停车场车牌识别系统的研究与设计

停车场车牌识别系统的研究与设计

摘要:车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。通过一些后续处理手段可以实现停车场收费管理，交通流量控制指标测量，车辆定位，汽车防盗，高速公路超速自动化监管等等功能。对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。

关键词：车牌定位，字符车牌分割，车牌字符识别。

Tips:Vehicle License Plate Recognitionidentification is the modern intelligent transportation

system, one of the important component of used widely. It with digital image processing and pattern recognition, computer vision technology as the foundation, the camera footage video sequence image or vehicle are analyzed and the only every vehicle license plate number, thus completing recognition process. Through some follow-up treatment method can realize parking charges administration, the traffic flow control measurement, vehicle positioning, automobile guard against theft, highway speeding automation supervision, etc function. For maintaining traffic safety and city security, prevent traffic jams, realize the traffic automation management has a realistic significance.

Keywords： License plate localization,Character license plate segmentation，license plate character recognition

一．车牌识别的必要性：

1.车牌识别的意义和背景：

随着21世纪经济全球化和信息时代的到来，计算机技术、通信技术和计算机网络技术迅猛发展，自动化的信息处理能力和水平不断提高，并在人们社会活动和生活的各个领域得到广泛应用。高速度、高效率的生活效率，使汽车普及成为必然趋势，交通管理自动化越来越成为亟待解决的问题。在这种情况下，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。

车牌识别技术作为交通管理自动化的重要手段。其目的是分析、处理汽车检测图像，自动识别汽车牌号，并进行相关智能化数据库管理。LPR系统可以广泛应用于高速公路电子收费站、出入控制、公路流量监控、失窃车辆查询、停车场车辆管理、公路稽查、检测黑牌机动车、监控违章车辆的电子警察等需要车牌认证的重要场合

车牌识别系统作为现代交通管理手段中的重要一环，经过多年的发展，已不再是单一的识别车牌，而是朝着更广泛的应用领域、更多的功能方向发展。

近年来国内的机动车辆规模大幅度的增加：全国机动车年增长率15%以上。 计算机技术在各个领域的不断的广泛的应用使得交通管理手段从人工管理逐步转变成自动或者半自动方式。

2.车牌识别多种应用方式分析

车牌识别目前已成为“平安城市”建设中重要的组成部分，为道路交通管理提供帮助，其不仅应用于闯红灯抓拍、超速行驶违章抓拍、车辆旅行时间统计、高速公路车辆管理应用等道路交通应用中，还在治安安防监控中如治安卡口车牌识别、盗抢车辆通缉、刑事案件辅助侦破等应用中都得到了广泛的使用。车牌自动识别技术在公共安全。交通管理甚至军事部门都有应用价值.

车辆出入管理、自动放行等在停车场管理系统中也获得较为广泛的应用;车牌号码自动登记也在电子警察系统、道路监控系统中得到应用，可有效减少交管部门的工作强度，并大幅度提高处理速度和效率。神州数码的叶韶光介绍，现在车牌识别系统在其他行业也有广泛的需求，如大型仓库中需要对进出车辆进行称重，确保不会出现货物误装或丢失的现象，通过车牌识别系统的引入，可自动记录进出车辆的车牌号码，并将车辆的重量信息、时间信息叠加保存，便于后期查询。

3.车牌识别的多种算法：

【】

基于车牌颜色特征的算法1

【】

基于小波和形态学的算法2

【】

基于纹理分析的算法3

【】

基于灰度特征投影的算法4

【】

基于神经网络的算法5

系统需求分析

需求分析的任务即要确定系统必须完成哪些工作，对目标系统提出完整、准确、清晰、具体的要求，系统分析的结果是系统开发的基础。

停车场车牌识别工作是地下停车场的重要组成部分，为了加强车辆管理，提高车辆安全，适应市场竞争的要求，开发一套适用于停车场车牌识别的管理系统是必不可少的： 系统实现目标

