車輛牌照字符識別算法的設(shè)計(jì)

1、 2007年第 31卷第 5期 (301期 電視技術(shù)文章編號 :1002-8692(2007 05-0088-03車輛牌照字符識別算法的設(shè)計(jì)張謝華 1, 2, 張申1(1. 中國礦業(yè)大學(xué) 信息與電氣工程學(xué)院 , 江蘇 徐州 221008; 2. 徐州師范大學(xué) 現(xiàn)代教育技術(shù)中心 , 江蘇 徐州 221116 【摘 要 】 對當(dāng)前典型的車輛牌照字符識別算法進(jìn)行了研究和分析 , 在此基礎(chǔ)上提出一種新型算法 , 通過提取一些具有表征性的字符結(jié)構(gòu)特征構(gòu)建合理的判決樹進(jìn)行有效識別 。 采用車牌識別系統(tǒng)中分割出的一些數(shù)字和字母進(jìn)行識別仿真 , 實(shí)驗(yàn)結(jié)果表明該算 法簡單 、 快速 、 高效 , 在復(fù)雜的噪聲環(huán)

2、境下同樣具有較高的識別率 。 【關(guān)鍵詞 】 車牌字符識別 ; 結(jié)構(gòu)特征 ; 判決樹 【中圖分類號 】 TP391.41【文獻(xiàn)標(biāo)識碼 】 B Research of Algorithm for Recognition of Characters on Vehicle License PlateZHANG Xie-hua 1,2, ZHANG Shen 1(1. School of Information Electronic &Engineering Institute, China Univ of Mining &Tech, Jiangsu Xuzhou 221008, Chi

3、na ;2. Morden Education Technology Center, Xuzhou Normal Univ, Jiangsu Xuzhou 221116, China 【 Abstract 】 Based on the analysis and comparison of current popular vehicle plate character recognition methods, we propose anovel algorithm, which extracts some discriminative structure features of characte

4、rs, and constructs a rational decision tree to per-form effective recognition.The results of recognition simulation on numbers and characters extracted from vehicle plate recognitionsystem prove that the algorithm is simple and efficient, and has high recognition rate even in noisy environment.【 Key

5、 words 】 vehicle license plate characters recognition; structure feature; decision tree1引言車輛牌照自動(dòng)識別系統(tǒng)是圖像模式識別領(lǐng)域的一個(gè)經(jīng)典課題 1。 系統(tǒng)涉及到車牌定位 、字符分割和字符識別 3種關(guān)鍵技術(shù) 。字符識別是整個(gè)系統(tǒng)的核心 。 當(dāng)前常用的 方法主要有基于神經(jīng)網(wǎng)絡(luò) 、 基于模板匹配 、 主分量分析 等 。 在其實(shí)際應(yīng)用中 , 最為關(guān)鍵的問題是字符特征的選 擇 , 如果特征選擇不具有很好的區(qū)分度 , 不僅特征維數(shù)較 大而且還很難獲得較好的識別效果 。字符識別的方法很多 , 主流方法有 3大類 :采用

6、基 于 模 板 匹 配 的 OCR 算 法 2、基 于 人 工 神 經(jīng) 網(wǎng) 絡(luò) 的 OCR 算法 3以及主分量分析 OCR 算法 4。模板匹配算法主要通 過使用相應(yīng)字符特征來構(gòu)建字符的特征向量 , 通過比對 模板特征向量和待選字符特征向 量之間的距離進(jìn)行匹 配 , 這類方法只有找到了準(zhǔn)確的字符特征描述方法 , 才能 較好地識別出相應(yīng)的字符 , 而常用的字符特征包括字符 像素點(diǎn)值 、 字符邊界有向鏈表 、 字符筆畫 、 字符拐點(diǎn)等 , 這 些特征雖然可較好地表示字符 , 但同時(shí)也非常易受到噪 聲干擾 , 魯棒性不夠 。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識別是目前應(yīng)用最廣泛的一種基 于機(jī)器學(xué)習(xí)的識別方式 , 為保證

