模式识别车牌识别.doc

模式识别论文 题 目： 关于模式识别在车牌识别应用综述 姓 名： 学 院： 电子信息与自动化学院 专 业： 电气传动控制技术 学 号： 指导教师： 14 关于模式识别在车牌识别应用的综述 摘 要 随着经济的发展，机动车辆日益普及，公路交通事业迅速发展，传统的人工管理方式已经越来越不能满足实际工作的需要，车辆识别技术作为智能交通系统的一个重要方向逐渐受到人们的重视。车牌照识别是车辆检测系统中的一个重要环节，它在交通管理中占有重要的地位，有着多种应用。研制能够自动实时地检测车辆经过和识别汽车牌照的智能车型车牌识别的交通管理系统，可以被广泛地应用于高速公路自动收费，闯红灯电子警察，停车场安全管理，肇事、嫌疑、被盗车辆的追踪、定位等。该系统是在交通监控的基础上，引入了数字摄像技术和计算机信息管理技术，采用先进的图像处理、模式识别和人工智能技术，通过对图像的采集和处理，获得更多的信息，从而达到更高的智能化管理程度。一个典型的车型车牌识别系统主要包括图像采集、图像处理、牌照切分、字符识别、近端或远端数据库等工作模块。本文介绍了车牌识别的发展及应用；研究了车牌定位和字符识别的基本方法。关键词：车牌识别；图像处理；模式识别；人工智能； 1 绪论1.1课题研究的背景 中国的汽车工业发展迅速，进入21世纪后，发展势头更加强劲，中国连续多年卫冕全球最大的汽车生产国和消费国，目前机动车保有量超过5000万辆。汽车己经成为中国经济增长的一大引擎，产业结构升级的推动器。然而随着我国汽车拥有量和公路里程的增加，多重问题也随之出现:车辆管理难度加大，各种违章问题显现，环境污染加重。车牌识别的的目标是缓解交通运输管理、出行安全、环境污染和交通拥堵这四大问题1。 最基本的信息包括:道路流量、路况、占有率等道路使用信息:资源分布、分配、一可用性等资源信息:车牌号码、颜色、车型等车辆信息;驾驶执照、违章记录等人员信息。上述基本信息的高效采集和快速传递是智能交通系统的核心实现目标。其中，车牌号码唯一代表一部车辆，通过车牌号码可以追踪到车型、驾驶员、违章记录等。为了自动获得车牌号码，车牌识别应运而生。 车牌识别是数字图像处理与模式识别术在智能交通领域中的重要研究课题。车牌识别系统使用了图像处理中的光学字符识别技术来识别车牌，它可以用来存储由摄像头抓拍下来的图片、识别出来的车牌号和驾驶员的照片。可以使用现有的闭路电视，或者道路监控摄像头，也可以专门定制进行车牌检测和识别的设备。车牌识别技术己经成为当代智能交通领域中研究的热点。车牌检测与识别是理论的聚集地，只有运用众多高效的数字图像处理技术和模式识别思想刁一能开发出高可靠性、高识别率的系统，抓住广阔的智能交通市场;因此车牌检测与识别技术兼备理论价值和潜在的巨大市场价值。1.2 车牌识别技术的研究现状 自20 世纪80 年代提出车牌识别技术以来，人们己经对其进行了广泛的研究，其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。这个阶段的研究并没有形成完整的系统体系，而是就车牌识别中的某一个具体问题进行讨论，并且通常是采用简单的图像处理技术来解决。识别过程是使用工业电视摄像机拍下汽车的正前方图像，然后交给计算机进行简单处理，并且最终仍需要人工干预。进入20 世纪90 年代后， 随着计算机视觉(ComputerVisionTchnology)的发展和计算机性能的提高，开始出现车牌识别的系统化研究。中国、美国、日本、法国等国家相继投入大量的人力、物力进行应用研究。