车牌识别系统算法综述

2023年11月28日发(作者：帕萨特论坛汽车之家论坛)

计算机与多媒体技术

Computer And Multimedia TechnologyElectronic Technology & Software Engineering

电子技术与软件工程

车牌识别系统算法综述

张松兰

（芜湖职业技术学院 安徽省芜湖市 241006）

摘 要：本文先介绍了车牌识别过程中的各组成部分的常用算法，对比了各种方法之间的优缺点，并在此基础上讨论了当前车牌识别

研究的重点及未来的发展方向。

关键词：车牌识别；图像预处理；计算机视觉；车牌定位；字符识别

随着工业化进程的深入和人民生活水平的提高，人们对汽车等

交通工具的需求日益增加。汽车已经成为人们日常出行的主要交通

工具，随着车辆数量的增加，车辆的流动也不断增大，城市面临着

交通拥挤及交通环境日趋恶化等交通问题，为了实现城市的可持

[1]

续发展，城市交通管理现代化和高速公路智能化程度的提高势在必

行，迫切地需要高科技技术来提高交通管理的力度和水平，因此智

慧城市的发展成为当今城市发展的潮流。

[2]

智慧城市利用先进的信息技术实现智慧化地管理城市，为人们

创造和谐美好而便捷的生活。而车牌识别系统是智能城市的组成部

分之一，采用数字图像处理、模式识别和计算机视觉技术，在不影

响车辆行驶的条件下，准确而迅速地获得车辆的数字化信息，最终

实现车辆的智能化管理。

车牌识别系统是一个由监控设备或摄像头采集汽车图像，经模

式识别后判别出车牌上的字符为目的的计算机视觉系统。完整过程

为：首先从采集到的车辆图像中自动定位到车牌图像，再由定位到

的车牌图像完成车牌上各个字符的分割，最后运用模式识别技术准

确地识别出车牌中的汉字、字母和数字字符，实现车辆的智能化监

控和管理。因而车牌的识别过程为：先将采集到的原始图像经

[3-4]

预处理去除干扰后，再从整车图像中定位出车牌的图像，然后把定

位出的车牌图像分割出单个字符，最后将分割出的各字符识别出来

再合成一个完整的车牌号，其流程图如图1所示。

1 车牌图像预处理

车牌图像一般通过摄像机来采集，由于受外界环境和拍摄角度

等影响，获取的图像会有光照、倾斜、阴影等多种干扰因素，这给

车牌识别造成干扰，因而需要进行预处理，包括对图像灰度化、灰

度拉伸，增强对比度、图像二值化、图像倾斜及滤波平滑处理以去

除更多的干扰信息。

[4]

2 车牌定位

车牌定位是从车辆复杂的完整图像中将车牌区域分辨出来，完

成车牌区域的定位，这是车牌识别系统的第一步工作。在车牌定位

中常见的定位算法有基于特征的算法如颜色特征和边缘特征，有基

于数学形态学的算法，还有基于机器学习的算法如支持向量机、小

波变换、遗传算法、聚类分析、神经网络及基于混合特征的车牌定

位算法等。

2.1 基于颜色特征的方法

此方法一般是根据车牌中字符和车牌底色的颜色中寻找车牌的

周边区域，由于采集的车牌图像一般是RGB图像，三个颜色分量

均在0~255之间，且三色间的相关性较强，在此空间进行颜色定位

●安徽省教育厅重点科研项目，项目编号：KJ2020A0912。

128

图1：车牌识别系统流程图

比较麻烦，因此常将RGB空间通过模型变换成HSV空间中。H

[5-7]

表示颜色的色调分量(hue)，S为颜色的饱和度(saturation)V表示颜

色的明亮度(value)再根据车牌底色与H、S、V之间的关系，提取

车辆的底色图像，过滤掉其他颜色的背景图像，从而可在车牌图像

中大幅度缩小车牌的搜索区域。这种定位方法当车身或周侧环境颜

色和车牌颜色相差较大时，检测定位准确度很高；但两者颜色相近

或车牌颜色褪色时要实现准确定位比较难，同时这种基于颜色的定

位方法还会受到光照影响，造成定位效果不佳。

[8]

2.2 基于数学形态学的车牌定位

数学形态学(Mathematical Morphology)是用具有一定形状特征

的矩阵元素去和车辆图像做膨胀、腐蚀及其组合运算，从而去

[9-10]

除图像中的相应区域，它可在保持原有图像形状的基础上，提取出

图像的目标区域，达到简化图像数据的作用。在车牌定位处理中首

先将车辆的彩色图像转换成二值化图像，然后对二值化图像进行膨

胀腐蚀等操作，实现区域图像的鲜明对比。通过形态学操作后能排

除大部分复杂背景图像区域，有效提高了车牌定位速度。

2.3 基于边缘特征的方法

电子技术与软件工程

Electronic Technology & Software EngineeringComputer And Multimedia Technology

频信号，噪声容易被识别为伪边缘，因此在检测算法应该精确地找程相对复杂，但效果较好关键在于如何根据具体车牌的特点合理利

到图像中的尽可能多的边缘，尽可能的减少漏检和误检。用这些特征。

在采集车辆图像时受光照条件的影响，车牌图像边缘信息存在

干扰信息较多时，传统的边缘检测算法不易实现车牌准确定位，同

时边缘检测算法还受车牌污损、背景复杂等因素干扰，车牌很难被

定位。

[13]

