAB 图像处理与识别[M]. 北京: 人民邮电出版社, 2004. 84~233

[14] 李文举, 梁德群. 质量退化的车牌字符分割方法[J]. 计算机辅助设计与图形学学报,

2004, 6(5): 697~700

[15] Shigueo Nomura , Keiji Yamanaka, Osamu Katai , Hiroshi Kawakami , Takayuki Shiose. A

5 / 6

novel adaptive morphological approach for degraded character image segmentation[J]. Pattern

Recognition, 2005, 38 (11): 1961~1975

[16] 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

[17] 魏武, 王明俊, 王起森, 等. 一种基于模板匹配的车牌识别方法[J]. 中国公路学报, 2002, 14(1): 104~106

[18] 谢剑斌, 刘通等. 基于多特征和加权模式相似性测度的车牌字符识别方法[J]. 计算机工

程与科学, 2008, 30(8): 36~38

[19] Mehmet Sabih Aksoy, Gültekin Ça˘gıl, Ahmet Kür¸sat Türker. Number-plate recognition

using Inductive learning[J]. Robotics and Autonomous Systems, 2000, 33(2~3): 149~153

[20] Shamik Sural , P. K. Das . Fuzzy Hough transform and an MLP with fuzzy input/output for

character recognition[J]. Fuzzy Sets and Systems, 1999, 105(3): 4~497

6 / 6