基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車(chē)牌定位算法＊

李 瑩，李守榮，孫 震

(華北電力大學(xué) 電氣與電子工程學(xué)院，北京 102206)

車(chē)牌識(shí)別系統(tǒng)(LPR)在現(xiàn)代交通檢測(cè)和管理部門(mén)中發(fā)揮著舉足輕重的作用。車(chē)牌識(shí)別系統(tǒng)主要包括車(chē)牌定位、字符分割和字符識(shí)別三部分[1]。由于車(chē)牌定位的準(zhǔn)確與否將會(huì)直接影響到車(chē)牌識(shí)別的結(jié)果，因此，車(chē)牌定位是LPR的一項(xiàng)關(guān)鍵技術(shù)。常見(jiàn)的車(chē)牌定位技術(shù)主要有：邊緣檢測(cè)法[2]、投影法[3]、神經(jīng)網(wǎng)絡(luò)法[4]、數(shù)學(xué)形態(tài)學(xué)法[5]、基于彩色圖像的定位算法[6]。邊緣檢測(cè)法對(duì)車(chē)牌圖像邊框的連續(xù)性要求較高；神經(jīng)網(wǎng)絡(luò)方法計(jì)算量大，且要求車(chē)牌尺寸基本不變，否則必須對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練；基于形態(tài)學(xué)的方法受噪聲影響比較大；基于彩色圖像的定位算法適應(yīng)性差，對(duì)于偏色以及背景顏色干擾等情況無(wú)法做出有效處理。

由于存在許多外在的干擾，背景信息往往比車(chē)牌信息更加復(fù)雜，給目標(biāo)搜索帶來(lái)巨大的困難，單一的定位方法已經(jīng)無(wú)法保證其有效性。為此，本文提出了一種綜合的定位算法，對(duì)預(yù)處理的圖像進(jìn)行形態(tài)學(xué)的高帽變換后，利用邊緣檢測(cè)得到連通區(qū)域進(jìn)行粗定位，然后結(jié)合Hough變換和車(chē)牌的先驗(yàn)知識(shí)進(jìn)行車(chē)牌的精定位，該算法充分利用了車(chē)牌的字符信息，能夠快速而準(zhǔn)確地提取出車(chē)牌區(qū)域。

1 車(chē)牌的固有特征

車(chē)牌識(shí)別是一種特定對(duì)象的識(shí)別，是一種在先驗(yàn)知識(shí)指導(dǎo)下的識(shí)別。我國(guó)現(xiàn)在使用的車(chē)牌主要執(zhí)行中華人民共和國(guó)機(jī)動(dòng)車(chē)牌號(hào)標(biāo)準(zhǔn)[7]，其具有以下的特征：

(1)形狀特征：汽車(chē)車(chē)牌區(qū)域的每個(gè)字符寬度為45 mm，字符高度為90mm，間隔符寬10mm，字符間隔為12mm，整個(gè)車(chē)牌區(qū)域的寬高比為44/14。這部分特征在車(chē)牌的定位分割方面具有重要的意義。

(2)紋理特征：車(chē)牌有一個(gè)連續(xù)或因磨損而不連續(xù)的邊框；標(biāo)準(zhǔn)車(chē)牌(軍車(chē)、警車(chē)、教練車(chē)、外交車(chē)除外)模塊包含7個(gè)字符，它們基本呈水平排列；在矩形的車(chē)牌區(qū)域內(nèi)部有著較豐富的邊緣信息，呈現(xiàn)出規(guī)則的紋理特征。

(3)灰度跳變特征：車(chē)牌的邊緣顏色、車(chē)牌底色以及車(chē)牌文本顏色各不相同，表現(xiàn)在圖像中就是灰度級(jí)互不相同，這樣，在車(chē)牌邊緣就形成了灰度突變邊界。在車(chē)牌區(qū)域內(nèi)部，由于字符和車(chē)牌底的內(nèi)部灰度較均勻，因此，穿過(guò)車(chē)牌的水平直線呈現(xiàn)出波峰波谷的特點(diǎn)。

2 圖像預(yù)處理

車(chē)牌圖像的采集大都是通過(guò)攝像機(jī)、數(shù)碼相機(jī)等設(shè)備拍攝獲取的彩色圖像，因此首先要對(duì)圖像進(jìn)行灰度化處理。

牌照?qǐng)D像在拍攝時(shí)受各種條件的限制和干擾，圖像的灰度值往往與實(shí)際景物不完全匹配，直方圖均衡化[8]處理能增加圖像灰度值的動(dòng)態(tài)范圍，從而達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。

