基于特征多樣性的車牌定位方法

葉必錠 李霆

（五邑大學信息學院）

1 引言

近年來，智能交通系統已經成為交通管理發展的重要方向，而車牌識別是計算機視覺、圖像處理與模式識別技術在智能交通領域應用的一項重要研究課題，也是實現交通管理智能化的一項關鍵技術。車牌識別系統包括車牌定位、字符分割和字符識別三部分，其中，車牌定位是一個難點，定位的準確度直接關系到系統整體性能。

車牌定位的實質是從圖像中分割出車牌區域。目前已有很多國內外的學者對定位方法進行了研究，并提出了多種算法，歸納起來主要有兩類：① 基于顏色空間的彩色圖像定位方法[1～4]。這類算法主要是基于RGB或者HSV色彩空間來定位車牌，其優點是利用車牌顏色特征進行定位，符合人的視覺感受。但是當車牌顏色與車體顏色較接近時定位率不高，并且這類算法受光照影響較大；② 基于灰度空間特征的方法[5～10]。這類算法一般采用各類邊緣檢測算子，如Roberts算子、Prewitt算子、Sobel算子等提取車牌的邊緣特征，并運用掃描線法定位車牌區域。這類方法具有快速、高效的特點，但是對于背景復雜，噪聲污染等情況，定位率不高。

針對上述各種方法的不足，本文提出了一種綜合多種車牌特征的定位方法。該方法充分利用了車牌的結構特征和紋理特征，首先對原始彩色圖像作預處理，結合車牌圖像的結構特征和數學形態學操作對車牌區域進行粗定位；然后，提取車牌圖像的多種紋理特征，利用貝葉斯分類器對候選區域分類，實現車牌的精確定位。

2 圖像預處理

圖像預處理可以有效地突出目標區域，減少非目標區域和噪聲的干擾。車牌定位是從復雜環境中提取車牌區域，并對原始圖像作預處理。本文圖像預處理算法有以下4步驟：

① 圖像灰度化

攝像機采集的圖像通常是 RGB格式的彩色圖像，包含了大量信息，但其中大部分信息與車牌無關，這些信息的存在會干擾車牌定位的準確性。同時，車牌的顏色受天氣和光照的影響較大，穩定性不高。因此，需要將彩色圖像灰度化，灰度變換公式如下：

式(1)中：Gray為灰度變換后的灰度值；R、G、B分別對應彩色圖像的紅、綠、藍三分量。彩色圖像灰度化的效果如圖1(a)。

② 垂直邊緣檢測

物體邊緣是灰度不連續性反映的，經典的邊緣檢測方法是根據像素在其領域內的灰度變化，結合一階或二階方向導數來提取。車身前面的散熱器、車體等具有較多的水平邊緣，如果直接對原始圖像進行邊緣提取，則這些水平邊緣的存在會影響車牌定位，并且車牌在垂直方向上的邊緣非常豐富，所以本文選用經典的Sobel垂直邊緣檢測算子（如式（2））來凸顯車牌的垂直邊緣。對圖1(a)進行垂直邊緣檢測，結果如圖1(b)所示。

③ 圖像的平滑

圖像經過邊緣檢測后，邊緣紋理清晰可見，但同時也產生大量的噪聲，影響后續定位的準確性，需要先去除噪聲。目前常用的去噪方法有均值濾波和中值濾波。均值濾波算法簡單、計算速度快，但它在濾除噪聲的同時會模糊圖像，特別在邊緣和細節處；中值濾波是非線性的濾波，去除噪聲的同時不會模糊目標的邊緣，尤其在椒鹽噪聲污染嚴重的情況下，中值濾波有非常好的處理效果。因此，本文選用中值濾波對邊緣圖像進行處理，濾波掩膜采用5×5的矩形窗口。對圖1(b)作中值濾波，效果如圖1(c)所示。

④ 邊緣圖像二值化

圖像二值化的關鍵在于閾值的選取，常用的閾值選擇法有局部閾值法和全局閾值法。局部閾值法根據像素灰度值及其鄰域內像素的局部灰度特征來確定閾值。全局閾值法，根據圖像直方圖或灰度空間的分布來確定閾值，算法簡單。本文采用最大類間方差法(Otsu)對圖像作二值化，該方法屬于全局閾值法。其基本思想是用某一灰度值將直方圖分割成兩組，被分割的兩組間方差最大時確定閾值。該方法不論圖像的直方圖有無顯著的雙峰，都能得到較為滿意的分割結果。對邊緣灰度圖像（圖1(c)）作二值化，結果如圖1(d)所示。

