一种利用Hough变换和先验知识的车牌识别新方法

2 字符分割

字符分割之前，有必要对倾斜的车牌进行校正。用Hough变换进行倾斜角检测是一种常用的有效途径。

由于实现了车牌定位，可以用全局阈值法对定位结果图像重新二值化，以得到更理想的二值图像。图8是用Otsu法[5]得到的二值图。

字符切割最常用的方法是投影法。如果二值化后车牌图像的字符中粘连和断裂情况不那么严重，只需要垂直投影就可以很好地完成字符切割的任务。但是水平边框、铆钉有时会把一些"谷"填平，使得难以精确确定分割点。尽管如此，垂直投影仍然是字符分割中的一个非常重要的方法。本文对垂直投影法加以改进，基本上克服了边框和铆钉带来的影响。

　　对于二值化后可能存在的水平边框干扰如图8(a)所示(垂直边框对垂直投影法没有影响)，根据先验知识：不管车牌整体的大小如何，单个字符的宽度不会超过整个图像宽度的1/8。因而可将宽度超过1/8或更多一点的白线像素置0。这样既去除了大部分干扰又无字符信息的丢失。

下面将进行校正。选取图9每1列如图10所示的最下方的1值像素，经过Hough变换后如图11所示的可检测到边缘直线，此直线倾角(即车牌倾角θ)根据公式：

对图9进行坐标转换便实现了车牌倾斜校正，如图12所示。其中x0、y0为原坐标，x、y为转换后坐标。
对矫正后的车牌采用垂直投影法进行字符分割，结果如图13所示。

图13(a)中有2个连续的"0"字符粘连在一起，未能被分离，原因是铆钉刚好处在它们中间的位置。用图像处理的手段消除铆钉而又不影响字符信息其难度很大。对于这种情况，针对性的解决办法是直接将包含2个字符的分割板块对等中切。1个字符的宽度不会超过整块车牌宽度的1/5，连续2个字符的宽度肯定超过整块车牌宽度的1/5，根据此先验知识，以宽度大于车牌1/5且小于车牌2/5为条件，可以方便地确定是否存在粘连块。图13(b)与图13(c)没有受到铆钉干扰，因而能1次性分割成功。图14是将粘连板块对等中切后的结果。


3 字符识别

在分类器的选取上，既要求其要有良好的容错，又要求其具有良好的自适应的能力。神经网络具有与人脑相似的高度并行性、良好的容错性和联想记忆功能、自适应、自学习能力和容错等特点，特别是以改进型BP网络为代表的神经网络具有良好的自学习能力、强大的分类能力、容错能力或鲁棒性，可以实现输入到输出的非线性映射。因此本文选择BP神经网络作为字符进行分类、识别的主要方法。

3.1 字符预处理

对切割出来的车牌字符很有必要进行预处理，预处理包括：

(1)大小归一化

为了便于训练和识别，需要对字符图像进行规范化处理，使它们变成统一尺寸的图像，本文中将字符片段归一化为24×14大小。

(2)特征提取

即由归一化得到的字符确定网络输入向量。本文是将24×14网格转换为单一向量输入。

3.2 BP神经网络的设计

大多数实际的神经网络只需要2～3层神经元[6]，本文设计的BP神经网络包含2个隐含层。对于神经网络中隐含层节点数目的确定，没有一个固定的规律可遵循。本文中对隐含层内节点数的确定，是以找到1个经过样本训练后，其网络输出与实际结果最近似的网络，这是一个搜索的过程。参考相关隐含层确定的准则[7]，通过逐个比试最终确定，第1个隐含层节点数为15个，第2个隐含层节点数为10个，学习速度为0.01。

实验中选取了300幅实际的车牌。这些车牌图像的大小和拍摄的角度有所不同，有些车牌图像比较清楚，有些则有缺陷。然后在Matlab7.0环境下对网络进行训练，训练样本由200个车牌的1 400个字符组成。剩下的100幅车牌图像用于识别试验。试验结果：正确识别91幅，误识6幅，不能识别3幅，平均识别速率0.94 s/幅。在实验过程中数字识别率最高，字母次之，汉字识别率最低。

本文系统地研究了一套车牌识别算法，包含了车牌定位、字符分割、字符识别3个环节。其前后衔接紧密，互补性好，整体准确性高，稳定性好，具有较强的实用性。但仍存在一些问题需要进一步改进，如车牌定位时，距离伸缩性不够，字符倾斜校正存在一些失真，字符特征提取还需要更有效的方法。