經(jīng)過(guò)灰度增強(qiáng)后的圖像還存在各種噪聲，中值濾波是一種非線性濾波，它很適合于椒鹽噪聲(即通常拍攝的圖片帶有的噪聲類型)。

圖1顯示了本文設(shè)計(jì)中圖像預(yù)處理部分的實(shí)驗(yàn)效果圖，車(chē)牌區(qū)域的特征被明顯增強(qiáng)。大量實(shí)驗(yàn)表明，本文采用的圖像預(yù)處理方法能獲得較好的效果，滿足實(shí)驗(yàn)的要求。

圖1 圖像預(yù)處理

3 車(chē)牌定位算法

3.1 車(chē)牌區(qū)域粗定位

3.1.1 形態(tài)學(xué)處理

按照牌照底色和字符的顏色對(duì)比，可以將車(chē)牌分為深色底淺色字的車(chē)牌和淺色底深色字的車(chē)牌兩大類，數(shù)學(xué)形態(tài)學(xué)的高帽變換和低帽變換就是分別針對(duì)這兩類車(chē)牌設(shè)計(jì)的。在本文研究的系統(tǒng)中，全部選用的是藍(lán)底白字的車(chē)牌，即深色底淺色字車(chē)牌。

高帽變換是基于膨脹和腐蝕操作的一種形態(tài)學(xué)的應(yīng)用，對(duì)圖像進(jìn)行形態(tài)學(xué)高帽變換(Top-hat)，用 Top表示，定義為

高帽變換是原始圖像與其開(kāi)運(yùn)算之差，開(kāi)運(yùn)算用來(lái)去除比結(jié)構(gòu)元更小的亮點(diǎn)，同時(shí)保持灰度級(jí)和較大亮區(qū)特性的相對(duì)不變。因此，只要選擇合適的結(jié)構(gòu)元素，高帽變換就能將亮目標(biāo)從背景中有效分離出來(lái)[9]。如圖2(a)所示，經(jīng)過(guò)高帽變換后，對(duì)于深色底淺色字的車(chē)牌，其車(chē)牌字符的區(qū)域的特征會(huì)得到增強(qiáng)，車(chē)牌文本部分變得更加清晰突出，便于讓后續(xù)的檢測(cè)處理過(guò)程更加簡(jiǎn)單和省時(shí)。

3.1.2 邊緣檢測(cè)

車(chē)牌區(qū)域的字符與背景有十分明顯的邊緣而且邊緣的個(gè)數(shù)也很多。Sobel算子對(duì)噪聲有抑制作用，它對(duì)灰度漸變和噪聲較多的圖像值處理效果較好，對(duì)邊緣定位比較準(zhǔn)確且速度快[10]。采用Sobel邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè)的效果如圖2(b)所示，各個(gè)字符都形成了相對(duì)獨(dú)立的區(qū)域，當(dāng)然也有一些非字符形成的干擾區(qū)域。對(duì)邊緣檢測(cè)后的圖像采用全局閾值OSTU算法進(jìn)行二值化處理，并采用行程碼方法標(biāo)記連通區(qū)域，可以得到一系列特定的連通域，同時(shí)也可以得到包圍各個(gè)連通區(qū)域的最小外接矩形(bounding-box)和各連通區(qū)域的面積。為了方便觀察及后續(xù)分析，將標(biāo)記的連通區(qū)域表現(xiàn)在原始圖像上，如圖 2(c)所示。

由圖2看出，高帽變換使得藍(lán)底白字車(chē)牌的字符更加明顯，經(jīng)過(guò)了邊緣檢測(cè)，各個(gè)字符形成獨(dú)立的連通區(qū)域。

圖2 車(chē)牌區(qū)域粗定位

3.1.3 連通區(qū)域分析

由于采集到的車(chē)牌圖像車(chē)牌字符的像素個(gè)數(shù)是在一定范圍內(nèi)的，因此設(shè)定最小外接矩形框的面積為S，當(dāng)S≤500像素或S≥2 000像素時(shí)，就認(rèn)為該連通區(qū)域不是車(chē)牌字符區(qū)域，并將之去除。留下的連通區(qū)域包含了牌照的文本區(qū)域以及少量的非車(chē)牌文本區(qū)域，這將有利于在后續(xù)的操作中減小搜索范圍，提高定位的準(zhǔn)確率。

