车辆牌照识别技术现状

对照片进行初步处理，能去除无用信息而保留有效信息，还能提高车牌的定位精确度。

2.1  图像灰度化

摄像头的输出一般是彩色图像，包含丰富的色彩信息，直接处理运行量大又耗时。根据后期需要可转换色彩空间，车牌图像处理一般采用的色彩空间是RGB、HSV和HIS，但通常在RGB空间处理。0代表值最暗，255代表最亮。RGB图像常用灰度化方法[3]如下。

3.3  基于混合特征的车牌定位

混合特征组合主流的是HSV顏色搭配纹理特征。一种做法是利用HSV阈值大致筛选出车牌候选区域，再利用车牌区域的纹理特征筛选确定位置;另外一种做法是先用纹理特征检测出具有车牌纹理特征的区域，再由HSV阈值来筛选。RGB与纹理特征也有人在用，主要是分情况去增加RGB通道，这样就能把具有车牌颜色特性的保留下来，再使用纹理特性也大致能确定位置。

学界上关于混合特征的定位有很多，例如胡峰松、朱浩提出的基于HSI颜色空间和行扫描的车牌定位[18]，王枚、王国宏、潘国华提出的融合边缘检测与HSV颜色特征的车牌定位技术[19]，杨涛、张森林提出的一种基于HSV颜色空间和SIFT特征的车牌提取算法[20]。

3.4  基于神经网络的车牌定位

此方法首先就要收集各种各样的训练样本，建立神经网络模型训练，假设输出为1则为含有车牌的图像，0为不含车牌的图像，训练完毕后就可以调用此神经网络检测车牌了。使用时，用一个M*N的滑动窗口在预处理图像自左而右、自上而下移动并归一化后送入神经网络输入层，待滑动窗口完全遍历整个图像，就能得到车牌位置。该方法前期需要巨大的训练样本进行训练，拍摄图像影响到滑动窗口的大小，窗口不同运算的速度也不同，很难满足实时性要求，故前期不建议采用此做法。

4  字符分割

字符分割简单来说就是从二值化车牌图像中，分割出长宽相等的单独字符图像。分割时要注意，字符间隔最大的是第二与第三个字符。实际拍摄的车牌存在光照强弱、遮挡、变形、单双层车牌等现象，使分割工作更加困难。

4.1  基于水平投影与垂直投影的方法

这是分割字符最常用的做法，实现方式简单。水平投影是从上到下统计一行中的像素点为1的个数，而垂直投影是从左到右统计列中像素点为1的个数。先后对二值化图像进行水平投影和垂直投影，分别得到切割字符高的起点和终点、宽的起点和终点，接着对每个区域边界进行分割。分割是要注意字符间的距离，若仅从投影来说的话，有可能将汉字切成几份，但考虑上距离就能把将汉字切割完整。[21，22]

4.2  基于连通域分割

逐行逐列扫描二值化图像像素点周围的4个或8个像素点，判断是否都为1，是的话就更改一个值（不同连通域用不同的值）构成该字符部分的连通域。数字和字母形成单一连通域，但首字符是汉字，可能会形成多个连通域。由于切割字符的宽高是一致的，寻找连通域的最小外接矩形，从右往左切割，最后剩下的多连通域的区域即为汉字。

该方法在字符倾斜时，分割效果也好。但由于我们一般进行过倾斜度矫正，此方法的优势也就没体现出来，反而会拖慢总体的速度。[23]

4.3  基于静态边界的方法

车牌的长宽比以及字符间的距离都有规定。在车牌定位十分精确的情况下，将车牌缩放至某个合适的大小，根据此知识，就能判断出每个字符在二值化图像中的哪个位置。

字符经过切割后会得到同样大小的图片，方便下一步对字符进行识别。切割效果如图4所示。

5  字符识别

5.1  基于模板匹配的字符识别

由于VLPR处理的是印刷体，采用模板匹配来识别也是可行的。模板匹配目前流行的是基于灰度值匹配和基于特征提取匹配。基于特征提取的模板匹配方法需要涉及大量的几何和形态学计算，需要复杂的计算，满足不了车牌识别实时性要求，故此方法不推荐使用[24]。基于灰度值的模板匹配方法，计算量虽然相对较小，要求与模板差别不大时才会获得较好的效果，当字符模糊时，成功率会大大降低。

优缺点分析：卷积神经网络的优点在于参数共享，大大简化了运算量，特征的选取不需要手动输入，只要训练好权重，就能得到好的分类效果，但前提是要做好训练的工作，除了需要准备训练样本和测试样本外，还要在训练过程中根据经验不断调参;缺点是输入图像过大或者图像色彩数过多，学习参数量将会非常庞大。

6  结  论

车牌识别环节受到诸多因素的干扰，比如汉字结构、光照、字符的旧损、车牌变形等都令车牌识别有了阻碍，因此车牌识别率仍是研究难点。在整个车牌识别项目中，若用某一步骤的最好处理效果来选方法的话，会加大程序的运算时间，建议是前期的处理能简便的就简便。目前，市场上的车牌识别产品使用神经网络的不多，同时识别时会有触发拍照的条件，对视频中运动车辆的车牌检测还有待进一步研究。

参考文献：

[1] 喻晓，李慕龙，张礽婧，等.复杂车辆图像中的车牌定位 [J].电子设计工程，2010，18（12）：120-123.

