基于MATLAB的车牌识别系统研究

摘 要：为了提高车牌识别准确率，以MATLAB为平台，对车牌识别系统部分算子选择及算法进行调整和优化。在具体处理中，通过灰度拉伸、顶帽变换、二值化等实现车牌预处理，用边缘检测、形态学处理等实现车牌定位，通过多种算法对比选择合适的车牌矫正方法，结合车牌垂直投影法、模板匹配法完成车牌识别系统设计。该系统对车牌识别的准确率由96.5%提升至97.5%，识别效果较好。

关键词：车牌识别;顶帽变换;形态学处理;车牌定位;车牌矫正

DOI： 10. 11907/rjdk.191347

开放科学（资源服务）标识码（OSID）：

中图分类号：TP301

文献标识码：A

文章编号：1672-7800（2020）001-0050-05

0 引言

车牌之于车辆，就像身份证之于人。无论是在交通管理中还是在小区车辆进出监控中，都可以通过对车牌号的采集，与原先录入系统资料库中的信息进行对比，找到一系列车辆及车主相关信息，实现有效监管[1]。车牌识别准确与否直接关系到监管质量好坏，因此在实际应用中需求车牌识别系统有很高的准确率。

20世纪80年代开始，国外在交通管理方面就开始使用智能联网方法，在车牌识别技术领域更是处于领先水平[2]。像英国的ANPR系统，在20世纪70年代就已出现，在80年代初就已经能在250ms内识别车牌。经过不断改进和完善，如今的ANPR系统已经是全英国车牌识别系统的代表;新加坡Optasia公司研发了适用于道路车牌识别的VLPRS系统，该系统的使用进一步推动了新加坡交通智能化发展，准确率已达99.8%[3];美国的GE车牌识别系统也表现出出色的识别能力[3];法、日、德、加拿大等国家的车牌识别技术发展迅速，准确率均达98%以上。

我国车牌识别系统研究从20世纪90年代真正开始，国内行驶车辆快速增长，车牌识别技术发展迫在眉睫[4]。喀什大学贾秀红[5]通过OSTU算法，使车牌识别率达到93%以上;西安航空学院马晨[6]采用神经网络算法，在200ms内实现车牌识别。但由于噪声、光线等影响，图像清晰度不够，车牌识别系统准确率严重下降[7-8];在实际定位车牌时，少量邊缘信息存在丢失现象;车牌识别系统设计中，速度和精度协调不易把控[9-11]。

针对上述情况，本文充分考虑国内车牌特点，以国内蓝底车牌为例在MATLAB中进行车牌识别系统设计。在预处理时将灰度拉伸、顶帽变换、二值化等多种方法相结合，实现噪声抑制，突出目标特征。对定位方法加以改进，适当拓宽定位目标面积，减少边缘信息丢失情况。对校正方法加以选择，在保证精度的情况下选择数据处理时间较短的算法，实现系统速度和精度的协调。

1 车牌提取

在实际情境中，为提高图像质量，往往选择分辨率较高的图像采集设备，导致采集的图像像素也相应增大，这给系统识别速度带来了很大压力。为了保证系统运行速度，在读取图像后，需对不满足系统规定尺寸的图片进行等比例压缩。本系统将要处理的图像尺寸设置为400#300，在读入图像时，先计算图像尺寸，当图像高度高于400时，以（400/y）的压缩比进行压缩。

2 预处理

2.1 灰度化处理

系统在数据处理时，彩色图像需要处理的数据远远大于灰度图像。在不影响处理效果的前提下，出于系统识别速度的考量，将图像进行灰度化。灰度化采用加权平均算法[12]：

式（2）中f（x，y）为原图像，其灰度范围为[a，b];B（x，y）为处理之后的图像，其灰度范围为[c，d]。对灰度变换后的车牌图像进行拉伸实际上是将原图像的灰度等级扩展至[0，255]范围之内。灰度拉伸前后对比如图l所示，由于为拉伸前灰度图的灰度级较为分散，因而灰度拉伸后效果并不明显。

