论文部分内容阅读
摘 要：随着数字图像处理技术及交通智能化的发展，图像处理技术在当前的智能交通系统中，扮演着极其重要的角色。本文主要针对数字图像处理技术在智能交通系统中的应用，特别是其在车牌识别系统中的算法应用做了详细的阐述，并对技术难题和发展趋势做了深入的探讨。
关键词：数字图像处理；车牌定位；字符分割；字符识别
中图分类号：TP391.41
随着世界经济全球化发展，人们生活和消费水平的日益提高，对汽车的需求量也越来越大，其结果是巨大的城市交通压力摆到了人们的面前，于是如何运用高新科学技术来解决城市交通管理的问题越来越受到人们的重视。智能交通系统（Intelligent Transportation System，ITS）的出现大大的缓解了城市交通所带来的巨大压力，它被认为是有效改善城市交通状况最有利的工具。如今，数字图像处理技术（Digital Image Processing）已发展成为城市生命体承载系统的健康识别和调控理论与方法的研究热点。它的应用范围已从传统的图像处理技术发展到人工智能和高新科技领域，如计算机视觉、数码变焦、机器人学和交通视频监测技术等，以数字图像处理技术为主的研究也成为智能交通系统中的重要前沿研究领域。本文根据数字图像处理技术的特点，详细的介绍了其在车牌识别系统中的应用。
1 车牌识别系统简介
数字图像处理技术在ITS中最令人感兴趣的便是车牌识别系统（License Plate Recognition System）。车牌识别是一个复杂的过程，包括图像采集、图像预处理、车牌定位与分割、字符识别、输出结果等阶段。图像采集多是由硬件来完成的，是抓取车牌输入到车牌识别系统中的过程；图像预处理是对车牌图像进行处理，减小其数据量和突出图像有价值信息的过程；定位与分割是从处理好的图像中只提取车牌信息，再将它们分隔成单个的字符；字符识别是将分割后的字符识别出来的过程。整个车牌识别过程如图1所示：
图1 车牌识别过程框图
2 车牌定位
车牌定位算法有很多，其核心都离不开车牌图像中车牌所在区域的特征。其中车牌的字符纹理特征、颜色特征以及几何特征是研究车牌定位的主要方向。围绕着这三个特征，车牌定位方法的主要思想即是如何突出车牌的纹理特征，怎样根据车牌的颜色特征以及如何运用车牌的几何特征来进行车牌定位。
2.1 基于纹理特征的车牌定位算法
车牌本身含有丰富的纹理信息，其主要体现在字符上面，因为字符纹理信息是非常有规则的，关于如何通过这个特征来进行定位的算法比较多，如Liu等[1]提出了一种基于纹理特征自动定位车牌的算法，该算法是通过一维周期算法来进行定位，该方法可以有效的过滤掉车牌周围的噪声，定位准确；全书海等[2]提出一种改进Sobel算子的来进行车牌定位，该方式是通过将传统的Sobel算子只利用水平和垂直方向算子来计算边缘信息改进为通过输出6个方向的算子计算出的值的最大值，最大值对用的模板表示的方向作为该点的边缘方向；Zheng等[3]利用奇异值特征来定位，即通过车牌灰度化后，利用灰度化后字符特征具有一定的跳变性，从而能够将车牌进行定位。此类算法对复杂背景下的图像，也有较好的定位效果，并且具有较好的适应性和鲁棒性；Anagnostopoulos等[4]提出了一种滑动同心窗口的方法来定位车牌，该方法认为图像中车牌的纹理是不规则的，因此，局部特征发生突变的区域即是可能的车牌区域；Caner等[5]利用Gabor滤波算法分析纹理信息，这个方法对于分析纹理的无限方向和尺度十分地有效；Zhang等[6]运用基于Adaboost学习算法结合Harr-like特征，并采用一种分级分类器的结构来进行车牌定位。Harr-like特征常用来进行目标检测，它可以利用分类器分类出车牌的亮度、颜色、尺寸和位置等不变量。
所有基于纹理特征的车牌定位算法即使是对车牌边缘发生畸变的情况都十分地有效。然而，这些方法在拥有较多边缘、复杂背景下和不同光照条件下时运算起来都比较复杂。
2.2 基于颜色特征的车牌定位算法
