0 引言

　　車輛牌照圖像識別是計算機(jī)智能化的關(guān)鍵技術(shù)之一，涉及到模式識別、圖像處理、人工智能、信息論、計算機(jī)等多個學(xué)科，有著極其廣泛的實際應(yīng)用價值[1]。

　　車牌識別系統(tǒng)主要由數(shù)據(jù)采集系統(tǒng)和軟件識別系統(tǒng)兩個主要部分組成，由于車牌清晰程度、攝像機(jī)性能、氣候條件等因素的影響，牌照上面的字符可能出現(xiàn)不清楚、扭曲、缺損或污跡干擾，這都給識別造成一定難度[2]。因此，在復(fù)雜背景中快速、準(zhǔn)確地進(jìn)行車牌定位成為車牌識別系統(tǒng)的難點。

　　本文設(shè)計了一種智能車牌識別系統(tǒng)，系統(tǒng)采用FPGA平臺，相對于單片機(jī)、CPLD為核心的平臺提高了系統(tǒng)的集成度，大大節(jié)約了系統(tǒng)面積，降低了成本，提高了系統(tǒng)識別速度和效率，具有便攜性好、易于維護(hù)等優(yōu)點。

1 系統(tǒng)總體架構(gòu)

　　系統(tǒng)采用CMOS攝像頭為前端圖像采集器件，用以采集車牌圖像信息，以Altera FPGA作為系統(tǒng)核心完成CMOS攝像頭初始化，圖像采集和處理、圖像定位以及圖像識別等任務(wù)。系統(tǒng)整體結(jié)構(gòu)如圖1所示。圖中SDRAM用于存儲OV7670采集的圖像數(shù)據(jù)，SRAM用于識別部分緩存一幀采集得到的圖像數(shù)據(jù)，便于Nios II處理器處理數(shù)據(jù)。而EPCS16則用于存放FPGA的配置數(shù)據(jù)。

2 系統(tǒng)硬件設(shè)計

　　系統(tǒng)FPGA硬件設(shè)計部分如圖2所示， 通過SCCB編程接口初始化OV7670 CMOS攝像頭，由OV7670數(shù)據(jù)采集模塊實時采集攝像頭采集的數(shù)據(jù)，并將數(shù)據(jù)緩存在一片深度為512×8 bit的FIFO中，待FIFO存儲滿，由SDRAM 控制模塊將數(shù)據(jù)發(fā)送到SDRAM存儲。SDRAM 存儲空間為640×480 B。同時，SDRAM等待VGA控制模塊的讀請求信號，從而將數(shù)據(jù)輸送到另一片同樣大小的FIFO中進(jìn)行緩存，以備VGA控制模塊讀取。VGA控制器按照標(biāo)準(zhǔn)640×480@60 Hz時序?qū)D像數(shù)據(jù)輸出。圖像處理模塊接收VGA數(shù)據(jù)并通過對圖像進(jìn)行車牌粗定位、圖像灰度化、中值濾波、Sobel算子邊沿檢測、圖像二值化、車牌精定位等算法，實現(xiàn)對車牌的定位。同時，SOPC系統(tǒng)Nios II軟核處理器也采集VGA控制模塊的數(shù)據(jù)并緩存于SRAM中，從而實現(xiàn)對圖像字符的分割、識別，并通過JTAG將識別結(jié)果反饋到控制臺。

　　2.1 MATLAB算法驗證

　　中國國內(nèi)車牌大多數(shù)以藍(lán)底白字為主，大小為440 mm×140 mm。車牌粗定位即利用車牌特有的藍(lán)色背景為前提，通過將RGB圖像轉(zhuǎn)化為HSV制式的圖像。根據(jù)深藍(lán)色在HSV顏色空間中分布在V=0.4、S=1、H=240度處，淡藍(lán)色分布在V=1、S=0.4、H=240度處[3]。通過掃描H、S、V分量，從而實現(xiàn)分離圖像藍(lán)色成分，即可實現(xiàn)車牌的粗定位。

　　圖像灰度化：將粗定位后的彩色車牌圖像灰度化，以減少圖像數(shù)據(jù)的存儲量，便于圖像的存儲及后續(xù)對圖像的處理。圖像灰度化后的車牌圖像如圖3所示。

　　在FPGA中實現(xiàn)中值濾波，出于實際處理速度、處理效果和器件資源考慮，本系統(tǒng)選用3×3鄰域窗口。這種方法比傳統(tǒng)的冒泡排序法減少了邏輯資源的占用，卻和其一樣能找出中值，且只需經(jīng)過3級的比較(即3個時鐘周期的延時)就可以找出中值[4]。