设计一个用于停车场的车牌识别系统。系统经过训练可以自己自动对进入车辆扫描、识别、存储等。系统要实现的功能：

1.小范围的高精度的快速的车牌识别。 2.经过大量训练后，保证正确率。

辅助光源的选择：

由于制约车牌识别系统识别率的主要原因包括一下几点

1.光照因素：全天候的剧烈变化的室外自然光。大量强的干扰光源（汽车大灯、太阳光直射或者反射等）

2.大量干扰目标的影响，如悬挂在车牌附近的缴费牌、运营牌、人为黏贴的文字图案等，复杂的背景；

3.我国车牌中存在的不规范悬挂、污染、部分遮掩。

停车场光源选择照明光源应具有发光效率搞，显色性能好，使用寿命长，启点可靠、方便、快捷，性价比高等特点。故而选用LED节能灯。

10000个小时的寿命（小于70%的光衰) 6000-6500的色温（接近太阳光）。 摄像头选择：

摄像机的镜头是图像采集的关键设备。它的质量优劣直接影响摄像机的整体指标。 (SENSOR) 是组成数码摄像头的重要组成部分，根据元件不同分为[1]CCD（Charge Coupled Device，电荷耦合元件）应用在摄影摄像方面的高端技术元件[2] CMOS（Complementary Metal-Oxide Semiconductor，金属氧化物半导体元件）应用于较低影像品质的产品中。

目前CCD元件的尺寸多为1/3英寸或者1/4英寸，在相同的分辨率下，宜选择元件尺寸较大的为好。

CCD的优点是灵敏度高，噪音小，信噪比大。但是生产工艺复杂、成本高、功耗高。 CMOS的优点是集成度高、功耗低(不到CCD的1/3)、成本低。但是噪音比较大、灵敏度较低、对光源要求高。在相同像素下CCD的成像往往通透性、明锐度都很好，色彩还原、曝光可以保证基本准确。而CMOS的产品往往通透性一般，对实物的色彩还原能力偏弱，曝光也都不太好。

选用JVC MG530 （CCD。4000-6000RMB） 型号GZ_MG530AC 总像素 570万像素

动态有效像素 400万像素 静态有效像素 500万像素 光学变焦 10倍 数码变焦倍数 300倍

镜头 F3.5,f=6.3-63mm,电动变焦镜头，滤镜口径:43mm LED液晶屏：2.7英寸。11.2万像素，16：9宽屏

部署图

下面的算法是综合车牌本身固有的特点和车牌区域的纹理特征---提出了图像预割和双边滤波用于车牌定位的预处理，边缘检测和先扫描定位车牌.。然后采用神经网络的算法进行字符识别。

车牌定位

1.车牌特征：

我国的车牌字符都是由汉字、字母、阿拉伯数字组成的。并且在矩阵内呈水平排列且大小相等。

车牌有一个连续或由于磨损而不连续的边框，车牌内的7个字符基本呈水平排列，切有一定的间隔，在牌照的矩阵区域内存在较丰富的垂直边缘，而其他区域往往水平边缘丰富。

车牌的底色、边缘颜色几车牌外的颜色各不相同，在图像中其灰度级也互不相同。 由于字符本身与牌照的内部灰度是均匀的，且字符大小和间隔变化有一定的变化范围，所以穿过车牌的水平直线呈连续的有规律的峰、谷、峰分布。

车牌区域为矩阵区域，一般高为14CM，宽为44CM。宽高比为3.14，并且大多悬挂在车辆的下部。

2.图像预处理：

1.灰度化：把彩色图简化处理为灰度图。摄像机采集到的彩色图像采用加权平均直法处理为灰度图，g是灰度化后的灰度值，R,G,B表示红，绿，蓝。

g=0.30R+0.59G+0.11B 2.图像预割：

由于牌照在图像中的位置相对固定，且一般位于图像的下半部分。左侧切割10%，右侧切割15%，上侧切割50%，下侧切割30%。这里过多的切割可能造成无法定位车牌，过少会引入背景图的干扰，同时加大了运算量。