车牌是由特定的背景颜色组合和字符组成的，因此我们可以通过颜色特征对车牌进行定位。基于颜色特征来进行车牌定位算法大致可以概括为两种：一种是将提取出的车牌从RGB空间转换到HSV（或HSI）空间从而进行车牌定位；另一种则是利用彩色图像的颜色特征来检测图像边缘信息，以达到定位车牌的目的。
中国科技大学的陈锻生等[7]研究出了在丰富的背景下对于带有颜色的汽车图像牌照提取与分割技术。该算法通过车牌牌照自身标准模式的多种重要特征，综合了局部特征分布、形状、彩色等信息从而进行车牌定位；华中科技大学的任仙怡等[8]提出了一种利用颜色信息的车牌定位方法。该算法首先将RGB图像的颜色模型转化为HSI模型，再利用颜色信息对车牌图像进行彩色粗分割，然后将分割的候选车牌分为目标区域和伪车牌区域这两种类型，接着通过投影检测的方法对这两种类型进行处理，以获得精确的车牌区域；Yang等[9]运用车牌颜色与字符颜色的固定搭配生成一个边缘图像。对图像进行水平扫描，如果有任何一个像素的值出现在车牌颜色的范围内，接着继续水平扫描与之邻近的颜色值，若有两个或者更多邻近的值在同一个字符颜色的范围内，那么这个像素即被认为是一幅新的边缘图像的边缘像素，分析新图像中所有的这些边缘即可找出车牌所在的候选区域；Wang等[10]为了处理不同光照情况下基于颜色特征的车牌定位问题，提出了一种基于模糊逻辑的方法。运用HSV彩色空间模型，首先将色度、饱和度、亮度三个权值根据不同的隶属函数映射到模糊集合中，然后用这三个权值隶属度结合起来描述模糊分类函数用以定位车牌。
利用颜色特征有利于定位出产生倾斜和畸变的车牌，然而直接运用颜色投影的方法有时可能会造成检测出错，特别是当图像的某些部分，如车身与车牌部分颜色一样时。 2.3 基于几何特征的车牌定位算法
利用车牌的几何特征来进行车牌的定位，其基本原理就是在对车牌进行预处理后的基础上通过几何特征来进行定位。检测所得候选区域的几何特征，即长度和宽度，通过设定阈值去掉不适合的候选区域，可以很好的提取出真正的车牌区域。因为候选区域集中在车身中间，且高度比大致为140/440=0.318，这里选取[0.30，0.45]作为判断区间，据此几何特征，能够把干扰的区域剔除掉。
运用几何特征来进行车牌定位的算法有很多，如Nelson等[11]利用几何特征定位线形成一个矩形来检测出车牌的矩形位置；Zheng等[12]利用与垂直边缘的匹配程度选出车牌的候选区域，车牌的垂直边缘被看成是对车牌进行定位的一个至关重要的特征，因为只利用水平边缘容易检测到保险杠从而定位出错；基于块的车牌定位方法，具有高尖边缘的块被认为是可能的车牌所在区域，因为基于块的方法并不依赖于车牌边界的边缘，因此它也适用于车牌边界不清晰的图像；运用基于边界提取的Hough变换检测图像中的直线来进行定位车牌，Hough变换对多达30°的倾斜直线的检测都十分地有效，当结合形态学的方法消除不需要的边缘后，定位的准确率将得到了大幅的提高。
3 字符分割
定位出准确的车牌位置后，下一步则是将车牌字符识别出来。但是车牌里面的字符是由一连串字符组成的，直接对车牌进行识别十分地困难，因此就需要通过字符分割的方法对车牌进行处理，然后对车牌里面的7个字符进行提取，这样将使接下来的字符识别过程变得更容易一些。常用的字符分割方法主要有以下三种：基于投影特征的字符分割算法、基于字符先验知识的字符分割算法和基于字符轮廓的字符分割算法。
3.1 基于投影特征的字符分割算法
字符颜色与车牌背景颜色有所不同，它们在二值图像中往往呈现出完全相反的二进制值。因此，首先运用去噪处理结合字符序列分析，接着利用垂直投影分割出字；提出了一种对提取出的二值车牌图像进行垂直投影的方法，确定出起始和结束的字符位置，接着对提取出的字符进行水平投影分割出每个字符；利用投影后字符的颜色信息代替运用二值车牌图像进行投影的方法进行字符分割。综合以上文献中的方法，可以发现利用垂直和水平像素投影的方法明显的要更简单跟常见一些。
基于投影特征的字符分割算法的优点在于它并不依赖于字符所在的位置，车牌也可以存在一定角度的倾斜。不过，此方法取决于图像的质量，任何噪声都可能会影响投影值。