2.3 顶帽（Top-hat）变换

汽车图像在采集时往往存在光照不均匀问题，直接影响后期图像的准确分割.因此在前期图像预处理时减少光照影响尤为重要。

顶帽变换的实质是通过一个结构元素对要处理的图像进行开运算，并将该运算得出的图像通过差操作从原图像中删除[14-16]。

T hat（f） =f-（f°b）

（3）

式（3）中，b为结构元素，f为待处理图像。

根据式（3），定义一个半径为16的圆盘为结构元素，对灰度拉伸处理后的图像进行开操作，分离出的背景图像如图2所示，原图像与背景图像做差运算，得出处理后的增强图像如图3所示。

值得注意的是，所选取的结构元素一定要足够大，防止出现拟合物体现象。从图2和图3可以看出，本设计选用的元素结构对背景分离有很好的效果。

2.4 二值化图像

二值化图像的目的是进一步减少多余数据量，使所要提取的图像特征更明显。二值化处理过程中，确定适当的阈值尤为重要，它将直接决定处理效果。由于车牌识别系统对图像处理速度和精确度要求都较高，传统平均值法、设定阈值法呈现效果并不理想，而双峰法、迭代法和OSTU大律法都需要相当的计算时间，因此在确定阈值时根据经验选择如下方法：

式（4）中T为所求阈值，MAX为待处理图像矩阵的最大值，MIN为待处理图像矩阵的最小值。

通过计算，取图像矩阵中的最大值和最小值分别带人式（4）中，得出二值化处理的最佳阈值。二值化处理后的图像见图4。用该方法处理图像，既能达到系统所需效果，也能在极短时间内确定合适的阈值。

3 定位

3.1 边缘检测

边缘检测和形态学处理为车牌定位奠定了基础。边缘检测方法有很多，Laplacian算子、Roberts算子、Sobel算子、P rewitt算子和Canny算子在不同场合中有不同的优势[16-17]。Laplacian算子和Roberts算子对边缘定位虽然精确度高，但是Roberts算子会丢失一部分边缘，而且两种算法受噪声的影响也较大。Sobel算子和Prewitt算子虽然在边缘提取时速度快，但是会因为混合噪声的影响而误判，该系统运行环境复杂，因此并不适合。而Canny算子与其它算子相比有较强的去噪能力，尤其适合于有噪声的图像。

提取的车牌往往受环境影响存在噪声，因此在边缘提取时用Cannv算子较为合适。Cannv边缘检测首先要选定G auss滤波器对待处理图像进行平滑滤波，然后采取非极值抑制技术进行处理得到最终边缘图像[16]。具体步骤如下：

（1）Gauss平滑滤波，去除噪声：

3.2 车牌粗定位

为防止车牌在定位时出现部分信息丢失情况，对边缘提取后的图像进行闭运算，以填补图像中存在的部分孔洞，同时保证原本连接区域处于连通状态。根据经验以一个7*19的矩形结构元素对图像进行闭操作，结果如图6所示。

由图6可以看出，闭运算后的图像存在大量小对象，对车牌定位存在很大程度的干扰。基于上述原因，对闭操作后的图像以一个7*19的矩形结构元素进行开操作，消除图像中存在的小对象和小面积噪声。结果见图7，车牌大致位置锁定在白色区域内。

3.3 车牌精确定位

对于部分车牌而言，粗定位只是缩小了车牌在图像中的范围，车牌具体位置还没有确定，因此需要精确定位车牌位置。

车牌精确定位步骤如下：①根据粗定位中车牌可能存在的位置进行标记;②对标记过的区域逐一进行面积、宽度、高度等一系列参数计算;③根据车牌国标尺寸确定车牌区域，蓝牌尺寸为440*140mm。

