基于混合特征的多車牌快速定位算法

摘 要:針對車牌定位計算量大，定位時間長的問題，提出一種基于幾何和顏色混合特征的定位方法。首先對車牌進行直方圖均衡的預處理，通過改進的Sobel邊緣檢測算子和數學形態(tài)學方法，確定候選區(qū)域隊列，然后利用車牌的幾何和顏色特征排除候選車牌區(qū)域中的干擾區(qū)域，最后對各種環(huán)境下定位效果進行比較，并給出相應的算法和實驗結果。

關鍵詞:車牌定位; 邊緣檢測; 幾何特征; 顏色特征

中圖分類號:TP391.41文獻標識碼:A

文章編號:1004-373X(2010)08-0100-04

Fast Location Algrorithm of Multi Licence Plates Based on Hybrid-feature

YUE Peng1， PENG Jin-ye1， LI Da-xiang1， REN Xuan2

(1.College of Information Science and Technology， Northwest University， Xi’an 710127， China;

2.Highways Management Group， Xi’an 710018， China)

Abstract:Aimming atthe problems of large computation and long-time location for the license plate location， a location method based on hybridfeature that contains the geometry and color is proposed. The histogram equalization pre-processing is made on a license plate image， the candidate district is determined with improved edge detection and mathematical morphology， and thenthe interfered district is excluded by the feature of geometry and color. At last， the location effects under various environment are compared. Besides， the corresponding algorithm and implementation results are provided.

Keywords:license plate location; edge detection; geometrical feature; color feature

車牌定位是車牌自動識別系統(tǒng)中的關鍵技術，其出發(fā)點是通過車牌區(qū)域的特征來判斷牌照。該技術發(fā)展至今已有幾十年的歷史，可謂相對比較成熟，但很多常用的車牌定位方法都離不開對車牌邊緣的提取，不管是灰度邊緣檢測，還是彩色邊緣檢測都存在計算量大，定位時間長的缺點[1]。因此，在未找到更好、更有效的定位方法之前，提高邊緣檢測的速度，縮短定位時間已成為改善現有車牌定位系統(tǒng)亟待解決的問題。這里提出一種改進的基于Sobel算子的邊緣檢測算法，并利用車牌的幾何和顏色特征對其精確定位，在實現快速定位的同時，可將其應用于復雜背景的多車牌定位環(huán)境中，具有一定的先進性。

1 算法介紹及流程

人們獲得的圖像大多是公路探頭或是用數碼產品拍攝的，經過預處理后便于后續(xù)工作的進行。該方案主要由“生成”和“去偽”兩個模塊構成，如圖1所示。

2 圖像預處理

由于捕獲的車牌圖片多為.bmp和.jpg格式，且由于拍攝環(huán)境制約圖像經常會曝光不足，使圖像模糊，對比度和信噪比較低。為了便于系統(tǒng)后續(xù)工作的處理，對圖像進行灰度化以及直方圖均衡處理[1]。

圖1 算法流程圖

3 生成候選區(qū)域

3.1 邊緣檢測

該算法采用改進的Sobel算子，其主要思想是大大減少算法中乘法運算的次數，從而提高系統(tǒng)的處理速度。Sobel算子有八個與邊界方向對應的模板，每個模板對某種特定邊緣方向做出最大響應。所有八個方向中的最大值作為邊緣幅度圖像的輸出[2]，其八個模板分別為45°，90°，135°，180°，225°，270°，315°，360°方向[3]，如下所示:

121

000

-1-2-1〗 210

10-1

0-1-2〗 10-1

20-2

10-1〗

模塊a 模塊b模塊c

0-1-2

10-1

210〗-1-2-1

000

121〗-2-10

-101

012〗

模塊d模塊e模塊f

-101

-202

-101〗 012

-101

-2-10〗

模塊g模塊h

假設圖像中某一點Q及其3×3區(qū)域的灰度為: q0q1q2

q7qqq3

q6q5q4〗，分別設ai(i=1，2，…，8)為經過Sobel算子第i種模板處理后圖像Q點的灰度值，例如采用模板e，則:a5=-q0-2q1-q2+q4+2q5+q6=(q4+q6)-(q0+q2)-2(q5-q1)。

經過處理后，點Q處的灰度值W=max{ai}，i=1，2，…，8。根據以上描述，采用Sobel八模板法計算像素點灰度的過程[2]，對采用Sobel算子處理圖像的計算量進行分析。參照計算a5，應用每一種模板所需的計算量可得，進行加法的次數為t1=5次，進行乘法的次數t2=1次。那么，依據計算點Q的灰度值所需的計算量可得，進行加法的次數為T1=8t1=40次，乘法的次數為T2=8t2=8次。采用Sobel算子八模板處理一幅N×N的圖像，依上述方法可推得所需的計算量為進行加法的次數為40N2次，進行乘法的次數為8N2次。