3.2 基于字符先验知识的字符分割算法
字符的先验知识可以用来帮助我们进行车牌的字符分割。利用行扫描二值图像的方法找出字符起始和结束的位置以进行字符分割，当扫描的某行中字符像素与背景像素的比例先超过某一特定的阈值然后接着低于该阈值，就认为此行是字符所在的起始位置；把定位出的车牌调整到一个已知的模板大小，在此模板中，所有的字符位置都是已知的。经过调整后，与模板中位置一致的即是字符所在的位置，此方法具有简单易现实的优点；首先采用颜色匹配的方法定位出车牌在图像中的位置，然后利用每个字符的尺寸进行字符分割操作；在文献中提到，台湾的车牌全都具有相同的颜色分布情况：白底黑字。如果采用行扫描的方法检测黑白点的跳变个数应为6～14个，运用Hough变换矫正可能存在的车牌倾斜，最后利用混合二值化技术可以分割出受污染的车牌字符。
3.3 基于字符轮廓的字符分割算法
字符的轮廓模型也可以用于进行车牌的字符分割。利用一种快速变化推进算法建立了一种以形状驱动的主动轮廓模型。此模型分为两步进行处理，首先运用一种普通的快速推进技术结合一个梯度依赖和曲率依赖的速度函数粗定位出每个字符的大致位置，然后利用一种特殊的快速推进方法获得字符所在位置的准确边界，进而分割出每个字符。
4 字符识别
准确分割出车牌的字符后，下一步则是将车牌字符识别出来。然而在车牌识别系统中字符识别可能存在以下一些困难：由于镜头的缩放，可能导致分割出的字符大小和厚度不一致；不同的国家所用的车牌字符的字体都不一样；分割出的车牌字符可能存在噪点和缺损；分割出的车牌字符可能存在一定角度的倾斜等。接下来，本文将把现有的一些常见的车牌字符识别算法根据他们的特点分成两类，以解决在进行字符识别时遇到的困难。
4.1 基于模板匹配的字符识别算法
在字符识别的算法中，模板匹配算法是一种既简单又容易的方法。该方法判断字符与模板之间匹配的相似度，与模板中的字符相似度最高的即为车牌的字符。大多数模板匹配算法都采用二值图像来进行处理，这是由于灰度跳变会受不同光照条件的影响。
在对字符进行归一化处理之后，都采用字符匹配算法来进行车牌的字符识别，文献中定义了几个相似性的度量技术，如马氏距离和贝叶斯决策定理，杰卡德值，豪斯多夫距离和汉明距离，利用归一化互相关系数作为模板匹配分割出的字符，每个模板逐列的扫描字符以计算归一化互相关系数，模板中的最大值即为最相似的字符。
模板匹配算法对识别单个字体、非旋转的、非缺损的和固定大小的字符十分地有效。但是，如果遇到因一个字符产生形变、旋转或有噪点等情况，就可能影响到模板匹配算法识别的准确率。
4.2 基于特征提取的字符识别算法
因为并不是每个字符的像素点都对区分字符具有相同的重要性，一种提取某些字符特征的特征提取方法是一个很好的可替代灰度级模板匹配的算法。这种算法降低了用模板匹配法来进行处理的时间，因为并不是所有的像素点都会涉及到。该方法也克服了模板匹配法无法做到的对产生了形变的字符进行识别的问题。
利用对二值图像进行水平和垂直投影获得特征向量，把二进制的字符分割成3×3的像素块以获取特征向量，然后统计每个像素块中黑色像素的值。在对字符进行细化操作之后把二进制的字符分割成3×3的像素块并统计它们在0°、45°、90°和135°倾斜角时的像素个数以获取特征向量；首先沿着中心轴扫描字符，该中心轴是上限水平中心矩和下限水平中心矩的连接，然后由字符到背景转换的数量和他们之间的间距形成了每个字符的特征向量。该方法对字符产生旋转的情况一样有效，因为所获得的特征向量是一致的；利用采样的字符轮廓所得到的波形量化为特征向量。该方法可用于识别多字体和多尺寸的字符，因为字符的轮廓并不受字体和尺寸改变的影响。 5 结论及发展趋势
本文综述了当前现有的一些比较成熟的车牌识别算法，并根据其在每个阶段不同的特征对这些算法进行了分类。总之，由于车牌识别系统是计算机视觉和数字图像处理技术在智能交通领域的重要研究内容，因此它对于现代智能交通有着十分重要的意义。接下来，车牌识别技术的发展趋势将主要集中在多风格的车牌识别系统、基于摄像头拍摄的实时信息的车牌识别系统、多车牌同时进行处理的识别系统、高清晰度的车牌图像处理系统以及模糊字符的车牌识别系统等方向。
