車牌圖像分類識別技術研究

鐘彩　彭春富　傅波　胡常樂

摘要：在現階段的交通管理領域，普遍應用車牌識別系統是交通信息化的一個重要組成部分。為了提高車牌圖像識別技術應用的效果，文章圍繞車牌圖像分類識別技術做出分析，在保證車牌圖像識別精度基礎上提高識別的效率。本文首先介紹車牌圖像分類識別技術，了解該技術基本情況；其次介紹車牌圖像采集技術、車牌圖像特征值提取與分類器、車牌圖像處理技術3種車牌圖像分類識別的常見技術，了解不同技術在車牌圖像分類識別中的應用要點；最后提出加大采集圖像內容與質量控制力度、建立車牌識別樣本數據庫、明確車牌圖像識別規范3點建議，明確今后車牌圖像分類識別技術的發展方向，以期能夠為今后車牌圖像分類識別的發展夯實基礎。

關鍵詞：車牌圖像；分類識別技術；卷積神經網絡模型算法；sigmoid激活函數

中圖分類號：TP391文獻標志碼：A0引言在交通管理領域，車牌的樣式各有不同，但是車牌識別的原理卻大致相同，按照車牌圖案紋理特點、邊緣信息等，對車牌進行定位、分割和識別，其中涉及采集車牌圖像、圖像預處理以及車牌識別等流程。判斷車牌識別系統質量的重要指標之一是識別精度，在確保識別精度基礎上，還需要進一步提高識別的速度。目前，采用的很多車牌識別系統，在識別車牌圖像方面，識別精度與效率存在對立現象，即需要長時間識別才能夠保證圖像識別精度。

1車牌圖像分類識別技術概述1.1車牌圖像分類識別技術原理從20世紀90年代至今，數字圖像處理基礎理論越發完善，伴隨視頻處理、計算機信息等技術水平的提升，我國車牌圖像識別技術得到廣泛應用，并且在研發與實踐中總結了關鍵技術算法，獲得了比較理想的應用成果［1］。

現有關于車牌圖像識別的技術，以車牌區域定位技術、單個字符區域切分技術、字符分類識別技術為主。車牌區域定位的相關資料顯示，在神經網絡分類器基礎上進行車牌區域定位，或者是利用彩色圖像特征定位車牌區域，紋理檢測與邊緣檢測實現車牌區域定位等，均是比較常見的車牌區域定位手段；車牌字符切分技術的常用方法，包括二值圖像水平投影分布基礎上的車牌字符切分、二值圖像字符區域上下輪廓分布基礎上的車牌字符切分等；車牌字符分類識別技術，主要是以特征選擇、提取為主，例如二值圖像所包含的字符筆畫像素分布為主的字符特征、二值圖像字符輪廓和骨架字符特征等。關于車牌圖像分類識別技術的相關研究中，很多方法對于實際應用特征和車牌圖像識別關鍵技術關聯領域的分析還不夠深入，需要在車牌圖像分類識別技術優化中加以改善。

1.2現有研究成果針對車牌圖像分類識別技術的研究，根據該項技術的應用現狀，可以肯定的是技術本身已經有了比較顯著的應用成果。雷得超等［1］在《基于OpenCV圖像處理車牌識別系統分析研究》中，對OpenCV基礎上的圖像處理車牌識別系統研發進行了介紹，對已有的車牌識別做出優化與改進。徐勝軍等［2］通過《一種編解碼結構的車牌圖像超分辨率網絡》，介紹了具有編解碼結構功能的車牌圖像超分辨率網絡。陸志香等［3］在《基于卷積神經網絡的復雜光照變化車牌圖像識別》中，對卷積神經網絡與復雜光照變化車牌圖像識別的融合做出論述，對于車牌圖像分類識別技術的應用而言，均實現了功能與性能上的提升，也為今后車牌圖像分類識別技術研發、應用夯實基礎。

2車牌圖像分類識別的常見技術2.1車牌圖像采集技術圖像采集的質量和清晰度，是車牌高效識別非常重要的基礎。原理如圖1所示［2］。輸入系統中的車牌圖像清晰度高，代表識別精度的期望值高。采集車牌原始圖像，可以通過圖像采集處理單元達到目的，采集人員在保證光源穩定性的基礎上，應用CCD高清相機設備，感應到目標后便可進行拍攝，隨后應用圖像采集卡，將模擬圖像轉變為數字圖像，數字圖像做好去噪、特征加強等一系列處理。采集所獲得車牌圖像，必須有清晰的輪廓、紋理特征，保證空間分辨率、銳度、對比度，這是后續車牌圖像識別的重要前提。