首先該算法去掉Sobel算子八個模板中的中央值，然后按順時針方向依次提取每個模板因子，再將提取的因子作為循環(huán)矩陣P的一行，構成循環(huán)矩陣如下所示:

P=1210-1-2-10

210-1-2-101

10-1-2-1012

0-1-2-10121

-1-2-101210

-2-101210-1

-101210-1-2

01210-1-2-1〗

對P進行行變換就可以得到AP=B，其中A和B分別為:

A=-11000000

0-1100000

00-110000

000-11000

0000-1100

00000-110

000000-11〗

B=1-1-1-1-1111

-1-1-1-11111

-1-1-11111-1

-1-11111-1-1

-11111-1-1-1

1111-1-1-1-1

111-1-1-1-11〗

設C=\\T，D=(1/2)\\T=\\T，有qj(j=0，1，2，…，7)，表示圖片中3×3像素區(qū)域內第j個像素點的灰度值;ai(i=1，2，…，8)表示采用八模板中第i種模板的計算灰度值[4]，計算得:

PC=2D

因為AP=B，結合上式轉換可得:

BC=2AD

展開并移行可得:

r1=0.5(q0+2q1+q2-q4-2q5-q6)=

0.5(q0+q2-q4-q6)+(q1-q5)

r2=r1+(q7+q0-q1-q2)

r3=r2+(q6+q7-q0-q1)

r4=r3+(q5+q6-q7-q0)

r5=r4+(q4+q5-q6-q0)

r6=r5+(q3+q4-q5-q6)

r7=r6+(q2+q3-q4-q5)

r8=r7+(q1+q2-q3-q4)

由以上計算，r1需要進行加法(含減法)的次數為5次，乘法次數為1次。ri(i=2，3，…，8)需要進行加法的次數為7×4=28次，總共需要加法的次數為28+5=33次。用改進的方法處理圖像，某點Q的灰度值為W=max{qi}=2max{ai}，因為乘2可以用移位算子得到，那么處理一幅N×N圖像需要進行的加法運算次數為33×N×N=33N2，乘法運算次數為N2次。

選取適當的閾值th，若像素的新灰度值大于th，則把該點記為邊緣點，再按照從上到下，從左到右的順序對邊緣點進行掃描，可發(fā)現車燈、車頭的散熱橫欄以及車牌區(qū)域的跳變比較突出。

3.2 基于數學形態(tài)學的定位

在候選區(qū)域確定出來后，下一步驟是根據這些區(qū)域提供的位置信息從原圖像中分割出可能的牌照子圖像，形成候選區(qū)域隊列，即找到某一區(qū)域的任意一點后，將其壓入堆棧，進行遞歸，判斷堆棧是否為空，非空則彈出一點作為當前點并進行標號，然后查找左、下、右、上的鄰點，若該鄰點未曾標記，則繼續(xù)壓入堆棧，如此循環(huán)，直至堆棧為空[5，6]。經過數學形態(tài)學處理后，圖像中有許多連通區(qū)域，為了確定車牌區(qū)域，把感興趣的車牌從背景中分離出來，有必要對各個連通區(qū)域進行標記，逐一檢測并刪除偽車牌區(qū)域。

4 去除偽車牌區(qū)域

4.1 利用車牌的幾何特征定位

檢查所得矩形區(qū)域的長和寬，根據閾值去掉過小的區(qū)域。但通常必須保留過大的區(qū)域，因為這可能是由牌照和周圍車體部分粘連而形成的。利用車牌自身相異于其他區(qū)域的幾何特征在車牌候選區(qū)域中提取真正的車牌[7]。

(1) 候選車牌的尺寸大小和長寬比例;

(2) 候選區(qū)域內像素分布關系;

(3) 候選區(qū)域在原始圖像中的位置。

因為候選區(qū)域是在車身的中間，且寬高比大致為140/440=0.318，這里選取[0.30，0.45]作為判斷區(qū)間，據此幾何特征，可以刪除偽車牌區(qū)域。

4.2 利用車牌顏色特征的定位

通過上述步驟的篩選，已能精確定位對比度適中、字符清晰無磨損的普通車牌，但有時僅靠車牌的幾何信息并不能完全排除偽車牌區(qū)域，如車身的文字區(qū)域、車燈以及雙車牌車輛等，故利用車牌的顏色特征可實現車牌的精確定位[8-9]。

因為在通過拍攝得到的車牌圖像中，由于車牌新舊、磨損狀況、光照強度等眾多因素的影響，不同車牌圖像很難達到穩(wěn)定的統(tǒng)一，而HSV色彩模型的高度具有獨立性，可以單獨考慮車牌的色彩進行判斷，這帶來了很大的方便。

在車牌定位中，首先選擇車牌候選區(qū)中心的一塊區(qū)域進行顏色模型到HSV模型的轉換;然后按照區(qū)間對顏色進行劃分，統(tǒng)計落入區(qū)間的像素點數目;再對所選區(qū)域進行色彩統(tǒng)計，將像素點進行歸類，進行偽車牌刪除，最后確定車牌區(qū)域[10]。圖2所示為利用該方法直接定位成功的實例。圖3所示為利用該方法定位并成功去除偽車牌區(qū)域的實例。圖4所示為利用該方法定位多車牌區(qū)域的實例。