参考文献：
[1]Liu CY，Chang FL.A novel algorithm of license plates automation location based on texture feature[C].Proceedings of the IEEE International Conference on Automation and Logistics.China：Shenyang，2009：1360-1363.
[2]王涛，全书海.基于改进Sobel算子的车牌定位方法[J].微计算机信息，2008（05）：312-314.
[3]Zheng DN，Tao YN.An efficient method of license plate location[J].Pattern Reconiton Letters，2005（26）：2431-2438.
[4]C.-N.E.Anagnostopoulos，I.E. Anagnostopoulos，V.Loumos，and E.Kayafas.A license plate-recognition algorithm for intelligent transportation system applications[C].IEEE Trans.Intell.Trans.Syst.，2006：377-392.
[5]H.Caner，H.S.Gecim， and A.Z.Alkar.Efficient embedded neural-network-based license plate recognition system[C].IEEE Trans.Veh.Tech.，2008：2675-2683.
[6]H.Zhang，W.Jia，X.He，and Q.Wu.Learning-based license plate detection using global and local features[C].In Proc.Int.Conf.Pattern Recognit.，2006：1102-1105.
[7]陈锻生，谢志鹏，刘政凯.复杂背景下彩色图像提取与字符分割技术[J].小型计算机系统，2002（09）：1144-1148.
[8]任仙怡，周晓，张桂林等.彩色汽车牌照定位[J].红外与激光工程，2002（03）：204-207.
[9]Y.-Q.Yang，J.B.R.-L.Tian，and N. Liu. A vehicle license plate recognition system based on fixed color collocation[C].In Proc. Int. Conf. Mach.Learning Cybern.，2005：5394-5397.
[10]F.Wang，L.Man，B.Wang，Y.Xiao，W.Pan，and X.Lu.Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognit.Lett.，2008：1007-1020.
[11]C.Nelson Kennedy Babu and K. Nallaperumal.An efficient geometric feature based license plate localization and recognition[C].Int.J.Imaging Sci.Eng.，2008：189-194.
[12]D.Zheng，Y.Zhao，and J.Wang.An efficient method of license plate location[J].Pattern Recognit.Lett.，2005：2431-2438.