2.4 基于遗传算法的车牌定位算法

遗传算法的理论基础是自然选择和遗传交叉变异理论，它是

[14]

一个全局寻优的过程，通过选取相应选择算子和交叉算子和变异规

则进行遗传和变异操作。在车牌定位时以统计车牌颜色像素点时要

寻找的阈值为寻优目标，并设置迭代次数和终止条件来寻找车牌区

域。利用遗传算法定位车牌的优点是：即使图像质量较差由于其全

局寻优的能力可对目标区域有很好的增强效果；缺点是：遗传算法

随着迭代次数的增多，会使车牌定位的速度变慢，导致实时性变差

及效率不高。

2.5 基于支持向量机的车牌定位算法

支持向量机(Support Vector Machine，SVM)是一种有监督的机

器学习方法尤其在高维模式识别及图像模板库样本数据较小

[15-16]

时具有突出的优势，通过选取合适的核函数实现低维空间向高维空

间的映射。在车牌定位中将SVM分类器的特征向量取为水平与垂

直的直方图值，选择大量的训练样本进行训练，最后取部分样本进

行测试实现车牌定位。

2.6 基于小波变换的车牌定位算法

小波变换

[17]

(wavelet transform，WT)的车牌定位方法是：在车

牌图像的定位处理中将输入的原始图像信息进行小波分解，通过选

择合适的参数对车牌图像进行伸缩平移多尺度变换作局部化分析，

提取对象的特征可得到图像的任意细节，再送入分类器中完成车牌

的定位，小波变换法对有噪声的车牌图像能很好地实现定位，缺点

是实时性比较差。

2.7 基于神经网络的车牌定位算法

人工神经网络(Arti?cial Neural Networks，简写为ANNs)

[18-20]

由输入层、隐层和输出层组成，前向网络由输入经隐含层传到输出，

再由反向传播调整内部网络连接节点之间的权值，具有自动学习车

牌图像特征的能力。在车牌图像定位时，先把大量不同的图像标注

样本和对应的应识别结果输入到神经网络，网络通过前向网络和

[21]

反向传播自动学习输入与输出的映射模型，完成训练学习过程，然

后利用训练好的神经网络来识别采集到的车牌图像，从而定位到车

牌区域。

2.8 基于聚类分析的车牌定位算法

该方法主要是利用聚类分析并结合车牌的边缘信息来定位

[22]

车牌，此方法具有一定的适应性和抗干扰能力，但是对于某些特殊

的车牌定位效果不好，如定位双层车牌时易丢失信息。

2.9 基于混合特征的车牌定位

实际获得的车牌图像都含有很多干扰信息，利用单一特征定位样大小、同种字体的字符，否则要做前期处理或识别精度不高，对

计算机与多媒体技术

Computer And Multimedia TechnologyElectronic Technology & Software Engineering

征向量，再由不同的结构和统计特征定义分类器。统计特征包括外

部轮廓、内部结构和笔画变化特征等，由于汉字字母众多，需要对

定义的大量特征进行降维处理，再输入到分类器中。识别时先从字

符图像中提取字符的特征，经处理分析后得到进行分类标签。这种

识别方法受车牌分割准确性及噪声影响；对汉字而言，由于其特性

信息较多，计算量较大。

4.3 基于支持向量机的字符识别

我国的车牌字符有汉字、数字和字母，依次对这些训练数据进

行分类和标记后，将数据放入SVM模型中进行训练得到训练模型，

然后将待识别的字符送入训练模型中进行识别出结果。基于支持向

量机的字符识别方法具有很强的学习能力，即使在统计样本量

[33]

较少的情况下，也可以获得很好的效果，但对字符平移和旋转敏感。

4.4 基于神经网络的字符识别

基于人工神经网络的算法分为两种：有特征提取和无特征

[34]

提取的人工神经网络，顾名思义有特征提取的神经网络首先要选择

并提取字符特征，然后用所得到的特征来训练神经网络，此算法

[35]

中字符特征的选取对识别结果的准确度至关重要，另外特征的提取

会使识别过程变慢;无特征提取则是把待识别字符直接输入网络，

由网络自动提取特征得到识别结果。基于神经网络的字符识别算法

自学能力很强，但网络结构较复杂，网络模型不宜理解，训练时间长。

5 结论

实际上汽车车牌的识别受到诸多因素的干扰，比如光照、倾斜

度、车牌变形、各种情况造成车牌字符的旧损等都给车牌识别增加

了难度。此种情形下，车牌识别准确率的提高仍是车牌研究的难点。

目前车牌识别对象主要的是单个无遮挡的静止车牌图像，对于运

[1]

动中的车牌识别仍有待进一步研究。

参考文献

[1]朱克佳,郝庆华,李世勇等.车牌识别综述[J].现代信息科

技,2018,2(5):4-6.