3 數學形態學處理

數學形態學是分析幾何形狀和結構的數學方法，其基本思想是用具有一定形狀的結構元素去度量和提取圖像中的對應目標。它可以簡化圖像數據，突出有用的信息，剔除不相關的結構。腐蝕、膨脹、開運算和閉運算是數學形態學的四種基本操作。

圖1 車輛圖像預處理

① 腐蝕

利用元素B對集合A進行腐蝕，定義如下：

腐蝕運算主要用來消除物體邊界上的一些突出部分，將小于結構元素的物體剔除，切斷兩個物體間的細小連接。

② 膨脹

利用元素B對集合A進行膨脹，定義如下：

膨脹運算能將目標物體周圍的背景點合并到物體中，擴展目標區域，縮小連通區域內的孔洞。

③ 開運算

使用元素B對集合A進行開運算，定義如下：

開運算是用B對A腐蝕，再利用B對結果進行膨脹。開運算能剔除細小物體，斷開物體間的細微連接，削弱狹窄的部分以及平滑物體的邊界。

④ 閉運算

使用元素B對集合A進行閉運算，定義如下：

閉運算是用B對A膨脹，再利用B對結果進行腐蝕。閉運算可以用來填充連通區域內的孔洞，融合狹窄的缺口，連接相鄰區域。

經過圖像預處理得到的二值邊緣圖像，如圖1(d)，其車牌區域的邊緣密度大，其它區域密度小，本文利用前面所述的形態學操作，使車牌區域形成一個連通整體，從而確定候選區域。首先采用合適大小的矩形結構元素對該二值邊緣圖像作形態學閉運算，得到了包含車牌的幾個連通區域，結果如圖2 (a)。再采用合適大小的矩形結構元素對圖2 (a)作形態學開運算，剔除不相關的邊緣和一些孤立的小區域，效果如圖2 (b)。經過形態學開閉運算后，圖中的幾個車牌候選區表現得很明顯。

4 車牌區域的定位

4.1 利用結構特征定位車牌區域

經過上述的形態學運算處理后，得到若干個候選車牌連通區域，這些區域中除車牌以外，還包括車燈、散熱片等非車牌區域。要從這些區域中選出車牌，必須尋找用來區分車牌區域和非車牌區域的特征信息。

普通車牌的規格為 440mm×140mm，整個車牌的寬高比近似為 3:1，考慮形態學運算和車牌傾斜的影響，本文設定車牌寬高比為2～5。車牌的另一個結構特征是占空比，指連通區域實際的面積與其坐標所圍成的面積的比值，通常車牌區域的占空比較大。利用上述的兩個結構特征，剔除圖2 (b)中不符合要求的連通域，此時若只有一個連通區域，則可確認是車牌區域，否則再利用紋理特征定位車牌區域。

圖2 形態學運算效果圖

4.2 利用紋理特征定位車牌區域

車牌區域內均勻地排列著 7個字符，呈水平排列，形成有規則的灰度跳變，使車牌區域有豐富的紋理特性。利用Otsu對候選區域的灰度圖作二值化（見圖3 (a)），并進行垂直方向的投影，投影曲線見圖3 (b)。該投影曲線呈現多鋸齒狀，出現有規律的峰谷交替，但同時，該曲線中也存在一些尖峰噪聲，這些噪聲的存在會影響后續紋理特征的提取，所以對投影曲線進行高斯濾波，消除噪聲干擾，效果如圖3 (c)。

根據車牌的紋理及候選區垂直方向的投影曲線，提取下列紋理特征：

① 平均投影值m

式(7)中： f (i)為投影曲線的幅值；w為候選區域的寬度。

圖3 車牌的垂直投影及高斯濾波效果圖

② 投影標準差σ

式(8)中： f (i)為投影曲線的幅值；w為候選區域的寬度；m為平均投影值。

③ 峰谷距離和L

式(9)中： La為垂直投影曲線中所有從波谷到波峰的距離和； Lb為垂直投影曲線中所有從波峰到波谷的距離和；w為圖像的寬度，用來歸一化特征值。

④ 峰谷跳變數p

車牌區域內均勻地排列著7個字符，作垂直方向的投影后，投影曲線中有明顯的峰谷跳變，標準車牌一般有14個跳變，通常跳變數比較固定，可以作為一個紋理特征。

⑤ 候選區域邊緣密度

車牌的邊緣紋理通常均勻分布在車牌區域內，可以利用Canny變換來提取區域內的邊緣，再將Canny邊緣圖像劃分為若干個小區域，統計每個小區域內邊緣像素點所占的比例，作為紋理特征。在Canny變換前，先將候選區域灰度圖像統一縮放為 200×50。本文將Canny邊緣圖像等分為50個子區域，每個子區域的大小均為20×10，計算每個子區域內的白色像素所占的比例，得到50個特征值N1，N2，…，N50。