作者简介：高军（1987-），男，湖北武汉人，博士研究生，研究方向：图像处理，车牌识别和汽车防撞；朱宏辉（1956-），男，湖北武汉人，博士，教授，研究方向：智能控制及嵌入式技术研究，计算机辅助测试与控制。
作者单位：武汉理工大学物流工程学院物流自动化系，武汉 430063
关键词：数字图像处理；车牌定位；字符分割；字符识别
中图分类号：TP391.41
随着世界经济全球化发展，人们生活和消费水平的日益提高，对汽车的需求量也越来越大，其结果是巨大的城市交通压力摆到了人们的面前，于是如何运用高新科学技术来解决城市交通管理的问题越来越受到人们的重视。智能交通系统（Intelligent Transportation System，ITS）的出现大大的缓解了城市交通所带来的巨大压力，它被认为是有效改善城市交通状况最有利的工具。如今，数字图像处理技术（Digital Image Processing）已发展成为城市生命体承载系统的健康识别和调控理论与方法的研究热点。它的应用范围已从传统的图像处理技术发展到人工智能和高新科技领域，如计算机视觉、数码变焦、机器人学和交通视频监测技术等，以数字图像处理技术为主的研究也成为智能交通系统中的重要前沿研究领域。本文根据数字图像处理技术的特点，详细的介绍了其在车牌识别系统中的应用。
1 车牌识别系统简介
数字图像处理技术在ITS中最令人感兴趣的便是车牌识别系统（License Plate Recognition System）。车牌识别是一个复杂的过程，包括图像采集、图像预处理、车牌定位与分割、字符识别、输出结果等阶段。图像采集多是由硬件来完成的，是抓取车牌输入到车牌识别系统中的过程；图像预处理是对车牌图像进行处理，减小其数据量和突出图像有价值信息的过程；定位与分割是从处理好的图像中只提取车牌信息，再将它们分隔成单个的字符；字符识别是将分割后的字符识别出来的过程。整个车牌识别过程如图1所示：
图1 车牌识别过程框图
2 车牌定位
车牌定位算法有很多，其核心都离不开车牌图像中车牌所在区域的特征。其中车牌的字符纹理特征、颜色特征以及几何特征是研究车牌定位的主要方向。围绕着这三个特征，车牌定位方法的主要思想即是如何突出车牌的纹理特征，怎样根据车牌的颜色特征以及如何运用车牌的几何特征来进行车牌定位。
2.1 基于纹理特征的车牌定位算法
车牌本身含有丰富的纹理信息，其主要体现在字符上面，因为字符纹理信息是非常有规则的，关于如何通过这个特征来进行定位的算法比较多，如Liu等[1]提出了一种基于纹理特征自动定位车牌的算法，该算法是通过一维周期算法来进行定位，该方法可以有效的过滤掉车牌周围的噪声，定位准确；全书海等[2]提出一种改进Sobel算子的来进行车牌定位，该方式是通过将传统的Sobel算子只利用水平和垂直方向算子来计算边缘信息改进为通过输出6个方向的算子计算出的值的最大值，最大值对用的模板表示的方向作为该点的边缘方向；Zheng等[3]利用奇异值特征来定位，即通过车牌灰度化后，利用灰度化后字符特征具有一定的跳变性，从而能够将车牌进行定位。此类算法对复杂背景下的图像，也有较好的定位效果，并且具有较好的适应性和鲁棒性；Anagnostopoulos等[4]提出了一种滑动同心窗口的方法来定位车牌，该方法认为图像中车牌的纹理是不规则的，因此，局部特征发生突变的区域即是可能的车牌区域；Caner等[5]利用Gabor滤波算法分析纹理信息，这个方法对于分析纹理的无限方向和尺度十分地有效；Zhang等[6]运用基于Adaboost学习算法结合Harr-like特征，并采用一种分级分类器的结构来进行车牌定位。Harr-like特征常用来进行目标检测，它可以利用分类器分类出车牌的亮度、颜色、尺寸和位置等不变量。
所有基于纹理特征的车牌定位算法即使是对车牌边缘发生畸变的情况都十分地有效。然而，这些方法在拥有较多边缘、复杂背景下和不同光照条件下时运算起来都比较复杂。
2.2 基于颜色特征的车牌定位算法