7、高識別率 , 神經(jīng)網(wǎng)絡(luò)需要 使用大量樣本進(jìn)行訓(xùn)練 , 而樣本的收集和選取大大增加 了這類系統(tǒng)的局限性 , 且神經(jīng)網(wǎng)絡(luò)本身對有噪聲和變化 較大的樣本訓(xùn)練集難以適應(yīng) , 易陷入局部最優(yōu)出現(xiàn) “ 過擬合 ” (Over fitting 現(xiàn)象 。 同時(shí) , 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)能否收斂 , 以及收斂的最終狀態(tài)與初始設(shè)置關(guān)系相當(dāng)大 , 不同的神 經(jīng)網(wǎng)絡(luò)層次結(jié)構(gòu)獲得的效果也不同 , 穩(wěn)定性也不夠 。 此 外 , 神經(jīng)網(wǎng)絡(luò)對于樣本的特征選擇也非常敏感 , 樣本的特 征要求能盡量穩(wěn)定地描述樣本的本質(zhì) , 不僅要有穩(wěn)定性 也要有區(qū)分度 。 在以往的一些神經(jīng)網(wǎng)絡(luò)系統(tǒng)中 , 提取字符 特征時(shí)往往忽略了一些字符結(jié)構(gòu)特征的不

8、變性 , 將整個(gè) 字符以一個(gè)龐大的二進(jìn)制矩陣形式提供給分類器 , 造成 樣本特征變化較大 , 無法得到較好的訓(xùn)練效果 。主分量分析法往往需要配合分類器一起使用 , 它能 將高維的特征數(shù)據(jù)映射到相互正交的特征空間中去 , 并 選擇其中能量最大的特征量來表征和區(qū)分樣本 , 它對于 特征的優(yōu)化和選擇具有很重要的意義 。 但這類算法需要 給樣本建立高維的特征空間 , 如果特征空間過低則會降 低特征選擇的效果 , 也不利于分類 。針對以上字符識別方法的不足 , 筆者提出一種基于結(jié) 構(gòu)統(tǒng)計(jì)特征的新型字符識別算法 , 創(chuàng)新性地定義和使用了 字符占空量 、 邊緣重心等字符結(jié)構(gòu)的統(tǒng)計(jì)特征 , 構(gòu)建了字 符識別判

9、決樹 , 針對車牌識別系統(tǒng)中分割出的字符設(shè)計(jì)了 最有區(qū)分度的一些統(tǒng)計(jì)特征用于識別 , 在不使用或者很少 使用樣本進(jìn)行訓(xùn)練的基礎(chǔ)上就能對字符較好進(jìn)行識別 。2字符特征的選擇車輛牌照字符識別系統(tǒng)在對字符識別之前需進(jìn)行一 實(shí)用設(shè)計(jì) VIDEO ENGINEERINGNo.52007(No. 301圖 3輪廓信息定義些必要的預(yù)處理工作 , 以去除一些噪聲的影響 , 實(shí)現(xiàn)字符 的矯正和分割 5, 具體流程如圖 1所示 。經(jīng)過一系列的預(yù)處理過程 , 可將字符從目標(biāo)車輛上分割出來用于識別 。 為此 , 筆者設(shè) 計(jì)出最具有表征性的一些字符特 征 , 其具體定義如下 :1 邊緣數(shù)指一個(gè)字符的邊緣連通輪廓 的數(shù)目

10、 , 如字符 6的邊緣數(shù)為 2, 如圖 2所示 。2 邊緣重心邊緣重心針對邊緣數(shù)為 2的字符 , 其實(shí)質(zhì)是分別計(jì) 算兩個(gè)邊緣頂端和底端的 Y 坐標(biāo) , 分別記為 y TopEdge1, y BottomEdge1,y Top Edge2, y BottomEdge2, 再求這兩個(gè)邊緣的頂端和底端的差分 D Top =y TopEdge1-y TopEdge2; D Bottom =y BottomEdge1-y BottomEdge2。定義邊緣中心特征值為這兩個(gè)參數(shù)的比值 , 當(dāng)D TopBottom<1, 邊緣重心在上半部 ; 當(dāng) DTop Bottom>2, 邊 緣 重 心 在