近几年以来，计算机及其相关技术发达的一些国家开始探讨用人工神经网络技术和遗传算法解决车牌的自动识别问题。同时开始研究车牌识别的实时性要求，使得车牌识别系统进入实用化阶段。汽车牌照识别技术(Lieense Plate Recognition，LRP)在国外起步较早，一些实用的LRP 系统也开始应用于车流监控，出入控制，电子收费等场合。ARGUS 英国Alphatech 公司的图像部于80 年代中期开始研制名为RGUS 的车牌自动识别系统。可处理黑白或彩色图像，ARGUS 的车牌识别时约为100 毫秒，通过ARGUS 的车速可达每小时100 英里；新加坡的Optasia 公司研制的VLPRS 系统，适合于新加坡的车牌；香港的亚洲视觉公司的车牌识别产品VECON 适用于香港制式的车牌。另外日本、加拿大、德国、意大利、英国等发达国家也都有适用本国车牌的车牌识别系统。从识别原理上有模板匹配，支持向量机的分类器，基于特征的分类器，人工神经网络分类器，粗糙集分类器，聚类分析等方法2。国内不少学者也在进行车牌识别方面的研究，实验室方面，西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩。 2 模式识别理论2.1 模式识别理论 模式识别诞生于20世纪20年代，随着40年代计算机的出现，50年代人工智能的兴起，模式识别在60年代迅速发展成一门科学3。 广义地说，模式识别是存在于时间和空间中可观察的事物，如果我们可以区别它们是否相同或是相似，都可以称之为模式。如，汉字“大”可以有多种写法，但是它们都属于同一类。模式识别的作用和目的就在于而对某一具体事物时将其正确归入某一类别。如果给每个类别命名，并且用特定的符号来表达这个名字，那么模式识别可以看成是从具有时间和空间分布信息向着符号所作的映射分类决策。2.1.1 模式识别系统的组成基于基本统计方法的模式识别系统主要由4个部分组成: 1.数据获取。通过测量、采样和量化，可以用矩阵或向量表示二维图像或一维波形，以便用计算机处理、保存。 2.预处理。主要目的是去除噪声，加强有用的信息，并对输入测量仪器或其他因素所造成的退化现象进行复原。 3.特征提取和选择。无论识别过程还是学习过程，都要对研究对象固有的、本质的及重要的特征或属性进行量测并将结果数值化或将对象分解并符号化，形成特征矢量或符号串、关系图，从而产生代表对象的模式，模式类中的个体在有些场合中也称为样本。用于学习与训练的样本的类别应是己知的。 4.分类决策。在特征空间中用统计方法把被识别对象归为某一类别。 图2-1 模式识别的系统组成 3车牌识别系统的组成3.1 车牌识别系统的组成车牌识别技术作为数字图像处理与模式识别技术在智能交通领域中的重要研究课题，广泛应用于小区停车管理、公路收费和交通管理等各个领域，具有较高的理论价值和一定的实用价值。车牌识别技术目前存在的问题是弱光或者反光、车牌污损、颜色漂移和复杂背景下的车牌定位率低;字符分割的自适应力不足，对断裂或者粘连字符的分割效果不佳;笔划不规则、残缺的汉字识别率低等。在分析和总结了现有车牌检测与识别技术的基础上，提出了完整的车牌检测与识别技术方案，有效缓解目前算法存在的问题。车牌识别主要包括以下几个方面4: 1.车牌定位。针对光线差、车牌污损等问题，采用自定义边缘检测算子增强车牌纹理对比度;融合纹理特征和车牌RGB颜色特征，解决颜色漂移和复杂背景干扰;利用区域重心法实现车牌精确定位。实验证明提出的车牌定位算法在自然条件下的定位率可以达到97%以_上。 2.车牌字符分割。