车牌字符识别调研报告.docx

车牌字符识别调研报告

一、背景与重要意义：
随着科技的日渐进步，计算机在各个领域应用的不断扩大和图像处理技术的不断提高，越来越多的人将目光放在了研究字符识别上。现在很多工厂实现了工业生产系统全自动化运行，各行各业都朝着自动化方向发展。而在另一方面，随着我国经济的持续高速发展以及城市化进程的加速，使得城市与汽车的数量也随之大幅增长，道路交通的流量不断增大。但是与之相对应的基础交通设施，道路建设却增长迟缓，已难以满足如今现代化城市的需要。因此，有人提出了给车辆建立它们的身份系统，通过这个系统，当检测到车辆超载、超车等违规现象的时候就可以自行对车主进行处罚、记录，在车辆被收取过路费的时候可以也自动从车主账户处理。然而国外的此方面技术虽然成熟，但是并不能直接应用与我国。因为我国的车牌字符不仅包括字母和数字，还包括比之复杂许多的汉字。也因为我国的道路条件还比较差，污染亦比较严重，行车过程中各种偶然因素都可能导致车牌不能快速识别。因此，准确又快速的识别车牌，已变成如今国内研究车牌识别系统的重要内容，也是智能交通系统得以实现的重要组成部分。
二、相关算法
车牌字符识别系统的相关算法有三部分组成：车牌定位、字符分割、字符识别。
l 车牌定位
对于车牌定位算法的研究，基于边缘密度分析的车牌定位算法和基于连通域分析的字符分割算法。基于边缘密度的车牌定位算法首先进行图像预处理，然后利用改进的 sobel 算法提取边缘，最后再进行边缘密度分析将提取的边缘点连接成线段，最后进行形态学操作定位车牌区域并去除伪车牌。
因此基于边缘密度的车牌定位算法的基本流程总结为:
(1) 图像预处理，将彩色图像灰度化，并适当降维以提高运算速度，通过灰度方差法来增强车牌类似区域
(2) 利用改进的 sobel 算子对预处理后的图像进行边缘提取
(3) 进行边缘密度分析，车牌区域的垂直边缘比较丰富，考虑到车牌倾斜的影响，同时分析斜线边缘，根据车牌区域的一些先验知识，比如说车牌长宽比、车牌区域内的字符数、车牌字符间隔等等，标记符合规则的边缘点，边缘点连
接成线段。
(4) 进行形态学运算，将确定的车牌区域补充完整，根据车牌宽高等先验知识去除伪车牌。
通过上述步骤就能够比较准确快速的定位出车牌区域，并去除伪车牌区域，

l 字符分割
基于连通域分析的字符分割算法由于车牌可能存在倾斜情况，所以可能需要在二值化之前进行倾斜矫正，对提取的车牌区域进行二值化操作，然后进行对车牌区域进行扫描标记连通域，通过连通域的位置和大小确定字符位置和大小。简单介绍了车牌定位和字符切分对于字符识别的影响。
图像倾斜矫正、图像二值化、图像连通区域分析。下面详细分析每一个具体的操作步骤：
(1) 利用 Hough 变换，获取车牌区域的直线段，同时求取直线段的倾斜角，该直线段倾斜角即为车牌区域的倾斜角度
(2) 获取倾斜角之后，对图像进行倾斜矫正，根据图像旋转公式旋转图像
(3) 利用 OTSU 算法对图像进行二值化，获取二值化后的车牌区域用于连通域分析。
(4) 对二值化的车牌区域进行连通域标记操作。按从上到下的顺序扫描图像，进行当前行扫描时，如果当前行的像素与上一行存在连通，则用与该像素连通的连通域的标记值标记该像素，否则用新的标记值标记该像素。重复上述过程直到扫描完成，获得车牌区域行程编码表。
(5) 对获取的连通域根据先验知识进行连通域的拆分和合并，主要依据字符的宽高和字符间距信息，获得字符切分结果。
(6) 根据车牌字符排列的先验知识，判定并去除伪车牌。

l 字符识别
基于多模板匹配和 BP 神经网络的字符识别算法。对于普通字符的识别采用多模板匹配算法，对于相似字符和汉字采用基于 HOG 特征的BP 神经网络识别算法。在识别算法的最后阶段利用识别的置信度进行伪车牌的去除。

基于多模板匹配和神经网络的字符识别算法对分割出来的字符图像进行归一化，对普通字符采用多模板的匹配算法，识别结果为相似字符的再采用 BP 神经网络再进行一次识别并取神经网络的识别结果作为其识别结果。对于相似字符和汉字由于其结构比较复杂，采用基于 HOG 特征的 BP 神经网络进行识别，解决模板匹配对于这一类字符识别率不高的问题。