圖2 直接定位成功的實例

圖3 利用該方法定位并成功去除偽車牌區(qū)域的實例

圖4 利用該方法定位多車牌區(qū)域的實例

5 實驗結果分析

通過對上述幾個應用實例的分析，將該技術普遍應用到實際生活當中。經某小區(qū)物業(yè)同意，在該小區(qū)地下、露天、立體車庫以及路口通過不同角度、不同背景、不同光照采集車牌圖片400張(晴天和陰雨天各200張)進行定位。采用Visual C++6.0開發(fā)工具，并在具有Core(TM)2 Duo CPU，2 GB內存的計算機上實驗得到數據，定位準確率達到93.25%，27張定位失敗圖片，如表1所示。其中，9張由于車牌損傷較大或者字符被污染粘連現象嚴重;16張由于靠近車庫邊緣或陰雨天拍攝光線嚴重不足，無法通過預處理達到定位要求;2張由于是2009年新式武警車牌，車牌幾何特征與92式車牌差別較大，導致定位失敗。需在后續(xù)工作中對此方法進行改進，以提高其適應性。

表1 不同環(huán)境下的實驗結果分析

拍攝環(huán)境拍攝距離/m拍攝角度實驗圖片數定位成功數實驗總數定位成功總數準確率

晴朗

3

水平0°2727

水平斜45°4241

俯向下45°3129

10

水平0°6563

水平斜45°3531

20019195.50%

陰雨

3

水平0°3635

水平斜45°4440

俯向下45°2015

10

水平0°7169

水平斜45°292320018291%

此外，對采用該方法與采用普通Sobel邊緣檢測算子的計算結果進行了比較，普通Sobel邊緣檢測算子處理一幅N×N的圖像需要進行加法的次數為40N2次，進行乘法的次數為8N2次，運用該方法處理一幅N×N圖像需要進行加法運算次數為33N2，乘法運算次數為N2次。可見，在不影響準確率的前提下，運算消耗大大減小，如表2所示(采用相同圖片，相同平臺環(huán)境進行比較)。

表2 改進Sobel算子與普通Sobel算子的比較

邊緣提取方法實驗圖片數定位成功數準確率 /%定位平均耗時 /s

基于普通sobel算子40037393.250.135

基于改進sobel算子40037393.250.088

6 結 語

車牌定位是車輛牌照自動識別系統(tǒng)中的關鍵和難點，實際圖像中噪聲、復雜背景等的干擾都會使定位十分困難。本文采用改進的邊緣檢測算法快速獲得圖像的邊緣，充分利用了車牌的幾何特征和車牌的顏色特征排除偽車牌區(qū)域，實現車牌的定位。該算法在保證車牌定位可靠性的前提下，具有限制條件少，速度快的優(yōu)點，并可進行多車牌定位。實驗證明，該方法具有很好的定位效果和實用性。

參考文獻

[1]馮滿堂， 馬青玉， 成峰. 基于混合特征的多車牌定位算法[J]. 微計算機信息， 2009， 25(9): 236238. [2]周培德. 計算幾何算法分析與設計[M]. 北京: 清華大學出版社， 2008.

[3]王濤， 全書海. 基于改進Sobel算子的車牌定位方法[J]. 微計算機信息， 2008， 24(13): 312314.

[4]LI Gang， ZANG Ruili， LIN Ling. Research on vehicle license plate location based on neural networks[C]. Washington DC: Proceedings of the First International Conference on Innovative Computing， Information and Control， 2006.

[5]郭大波， 陳禮民， 盧朝陽， 等. 基于車牌底色識別的車牌定位方法[J]. 計算機工程與設計， 2003(5): 8187.

[6]李偉， 朱偉良， 孔祥杰， 等. 一種新型的基于數學形態(tài)學和顏色特征車牌定位算法[J]. 科技通報， 2009(25): 214219.

[7]SURYANARAYANA P V， MITRA S K， BANERJEE S K， et al. A morphology based approach for car license plate extraction[C]. Chennai: IEEE Indicon 2005 Conference， 2005.

[8]王義興， 黃鳳崗， 韓金玉， 等. 基于顏色搭配與紋理特征的車牌定位方法[J]. 中國圖像圖形學報， 2009(2): 303308.

[9]李學斌， 孫炫超. 基于紋理和顏色的模糊車牌的增強與定位[J]. 微計算機信息， 2009， 25(9): 273279.

[10]YANG Yao-quan， BAI Jie， TIAN Rui-li， et al. A vehicle license plate recognition system based on fixed color collocation[C]. Guangzhou: Proceedings of the Fourth International Conference on Machine Learning and Cybernetics， 2005.