根據上述所提取的54個紋理特征，構建一個特征向量 X=[m,σ,L,p,N1,N2,…,N50]，將該特征向量送入模式分類器來提取車牌區域，本文選用貝葉斯分類器解決這類問題。在訓練貝葉斯分類器時，從候選區域中選取正負樣本數各200構成訓練集，其中正樣本選用精確的車牌區域，負樣本為非車牌區域，包括常見的車頭散熱器、車燈、路邊圍欄等。計算候選區域的紋理特征并進行量化，構建特征向量，送入訓練好的貝葉斯分類器進行分類，精確定位車牌區域。

5 實驗結果與分析

本文在Intel T4300 2.1GHz CPU，2G內存的設備環境下利用OpenCV實現本文提出的算法。選取1800幅由大恒DH-PD2000EC工業攝像機拍攝的真彩色圖像對該算法進行測試，其中白天拍攝的圖像有 1200幅，夜晚的有600幅，圖像尺寸為1628×1236，測試結果如表1所示。白天和夜晚的車牌定位效果圖分別為圖4和圖5。

表1 車牌定位測試結果

圖4 白天車牌定位效果

圖5 夜晚車牌定位效果

從表1可以看出，本文算法的定位準確率維持在97%以上，并且定位時間小于1s，滿足實時性的要求。夜晚的定位準確率比白天高，定位時間也比白天短。分析原因：夜間的光照亮度比白天低，并且車牌顏色的特殊性，在閃關燈的照射下車牌對比度非常明顯，容易提取車牌區域，同時非車牌區域的減少，也提高了定位率；對于白天采集的車輛圖像，由于光線較強以及環境的影響，與車牌紋理類似的區域如車燈、散熱器等都會影響定位結果，定位率會相對低一些。

6 結論

車牌定位是車牌識別系統的關鍵環節，直接關系到整個系統的穩定性。本文算法采用Sobel算子提取車牌垂直方向的邊緣，利用數學形態學的開閉運算及區域填充等算法進行處理，消除車體以及環境因素給車牌定位造成的不利影響；針對車牌候選區圖像，充分利用車牌的結構特征和紋理特征，結合貝葉斯分類器來精確定位車牌區域。通過對大量的車輛圖像進行測試，定位準確率達到97%以上，定位時間短，并且該算法還適用于圖像中有多個車牌的情況。

[1]聶洪印,周衛東,劉輝.多顏色模型和綜合特征下的車牌定位新方法[J].計算機工程與應用,2010,46(12):221-223.

[2]CHENG Z F,CHEN R B. License plate location method based on modified HIS model of color image [C]. Proceedings of 9th International Conference on Electronic Measurement and Instruments,Beijing,China,2009:197-201.

[3]王枚,房培玉,王國宏.基于彩色分量垂直邊緣檢測的車牌定位新方法[J].計算機工程與應用,2007,43(12):177-179.

[4]李剛,閆河,汪鈦鉻,等.車牌定位中字符邊緣色彩信息作用研究[J].計算機工程與設計,2009,30(22):5284-5286.

[5]SATADAL SAHA,SUBHADIP BASU,MITA NASIPURI,et al. License Plate Localization from Vehicle Images: An Edge Based Multi-stage Approach[J]. International Journal of Recent Trends in Engineering,2009,1 (1):284-288.

[6]ARTH C,LIMBERGER F,BISCHOF H. Real-time license plate recognition on an embedded DSP-platform[C].Minneapolis: Proceedings of the Computer Vision and Pattern Recognition (CVPR'07),2007:1-8.

[7]SHAPIRO V,GLUHCHEV G,DIMOV D. Towards a multinational car license plate recognition system[J].Mashine Vision and Applications,2006,17(3):173-183.

[8]LIN CHIEN-CHOU，HUANG WEN-HUEI. Locating license plate based on edge features of intensity and saturation subimages[J],IEEE,2007,227.

[9]潘巍,楊娜菲,安榮.基于梯度與形態學的低質量車牌定位[J].計算機工程,2011,37(13):144-146.

[10]龐茂群,鄧開發.一種基于灰度圖像的車牌定位方法[J].計算機工程與科學,2009.31(10):39-41.