2.2車牌圖像特征值提取與分類器在車牌圖像分類識別過程中，首先是將車牌圖像定位分割，此環節提取車牌特征。此次分析采用卷積神經網絡（Convolutional Neural Networks，CNN）模型算法，該算法應用卷積層、下采樣層、全連接層，將原始輸入特征予以輸出，如圖2所示［3］。卷積層主要利用卷積核，卷積上一層特征圖，再利用sigmoid激活函數，便可獲得卷積層輸出特征圖；下采樣層負責處理上一層得到的特征圖，將其進行下采樣加權、偏置處理，獲得對應層輸出特征圖。當已經提取到車牌特征值，工作人員可以利用最近鄰分類算法（Nearest Neighbor Classification，NNC），發揮分類判別函數、分類規則的作用完成匹配判別，以此完成車牌圖像特征值的自動化分類識別。

2.3車牌圖像處理技術在深度卷積神經網絡基礎上的圖像自動識別，采用了深度學習這一技術。該技術屬于機器學習范疇，是在神經網絡基礎上不斷演變得出，對比傳統形式的機器學習方法，提取特征可以免除人工參與環節，每一層特征提取均是在通用學習期間，通過數據學習獲得，應用深度卷積神經網絡自動特征學習、檢測車牌圖像。另外，此方法對訓練環節標注圖片沒有過高的要求，車牌輪廓無需保證精準性，僅需點標注車牌字符即可。

處理過程包括模型訓練、車牌圖像檢測這兩個環節。在開展特征值學習訓練期間，訓練圖片一般需要展開預處理。在模型訓練環節，按照手工標注圖片，在監督下進行訓練，對深度卷積神經網絡參數進行學習。進入測試環節后，測試圖片需要輸入至已經完成訓練的深度卷積神經網絡，自動獲得輸出結果圖像，應用矩量分析法處理輸出圖片，即可獲得車牌自動檢測值［4］。上述處理過程主要采用到計算機數字圖像處理技術、統計方法，識別、分析車牌特征，具有車牌圖像預處理、定位分割、自動化分類識別等一系列優勢。

處于實際檢測場景下，車牌識別可能會受到內外部環境中因素的影響，影響降低采集車牌圖像清晰度，導致圖像失真。為此，應用圖像處理技術既能夠將圖像噪聲去除，保證圖像細節、邊緣輪廓的真實度，還原圖像細節，又能夠去除識別檢測環節不重要的信息，以免計算機系統過多地耗損算力?；诖?，結合車牌圖像特征，在車牌圖像分類識別期間，通常會經過高斯濾波、灰度化、二值化3個流程，文章針對上述3個處理流程展開分析。

（1）高斯濾波處理。濾波操作在信號處理、圖像處理中屬于比較常見的技術手段，在壓縮圖像數據、紋理分析以及邊緣檢測等方面，也有比較廣泛的應用。濾波算法包括均值濾波、中值濾波、高斯濾波。均值濾波和中值濾波在應用中存在一些限制。高斯濾波屬于線性平滑濾波算法，利用掃描圖像的像素點，可以明確鄰域范圍內像素加權平均灰度值。圖像展開平滑濾波處理。圖像紋理特征能夠最大限度地被保留。因此，高斯濾波在降低車牌圖像噪聲、服從正態分布車牌圖像噪聲等操作中應用，可以獲得相對理想的平滑效果［5］。

（2）灰度化處理。數字圖像以彩色、黑白色為主，盡管各個國家與地區車牌顏色存在區別，但是在識別場景中的圖像顏色并非關注要點，系統處理彩色圖像所形成的數據量、運算量，也遠大于灰度圖像。車牌圖像經過灰度化處理，將一些不重要的信息及時過濾，加強圖像特征輪廓。常用的灰度化方法包括分量法、最大值法、加權平均算法等，分量法可以使彩色圖像包含的RGB三分量亮度轉換為圖像灰度值，最大值法則是將三分量亮度最大值當作圖像灰度值，加權平均算法是在加權計算基礎上，加深圖像像素所有的三原色色彩通道內像素點顏色，使三分量能夠通過相應權值，在加權平均處理后獲得灰度圖像。上述方法在應用中各有不同的優劣勢，可以結合實際需求做出選擇。在確保車牌圖像處理效果、識別效率基礎上，車牌識別往往應用加權平均算法。車牌圖像經過灰度化處理后顯示灰度值，可發現圖像色彩具體明暗性［6］。

（3）二值化處理。車牌圖像的二值化處理，其優勢是規避一些因素的干擾，避免字符斷裂和粘連等現象，而且二值化處理還可以起到加強車牌圖像特征輪廓的效果，提升特征細節分辨率，減少計算機處理量，給之后邊緣檢測創造了條件。二值化處理流程如圖3所示。在車牌圖像進行二值化處理時，灰度圖像經過轉換之后成為二值圖像，其間需要設置圖像像素點灰度值，一般以0，255為主，可以保證圖像的黑白呈現效果。另外，在二值化方法中，最大嫡法和直方圖波形分析法的應用比較廣泛。最大嫡法立足于各個維度，對圖像灰度直方圖進行嫡測量，從而得到最大嫡以及最為理想的二值化閾值；直方圖波形分析法以灰度直方圖為前提，按照圖像直方圖實際所有的波峰數量，得出二值化閾值。

