隨著科技與經濟的發展，汽車數量也逐漸增多，交通管理問題日漸嚴峻。如何建立一個科學有效的交通管理系統是交通管理的重點。智能交通系統（TTS）隨著科技的興起，是未來交通管理發展的必然趨勢，也是電子信息技術的一個前沿課題。車牌識別系統（License Plate Recognition System，LPRS）是智能交通系統的重要組成部分，在自動化管理、信息統計、車輛跟蹤等方面均具有重要意義。雖然國外在LPRS上已取得了較好的效果，而國內因起步較晚，目前仍需要對眾多的相關技術進行深入的研究與實現。

基于Blackfin561的LPRS替代了人工識別車牌的角色，這可節省大量人力物力。本文討論的LPRS可用于高速收費站口及小區門口，以實現車流量統計和車輛跟蹤等功能。

1 系統的總體設計與架構

嵌入式車牌識別系統是一個能夠完成車牌識別與信息處理的獨立系統，整個系統包括視頻采集模塊，圖像處理模塊與通訊模塊。系統的軟件設計包括道路圖像的采集、圖像預處理、車牌定位、字符分割，字符識別和結果發送6大部分。

1.1 基于DSP的嵌入式車牌識別系統

由于DSP強大的數據處理能力，使得它在嵌入式圖像處理領域占據了重要地位，尤其是雙核DSP，更是在視頻處理應用中上升勢頭迅猛。基于DSP的嵌入式車牌識別系統一般采用主機與DSP分布式處理結構，其優點是價格低、可靠性好、便于升級。系統的一般結構主要分圖像采集、DSP處理和PC機數據管理3部分，其系統結構如圖1所示。

圖像采集模塊包括視頻的輸入部分與圖像的提取部分，其功能是通過CCD攝像頭采集亮度信號，輸出模擬的復合視頻電信號，并通過視頻解碼芯片解碼出所需的數字圖像信號。DSP處理模塊主要由DSP處理器及其外圍電路，外部存儲器以及與主機的接口電路組成。其中外部存儲器用來存儲圖像的大量數據，供DSP處理器調用。與主機的通訊接口常用的有UART、PCI、USB和以太網等。由于系統通常要考慮其自身的擴展性、終端與主機的遠距離通信、布線的難易程度等因素，故以太網應用較為普遍，但缺點就是在無集成以太網功能的DSP上，需外加芯片，提高了系統的成本。PC機數據管理模塊因系統應用的目的不同而異，主要包括人機交互界面和數據庫與相應的處理機制。

1.2 系統硬件構架

基于Blanckfin561的車牌識別硬件平臺架構如圖2所示，主要包括ADI公司的Blackfin561處理器，ADV7183A視頻解碼芯片、Flash、SDR AM以及DM9000。Blackfin561通過I2C總線對ADV7183A進行復位及初始化與工作模式的配置。視頻信號由Blackfin561的并行外部接口（PPI）采集，并存儲到外部SDRAM，Blackfin561對圖像數據進行計算，輸出的識別結果通過DM9000傳輸到上位機進行后續處理。

1.3 系統軟件設計

車牌識別系統的軟件流程如圖3所示，主要包括圖像采集、圖像預處理、車牌定位、字符分割和與上位機通訊等模塊。

1.3.1 圖像采集

系統加電后，DSP通過I2C總線對ADV7183A的寄存器進行配置，對攝像頭采集到的模擬視頻信號進行解碼，輸出YCrCb為4：2：2格式的數字視頻信號。由于算法只處理亮度信號，故通過二維DMA采取間隔2 Byte采1Byte的方法，只提取Y通道的亮度信號存入到SDRAM中，同時在SDRAM中采用乒乓存儲機制存儲連續的兩幀圖像，使系統能夠達到實時處理的要求。