多模板的匹配算法
首先将待识别的字符图像进行归一化操作，根据我国对车牌字符尺寸的相关规定，这里将字符图像归一化到 16*28。然后利用 otsu 算法对归一化的字符图像进行二值化操作，获得二值化的字符图像。最后与模板库中的字符模板进行匹配。
HOG 特征的主要提取步骤有：
首先将图像按空间位置均匀的分成相邻的小的细胞单元(cell)，采用一种模板对细胞单元中的每个像素点计算其梯度和梯度方向并统计其直方图。最后把这些直方图组合起来就构成特征描述器。通过在图像的更大范围内（我们把它叫区间或 block）将这些局部直方图进行对比度归一化可以提高性能，其具体流程为：计算在区间（block）中的直方图密度，然后对区间中各个细胞单元根据计算的直方图密度做归一化化操作。由于进行了归一化操作，所以 HOG 特征能对光照变化和阴影获得更好的效果。与其他的特征描述方法相比，HOG 特征很多优点。首先，由于 HOG 方法是在图像的局部细胞单元上操作，所以它对图像几何的和
光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。

利用BP神经网络进行字符识别的具体流程如下：
(1) 对字符图像提取 HOG 特征，这里 HOG 特征取 576 维。
(2) 初始化网络及学习参数，设置网络初始权值、学习因子等。
(3) 用提取的 HOG 特征数据集训练 BP 神经网络，直到满足要求
(4) 前向传播过程:对于给定的输入数据，计算神经网络的输出数据并与预期输出进行比较，如果有误差则执行(5),否则返回(2)。
(5) 反向传播:从输入层开始计算每一层的误差并修正权值和阈值，返回(2)。
(6) 利用训练好的神经网络进行汉字和相似字符的识别

基于置信度的伪车牌去除
基于多模板和 BP 神经网络的字符识别算法，我们将模板匹配算法中的互相关算
子转换为置信度，求取字符识别结果的平均置信度，其具体公式为：
α=i=1NαN

其中 N 为车牌字符数目一般取为 6, α为字符置信度。计算得出其平均置信度
之后，如果小于一定的阈值，认为是伪车牌予以去除，否则是真实车牌，其原理
非常简单，算法判别很快，对系统实时性影响不大。

参考文献
[1] 刘彩. 一种改进的Sobel图像边缘检测算法. 贵州工业大学学报(自然科学版). 2004 (10)
[2] 黄剑玲 邹 辉 边缘检测算子在汽车牌照检测中的研究. 微计算机信息. 2007 (12)
[3] 马永慧. 车牌识别系统中车牌定位与字符分割的研究. 中北大学. 2013 (05)
[4] 付晓莉. 运动模糊车牌图像的恢复、定位、校正及分割方法研究. 南京航空航天大学. 2008 (12)
[5] 李硕明. 基于字符行特征的车牌倾斜矫正算法. 江汉大学学报(自然科学版). 2006 (03)
[6] 葛海江. 车牌识别系统中车牌定位及倾斜矫正算法研究. 杭州电子科技大学学报. 2007 (04)
[7] 甘玲. 基于连通域提取的车牌字符分割算法. 计算机仿真. 2011 (04)
[8] 李春利. 一种基于连通域分析的车牌定位方法. 智能计算机与应用. 2012 (08)
[9] 戴海港. 基于二值图像连通域的车牌定位方法. 通信技术. 2011 (08)
[10] 陈鑫. 基于多模板匹配的车牌字符识别算法. 信息与电脑(理论版). 2011 (05)
[11] 卢昭金. 基于OTSU法的车牌自动定位技术研究. 电脑开发与应用. 2006 (05)
[12] 龚永罡. 基于局部HOG特征的稀疏表达车牌识别算法. 计算机仿真. 2011 (04)
[13] 郭荣艳. BP神经网络在车牌字符识别中的应用研究. 计算机仿真. 2010 (09)
[14] 赵涛. 一种用于车牌定位的改进BP神经网络方法. 计算机仿真. 2007 (02)
[15] 石晓瑛. 车牌自动识别系统设计与实现. 华东交通大学学报. 2009 (06)
[16] 黄卫华. 基于BP神经网络的车辆车牌识别系统的研究与实现. 电子科技大学. 2008 (03)
[17] 石伟. BP神经网络在车牌识别技术中的应用. 工业控制计算机. 2010 (04)
[18] 曾飞. 基于置信度分析和特征融合的车牌识别研究. 湘潭师范学院学报(自然科学版). 2009 (12)
[19] 胡振稳. 基于BP神经网络的车牌模糊识别的研究. 武汉理工大学. 2007 (05)
[20] 黎涛. 车牌字符识别技术研究. 四川大学. 2006 (05)