以PCA算法校正车牌，再利用车牌高度和垂直投影得到的波峰波谷计算自适应字符宽度;结合车牌字符规格的先验知识，从中间波峰开始分析字符的断裂和粘连状态;在完成波峰字符概率计算基础上选择概率最大的7个连续波峰作为分割字符。在复杂情况下的字符分割率达到92%，较好解决了字符分割中的断裂、粘连等问题。 3.车牌字符识别。构建标准汉字和半字模板库，将待识别字符与模板进行相与、异或运算提取汉字特征，以自定义的匹配算子进行模板匹配识别字符，解决汉字残缺和笔划不规则等识别难题。设计三层BP神经网络，选用交叉验证法训练网络，达到识别车牌英文和数字字符的目的。提出的算法对汉字、数字、英文字符识别率均到达95%以上。3.2车牌识别技术的应用3.2.1车牌识别技术主要应用与以下几个领域5：(1）公路、停车场收费管理系统在公路出入口完成车牌识别工作，提高道口的工作效率，防止车辆途中换卡等逃通行费情况的发生计算应缴纳的金额，提高公路的使用效率。在停车场出入口，系统自动识别车牌对停车场进出车辆实现不停车收费，解决卡口车流拥挤问题。(2)公路布控管理系统在城市道路卡口上安装监控设备，监控过往车辆，识别车牌号码信息，将实时信息传送到交通指挥中心，实现快速报警处理，为公安、检察机关对犯罪嫌疑车辆自动监控与跟踪提供了高科技手段。(3)交通路口的自动监管系统全天候对违章机动车辆监测，不仅能对违章车辆拍照，还能实时对违章车辆的牌照和违章事件进行自动判断和识别，实现自动检测、自动监管、自动报警。(4)居民区物业管理及重要部门的安保管理系统利用车牌识别技术对出入小区的车辆进行识别，登记外来车辆，保护居民的人身财物安全。 4 车牌定位算法研究4.1现有的车牌定位方法 车牌定位是在整个图像中提取车牌区域。车牌定位是车牌识别系统中的第一步，也是最关键的一步，定位结果的准确与否将直接影响车牌字符识别结果的正确率。由于我国车牌规格的多样性和外界环境、车牌自身的复杂性，车牌定位技术难度较大，无法研究出一种通用、适用于各种环境、各种规格车牌的定位算法6。4.1.1基于纹理特征的定位方法纹理反映了物体表面在局部区域内不规则性的变化而在整体表现某种规律性变化的性质。在车牌图像中，由于字符颜色与车牌底色差异明显，边界灰度跳变显著，因此基于纹理特性的车牌定位算法分析灰度图像边界的灰度跳变进行车牌定位。基于纹理特征的车牌定位算法是通过行扫描在水平方向确定车牌的候选区域，然后在车牌候选区域上进行列扫描，在垂直方向上找出可能的车牌区域，再近一步缩小寻找范围搜索其它可能出现的车牌区域，找出所有的待选区域，确定车牌图像。4.1.2基于边缘检测的定位方法 边缘是图像局部特征不连续在灰度级上发生剧烈变化，而在背景保持平缓的变化的区域边界。边缘检测是为了精确提取边缘信息同时抑制噪声。经典的边缘检测方法考察图像像素点邻域灰度变化，利用边缘邻近一阶或二阶方向导数变化规律，即利用图像一阶导数的极值和二阶导数的过零点信息来确定图像的边界并抑制噪声。基于边缘检测的车牌定位算法是利用边缘检测算子提取图像边缘，车牌区域字符密集，边缘信息丰富，利用边缘密度可以定位车牌区域。这种算法定位准确率高，速度快，能在多车牌图像中快速定位车牌。但是对车牌褪色、污浊等情况，由于字符边缘模糊会导致边缘提取失败，车牌定位失败。4.1.3基于形态学的定位方法数学形态学在集合论方法上发展起来的，用于分析图像几何形状和结构。它由一组代数运算子组成，基本运算有:膨胀、腐蚀、开运算和闭运算。基于数学形态学的车牌定位算法流程如下图3.1所示，该算法往往不能精确定位车牌左右边界，所以常常与边缘检测的车牌定位方法相结合，利用垂直方向结构元素的腐蚀运算进行滤波，再利用闭运算来填补车牌区域内细小孔洞，使车牌区域成为一个连通区域，最后利用字符边缘的特征对车牌进行精确定位。