3..灰度拉伸：

把有用的灰度范围拉开，使得该范围呢的像素亮的越亮，暗的越暗，达到增大对比度的目的。将车牌区域拉伸增强车牌区域和背景的对比度，使车牌区域更突出

4.滤波：

消除图像中的噪声。采用双边滤波的方法。其特点。。。。。。。 5.边缘检测：

图像的边缘是图像的最基本特征，是图像分割、纹理特征提取和形状特征提取等图像分析的基础。利用车牌区域存在较丰富的竖向纹理进行车牌定位时，需要提取车牌区域的边缘信息物体的边缘是由于灰度不连续所形成的。经典的边缘提取方法是考察图像的每个像素在某个领域内的变化，利用边缘邻近一阶或二阶方向导数来提取。

6.车牌定位：

在车牌大致位置的基础上，向上，向下按以下条件进行搜索： （1）搜索的范围不超过某一个阈值。

（2）若某一行全部白色的点的总数和车牌大致位置所在区域里平均单行全部白点数目相差不大，则认为该行是车牌的所在行。

在确定了上下边缘后，可以按照长宽比为44：14来搜索车牌的左右边缘。以上下边缘差为高、44：14为长宽比的矩形做模板，从左到右遍历有上下边缘所确定的候选区域。而认为车牌区域内的白色点应该是所有遍历情况中最多的。

字符识别：

为了对车牌字符的识别，这里采用BP神经网络，应用于自动识别在车牌图像进行预处理后的基础上，重点讨论BP神经网络方法对车牌字符的识别。首先将训练样本做图像预处理，对车牌上的字符进行分割，得到单个字符，对大小不一的字符作归一化后，对字符进行特征提取，把长15，宽为25的归一化后的图像中的字符信息提取出来，图像中的白点置为0，图像中的黑点置为1，这样就得到了15*25的特征向量，这个特征向量记录的就是字符的特征。把这个字符向量送到BP网络中进行训练，得到了训练好的权值，把他保存到“win.dat\和\中。然后打开要识别的图片，对图像进行预处理后就可以识别了。 利用神经网络进行字符识别的过程包括网络的训练、数据的读取、字符的判定、结果的输出。

神经网络字符识别流程图

系统是对车牌图像进行了图像灰度化、二值化、图像的调整、离散噪声点的去除、字符的切分、图像的缩放、字符的细化、字符的平滑、图像的求梯度等图像与处理后的图像中的字符进行二次处理。系统对字符进行特征提取，对提取的结果再利用神经网络进行字符识别。

图像经过一系列的预处理之后，原来大小不同、分布不规则的各个字符变成了一个个大小相同、排列整齐的字符。下面要从被分割诡异处理完毕的字符中，提取最能体现这个字符特点的特征向量。将提取出待识别的特征向量代入到训练好的BP网络中，就可以对字符进行识别。