11、 下 半 部 。 圖 2中 , 由于 DTop Bottom >2, 所以字符 6的邊緣重心在下 半部 。3 輪廓特征值首先分別定義如下 4個(gè)特征輪廓值 :左側(cè)輪廓 (P L :P L (i =minx|P (x , y C , y=i, i=0, 1, , 43; 右 側(cè) 輪 廓 (P R :P R (i =maxx|P (x , y C , y=i, i=0, 1, , 43; 頂部輪 廓 (P T :P T (j =miny|P (x , y C , x=j, j=0, 1, , 31; 底部 輪廓 (P B :P B (j =maxy|P (x , y C , x=j, j=0,

12、 1, , 31。為了描述輪廓的變化特征 , 定義 4個(gè)方向的一階微 分 , 由于圖像中微分 lim x 0f (x+! x -f (x , 其像素點(diǎn)是離散取值的 , 故 ! x 最小值為 1, 因此 , 微分常常表示為相鄰位置 的差分 , 即 f (x+1 -f (x 。 因此 , 有 :D LP =P L (i+1 -P L (i , D RP =P R (i+1 -P R (i , D TP =P T (j+1 -P T (j , D BP =P B (j+1 -P B (j 。利用輪廓的一階微分變化趨勢定義構(gòu)成字符輪廓的 基本單元 , 共分 5類 :左斜 (L 、右斜 (R 、 直線

13、(V 、 圓弧 (C 、 突變 (P 。 例如圖 3, 字符 2 的頂部結(jié)構(gòu)為圓弧 (C , 底部結(jié)構(gòu)為直線 (V , 左側(cè)結(jié)構(gòu)為突變 (P 和左斜 (L , 右 側(cè)結(jié)構(gòu)為圓弧 (C 。4 占空信息主要利用輪廓特征計(jì)算字符圖像 的頂部 、 底部 、 左側(cè) 、 右側(cè)以及左上 、 左 下 、 右上 、 右下 、 上左 、 上右 、 下左 、 下右共 12個(gè)區(qū)域的占空量 , 列于表 1中 。 表 中 , top , bottom , left , right 分 別 指 圖 像 中 字 符 的 最 上 、 下 、 左 、 右端所在的行或列 。5 筆劃數(shù)主要采取對字符某一位置的上下或左右任 意畫 直

14、線 , 檢查其經(jīng)過白色區(qū)域的次數(shù) 。 例如對字符圖像 C 和 E 分別在第 15列畫一條直線 , 可以得到 C 的第 15列 筆劃數(shù)為 2, E 的第 15列筆劃數(shù)為 3。 6 投影主要對字符進(jìn)行豎直或水平投影 , 統(tǒng)計(jì)不同位置的 投影量 。 例如 , 字符 7 的水平投影 , 上半部分有一段投影 很大 , 而下半部分投影小且基本不變 。7 最長線主要是計(jì)算豎直或水平方向連通區(qū)域的白線長度 , 然后找出其中最長的一條 , 可在整幅圖像找也可在某個(gè) 區(qū)域找 。8 面積比計(jì)算某一區(qū)域內(nèi)的字符所占面積比 , 主要是區(qū)分 0 ( O , D , Q , 4 和 A 等這類的字符 。 在求面積時(shí) , 需

15、對白色連通區(qū)域包含的黑色區(qū)域進(jìn)行填充 。3字符識別根據(jù)上節(jié)中所提出的字符結(jié)構(gòu)特征 , 可構(gòu)建一個(gè)較為合理的如圖 4所示的判決樹 , 并利用判決樹分析每個(gè) 分割出來的字符具體是哪個(gè)字符 。圖 1車牌識別系統(tǒng)圖像預(yù)處理過程圖 2字符邊緣信息表 1占空量信息位置占空量信息位置占空量信息左側(cè) S L =" P L (i top i bottom 右側(cè) S R =" (32-P R (i top i bottom 頂部 S T =" P T (j left j right 底部 S B =" (44-P B (j left j right 左上S LT =&quo