4.1.4基于颜色信息的定位方法车牌区域含有丰富的颜色信息，利用车牌底色与字符颜色对比度的差异定位车牌。基于颜色信息的车牌定位算法由颜色分割和定位模块组成，采用多层感知器网络对彩色图像进行分割，通过其他方法找出车牌区域。为了更好的进行颜色分割，通常将RGB颜色空间转化HIS颜色空间，即色调、饱和度和亮度空间，然后对转化后的彩色图像进行神经网络分割，根据车牌底色及长宽比等先验知识得到车牌区域。4.1.5基于小波分析的定位方法 小波分析是通过伸缩平移运算对原始信号进行多尺度细化，并进行时间、空间频率的局部分析，达到高频部分时间细分，低频部分频率细分。小波分析是一种重要分析工具，其多分辨率特性使小波分解系数在不同方向的高频子波系数具有不同的特性，因此能够利用小波分析反映图像在不同分辨率上沿任意方向变化情形的目的。目前利用小波分析进行车牌定位的算法大多是利用小波分析与其他多种方法相结合的形式来精确定位车牌区域，如结合数学形态学、边缘检测、颜色信息等方法来进行车牌定位。例如基于小波分析和数学形态学的车牌定位算法，通过小波多尺度分解提取出不同空间分辨率、不同方向的边缘图像，然后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车牌区域的粗提取，再利用形态学处理对小波分解后的细节图像进行形态学运算，进一步去除伪车牌来精确确定车牌区域。 5 字符分割算法的研究5.1 我国车牌字符特点 车牌字符识别是车牌识别系统的最后一步，也是最为关键的步骤，字符识别率的准确率直接影响了车牌识别系统成败，是影响车牌识别系统中性能的重要因素。我国车牌字符属于印刷体字符，与普通字符识别相比，具有如下特点7: 1.字符集固定:车牌上包括各省市及直辖市的简称31种，军车使用的汉字13种，英文大写字母及阿拉伯数字(除去大写字母“I和字母“O)34种。 2.字符分辨率低:拍摄的图像车牌区域较小，单个字符通常是十几个像素宽，分辨率低会影响识别结果，特别是汉字，汉字的结构复杂，分辨率低会丢失一些信息，给识别带来极大的难度。 3.受外界环境影响大:车牌常常会有污损情况发生，并且在拍摄车辆图像时，不同环境、不同光照条件会导致字符出现不同程度的形变、模糊或是断裂。5.2现有的字符识别算法车牌字符识别属于模式识别的范畴，其基本思想是对字符图像提取特征，将得到的特征与标准字符的模式特征逐一比对，根据判决规则找出最接近待识别字符的标准模式特征，认定该标准模式对应的字符为识别结果。车牌字符识别技术较为成熟，常用的车牌识别方法有:模板匹配字符识别方法、神经网络字符识别方法、基于字符特征的识别方法和基于统计分类器的字符识别方法。5.1.2基于神经网络的字符识别方法 人工神经网络是一种并行、分布处理结构的网络，由处理单元及各个通道互相连接而成。按照神经网络模型的不同，基于神经网络聚类的方法很多，常用的方法有BP神经网络、RBF神经网络、自组织特征映射神经网络、LUQ神经网络等基于神经网络的技术有以下三个优势8:(1) 神经网络可以任意精度的逼近任意函数; (2)具有非线性模型能够适应各种复杂数据关系;(3)借鉴了人脑的物理机理，能模拟人脑的某些功能。神经网络技术具有较强的容错性、学习能力强、自适应强等特点，对于背景复杂、不明确的问题有着较好的处理效果，能够允许待识别样本有较大的畸变和缺损，在字符识别技术中得到广泛的应用。 