3.2 精定位

3.2.1 Hough變換

根據(jù)車(chē)牌先驗(yàn)知識(shí)，車(chē)牌字符一般排成一行，且大小相仿。利用Hough變換檢測(cè)直線的原理[11]來(lái)找出在同一方向上的bounding-box，主要的設(shè)計(jì)思想是將每個(gè)連通成分的中心點(diǎn)通過(guò)Hough變換轉(zhuǎn)換到參數(shù)空間，通過(guò)尋找參數(shù)空間的最大值來(lái)確定字符組的中心線。

本文的Hough變換算法如下：

(1)在r、θ適當(dāng)?shù)淖畲笾岛妥钚≈抵g建立一個(gè)離散的參數(shù)空間；

(2)建立一個(gè)累加器A(r，θ)，并將累加器各元素置0；

(3)對(duì)每個(gè)連通成分的中心點(diǎn)(x′，y′)進(jìn) 行掃描，然后將 每 個(gè) θ的 離 散 值 取 值 θ′計(jì) 算 r′=x′cosθ′+y′sinθ′， 并 在 相應(yīng) 累 加 器 元 素 A(r′，θ′)上 加 1；

(4)在 累 加 器 A(r，θ)中 搜 索 峰 值 A(rh，θh)， 則 rh、θh就 是圖像中在一行上字符組的中心線的參數(shù)。

由于進(jìn)行Hough變換時(shí)，只是對(duì)初步濾除后得到的連通區(qū)域的中心點(diǎn)感興趣，因此需要先將連通成分的中心點(diǎn)提取出來(lái)，再進(jìn)行Hough變換。通過(guò)Hough變換找到峰值后，就能夠找到車(chē)牌文本區(qū)域在一行上字符組的中心線，那么所有中心點(diǎn)在這條直線上或者在這條直線附近的連通域，就可以認(rèn)為它們?cè)谝粭l直線上，并且把它們連通起來(lái)形成一個(gè)大的連通域。

圖3 Hough變換后篩選的連通域

3.2.2 車(chē)牌區(qū)域定位

利用Hough變換篩選后的連通區(qū)域仍然含有小部分非車(chē)牌區(qū)域，因此需要根據(jù)車(chē)輛牌照區(qū)域更加突出的特征來(lái)去除偽文本區(qū)域。首先計(jì)算當(dāng)前每個(gè)連通域的外接矩形框的寬高比，以確定車(chē)牌字符區(qū)域的位置。設(shè)第i個(gè)連通域的寬高比為：

其中，Width(i)、Height(i)分別為第 i個(gè)連通區(qū)域外界矩形框的寬度和高度。

根據(jù)車(chē)牌的先驗(yàn)知識(shí)，國(guó)內(nèi)車(chē)牌每個(gè)字符的寬高比為0.5，在本文中采用的車(chē)牌字符區(qū)域的判定式為：

滿足式(3)的連通區(qū)域保留下來(lái)，就可以檢測(cè)到車(chē)牌的字符區(qū)域，如圖4(a)所示。

為了定位出整個(gè)車(chē)牌，需要將檢測(cè)到的車(chē)牌文本所有的字符區(qū)域連通起來(lái)形成一個(gè)大的連通域，并適當(dāng)向外擴(kuò)展。定位出的車(chē)牌區(qū)域如圖4(b)所示。為了避免在上個(gè)步驟中出現(xiàn)牌照內(nèi)的某個(gè)字符未被檢測(cè)到或者仍然留有偽文本區(qū)域未去除的情況，從而影響最后的定位結(jié)果，因此還需要利用整個(gè)車(chē)牌的寬高比來(lái)檢測(cè)出最后的牌照區(qū)域。選用牌照寬高比為44：14作為判定標(biāo)準(zhǔn)，以此來(lái)定位出最后的車(chē)牌區(qū)域，最后精確提取出的車(chē)牌區(qū)域如圖4(c)所示。