车牌是由特定的背景颜色组合和字符组成的，因此我们可以通过颜色特征对车牌进行定位。基于颜色特征来进行车牌定位算法大致可以概括为两种：一种是将提取出的车牌从RGB空间转换到HSV（或HSI）空间从而进行车牌定位；另一种则是利用彩色图像的颜色特征来检测图像边缘信息，以达到定位车牌的目的。
中国科技大学的陈锻生等[7]研究出了在丰富的背景下对于带有颜色的汽车图像牌照提取与分割技术。该算法通过车牌牌照自身标准模式的多种重要特征，综合了局部特征分布、形状、彩色等信息从而进行车牌定位；华中科技大学的任仙怡等[8]提出了一种利用颜色信息的车牌定位方法。该算法首先将RGB图像的颜色模型转化为HSI模型，再利用颜色信息对车牌图像进行彩色粗分割，然后将分割的候选车牌分为目标区域和伪车牌区域这两种类型，接着通过投影检测的方法对这两种类型进行处理，以获得精确的车牌区域；Yang等[9]运用车牌颜色与字符颜色的固定搭配生成一个边缘图像。对图像进行水平扫描，如果有任何一个像素的值出现在车牌颜色的范围内，接着继续水平扫描与之邻近的颜色值，若有两个或者更多邻近的值在同一个字符颜色的范围内，那么这个像素即被认为是一幅新的边缘图像的边缘像素，分析新图像中所有的这些边缘即可找出车牌所在的候选区域；Wang等[10]为了处理不同光照情况下基于颜色特征的车牌定位问题，提出了一种基于模糊逻辑的方法。运用HSV彩色空间模型，首先将色度、饱和度、亮度三个权值根据不同的隶属函数映射到模糊集合中，然后用这三个权值隶属度结合起来描述模糊分类函数用以定位车牌。
利用颜色特征有利于定位出产生倾斜和畸变的车牌，然而直接运用颜色投影的方法有时可能会造成检测出错，特别是当图像的某些部分，如车身与车牌部分颜色一样时。 2.3 基于几何特征的车牌定位算法
利用车牌的几何特征来进行车牌的定位，其基本原理就是在对车牌进行预处理后的基础上通过几何特征来进行定位。检测所得候选区域的几何特征，即长度和宽度，通过设定阈值去掉不适合的候选区域，可以很好的提取出真正的车牌区域。因为候选区域集中在车身中间，且高度比大致为140/440=0.318，这里选取[0.30，0.45]作为判断区间，据此几何特征，能够把干扰的区域剔除掉。
运用几何特征来进行车牌定位的算法有很多，如Nelson等[11]利用几何特征定位线形成一个矩形来检测出车牌的矩形位置；Zheng等[12]利用与垂直边缘的匹配程度选出车牌的候选区域，车牌的垂直边缘被看成是对车牌进行定位的一个至关重要的特征，因为只利用水平边缘容易检测到保险杠从而定位出错；基于块的车牌定位方法，具有高尖边缘的块被认为是可能的车牌所在区域，因为基于块的方法并不依赖于车牌边界的边缘，因此它也适用于车牌边界不清晰的图像；运用基于边界提取的Hough变换检测图像中的直线来进行定位车牌，Hough变换对多达30°的倾斜直线的检测都十分地有效，当结合形态学的方法消除不需要的边缘后，定位的准确率将得到了大幅的提高。
3 字符分割
定位出准确的车牌位置后，下一步则是将车牌字符识别出来。但是车牌里面的字符是由一连串字符组成的，直接对车牌进行识别十分地困难，因此就需要通过字符分割的方法对车牌进行处理，然后对车牌里面的7个字符进行提取，这样将使接下来的字符识别过程变得更容易一些。常用的字符分割方法主要有以下三种：基于投影特征的字符分割算法、基于字符先验知识的字符分割算法和基于字符轮廓的字符分割算法。
3.1 基于投影特征的字符分割算法
字符颜色与车牌背景颜色有所不同，它们在二值图像中往往呈现出完全相反的二进制值。因此，首先运用去噪处理结合字符序列分析，接着利用垂直投影分割出字；提出了一种对提取出的二值车牌图像进行垂直投影的方法，确定出起始和结束的字符位置，接着对提取出的字符进行水平投影分割出每个字符；利用投影后字符的颜色信息代替运用二值车牌图像进行投影的方法进行字符分割。综合以上文献中的方法，可以发现利用垂直和水平像素投影的方法明显的要更简单跟常见一些。
基于投影特征的字符分割算法的优点在于它并不依赖于字符所在的位置，车牌也可以存在一定角度的倾斜。不过，此方法取决于图像的质量，任何噪声都可能会影响投影值。
3.2 基于字符先验知识的字符分割算法