以图7中形态学处理后的图像为例，粗定位后的车牌确定在3个白色连通块内，对连通块进行标记，如图8所示。

图像在采集时由于距离等因素影响，在长度和宽度上不可能确定为440*140的尺寸，一般都会有一定比例的缩放，因此在计算出车牌区域的长度、宽度等参数之后，可以根据车牌的长宽比（约为3）设定阈值范围为2-4，认为已标记的连通块中，长宽比在该范围内的即为车牌位置。

车牌区域确定后需要对车牌边界作进一步确定，方法有对白色像素点的统计定位车牌、对蓝色像素点的统计定位车牌，在本系统中采用统计蓝色像素点的方法，首先对图像行扫描，确定车牌的上下边界，然后对图像列扫描，确定车牌的左右边界，扫描定位后的车牌图像如图9所示。

由图9可见车牌边框附近部分信息存在丢失现象。为了解决这一现象，在原有扫描过程后增加校正、加框操作，即针对原有扫描区域向四周适度扩展，保证有效信息在定位区域内。校正、加框后的车牌区域如图10所示，车牌信息保留相对完整。

4 倾斜矫正

获取车辆图像中的车牌位置很难保持完全水平，要保证车牌中的各字符能被准确切分，需对定位、切割后的车牌区域进行矫正，使其处于水平位置。

车牌矫正方法一般有霍夫（ Hough）变换、拉东（Radon）变换、最小二乘法以及两点法，常用的主要有Hough变换和Radon变换。本文就这两种方法在系统中的使用情况进行对比、选择。

4. 1霍夫（Hough）变换

Hough变换的实质是将图像空间中的直线转换为参数空间中的点[18-20]。其原理如图11所示（a为图像空间'b为参数空间）。

至此，容易看出在图像空间中任意直线都对应参数空间中的一个点，而参数空间中存在的直线交点即说明图像空间中重合的直线。因此，可以根据图像空间中给出的点进行Hough變换后确定过这些点的直线，并将其转换成参数空间的点问题加以解决。

Hough变换对车牌矫正的具体步骤如下：①将实际情况中无限的直线数目量化到参数空间（a，b）中;②构造一个元素初始值为0的累计数组，数组中的元素值表示通过该点的直线数目;③在定位切割后的车牌图像中，认为像素值为“1”的点为要检测的像素点，则在图像空间中找到对应直线，并将该直线中所有点数在累计数组的元素中加1;④在累计数组的阵列中找到峰值点，对应要检测的直线位置。

利用Hough变换矫正车牌结果如图12所示。该方法在本系统中效果并不理想，原因在于Hough变换矫正车牌实际上是对车牌白色边框位置的检测矫正，而本系统中对车牌的定位、切割并没有清晰、完整地保留车牌的白色边框。因此，Hough变换在对车牌矫正时由于没有正确检测到边框的位置而对偏转角度计算失败，导致车牌矫正不成功。

4.2 Radon变换

Radon变换是指将图像空间中数字图像的矩阵通过积分投影变换转换到参数空间中，原理如图13所示。图13（a）为变换前的图像及Radon变换所对应的坐标系，图13（b）为原图像在θ角处对X'轴进行的投影，通过寻找投影集合中的最大值即可以确定偏转角度。

Radon变换在车牌矫正中的步骤：

（1）车牌水平倾斜矫正。①具体应用中，车牌水平倾斜在0° - 180°范围之内，因此Radon变换在水平矫正时只需考虑0°- 180°方向上的投影;②累加投影的非零值，记录该值达到最大时对应的角度θ1;③计算出的θ1即为水平方向倾斜角的补角，则车牌的水平倾斜角为90°-θ1。

（2）车牌垂直倾斜矫正。①车牌垂直方向上的倾斜角一般在-45°-45°，所以在进行投影变换的时候只需要考虑-45° - 45°的范围即可;②累加投影的非零值，记录该值达到最大时对应的角度θ1;③计算出的θ1，为图13中的θ处，根据车牌在垂直方向倾斜角的范围，可得车牌的垂直倾斜角为θ1-45°。