4 實(shí)驗(yàn)結(jié)果及分析

該算法所需的開(kāi)發(fā)工具為Matlab7.0，實(shí)驗(yàn)所采用的車(chē)牌圖像是在實(shí)際環(huán)境中隨機(jī)拍攝的，對(duì)汽車(chē)的背景沒(méi)有特殊限制。圖5所示的是對(duì)4幅不同場(chǎng)景下的汽車(chē)牌照進(jìn)行定位的結(jié)果，圖5(a)的車(chē)牌有些傾斜和變形；圖5(b)是在車(chē)窗存在反光的情況下拍攝的；圖5(c)的車(chē)窗存在部分反光的情況，并且背景比較復(fù)雜，車(chē)身存在很多污跡；圖5(d)是在光線較暗的情況下拍攝的，并且車(chē)窗上存在其他物體的投影；圖5(e)為這四種場(chǎng)景的定位結(jié)果，雖然這四幅圖像的車(chē)牌背景比較復(fù)雜，但仍能準(zhǔn)確定位出車(chē)牌的位置。實(shí)驗(yàn)測(cè)試結(jié)果表明，這種方法對(duì)于光照不均、噪聲較強(qiáng)、環(huán)境背景復(fù)雜的圖像均能成功定位，并提取出車(chē)牌區(qū)域，而且算法比較簡(jiǎn)單，定位速度快，具有很強(qiáng)的魯棒性。

圖4 車(chē)牌區(qū)域的精定位

圖5 不同場(chǎng)景下的車(chē)牌定位

另外，利用本文提出的方法對(duì)隨機(jī)采集到的400幅不同場(chǎng)景下的車(chē)牌圖像分別進(jìn)行檢測(cè)，圖像大小為600×450，實(shí)驗(yàn)結(jié)果如表1所示。可以看到，該方法對(duì)于大多數(shù)的圖像都得到了比較好的效果，定位準(zhǔn)確率達(dá)97.3%，算法平均用時(shí)1.64s，滿足了車(chē)牌定位系統(tǒng)對(duì)實(shí)時(shí)性的要求。

表1 實(shí)驗(yàn)測(cè)試結(jié)果

本文提出了一種基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車(chē)牌綜合定位算法。其利用了國(guó)內(nèi)車(chē)牌字符的特征，經(jīng)過(guò)高帽變換突出感興趣區(qū)域，然后利用邊緣信息通過(guò)Hough變換檢測(cè)車(chē)牌字符的中心線，能夠提高定位結(jié)果的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，對(duì)于自然場(chǎng)景下的車(chē)牌定位，該算法具有較強(qiáng)的適用性。但復(fù)雜背景下的車(chē)牌定位比簡(jiǎn)單背景下的定位準(zhǔn)確率低，主要原因是復(fù)雜環(huán)境的背景信息復(fù)雜，干擾較多，使得利用Hough變換檢測(cè)字符組的中心線時(shí)出現(xiàn)誤差，特別是對(duì)于傾斜嚴(yán)重的車(chē)牌，本算法的定位率較低，這是下一步的研究方向。

[1]BARROSO J， RAFAEL A， DAGLESS E L， et al.Number plate reading using computer vision[C].Proceedings of IEEE International Symposium on Industrial Electronics， 1997：761-766.

[2]閆青.常用車(chē)牌定位算法淺析[J].微型機(jī)與應(yīng)用，2010(2)：1-3.

[3]周開(kāi)軍，陳三寶，徐江陵.復(fù)雜背景下的車(chē)牌定位和字符分割研究[J].計(jì)算機(jī)工程， 2007，33(4)：198-200.

[4]ABDULLAH S N H S， KHALID M， YUSOF R， et al.License plate recognition using multi-cluster and multilayer Neural Networks[J].Information and Communication Technologies， 2006(1)：1818-1823.

[5]MEGALINGAM R K， KRISHNA P， SOMARAJAN P， et al.Extraction of license plate region in Automatic License Plate Recognition[C].The 2010 2nd International Conference on Mechanical and Electrical Technology， 2010，496-501.

[6]KAUSHIK DEB，KANG-HYUN JO.HSIcolorbased vehicle license plate detection[C].International Conference on Control Automation and Systems， 2008， 687-691.

[7]片兆宇，孟祥萍，張紅.多階段車(chē)牌定位算法[J].計(jì)算機(jī)科學(xué)，2009，36(8)：296-299.

[8]GONZALEZ R C， WOODS R E.Digital image processing(3rd Edition)[M].London： Prentice Hall Press，2007.

[9]郭航宇，景曉軍，尚勇.基于小波變換和數(shù)學(xué)形態(tài)法的車(chē)牌定位方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010(5)：13-16.

[10]柴曉榮，劉錦高.基于紋理分析的精確車(chē)牌定位算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19(2)：160-163.

[11]KAMAT V，GANESAN S.An efficient implementation of the Hough transform for detecting vehicle license plate using DSP’S[C].Proceedings of the Real Time Technology and Applications， 1995， 58-59.