特征向量的提取方法有很多。有逐像素特征提取法、骨架特征提取法、垂直方向数据统计特征提取法、13点特征提取法、弧度梯度特征提取法等

这里选用逐像素特征提取法，这是一种最简单的特征提取法，对图像进行逐行逐列的扫

描。当遇到黑色像素时取其特征值为1，白色为0，这样就形成了一维数与图像中像素点的个数相同的特征向量矩阵。

BP学习算法：

1.设置变量和参数，其中包括训练样本、权值矩阵、学习速率。 2.初始化，给各个权值矩阵一个较小的随机非零向量。 3.输入随机样本

4.对输入样本，前向计算BP网络每层神经元的输入信号和输出信号。

5.由实际6输出和期望输出求得误差。判断是否满足要求。若满足要求转第8步；不满足转第6步

6.判断是否已经到达了最大迭代次数。若到，转第8步，否则反向计算每层神经元的局部梯度

7.根据局部梯度修正各个矩阵的权值。 8.判断是否学习完所有的样本，“是”结束，“否”转第3步。

采用8*16归一化，特征提取用的是像素特征提取法，这样每一个输入样本，就有8*16=128个特征。所以输入层的结点数为128. 采用10个隐层神经元。

0的编码：0.1，0.1，0.1，0.1，0.1，0.1 1的编码：0.1，0.1，0.1，0.1，0.1，0.9 2 的编码：0.1，0.1，0.1，0.1，0.9，0.1 3的编码：0.1，0.1，0.1，0.1，0.9，0.9 4的编码：0.1，0.1，0.1，0.9，0.1，0.1 。。。。。。

9的编码：0.1，0.1，0.9，0.1，0.1，0.9 A的编码：0.1，0.1，0.9，0.1，0.9，0.1 。。。。。。

Z的编码：0.9，0.1，0.1，0.9，0.9，0.1

“京”的编码；0.9，0.1，0.1，0.9，0.9，0.9 。。。。。。

“台”的编码：0.9，0.9，0.9，0.1，0.1，0.9 Double out [][6]={

0.1,0.1,0.1,0.1,0.1,0.1,...................................................................................//0 0.1,0.1,0.1,0.1,0.1,0.9....................................................................................//1 0.1,0.1,0.1,0.1,0.9,0.1....................................................................................//2 0.1,0.1,0.1,0.1,0.9,0.9....................................................................................//3 0.1,0.1,0.1,0.9,0.1,0.1....................................................................................//4 0.1,0.1,0.1,0.9,0.1,0.9....................................................................................//5 0.1,0.1,0.1,0.9,0.9,0.1....................................................................................//6 0.1,0.1,0.1,0.9,0.9,0.9....................................................................................//7 0.1,0.1,0.9,0.1,0.1,0.1....................................................................................//8 0.1,0.1,0.9,0.1,0.1,0.9....................................................................................//9 0.1,0.1,0.9,0.1,0.9,0.1....................................................................................//A 0.1,0.1,0.9,0.1,0.9,0.9....................................................................................//B 0.1,0.1,0.9,0.9,0.1,0.1....................................................................................//C 0.1,0.1,0.9,0.9,0.1,0.9....................................................................................//D

0.1,0.1,0.9,0.9,0.9,0.1....................................................................................//E 0.1,0.1,0.9,0.9,0.9,0.9....................................................................................//F 0.1,0.9,0.1,0.1,0.1,0.1,...................................................................................//G 0.1,0.9,0.1,0.1,0.1,0.9....................................................................................//H 0.1,0.9.0.1,0.1,0.9,0.1.....................................................................................//I 0.1,0.9,0.1,0.1,0.9,0.9.....................................................................................//J 0.1,0.9,0.1,0.9,0.1,0.1....................................................................................//K 0.1,0.9,0.1,0.9,0.1,0.9....................................................................................//L 0.1,0.9,0.1,0.9,0.9,0.1...................................................................................//M };

