采用DSP的圖像處理在車牌識別中的設計應用

汽車普及程度的提高，汽車牌照自動識別系統（LPR）的研究與開發也成為現代化交通發展中倍受關注的問題。對提高這些場所交通系統的管理水平和自動化程度具有重要的意義和巨大的經濟價值，有著廣闊的發展前景[1]。車牌識別技術作為該系統的核心，起著舉足輕重的作用，它在高速公路、城市道路和停車場等項目管理中占有無可取代的重要地位。

　　1圖像預處理及車牌字符分割

　　1.1預處理

　　LPR的攝像部分工作于開放的戶外環境，拍照時的光線，攝像機與牌照的距離和角度等都會造成采集圖像的模糊、歪斜等，嚴重影響車牌的分割識別。所以在進入車牌識別模塊之前，首先要對采集到的車牌圖像進行預處理。目前，適應于各種應用環境的，較為通用的圖像預處理方法還不是很成熟，論文在現有車牌預處理算法的基礎上，針對車牌圖像提出了改進的預處理方案。具體過程是在現有的中值濾波、灰度化及二值化的常規處理后，又提出了對二值圖像進行二次中值濾波來對二值圖像降噪，并將通常用于實現車牌定位的銳化邊緣算法運用到預處理中，為去除車牌圖像背景，提取車牌字符做好了準備

　　1.1.1中值濾波

　　中值濾波對于消除孤立點，即椒鹽噪聲和線段干擾十分有用，特別是對于二進制的椒鹽噪聲尤為有效，所以論文對二值圖像再次進行了中值濾波。CCS仿真測試表明，中值濾波后的車牌二值圖像，清晰度得到了顯著提高（如圖1所示），為車牌字符分割打好了基礎。

　　1.1.2銳化邊緣

　　在車牌識別系統中通常采用銳化邊緣的方法實現車牌定位，論文將其用于預處理，采用Roberts算子，利用局部差分算子尋找邊緣，對車牌二值圖像進行了邊緣銳化(如圖2所示),為去除車牌背景提取字符做好了準備，同時經過邊緣銳化提取了車牌邊框及字符的外部輪廓信息，相對整個車牌信息，后續處理的數據量大大減少了，從而提高了系統的處理速度。

　　1.2車牌字符分割算法及改進

　　車牌字符分割是在車牌定位后把車牌的整體區域分割成單字符區域。字符分割算法主要有自頂向下分割、邊緣檢測分割、迭代像素聚類和區域生長法等。論文結合車牌自身的特點，提出了先去車牌背景提取字符，再進行字符分割的改進的車牌分割方案。

　　1.2.1字符提取車牌

　　背景對車牌字符的正確分割和識別有很大的影響，為了提高識別效率，論文在車牌分割之前，充分利用定位車牌兩鉚釘中間部分無鉚釘干擾，且字符與車牌邊框的粘連度較小的特點，首先采用改進的局部投影法去除了車牌圖像的背景（邊框、鉚釘以及噪音），準確提取出車牌圖像的純字符區（如圖4(b)所示）。首先，截取車牌二值圖像的中間部分（通常為車牌長度的1/3到2/3部分）進行局部水平投影，通過從中間向兩邊掃描投影值（0或255）的大小尋找字符區域的上下邊界，再根據車牌各字符字體高度相等的特點，即可去除車牌的上下邊框和鉚釘。同理，對去除水平背景的二值圖像進行垂直投影并從左到右掃描投影值，便可找到并去除車牌圖像的左右邊框，徹底提出車牌中的字符圖像

　　1.2.2字符分割

　　論文利用車牌圖像小且內容簡單的特點，將自頂向下分割法與邊緣檢測分割法相結合，采用了改進的垂直投影法，對邊緣銳化了的純字符圖像做垂直投影，從右向左掃描黑白跳變點來實現車牌字符分割。由于是對純字符的二值圖像進行垂直投影，且車牌的邊框和鉚釘等背景已經去除，所以有連續黑點的地方就是字符所在地，連續黑點的間斷點（白點）則是分割點。再根據車牌字符分隔點的初始位置比例關系為6：8：6：6：6：6，以及字符的平均字寬和兩字符左邊界之間的平均距離關系，去除可能存在的錯誤切分。

　　2車牌字符識別算法及改進

　　字符識別是LPR系統的最后一個環節，也是整個車牌識別系統的關鍵，識別方法的好壞直接影響到整個車牌最終的識別效果。

　　2.1字符歸一化

　　由于分割出來的字符圖像大小有差異，而字符特征提取及模板匹配都是建立在各字符圖像大小一致的基礎上，所以在對字符識別前首先需要進行字符歸一化，包括分割字符歸一化和標準字符歸一化。論文根據字符提取時得到的各字符的上下邊界以及字符分割時得到的各字符的左右邊界，分別計算出各字符的高度和寬度，并求出各自的最大值作為分割字符最小包絡歸一化的識別模板尺寸，通過調試，考慮到計算量的問題論文將標準字符模板統一為W40*H40的像素大小。