　　系統(tǒng)采用Altera公司的DSP builder來完成該濾波器的設(shè)計。利用Verilog硬件描述語言，描述一個8位的3輸入比較器，其功能可將輸入的3個8位寬數(shù)據(jù)進(jìn)行排序，分別以最大值、中值、最小值的形式輸出。

　　系統(tǒng)中圖像邊沿檢測模塊，采用的是Sobel算子，實現(xiàn)3×3領(lǐng)域像素的圖像邊沿檢測。該算子是在以F(x，y)為中心的3×3鄰域上計算x和y方向的偏導(dǎo)數(shù)，是一種將方向差運(yùn)算與局部平均相結(jié)合的方法[5]。其邊緣檢測算子的卷積算子如圖4所示。

　　系統(tǒng)采用3個深度為640的FIFO對數(shù)據(jù)進(jìn)行緩存，在進(jìn)行邊沿檢測時，以便于實時操作采集圖像3行之內(nèi)的數(shù)據(jù)，從而使得能夠同時讀取到圖像3×3領(lǐng)域的像素值，以達(dá)到能夠進(jìn)行圖像邊沿檢測算法的條件。通過設(shè)置灰度化后的像素閾值，從而實現(xiàn)圖像的二值化，為后續(xù)的圖像處理進(jìn)一步減少存儲容量，以利于后續(xù)的定位識別處理及存儲。車牌圖像二值化后的圖像如圖5所示。

　　在車牌定位部分的車牌精定位模塊，采用圖像在水平方向和垂直方向上進(jìn)行投影的方法來實現(xiàn)車牌的精確定位。通過緩存的粗定位后的圖像數(shù)據(jù)，實時掃描采集圖像的兩行與兩列，對每行每列像素點1的個數(shù)進(jìn)行統(tǒng)計，并計算相鄰兩行、兩列的差值。通過利用車牌形態(tài)學(xué)特征，設(shè)定差值的閾值，從而可判斷出車牌的準(zhǔn)確長度與寬度[6]，并通過設(shè)置長度與寬度的比例，進(jìn)一步增強(qiáng)車牌定位的準(zhǔn)確性。車牌精定位后的圖像如圖6所示。

　　2.2 FPGA硬件實現(xiàn)

　　FPGA硬件實現(xiàn)上，采用兩片深度為512 bit的8位寬FIFO作為數(shù)據(jù)輸入與輸出緩存，圖像數(shù)據(jù)采集模塊將數(shù)據(jù)采集到寫FIFO中，待FIFO寫滿，SDRAM控制器便將數(shù)據(jù)全部讀出，并寫入SDRAM，SDRAM的存儲地址設(shè)定為640×480個。在圖像處理算法模塊部分的中值濾波模塊，采用兩個640像素的FIFO對前兩行內(nèi)數(shù)據(jù)進(jìn)行緩存，通過7個3輸入比較器對數(shù)據(jù)進(jìn)行排序，取得其中值，該值即為此3×3領(lǐng)域中心的像素值[7]。該方法很好地濾除了圖像高頻噪聲信號。中值濾波硬件結(jié)構(gòu)圖如圖7所示。

　　在圖像邊沿檢測模塊，采用3個640×8 bit的線性FIFO緩存對3行內(nèi)的數(shù)據(jù)進(jìn)行緩存，同時采用9個乘法器對這3行內(nèi)的3×3領(lǐng)域的各個像素進(jìn)行加權(quán)，然后通過4個加法器求和，得到該3×3領(lǐng)域中心像素值。依次對整幅圖像進(jìn)行處理，從而實現(xiàn)圖像的邊沿檢測。其Sobel邊沿檢測硬件結(jié)構(gòu)圖如圖8所示。

　　在圖像的二值化模塊，通過采用一個比較器，對灰度化后的圖像數(shù)據(jù)設(shè)定一個比較閾值，從而實現(xiàn)灰度圖像的二值化。在圖像的精定位模塊，同時緩存圖像粗定位后的兩行兩列數(shù)據(jù)，分別統(tǒng)計兩行兩列數(shù)據(jù)中的像素1的個數(shù)，同時設(shè)定閾值范圍，判斷得到圖像精定位的上下左右邊界值[8]。然后通過設(shè)定圖像邊界長度與寬度的比例，從而精確地實現(xiàn)車牌的定位。

3 系統(tǒng)軟件設(shè)計

　　為更加靈活地實現(xiàn)車牌識別的功能，本設(shè)計采用Altera的32位處理器Nios II軟核對圖像數(shù)據(jù)進(jìn)行進(jìn)一步的分割識別處理。