[2]邓运生,郑晨霞,尹安.车牌定位和字符分割方法对比研究及

实现[J].兰州文理学院学报（自然科学版）,2019,33(6):78-84.

[3]李祥鹏,闵卫东,韩清,刘瑞康.基于深度学习的车牌定

位和识别方法[J].计算机辅助设计与图形学学报,2019,

31(06):979-987.

[4]王恒.基于深度学习的车牌识别算法研究[D].浙江：浙江工

业大学,2017.

[5]张丽静,孙杰,殷晓宇.基于HSV颜色空间的车牌定位方法[J].

微计算机信息,2008(7):247-248.

[6]常巧红,高满屯.基于HSV色彩空间与数学形态学的车牌定位

研究[J].图学学报,2013,34(4):159-162.

[7]谭司庭,胡志坤.基于HSV色空间的车牌定位综合方法[J].

计算机与应用化学,2011,28(7):903-906.

[8]潘寒飞.基于颜色特征的车牌定位与分割技术研究[D].重庆:

重庆大学,2012.

[9]杨丽萍.基于数学形态学的车牌定位研究[J].信息通信,

2016,158(2):64-66.

[10]卢雅琴,邬凌超.基于数学形态学的车牌定位方法[J].计算

机工程,2005,31(3):224-226.

[11]贺桂娇.几种经典的图像边缘检测算子分析比较[J].计算机

光盘软件与应用,2014,17(9):182-183.

130

电子技术与软件工程

[12]梁娟.一种基于Sobel图像边缘检测的改进算法[J].软件导

刊,2014,13(12):78-82.

[13]罗帆,陈晟,王敏等.一种基于边缘特征的汽车牌照定位算

法[J].华中科技大学学报(自然科学版),2004(S1):108-110.

[14]樊东,陈津徽,张元良.基于遗传算法的车牌定位研究[J].

淮海工学院学报(自然科学版),2019,28(4):1-4.

[15]林乾毕.基于SVM与ANN神经网络的车牌识别系统[J].软

件.2019,40(8):105-107.

[16]施隆照,强书连.基于组合支持向量机的车牌字符识别[J].

计算机工程与设计,2017,38(06):1619-1623.

[17]郭招球,赵跃龙,高敬欣.基于小波和神经网络的车牌字符

识别新方法[J].计算机测量与控制,2006,14(9):1257-1259.

[18]王晶.基于神经网络的车牌识别技术研究[D].杭州电子科技

大学,2017.

[19]柴伟佳,王连明.一种基于混合神经网络的车牌字符识别方

法[J].东北师大学报（自然科学版）,2018(1):63-67.

[20]杨凡,赵建民,朱信忠.一种基于BP神经网络的车牌字符分

类识别方法[J].计算机科学.2005,32(8):192-195.

[21]刘保.基于神经网络深度学习的车牌识别算法[J].中国交通

信息化.2019,234(8):122-126.

[22]冯慧娜.车牌识别系统中车牌定位与字符分割技术的研究[D].

中北大学,2011.

[23]沈勇武,章专.基于特征颜色边缘检测的车牌定位方法[J].

仪器仪表学报,2008,29(12):2673-2677.

[24]廖晓姣,李英.基于边缘检测和形态学的车牌定位算法[J].

现代电子技术,2011,34(10):17-19.

[25]高一文,龚劬.基于颜色与结构特征的车牌定位算法[J].重

庆文理学院学报(自然科学版),2012,31(1):71-75

[26]岳鹏,彭进业,李大湘等.基于混合特征的多车牌快速定位

算法[J].现代电子技术,2010,33(8):100-103.

[27]冯满堂,马青玉,成峰.基于混合特征的多车牌定位算法[J].

微计算机信息,2009,25(9):236-238.

[28]冉令峰.基于垂直投影的车牌字符分割方法[J].通信技术,

2012,45(4):89-92.

[29]迟晓君,孟庆春.基于投影特征值的车牌字符分割算法[J].

计算机应用研究,2006,46(7):262-263.

[30]邓嘉诚，黄贺声，杨林，魏亚东.车辆牌照识别技术现状[J].

现代信息科技,2018,3(16):78-83

[31]顾晨勤,葛万成.基于模板匹配算法的字符识别研究[J].通

信技术,2009,42(3):220-222

[32]李兴阳，王文青.基于模板匹配的车牌字符识别算法研究[J].

陕西师范大学学报（自然科学版）,2008,36(6):176-178.

[33]何兆成,佘锡伟，余文进，杨文臣.字符多特征提取方法及

其在车牌识别中的应用[J].计算机工程与应用,2011,47(23):

228-231.

[34]潘翔 王恒.基于深度学习的车牌相似字符识别[J].计算机

科学,2017,44(6A):229-232.

[35]韩立明，王波涛.车牌识别中关键技术的研究与实现[J].计

算机工程与设计,2010,31(17):3919-3923.

作者简介

张松兰，硕士学位，主要从事模式识别，人工智能方面的研究。