16、t; P L (i top i 21右上 S RT =" (32-P R (i top i 21左下 S LB =" P L (i 22 i bottom 右下 S RB =" (32-P R (i 22 i bottom 上左S TL =" P T (j left j 15下左 S BL =" (44-P B (j left j 15上右 S TR =" P T (j 16 j right下右S BR =" (44-P B (j 16 j right圖 4字符特征判決樹89 2007年第 31卷第 5期 (301期 電視技

17、術(shù)下面 , 以字符 2 的識別 過程為例具體描述判決的過 程 :1預(yù)處理后的字符圖像如圖 5所示 。2 特征提取獲得如表 2所示信息 。3 字符識別 如下 :第一級判斷 :由表 2得字符 2 的 邊 緣 數(shù) 為 1, 判 決 域 縮 小 為 : 2,3, 5, 7, C , E , F , G , H , J , K , L , M , N , S , T , U ,V , W , X , Y , Z ; 第二級判斷 :由表 2得字符 2 的 左 側(cè) 輪 廓 和 右 側(cè)輪廓突變 , 判決 域 縮 小 為 : 2, 3,5, C , E , F , G , S , V , W , X , Y ,

18、 Z ; 第三級判斷 :由表 2得字符 2 的占空信息 , 判決域 進(jìn)一步縮小為 : 2, G , X ; 第四級判斷 :由表 2得字符 2 在下半部分最長線為 32pixel , 而字符 G 和 X 的最長線不可能超 過 整 個(gè) 字 符圖像寬度的一半 (即 22 , 所以通過對比確定最后的輸 出結(jié)果為 2。 4實(shí)驗(yàn)結(jié)果與結(jié)論本文對 300個(gè)定位車牌中正確分割的 1800個(gè)數(shù)字與字母進(jìn)行識別 , 在 P42.80GHz , 內(nèi)存 512Mbyte 的機(jī) 器上使用 VC+6.0編譯環(huán)境 對算法進(jìn)行了程序仿真 6, 所 得 結(jié) 果 為 :1758個(gè) 字 符 識 別 正 確 , 34個(gè) 字 符 識

19、別 錯(cuò) 誤 , 8個(gè)字符無識別結(jié)果 ; 識別準(zhǔn)確率為 97.67%; 識別平 均速度為 6字符 /20ms 。 同時(shí)在不加入噪聲因素情況下 , 使用基于像素信息的 BP 神經(jīng)網(wǎng)絡(luò)系統(tǒng)對相同字符圖像 進(jìn)行識別 , 效果如圖 6所示 , 識別率與樣本數(shù)目具有非常 顯著的關(guān)系 。 再對上述同一組樣本加入不同強(qiáng)度的噪聲 (060dB , 比較本算法和神經(jīng)網(wǎng)絡(luò)的性能差別 , 效果如 圖 7所示 。 可見本算法明顯優(yōu)于樣本訓(xùn)練較少的神經(jīng)網(wǎng) 絡(luò)系統(tǒng) , 與樣本訓(xùn)練較多的神經(jīng)網(wǎng)絡(luò)相比 , 在一定信噪比 的條件下系統(tǒng)具有較好的抗噪性能 , 在噪聲環(huán)境中性能 得到很好體現(xiàn) 。本文采用的字符識別方法既保證了識別的高

20、準(zhǔn)確率和速度 , 同時(shí)又不需要機(jī)器對字符進(jìn)行大量樣本訓(xùn)練 。 但 該方法對某些結(jié)構(gòu)非常相似的字符如 0 和 O , 1 和 I , 8 和 B 等識別效果有時(shí)不是很理想 。 因此 , 今后將 對這些較難識別的字符作進(jìn)一步研究 。5小結(jié)實(shí)驗(yàn)表明 , 在不需樣本訓(xùn)練的情況下就能達(dá)到較高的識別率 , 同時(shí)這些特征對環(huán)境的適應(yīng)性和抗噪性能也 十分顯著 。 參考文獻(xiàn)1PARIST R.Car plate recognition by neural networks and imageprocessing C/Proc.of IEEE International Symposium on Circuits and Systems.S.l.:IEEE Press, 2000.2張珂 , 毛峽 . 機(jī)動(dòng)車牌照自動(dòng)識