[2] 胡爱明，周孝宽.车牌图像的快速匹配识别方法 [J].计算机工程与应用，2003（7）：90-91+110.

[3] 江进.基于灰度化及边缘检测算法的车牌识别技术研究 [J].现代计算机（专业版），2014（1）：38-41.

[4] 李耀辉，劉保军.基于直方图均衡的图像增强 [J].华北科技学院学报，2003（2）：65-67.

[5] 李青，王福明.基于傅里叶变换的指纹图像增强算法 [J].计算机时代，2010（2）：56-57.

[6] 张威，孙玉秋，赵天玉.一种基于频率域和空间域相结合的图像增强方法 [J].长江大学学报（自科版），2013，10（19）：50-52+161.

[7] 葛小凤，陈亚军.经典边缘检测算子及其抗噪性能研究 [J].数字技术与应用，2015（2）：107-109.

[8] 贺桂娇.几种经典的图像边缘检测算子分析比较 [J].计算机光盘软件与应用，2014，17（9）：182-183.

[9] 李硕明，付仲良，彭彬慧.基于字符行特征的车牌倾斜矫正算法 [J].江汉大学学报（自然科学版），2006（1）：35-37.

[10] 路小波，包明，黄卫.基于投影的车牌倾斜检测方法 [J].交通运输工程与信息学报，2004（4）：10-15.

[11] 吴一全，丁坚.基于边缘点投影方差最小的车牌倾斜校正方法 [J].系统仿真学报，2008（21）：5829-5832.

[12] 黄红燕，叶绿.文字图像的整体倾斜矫正 [J].计算机工程与应用，2006（6）：58-61.

[13] 谭司庭，胡志坤.基于HSV色空间的车牌定位综合方法 [J].计算机与应用化学，2011，28（7）：903-906.

[14] 张丽静，孙杰，殷晓宇.基于HSV颜色空间的车牌定位方法 [J].微计算机信息，2008（7）：247-248.

[15] 常巧红，高满屯.基于HSV色彩空间与数学形态学的车牌定位研究 [J].图学学报，2013，34（4）：159-162.

[16] 牛欣，沈兰荪.基于特征的车辆牌照定位算法 [J].交通与计算机，2000（1）：31-33.

[17] 蔡钦涛，方水良，任俊.基于边缘生长的车牌定位新方法 [J].公路交通科技，2004（11）：110-113.

[18] 胡峰松，朱浩.基于HSI颜色空间和行扫描的车牌定位算法 [J].计算机工程与设计，2015，36（4）：977-982.

[19] 王枚，王国宏，潘国华.融合边缘检测与HSV颜色特征的车牌定位技术 [J].计算机应用研究，2007（8）：209-211.

[20] 杨涛，张森林.一种基于HSV颜色空间和SIFT特征的车牌提取算法 [J].计算机应用研究，2011，28（10）：3937-3939+3976.

[21] 黄文杰.基于投影的车牌字符分割方法 [J].现代计算机（专业版），2009（8）：57-60.

[22] 蒋传伟.车牌识别系统中车牌定位与字符分割的研究 [D].武汉：华中科技大学，2006.

[23] 兰伟.验证码字符图像分割技术研究 [J].软件导刊，2014，13（10）：130-131.

[24] 李强，张钹.一种基于图像灰度的快速匹配算法 [J].软件学报，2006（2）：216-222.

[25] 顾晨勤，葛万成.基于模板匹配算法的字符识别研究 [J].通信技术，2009，42（3）：220-222.

[26] 杨海廷.基于纹理特征的车牌识别系统的研究与实现 [D].成都：电子科技大学，2005.

[27] 贾婧，葛万成，陈康力.基于轮廓结构和统计特征的字符识别研究 [J].沈阳师范大学学报（自然科学版），2006（1）：43-46.

[28] 吳裔慧.基于卷积神经网络的场景理解方法研究 [D].北京：清华大学，2015.

[29] 陈先昌.基于卷积神经网络的深度学习算法与应用研究 [D].杭州：浙江工商大学，2014.

[30] 何小飞，邹峥嵘，陶超，等.联合显著性和多层卷积神经网络的高分影像场景分类 [J].测绘学报，2016，45（9）：1073-1080.

[31] 谢宝剑.基于卷积神经网络的图像分类方法研究 [D].合肥：合肥工业大学，2015.

作者简介：邓嘉诚（1998-），男，汉族，广东湛江人，本科在读，研究方向：AI与机器视觉;通讯作者：魏亚东（1977-），男，汉族，河北武邑人，博士，副教授，研究方向：光电技术及系统、AI与机器视觉与核探测技术等方面。