　　2.2特征提取圖像特征通常可以分為結構特征和統計特征兩類，論文將兩者相結合，采用對各字符的外部輪廓進行統計特征提取的方法實現特征提取，包括待識別字符的特征提取和標準字符模板的特征提取。首先，將邊緣銳化并二值化了的分割字符分成3x3的9份，并計算每一份中像素點總數與黑象素點(目標點)個數的比值，從而得到一個9維特征向量，然后提取該向量作為待識別字符的特征。同理可以得到模板字符的特征向量，建起模板字符特征庫。實踐證明，當字符的形狀發生變化時，該方法仍可以保證特征提取的正確性。并且相對字符的整體信息，對字符的邊緣信息進行特征提取計算量要少的多，從而提高了處理速度。

　　車牌字符的識別算法主要有模板匹配法、統計模式識別和基于神經網絡法。基于模板匹配算法首先將待識別字符二值化，再將其尺寸大小縮放為字符數據庫中模板的大小，然后與所有的模板進行匹配，最后選最佳匹配作為結果[2][3]。由于這種算法穩定性較差且耗時較長，所以論文提出基于特征向量的匹配算法，具體算法是將待識別字符的特征向量與模板字符特征庫中的特征向量依次對應相減，若結果為零向量則完全匹配，其對應的模板字符即為識別結果。若為非零向量，則對這9個差值的絕對值求和，取最小值對應的標準模板字符作為最佳匹配字符并將其輸出，完成了字符識別。由于數字“1”的字高與字寬之比大于3，而其他字符的高寬之比都小于3，所以論文首先根據這一特性判斷分割字符是否為“1”，若是則識別結果輸出標準字符“1”，若不是則依次對分割字符進行字符歸一化、特征提取和基于特征向量的模板匹配，輸出識別結果。這樣既可以較為簡單和準確的識別字符“1”，而且不需要建字符“1”的模板特征向量，減少了計算量，提高識別了速度，同時也降低了整體識別的難度。

　　3系統組成原理

　　3.1硬件結構框圖

　　車牌識別系統分為硬件部分和軟件部分兩部分。它的基本硬件配置是由攝像機、工控機、采集卡、照明裝置組成。而軟件則是由基于DSP的具有車牌識別功能的圖像分析處理軟件，和滿足具體應用需求的后臺管理軟件組成。車牌識別系統的流程圖如圖3所示。其中車牌識別軟件部分具體又分為三個步驟：車牌定位、車牌圖像預處理字符分割和字符識別。首先通過車牌定位獲取車牌圖片，隨后將圖片切割成包含單個字符的七個子圖像，最后對各個字符進行字符識別，得出識別結果。

　　3.2芯片的選擇

　　TMS320VC6713是TI公司推出的新一代高性能、低價位、低功耗的32位浮點數字信號處理器，其主要特點是運行速度快、大容量的片內存儲器、大范圍的尋址能力、優化的CPU結構、低功耗設計[4]。雖然TMS320C67XX的運算速度比不上定點的定點系列是TMS320C62XX，但是67系列的高性能及其良好的表現，足以滿足數字圖像處理系統的要求。并且相對定點系列，浮點數字信號處理器在編寫程序時可以不用考慮煩瑣的Q點數值。綜合考慮，系統采用TMS320C6713系列的DSP進行車牌識別模塊的相關處理。

　　4.CCS軟件仿真與識別效果分析

　　系統采用TMS320C6713系列的DSP進行仿真測試，仿真環境為CodeComposerStudio(CCS)。

　　仿真測試表明，論文提出的預處理過程對圖像的降噪、增強達到了較好的處理效果(如圖1、圖2所示),而且在一定程度上解決了由外界光線造成的車牌圖像對比度低的問題，對可見光具有一定的魯棒性。論文結合車牌結構的特點，采用局部投影法有效地對預處理后的定位車牌進行了純字符提取，如圖4(b)所示。由于字符提取驅除了車牌圖像的邊框、鉚釘等車牌背景，所以有效的降低了分割和識別的難度，如表1所示，通過對358副定位車牌的測試，正確提取字符圖像的為356副，提取率為99.44%，提取錯誤的2副圖像是由車牌定位不準確所致。正確分割和識別的車牌圖像為355副，識別率為99.16%。

　　5結論

　　論文基于DSP對車牌識別模塊中的圖像預處理，字符分割及字符識別技術分別提出了改進算法。圖像預處理部分，改進點在于提出了對二值圖像進行二次中值濾波來對二值圖像降噪，并將銳化邊緣算法運用到了預處理中。CCS仿真結果表明,論文提出的預處理方案能夠有效的提高圖像的質量，同時采用Roberts算子進行邊緣銳化，為車牌純字符區域的提取打好了基礎。字符分割部分的改進點，一是通過對邊緣銳化并二值化的車牌圖像進行局部投影，有效的去除了車牌的邊框和鉚釘，準確的提出了車牌的字符區域。二是對純字符圖像進行字符分割，使分割正確率達到了99.16%，提高了分割的準確性。車牌字符識別部分，改進處在于對各字符的外部輪廓進行統計特征提取，并基于特征向量的進行匹配識別。仿真結果表明，改進的算法具有良好的魯棒性，識別正確率達到了99.16%，提高了識別效率。