字符的先验知识可以用来帮助我们进行车牌的字符分割。利用行扫描二值图像的方法找出字符起始和结束的位置以进行字符分割，当扫描的某行中字符像素与背景像素的比例先超过某一特定的阈值然后接着低于该阈值，就认为此行是字符所在的起始位置；把定位出的车牌调整到一个已知的模板大小，在此模板中，所有的字符位置都是已知的。经过调整后，与模板中位置一致的即是字符所在的位置，此方法具有简单易现实的优点；首先采用颜色匹配的方法定位出车牌在图像中的位置，然后利用每个字符的尺寸进行字符分割操作；在文献中提到，台湾的车牌全都具有相同的颜色分布情况：白底黑字。如果采用行扫描的方法检测黑白点的跳变个数应为6～14个，运用Hough变换矫正可能存在的车牌倾斜，最后利用混合二值化技术可以分割出受污染的车牌字符。
3.3 基于字符轮廓的字符分割算法
字符的轮廓模型也可以用于进行车牌的字符分割。利用一种快速变化推进算法建立了一种以形状驱动的主动轮廓模型。此模型分为两步进行处理，首先运用一种普通的快速推进技术结合一个梯度依赖和曲率依赖的速度函数粗定位出每个字符的大致位置，然后利用一种特殊的快速推进方法获得字符所在位置的准确边界，进而分割出每个字符。
4 字符识别
准确分割出车牌的字符后，下一步则是将车牌字符识别出来。然而在车牌识别系统中字符识别可能存在以下一些困难：由于镜头的缩放，可能导致分割出的字符大小和厚度不一致；不同的国家所用的车牌字符的字体都不一样；分割出的车牌字符可能存在噪点和缺损；分割出的车牌字符可能存在一定角度的倾斜等。接下来，本文将把现有的一些常见的车牌字符识别算法根据他们的特点分成两类，以解决在进行字符识别时遇到的困难。
4.1 基于模板匹配的字符识别算法
在字符识别的算法中，模板匹配算法是一种既简单又容易的方法。该方法判断字符与模板之间匹配的相似度，与模板中的字符相似度最高的即为车牌的字符。大多数模板匹配算法都采用二值图像来进行处理，这是由于灰度跳变会受不同光照条件的影响。
在对字符进行归一化处理之后，都采用字符匹配算法来进行车牌的字符识别，文献中定义了几个相似性的度量技术，如马氏距离和贝叶斯决策定理，杰卡德值，豪斯多夫距离和汉明距离，利用归一化互相关系数作为模板匹配分割出的字符，每个模板逐列的扫描字符以计算归一化互相关系数，模板中的最大值即为最相似的字符。
模板匹配算法对识别单个字体、非旋转的、非缺损的和固定大小的字符十分地有效。但是，如果遇到因一个字符产生形变、旋转或有噪点等情况，就可能影响到模板匹配算法识别的准确率。
4.2 基于特征提取的字符识别算法
因为并不是每个字符的像素点都对区分字符具有相同的重要性，一种提取某些字符特征的特征提取方法是一个很好的可替代灰度级模板匹配的算法。这种算法降低了用模板匹配法来进行处理的时间，因为并不是所有的像素点都会涉及到。该方法也克服了模板匹配法无法做到的对产生了形变的字符进行识别的问题。
利用对二值图像进行水平和垂直投影获得特征向量，把二进制的字符分割成3×3的像素块以获取特征向量，然后统计每个像素块中黑色像素的值。在对字符进行细化操作之后把二进制的字符分割成3×3的像素块并统计它们在0°、45°、90°和135°倾斜角时的像素个数以获取特征向量；首先沿着中心轴扫描字符，该中心轴是上限水平中心矩和下限水平中心矩的连接，然后由字符到背景转换的数量和他们之间的间距形成了每个字符的特征向量。该方法对字符产生旋转的情况一样有效，因为所获得的特征向量是一致的；利用采样的字符轮廓所得到的波形量化为特征向量。该方法可用于识别多字体和多尺寸的字符，因为字符的轮廓并不受字体和尺寸改变的影响。 5 结论及发展趋势
本文综述了当前现有的一些比较成熟的车牌识别算法，并根据其在每个阶段不同的特征对这些算法进行了分类。总之，由于车牌识别系统是计算机视觉和数字图像处理技术在智能交通领域的重要研究内容，因此它对于现代智能交通有着十分重要的意义。接下来，车牌识别技术的发展趋势将主要集中在多风格的车牌识别系统、基于摄像头拍摄的实时信息的车牌识别系统、多车牌同时进行处理的识别系统、高清晰度的车牌图像处理系统以及模糊字符的车牌识别系统等方向。
参考文献：