目前，采用人工神经网络的对字符识别的方法主要有两种: (1)直接将待识别字符图像输入网络，通过网络的学习能力，自动实现特征提取和字符识别。这种方法充分利用神经网络的特点，网络互联较多，待处理数据信息量大，速度较慢。 (2)对待识别字符图像进行特征提取，然后用提取出来的特征来训练网络分类器。在该种方法中，字符特征提取的好坏决定了网络的识别效果。5.1.2基于字符特征的字符识别方法 基于字符特征的识别方法由特征提取、设计判别准则函数设计和匹配识别这三个步骤组成。通常特征提取是识别率高低的关键影响因素，如何选取有效的字符特征决定了字符识别效果的好坏，提取字符特征应该满足如下三个要求9: (1)具有较强的分类效果，使得类内样本距离小，类间样本距离大。 (2)具有较强的鲁棒性和稳定性，减少外界影响对图像的干扰导致的字符笔画断裂、粘连等影响。 (3)特征维数不能过高，提取方法不能过于复杂，过高的维数和复杂的提取方法会导致识别速度较慢，不符合车牌识别系统实时性的要求。在字符识别研究国内外学者提出了众多字符特征提取方法如:字符的投影特征、字符的笔画密度特征、矩特征、傅里叶描绘子特征、特征点特征、纹理特征等。5.1.4基于统计分类器的字符识别方法 基于统计分类器的字符识别方法如参数估计方法，参数的相关形式己知，训练样本用于估计参数值，但对于样本的分布形式很难预先知道。基于经验风险最小化原则伍RM)方法是当训练数据趋向于无穷时，经验风险会收敛于实际风险。该方法使用训练样本无穷多的假设原则，但在实际的应用中训练样本的个数常常是有限个。 近年来基于统计学习理论的方法在字符识别领域取得较好的效果。基于统计学习理论的方法从控制学习机器复杂的思想出发，提出了结构风险最小化(SRM)原则10。该原则使得学习机器在可容许的经验范围内，采用最低复杂度的函数。常用的基于统计学习理论方法有AdaBoost方法和支持向量机(SVM)方法。SVM利用具有特殊性质的核函数将特征空间中的内积运算转换为低维空间中的非线性运算，避免了高维空间的运算问题。基于SVM的字符识别方法己广泛的采用。同神经网络的字符识别方法类似，学习训练样本前需要提取图像特征。选取有效的图像特征，如LBP纹理特征、HOG直方图特征等等，再加上大量训练样本可以得到较高的字符识别率，具有较强的鲁棒性11。 总结6.1全文总结 车牌识别是智能交通系统中重要应用，具有重要的研究意义和实际应用价值，本文针对车牌识别技术中车牌定位、字符分割和字符识别技术进行了初步的研究，并研究了相应的算法，但是经过实验验证和结果分析，这些算法还有待进一步的深入研究。这主要表现在如下几个方面:(1)车牌定位算法是基于边缘信息的方法，车牌区域边缘提取是否准确关系都能否准确定位车牌，因此如何在车牌过亮、过暗情况下准确提取车牌边缘，定位车牌区域有待进一步的研究。此外，颜色信息是车牌的一个重要特征，如何利用颜色信息和字符边缘信息来准确定位车牌是以后研究的一个重点。 (2)车牌字符识别是车牌识别系统的最后一步，识别的准确率直接影响了车牌识别系统的性能。我国车牌字符具有字符集固定、字符分辨率低、字符结构复杂、易受外界环境影响大的特点。通过对于模式识别理论的学习，应用与车牌识别，为交通管理提供了巨大的方便，本文简单的介绍了车牌识别技术的发展应用以及一些基本算法的研究，在以后的学习中会继续深入研究。 参考文献1 .刘智勇，刘迎建.车牌识别中的图像提取及分割.中文信息学报，2000,14(4):29-342.任柯星，唐丹等.基于字符结构知识的车牌汉字快速识别技术.计算机测量与控制，2000,13 (6): 592-5 943.叶晨洲，杨杰等