3車牌圖像分類識別技術的應用建議圖像計算機識別技術比較多樣化，如常見的有指紋識別、人臉識別等技術，在識別中獲得了比較可觀的效果。經過實踐經驗，發現車牌圖像識別技術的準確性、穩定性等還需要進一步提升，而且在當前車牌識別領域更多只是作為一種輔助方法。為了優化車牌識別技術應用效果，文章提出幾點建議。

3.1加大采集圖像內容與質量控制力度在很多具有良好應用效果且已經成熟的圖像識別技術中，車牌圖像識別技術面對需要識別的圖像樣本，還需要不斷提升識別內容與質量。該問題在車牌識別中也是需要重點解決的問題。長期以來根據圖像處理的研究成果，探索了不同種類的車牌圖像識別方法，要求保證車牌識別的穩定性和清晰性。立足于圖像采集源頭，加強圖像內容與質量的控制，有效提升車牌識別效率。這就需要制定規范的車牌圖像識別標準、車牌圖像采集環境控制標準，并且引進采集車牌圖像的專業設備，為車牌圖像內容與質量的提升夯實基礎［7］。

3.2建立車牌識別樣本數據庫根據已有的車牌圖像識別到的信息數據，可以將其整合組建數據庫，該數據庫中需要列舉主體數據、特殊分項數據，保證不同數據信息的數據量，詳細分類。構建車牌識別樣本數據庫，對于車牌圖像識別技術的應用而言，可以進一步推動車牌圖像識別技術進步。

3.3明確車牌圖像識別規范針對車牌圖像的識別，必須了解與之相關的標準，這是車牌圖像識別方法應用效果、識別過程的重要因素，若可以在制定與修改車牌相關標準時，重點分析車牌圖像識別潛在干擾因素，可以提高識別對象效率，降低識別復雜性，保證車牌圖像識別最終結果準確性。另外，在車牌圖像識別過程中，還需要重點關注到交通執法、管理的基本要求，將其作為車牌圖像識別要求的一項關鍵影響因素。如車牌存在污損或者是沒有規范懸掛在相應的位置，均會增加車牌圖像識別難度。面對此類問題，便可以通過交通執法與管理予以解決，提高車牌圖像識別效率。

4結語綜上所述，車牌圖像分類識別技術在應用中，需要重點解決識別質量、識別效率等問題，根據已經得出的技術實操經驗和研究成果，技術人員對現有分類識別技術進行改進與優化，在提高車牌圖像分類識別效率與精度的同時，可以滿足更加多元化的分類識別要求，從而進一步提高車牌識別系統質量。

參考文獻

［1］雷得超，任守華.基于OpenCV圖像處理車牌識別系統分析研究［J］.電腦與信息技術，2022（4）：15-17.

［2］徐勝軍，鄧博文，史亞，等.一種編解碼結構的車牌圖像超分辨率網絡［J］.西安交通大學學報，2022（10）：101-110.

［3］陸志香，楊梅.基于卷積神經網絡的復雜光照變化車牌圖像識別［J］.激光雜志，2022（5）：145-150.

［4］余偉.基于卷積神經網絡的車牌圖像識別技術實現［J］.信息記錄材料，2022（5）：154-156.

［5］李冰潔.MATLAB圖像處理技術在車牌識別中的應用［J］.上海電氣技術，2022（1）：45-48.

［6］孫鵬，李賽，寇鵬，等.基于手持設備圖像的車牌定位與車牌識別系統設計［J］.軟件工程，2022（1）：29-32.

［7］曾淦雄，柯逍.基于3D卷積的圖像序列特征提取與自注意力的車牌識別方法［J］.智能科學與技術學報，2021（3）：268-279.

（編輯 王永超）

Research on license plate image classification and recognition technologyZhong? Cai， Peng? Chunfu， Fu? Bo， Hu? Changle

（Changde Vocational Technical College， Changde 415000， China）Abstract：? Vehicle license plate recognition system is widely used in the field of traffic management at present， which is also an important component of traffic informationization. In order to improve the application effect of license plate image recognition technology， this paper analyzes the classification and recognition technology of license plate image， improves the recognition efficiency on the basis of guaranteeing the recognition accuracy of license plate image. Firstly， this paper introduces the technology of license plate image classification and recognition， and understands the basic situation of this technology. Secondly， this paper introduces three common techniques of license plate image classification and recognition， which are license plate image collection technology， license plate image eigenvalue extraction and classifier， license plate image processing technology， to understand the application of different techniques in license plate image classification and recognition. Thirdly， three suggestions are put forward， which are to strengthen the collection of image content and quality control， to establish the database of license plate recognition samples， to define the license plate image recognition standard， and to clarify the development direction of license plate image classification and recognition technology in the future， in order to be able to future license plate image classification and recognition of the development of a solid foundation.

Key words： license plate image; classification and recognition technology; convolutional neural network model algorithm; sigmoid activation function