0.1,0.9,0.1,0.9,0.9,0.9...................................................................................//N 0.1,0.9,0.9,0.1,0.1,0.1....................................................................................//O 0.1,0.9,0.9,0.1,0.1,0.9....................................................................................//P 0.1,0.9,0.9,0.1,0.9,0.1....................................................................................//Q 0.1,0.9,0.9,0.1,0.9,0.9....................................................................................//R 0.1,0.9,0.9,0.9,0.1,0.1....................................................................................//S 0.1,0.9,0.9,0.9,0.1,0.9....................................................................................//T 0.1,0.9,0.9,0.9.0.9,0.1....................................................................................//U 0.1,0.9,0.9,0.9,0.9,0.9....................................................................................//V 0.9,0.1,0.1,0.1,0.1,0.1...................................................................................//W 0.9,0.1,0.1,0.1,0.1,0.9...................................................................................//X 0.9,0.1,0.1,0.1,0.9,0.1...................................................................................//Y 0.9,0.1,0.1,0.1,0.9,0.9...................................................................................//Z 0.9,0.1,0.1,0.9,0.1,0.1..................................................................................//京 0.9,0.1,0.1,0.9,0.1,0.9..................................................................................//津 0.9,0.1,0.1,0.9,0.9,0.1..................................................................................//沪 0.9,0.1,0.1,0.9,0.9,0.9..................................................................................//冀 0.9,0.1,0.9,0.1,0.1,0.1..................................................................................//鲁 0.9,0.1,0.9,0.1,0.1,0.9..................................................................................//豫 0.9,0.1,0.9,0.1,0.9.0,1..................................................................................//鄂 0.9,0.1,0.9,0.1,0.9,0.9..................................................................................//苏 0.9,0.1,0.9,0.9,0.1,0.1....................................................................................//皖 0.9,0.1,0.9,0.9,0.1,0.9,...................................................................................//晋 0.9,0.1,0.9,0.9,0.9,0.1...................................................................................//湘 0.9,0.1,0.9,0.9,0.9.0.9....................................................................................//桂 0.9,0.9,0.1,0.1,0.1,0.1...................................................................................//闽 0.9,0.9,0.1,0.1,0.1,0.9....................................................................................//川 0.9,0.9.0.1,0.1,0.9,0.1....................................................................................//浙 0.9,0.9,0.1,0.1,0.9,0.9....................................................................................//甘 0.9,0.9,0.1,0.9,0.1,0.1...................................................................................//宁 0.9,0.9,0.1,0.9,0.1,0.9...................................................................................//陕 0.9,0.9,0.1,0.9,0.9,0.1...................................................................................//吉 0.9,0.9,0.1,0.9,0.9,0.9...................................................................................//辽 0.9,0.9,0.9,0.1,0.1,0.1...................................................................................//台 此数组即为目标输出向量。

假定训练样本图像为picture1，待识别的图像为picture2。 1. 样本训练

（1).对图片picture1进行特征提取，得特征向量data_in[][]. (2).把特征向量data_in[][]送人BP网络进行训练，保存输入层与隐层之间的权值到win.dat中，保存隐层与输出层之间的权值到whi.dat中。 （3）。显示训练结果，如训练成功转字符识别，不成功则继续训练。 2.字符识别 （1）。对图片picture2进行特征提取，得特征向量data_in[][]

(2).读取win.dat和whi.dat中的信息分别到*input_weights和hidden_weights之中。 （3）将data_in[][]送入BP网络的输入层*input_unites.

（4）将*input_unites和*input_weightts送入BP网络中进行前向输入激活。得到*hidden_unites.再将*hidden_unites和*hidden_weights送入BP网络中进行前向输入激活得*output_unites.其实*output_unites存放的是out[][6]相关内容，即待识别样本的输出结果。 (5)。对*output_unites进行识别，如果output_unities[i]大于0.5.则判断其值为1；如果output_unites[i]小于0.5.则判断其值为0；再对其求加权值，如output-unites[]=(0.1,0.1,0.9,0.1,0.1,0.9),则待识别字符为\。即25×0＋24×0＋23×1＋22×0＋21×0＋20×1=9 合理性分析

车牌识别技术发展预测

计算机软硬件技术的飞速发展为车牌识别技术的进步提供了强大的动力。车牌识别技术中如下环节的进展值得关注： ·核心识别算法 ·图像采集设备 ·辅助照明设备 ·体系结构 ?? 。

随着技术的进步和现代化程度的提高，车牌识别技术将会随之发展，并在现代智能交通体系中发挥更重要的作用。 参考文献

【1】。张引，潘云鹤，彩色汽车图像牌照定位新方【J】。中国图像图形学报。2001，6（4);374-377. [2]穆长江，苑玮琦，基于纹理的车牌定位[J],

本文来源：https://www.bwwdw.com/article/plu6.html