自適應復雜天氣的車牌定位方法*

于 明，路倩倩，劉玉菲，王 妃

(河北工業大學計算機科學與軟件學院，天津 300401)

自適應復雜天氣的車牌定位方法*

于 明，路倩倩，劉玉菲，王 妃

(河北工業大學計算機科學與軟件學院，天津 300401)

針對傳統的車牌定位算法受天氣、光照影響而造成的低定位率問題，提出了一種自適應的車牌定位算法。算法根據車牌顏色特征和圖像清晰度判斷不同天氣及對比度，利用小波系數調整法調整圖像對比度，最后利用垂直投影和模板匹配相融合的方法進行車牌定位。所提出的定位算法具有廣泛的適應性和較高的車牌定位率，可以在晴天、陰雨天、霧天、傍晚等多種不同光照條件下，對不同對比度的圖像進行車牌定位。實驗結果表明，該定位方法的車牌平均定位率達到93.4%。

對比度；色彩特征；小波系數增強；車牌定位

1 引言

車牌識別系統(License Plate Recognition System)中的車牌定位的準確度和精確度直接影響了后繼的字符分割和識別環節的性能。當前，國內外學者已提出了很多種車牌定位的方法，主要有基于彩色圖像特征的車牌定位算法[1]和基于灰度圖像的定位算法[2]兩大類。其中后者又可以細化為基于紋理特征[3]、基于BP神經網絡[4]、基于形態學方法[5]的車牌定位。彩色圖像需要空間轉換，受光照影響很大，在對比度較高的晴天條件下有較高的定位率。基于神經網絡和形態學方法的車牌定位算法受背景干擾較大，計算量很大。這些算法在一定的條件下都能定位車牌，但這些定位算法解決的都是含噪聲較少、無遮擋的晴天等理想條件下的定位，對光照不足的霧天、陰雨天和傍晚等低對比度條件下[6]的定位研究很少。

本文在前人研究的基礎上使車牌定位算法能夠自動適配多種天氣條件及不同的對比度。在對比度較高的晴天利用顏色特征處理，簡化算法；在其他天氣條件下，依據圖像清晰度自適應選用適當的小波基和分解層數，然后利用多層系數調整法適當調整圖像的對比度，最后利用模板匹配算法精確定位出復雜環境下的車牌。

2 車牌定位的總體流程

由于智能交通系統的拍攝環境是在戶外，車牌定位的算法要廣泛適用于各種復雜的條件，為了能對晴天、陰雨天、霧天和傍晚等低比度條件下的車牌圖像進行定位，本文將算法分為兩部分：晴天條件下的車牌定位算法和陰雨天、霧天、傍晚等天氣條件(這里定位為非晴天條件)下的車牌定位。在晴天條件下，利用HSI(Hue Saturation Intensity)空間的特點，判斷車牌顏色，再利用車牌底色二值化。在非晴天條件下的車牌定位根據圖像的清晰度判定圖像是否需要進行小波增強，然后利用局部算法進行Bernsen二值化。最后，利用垂直投影和模板匹配相融合的算法進行車牌定位。具體流程如圖1所示。

Figure 1 Flow chart of location algorithm圖1 定位算法流程圖

3 晴天光照圖像判斷及處理

現在常用的圖像處理模型有RGB(Red Green Blue)、HSI等顏色模型。考慮HSI顏色模型更加接近人眼視覺成像特性，同時由于HSI顏色空間的顏色分量具有相互獨立性，相比正常無陰影區域，陰影區域的色度和飽和度區別較小，但是亮度會有很大的變化，因此在HSI空間進行車牌定位比在RGB空間定位更加準確。在HSI色彩模型中，人們通過感知顏色的色調(H)、飽和度(S)和亮度(I)來區分物體。根據中華人民共和國機動車牌號 GA36292 標準，我國常用的車牌底色為黑、白、藍、黃。利用HSI空間中的車牌顏色特征能夠較好地定位晴天條件下對比度較高、色彩鮮亮的車牌圖像，算法相對簡潔。

3.1 統計四種常用車牌底色所占的比例

在車牌定位系統中攝像機拍攝到的圖像一般用RGB空間表示，首先將車牌圖像從RGB空間轉向HSI空間。在HSI空間中可以找到我國規定的四種車牌底色分布規律，如公式(1)～公式(4)所示，然后根據這些公式統計四種底色的像素總數在圖像總像素中的比例。

黑色在HSI空間的表達公式：

(1)

白色在HSI空間的表達公式：

(2)

藍色在HSI空間的表達公式：

(3)

黃色在HSI空間的表達公式：

(4)

