車牌識别技術起源于20世紀80年代初期，圖像模式識别和計算機視覺在其中起到至關重要的作用。随着計算機技術的迅速普及和進步，80年代中後期，車牌識别系統逐漸投入市場并使用，但識别精度和速度都不理想。目前，發達國家的車牌識别系統已廣泛用于市場，其中以色列和新加坡公司的車牌識别系統較為領先。由于車牌設計的不同，不存在一種通用的車牌檢測技術。因中國車牌包括漢字，使得國外車牌識别系統不能直接用于國内車牌識别，需要中國自主研發。中國的車牌識别技術研究起步略晚于西方國家。目前國内技術領先的是中科院的“漢王眼”和香港的視覺科技公司。但是，這些投入市場的車牌識别系統的使用都有一定的局限性，在車牌圖像品質差、車牌傾斜、光照條件不理想等情況時，識别率會大幅度降低。
為了克服上述問題，本文對不同光照條件下獲得的車牌圖像進行了識别和分析。由于車牌涉及保密資訊，暫時沒有公開的大規模資料集可供使用和實驗對比。本文先對車牌資料進行采集，統一處理320×240分辨率的圖檔，建立測試用資料庫。資料庫分為兩類：測試庫1為光照條件較好，無陰影車牌；測試庫2為光照條件較差，有陰影車牌。采用傳統的模闆比對算法建立車牌識别系統，模闆圖檔采用中值濾波算法進行平均處理，統一建立分辨率為20×40的識别模闆庫。為友善使用者使用， 利用Matlab建立了圖形使用者互動界面(GUI) 。通過對測試庫車牌實驗， 可以看到車牌成像品質對識别率
有很大影響。是以在建立車牌識别系統時，适當角度的補光可有效提高識别的準确率。
1 圖像的預處理
由于車牌多是通過交通監控等條件獲得，因周邊交通環境、拍攝角度、光照和實時性要求等多種原因，得到的照片直接用于車牌的識别準确率難以得到保證。是以，預處理圖像可以提高識别的準确性。
1.1圖像的灰階化
由相機拍攝的牌照通常是彩色圖像， 即RGB圖像為了提高車牌識别系統的速度、節省記憶體， 先将RGB圖像轉換為灰階圖.紅、藍、綠三種基本顔色按不同的比例可以組成任意一種顔色，是以車牌照片的每一個顔色都可由不同比例的紅、藍、綠組成。灰階圖像可以用數組I表示，數組且I的資料類型一般有整數和雙精度兩種。通常0代表黑色，255代表白色。采用适合于人類視覺系統的轉換方法，如公式(1)所示。
其中，系數a，b，c要大于0，且a+b+c=1，Y表示灰階值，R、G、B分别表示紅色、綠色和藍色，a=0.299、b=0.584、c=0.117.圖1顯示了帶有車牌照片的原始車牌圖像，圖2顯示了在公式(1)的灰階處理之後車牌圖像的灰階圖像。
圖1 車牌原圖
圖2 車牌灰階圖
1.2 圖像二值化
圖像二值化不僅可以大大減少資料量，還可以突出圖像的目标輪廓，有利于後續的圖像定位和分割處理。在車牌圖像的二值化進行中，被确定為目标區域的像素具有大于或等于門檻值的灰階值，計算如公式(2)所示。經過測試，當門檻值th=0.76時，效果較好，結果如圖3所示。
圖3 車牌的二值化圖
1.3 圖像的邊緣檢測
本文采用Roberts算子來進行邊緣檢測。采用該算子的計算量小， 速度快， 便于後續的實時處理， 其模闆如表1所示。若梯度幅度G(x，y)大于設定的門檻值，則判斷為邊緣。G(x，y)計算式如公式(3)所示，此處門檻值選擇為0.15。
表1 Roberts算子模闆
其中，f(x，y)是圖像空間(x，y)處的灰階值，G(x，y)是f(x，y)的梯度幅度。圖4是邊緣檢測後的結果。
圖4 車牌的邊緣檢測圖
2車牌識别系統的設計
2.1車牌定位
車牌定位采用顔色特征提取，一般的車牌區域都具有很明顯的特點，中國的車牌以藍底白字居多。傳統的方法一般根據車牌的色彩特征，彩色像素點統計的方法分割出合理的車牌區域假設經相機采集包含車牌的RGB圖像， 水準方向記為y，垂直方向記為x。首先，确定車牌各分量分别對應的顔色範圍。其次，計算水準方向上對應的像素數量和車牌的合理面積。然後，計算分割的水準方向區域中垂直方向上該顔色範圍内白的像素數量，并為定位設定合理的門檻值。最後，根據對應方向的範圍确定車牌區域。但是這種方法的準确率較低，本文采用文獻[6]提出的顔色特征提取及二值化歸類方法進行算法改進，計算方法如公式(4)所示。圖5為定位後的車牌。
其中的藍色特征可用式(4)表示：
圖5 車牌定位圖
2.2車牌字元識别
在字元識别前，先對車牌字元分割。字元分割采用門檻值分割，主要包含兩個步驟【7]。
(1)确定所需要進行分割的門檻值。
(2)将門檻值與每個點的灰階值對照，以達到分割目的。
将分割後的圖像進行歸一化處理，可以有效地将字元圖像的大小進行縮放以得到大小一緻的字元圖像，便于後續的字元識别。
模闆比對一般是數字圖像進行中最常使用的識别方法之一，先建立模闆庫，再将字元輸入到模闆中尋找與之最佳比對的模闆字元。
模闆圖像大小為20×40，模闆庫由數字0-9，32個省份的簡稱漢字和大寫英文字母(其中O一般不用作車牌字母)三部分組成。模闆的部分圖像如圖6所示。
圖6 模闆庫部分圖檔
1 matlab版本
2014a
2 參考文獻
[1] 蔡利梅.MATLAB圖像處理——理論、算法與執行個體分析[M].清華大學出版社，2020.
[2]楊丹,趙海濱,龍哲.MATLAB圖像處理執行個體詳解[M].清華大學出版社，2013.
[3]周品.MATLAB圖像處理與圖形使用者界面設計[M].清華大學出版社，2013.
[4]劉成龍.精通MATLAB圖像處理[M].清華大學出版社，2015.
[5]呙潤華，蘇婷婷，馬曉偉.BP神經網絡聯合模闆比對的車牌識别系統[J].清華大學學報(自然科學版)，2013，53(9)：1221-1226.
[6]魯揚.基于BP神經網絡的車牌識别算法研究[D].大慶：東北石油大學，2018.
[7]李強,張娟.一種改進的基于模闆比對的污損車牌識别方法[J].智能計算機與應用. 2019,9(03).
[8] 梁凱.基于MATLAB的汽車車牌識别系統的設計與實作[D] .哈爾濱：黑龍江大學， 2018.
[9]劉雄飛，朱盛春.車牌字元多特征提取與BP神經網絡的識别算法[J].計算機仿真，2014，31(10)：161-164，290.
[10] 曾泉， 譚北海.基于SVM和BP神經網絡的車牌識别系統[J] .電子科技， 2016， 29(1) ：98-101.