用Radon变换对车牌矫正结果见图14，可以看出Ra-don变换对车牌矫正效果显著。由于Radon变换矫正车牌是对车牌图像进行各方向上的积分投影变换，得出所有投影中最大值的方向即为图像倾斜角度，因此该方法对车牌边框完整度要求并不高。矫正角度如图15所示。

综上，在该系统中利用Radon变换对车牌进行矫正更为合适。

5 结语

车牌识别准确率很大程度上依赖于前期对车牌的处理与切割。本文针对车牌识别系统中的车牌预处理、车牌定位、车牌矫正方法进行系统描述，对前期图像处理及分割中的部分细节进行适当优化，解决了车牌定位、切割不精确，容易遗漏车牌首尾字符信息等问题。结合字符分割、模板匹配法得出的结果（见图16、图17）显示，车牌预处理、定位、校正效果良好，能够正确识别车牌。但该系统的识别率为97.5%，因此在后期进行字符识别研究时可采用神经网络算法，以期提高识别准确度至98%以上。

参考文献：

[1] 崔诗成，迟宗涛.基于MATLAB车牌识别的设计[J]工业控制计算机，2017，30（8）：68-69.

[2] 张溪.大数据下智能交通系统的发展综述[J].计算机工程应用技术，201，17（1）：17-19.

[3] 彭玲玲，任占广，周勤.基于MATLAB的车牌识别系统研究[J].电子制作，2017（22）：11.

[4] 朱克佳，郝庆华，李世勇，等.车牌识别综述[J].现代信息科技，2018（5）：4-6.

[5] 贾秀宏.基于MATLAB的车牌定位识别方法[J].信息与电脑，2019，88（1）：88-89.

[6] 马晨.基于MATLAB车牌字符识别算法的研究[J].数字技术与应用，2017，65（9）：121.

[7] 张学军.基于MATLAB图像处理的车牌号识别系统设计[J].信息通信，2018，36（7）：36-37。

[8] 胡丽娜.基于MATLAB的车牌识别号码系统[J].山西电子技术，2017，55（4）：55-57.

[9]宋娟，肖寓芳，吕涣宇，等.汽车牌照自动识别技术研究与实现[J].现代制造技术与装备，2017，80（9）：69-70.

[10]徐雪丽，乌旭东，白媛.车牌定位及字符切分算法的研究[J].延安大学学报：自然科学版，2018，37（3）：46.

[11] 王恰锋.基于MATLAB车牌识别的系统的设计[J].山东工业技术，2017，149（17）：161.

[12] 王丽静，李飞过.应用于MATLAB的车牌识别算法研究[J].电子测试，2018，20（ 21）：50-51.

[13] 楊丹，赵海滨，龙哲.MATLAB图像处理实例讲解[M].北京：清华大学出版社，2013.

[14] GONZALEZ R C，WOODS R E.数字图像处理[M].第3版.阮秋琦，阮宇智，译.北京：电子工业出版社，2011

[15] 张铮，王艳平，薛贵香.数字图像处理与机器视觉-Visual C++与MALTAB实现[M].北京：人名邮电出版社，2010.

[16] SONKA M，HIAVAC V，BOYLE R.图像处理、分析与机器视觉[M].北京：清华大学出版社，2011.

[17] STECER C，ULRICH M，WIEDEMANN C.机器视觉算法与应用[M].杨少荣，吴迪靖，译，北京：清华大学出版社，2017.

[18]刘成龙.MATLAB图像处理[M].北京：清华大学出版社，2017.

[19] 左飞.数字图像处理：原理与实践[M].北京：电子工业出版社， 2014.

[20]杨杰.数字图像处理及MATLAB实现[M].第2版.北京：电子工业出版社.2013.

（责任编辑：孙娟）

作者简介：陈亚（1993-），女，上海工程技术大学机械与汽车工程学院硕士研究生，研究方向为智能汽车关键技术。