　　圖像數(shù)據(jù)由數(shù)據(jù)輸入端口輸入，經(jīng)三態(tài)橋緩存于SRAM中，待Nios II處理器處理。按鍵PIO實現(xiàn)開始一幀圖像處理的控制，控制車牌識別結(jié)果的輸出。片上存儲器OnchipMemory以及EPCS控制器用以實現(xiàn)Nios II 軟核的正常運(yùn)行。

　　在對車牌進(jìn)行定位后，考慮到車牌字符的排放特點與字符間的微小間隙，采用垂直灰度法進(jìn)行車牌字符的分割。字符識別部分采用的是模板匹配的方法。我國的車牌，字符標(biāo)志的首位為漢字的省名縮寫，次位為英文字母，再次位為英文字母或阿拉伯?dāng)?shù)字，末4位均為數(shù)字。由于實際可能出現(xiàn)的英文字母和數(shù)字字符數(shù)目不多，再基于Nios II軟核的運(yùn)算能力考慮，采用模板匹配方法進(jìn)行字符識別。即將待識別的車牌字符矩陣與庫內(nèi)的標(biāo)準(zhǔn)字符矩陣對比，相似度最大的則認(rèn)為一致[9]。

　　當(dāng)車牌上的待識別字符歸一化以后，依次與標(biāo)準(zhǔn)庫中的模板進(jìn)行匹配，即矩陣對應(yīng)位依次做差，分別計算總的相同像素個數(shù)，則有最大相同數(shù)目的那一組數(shù)認(rèn)為是相似度最大，用此時的標(biāo)準(zhǔn)模板所對應(yīng)的數(shù)字或字母作為最終識別的結(jié)果。

4 測試分析及結(jié)論

　　系統(tǒng)測試根據(jù)對不同天氣、拍攝角度、拍攝距離、車牌完整性等因素給出了綜合測試與分析。測試結(jié)果顯示在極端環(huán)境下，圖像的對比度較低，識別率不高，一般情況下圖像對比度較強(qiáng)，識別率較高。整體測試顯示，本系統(tǒng)在較為理想的環(huán)境下，識別率可達(dá)到94%，白天識別率可達(dá)到98%；平均識別時間約為0.05 s。相比參考文獻(xiàn)[9]，其平均識別率提高了3%，識別速度提高了50%。

　　設(shè)計通過了Altera FPGA平臺EP2C35實際板級驗證測試，順利地實現(xiàn)了對所采集的車牌圖像進(jìn)行車牌的定位與識別，其識別效果如圖9所示，并從控制臺得到了來自JTAG的車牌識別結(jié)果。由設(shè)計的整體資源消耗報告分析可知，其占用的FPGA內(nèi)部邏輯資源相對較少。驗證測試結(jié)果表明，該設(shè)計實現(xiàn)了小面積高速智能車牌的定位與識別。

參考文獻(xiàn)

　　[1] 遲鐵軍，高鵬.國外智能交通系統(tǒng)發(fā)展?fàn)顩r分析及對我

　　國的啟示[J].黑龍江交通科技，2009，32(2)：111-114.

　　[2] Jia Wenjing，Zhang Huaifeng，He Xiangjian.Region-based

　　license plate detection[J].Journal of Network and Computer

　　Applications，2007，30(4)：1324-1333.

　　[3] Wang Feng，Man Lichun，Wang Bangping，et al.Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognition Letters，2008，29(7)：1007-1020.

　　[4] 張玲，劉勇，何偉.自適應(yīng)遺傳算法在車牌定位中的應(yīng)用[J].計算機(jī)應(yīng)用，2008，28(1)：184-186.

　　[5] 譚熙，黃樟燦.基于自適應(yīng)性的車牌定位新方法[J].計算機(jī)技術(shù)與自動化，2008，27(3)：73-77.

　　[6] 謝劍斌，劉通，文特，等.基于多特征和加權(quán)模式相似性測度的車牌字符識別方法[J].計算機(jī)工程與科學(xué)，2008，30(8)：36-38.

　　[7] CHANG S L，CHEN L S，CHUNG Y，et al.Automatic license plate recognition[J].IEEE Transactions on IntelligentTransportation Systems，2006，5(1)：42-52.

　　[8] 梅林，劉鋒.基于邊緣檢測與垂直投影相結(jié)合的車牌定位方法[J].甘肅科技，2009，25(3)：16-17.

　　[9] 李姍姍，劉純.基于FPGA車牌識別系統(tǒng)的設(shè)計與實現(xiàn)[J].軟件，2012，33(3)：72-74.