1.3.2 圖像預處理

由于采集到的圖像會因為天氣、車牌整潔度和光線等因素造成圖像被噪聲污染，導致圖像質量下降，這會給后續的識別工作帶來麻煩。因此，需對采集到的原始圖像進行必要的預處理，以提高圖像的信噪比，并使灰度值和對比度達到理想狀態。由于去噪點的算法會不同程度地使圖像邊緣變模糊，不利于后續車牌的定位，故將去噪工作放到車牌定位之后。這里預處理主要是通過直方圖均衡法調整圖像的灰度范圍與對比度，達到圖像增強的目的。處理前后的對比效果如圖4和圖5所示。

1.3.3 車牌定位

根據道路與攝像頭的相對位置，車速范圍以及道路寬度信息等，可預先判定車牌在攝像頭坐標系中出現的范圍，這便可以大幅減小運算量。在預定車牌檢測區域內，通過大率法對圖像進行二值化，然后進行形態學運算中的開運算與閉運算，得到如圖6所示的圖像。對圖像進行豎直投影，尋找白色像素點最多的一行，之后以這一行為中心向兩邊尋找邊界，找出車牌的上下邊。對縱坐標在上下邊范圍內的圖像進行水平投影，尋找連續的白色區域，以確定左右邊界。兩次尋找邊界時均要結合車牌大小的先驗尺寸知識來確定車牌的區域，若不符合尺寸要求則排除此次找出的區域并重新尋找。

1.3.4 字符分割

根據車牌的邊界信息提取出車牌區域的原始亮度數據，對車牌區域再用大率法進行二值化。這樣可消除圖像其他部分對車牌灰度范圍的影響。然后對二值化后的圖像進行水平投影，根據車牌字符的寬度來對車牌字符進行分割。再對每個分割出的字符進行豎直投影，并依據車牌字符高度尺寸來去掉上下的黑邊，得到待識別的字符圖像，如圖7所示。

1.3.5 字符識別

字符識別采用的是離散型Hopfield神經網絡。其是一種循環神經網絡，網絡的輸出會反饋到輸入端，產生不斷變化的狀態。如果網絡是一個能收斂的穩定網絡，則這一反饋與迭代的計算過程所產生的變化會越來越小。一旦達到了穩定平衡狀態，網絡便會輸出一個穩定的恒值，關鍵在于確定其在穩定條件下的權系數。

首先對車牌的標準字符進行離散化，變成16×32的二值圖像，即有512個神經元。這樣網絡可記憶的樣本數最多為512×0.15=76.8個。根據車牌的特點，要建立兩個網絡：一個是車牌漢字的網絡，包括36個漢字;一個是數字與字母的網絡，包括36個元素。

可看到兩個網絡均不會產生偽樣本。通過Matlab對標準字符數據進行仿真，得到網絡穩定的權系數，然后將參數提取出來供DSP計算使用。

在DSP中將分割后的字符圖像進行歸一化處理，使字符圖像與標準圖像大小一致，然后輸入到網絡中根據公式（1）進行計算。其中，Wij和θi是通過Matlab仿真得到的權系數，x為圖像數據。通過循環迭代計算，由式（2），當網絡的能量函數達到穩定時，就得到了識別出的字符，將識別出的字符與標準字符相減，且差值累加，其差值累加最小的字符便是識別出的結果。由于Hopfield網絡有聯想記憶的功能，故抗干擾性較強、對有噪聲、筆畫斷開、筆畫粘連等現象均有良好的識別效果，如圖8所示。

1.3.6 與上位機通訊

識別結束后，將識別結果以ASCII的形式通過DM9000發送到PC機進行后續處理。

2 結束語

車牌識別系統的關鍵技術是車牌定位、字符分割與字符識別。本文結合硬件平臺對3個重要部分進行了程序實現。通過實驗證明以Blanc fin561雙核DSP為核心的嵌入式系統配合Hopfield神經網絡能較好地完成車牌識別工作，并可使速度與識別率得到全面提高。基于嵌入式的整體結構也使得系統的擴充工作變得簡單，有較高的實際應用價值。