[1]Liu CY，Chang FL.A novel algorithm of license plates automation location based on texture feature[C].Proceedings of the IEEE International Conference on Automation and Logistics.China：Shenyang，2009：1360-1363.
[2]王涛，全书海.基于改进Sobel算子的车牌定位方法[J].微计算机信息，2008（05）：312-314.
[3]Zheng DN，Tao YN.An efficient method of license plate location[J].Pattern Reconiton Letters，2005（26）：2431-2438.
[4]C.-N.E.Anagnostopoulos，I.E. Anagnostopoulos，V.Loumos，and E.Kayafas.A license plate-recognition algorithm for intelligent transportation system applications[C].IEEE Trans.Intell.Trans.Syst.，2006：377-392.
[5]H.Caner，H.S.Gecim， and A.Z.Alkar.Efficient embedded neural-network-based license plate recognition system[C].IEEE Trans.Veh.Tech.，2008：2675-2683.
[6]H.Zhang，W.Jia，X.He，and Q.Wu.Learning-based license plate detection using global and local features[C].In Proc.Int.Conf.Pattern Recognit.，2006：1102-1105.
[7]陈锻生，谢志鹏，刘政凯.复杂背景下彩色图像提取与字符分割技术[J].小型计算机系统，2002（09）：1144-1148.
[8]任仙怡，周晓，张桂林等.彩色汽车牌照定位[J].红外与激光工程，2002（03）：204-207.
[9]Y.-Q.Yang，J.B.R.-L.Tian，and N. Liu. A vehicle license plate recognition system based on fixed color collocation[C].In Proc. Int. Conf. Mach.Learning Cybern.，2005：5394-5397.
[10]F.Wang，L.Man，B.Wang，Y.Xiao，W.Pan，and X.Lu.Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognit.Lett.，2008：1007-1020.
[11]C.Nelson Kennedy Babu and K. Nallaperumal.An efficient geometric feature based license plate localization and recognition[C].Int.J.Imaging Sci.Eng.，2008：189-194.
[12]D.Zheng，Y.Zhao，and J.Wang.An efficient method of license plate location[J].Pattern Recognit.Lett.，2005：2431-2438.
作者简介：高军（1987-），男，湖北武汉人，博士研究生，研究方向：图像处理，车牌识别和汽车防撞；朱宏辉（1956-），男，湖北武汉人，博士，教授，研究方向：智能控制及嵌入式技术研究，计算机辅助测试与控制。
作者单位：武汉理工大学物流工程学院物流自动化系，武汉 430063