3.2 判定車牌底色并二值化

由于車牌定位系統使用的圖片是通過智能交通系統全天候在室外環境中拍攝到的車牌圖片，目前我國用于智能交通系統的攝像機的參數為：1/3英寸的CCD傳感器，清晰度為450線，拍攝的有效距離為10～30米。在此參數下，攝像機拍攝到的車輛從進入監控范圍到行駛出監控范圍，圖像中車牌的區域面積占拍攝到整個圖像面積的范圍不會超出[0.03,0.1]。最后，統計車牌圖像中我國規定的車牌底色的四種顏色占整幅圖像的顏色比例Pi(i=1,2,3,4,分別表示黑、白、藍、黃四種顏色)。根據比例判定車牌底色的步驟如下：

步驟1若P1∈[0.03,0.1],則判定車牌底色為黑色；否則，跳轉到步驟2繼續判定。

步驟2若P2∈[0.03,0.1],則判定車牌底色為白色；否則，跳轉到步驟3繼續判定。

步驟3若P3∈[0.03,0.1],則判定車牌底色為藍色；否則，跳轉到步驟4繼續判定。

步驟4若P4∈[0.03,0.1],則判定車牌底色為黃色；否則，認定圖像的背景顏色與車牌底色區別不明顯或是在其他天氣條件下拍攝到的圖像。

根據上述步驟判定車牌底色，對車牌圖像像素逐行掃描進行二值化：若像素的顏色為四種底色之一，則設定像素的值為255，否則設定為0。

4 非晴天光照車牌圖像判斷及補償

4.1 統計車牌圖像的清晰度

在晴天和非晴天光照條件下，一部分車牌圖像雖然顏色特征不明顯，但是圖像足夠清晰，不需要進行圖像增強。如果所有圖像不加區別、全部進行圖像增強處理，部分圖像處理后的效果不會特別好，而且還會增加系統的開銷。

圖像清晰度是指圖像上的紋理及其邊界的清晰程度。常見的評價圖像清晰度的方法函數[7]有基于頻域變換的方法、基于圖像統計的方法和基于圖像邊緣檢測的方法。本文選用相對簡單的相鄰像素灰度方差法SMD(Sum Modulus Difference)。計算公式為：

(5)

其中,f(x,y)對應圖像中(x,y)位置像素的灰度值，n=M*N為圖像的像素總數。

為了對圖像是否清晰做個量化的標準，本文引入圖像清晰度閾值S。在理想的光照條件下將鏡頭對準靜止的車輛，均勻而連續地改變鏡頭與車牌的距離，使拍攝的畫面經歷“模糊-清晰-模糊”的過程，圖像的清晰度與距離的函數成拋物線狀，當圖像最清晰時，利用SMD算法計算圖像的清晰度s=10.17，當圖像最不清晰時，s=4.87。通過觀測，本文選定s=5為清晰度閾值。若圖像的清晰度s小于5，則判斷圖像不夠清晰，需要進行小波圖像增強;否則,認定圖像清晰，算法直接跳轉到Bernsen算法。

4.2 基于小波變換的對比度增強和去噪

在光照較暗的傍晚或者有霧的情況下采集到的車牌圖像含噪聲污染且對比度很低，傳統車牌定位算法對此部分圖片的處理不能達到很好的效果。而當前小波變換在目標識別領域中占有越來越重要的地位。首先對低對比度的車牌圖像使用小波多尺度分析，調整小波系數，濾波消除背景噪聲，拉伸對比度以增強圖像。

由于小波變換具有多分辨率特性，故而可以在不同尺度上描述信號的局部特點，基于小波的圖像增強就是對圖像細節的增強、對噪聲的壓縮。基于小波的圖像增強通常分為小波變換、系數調整和小波逆變換三步。

(1)小波變換。

小波變換中主要考慮小波系數和選用的小波基，當小波分解級數較少時，分解級數和圖像增強呈類似正比增加。但是，當圖像增強到一定的程度，隨著級數的增加，效果不會再增強，且算法復雜度會增加。綜合考慮小波基的正交性、支撐寬度和正則性，本文利用sym5的小波基進行兩級小波變換。對車牌圖像進行一級小波分解,其基本分解原理如圖2a所示。其中，Aj為輸入圖像，Aj+1、Hj+1、Vj+1和Dj+1為經過一級小波變換后得到的四個子圖：平滑子圖、水平子圖、垂直子圖和斜向子圖。對車牌圖像經過一級小波分解后的效果如圖2c所示。

Figure 2 Wavelet enhancement圖2 小波增強

(2)多層次小波系數調整。

(6)

(3)小波逆變換。

最后利用sym5經過兩級小波逆變換得到增強后圖像，如圖2d所示。

4.3 二值化及邊緣檢測突顯低對比度條件下目標細節

小波變換結合二值化，能夠檢測到真正的圖像的弱邊緣。一般此種技術只應用于低對比度下的目標檢測，本文為了突出低對比度條件下車牌的灰度特征，選用突出細節較好的局部化算法：Bernsen算子和Canny算子。

二值化是車牌定位算法中的關鍵步驟。如果二值化中閾值選取不當，將喪失較多細節，就不能很好顯示目標車牌區域的特征，給基于紋理特征車牌定位造成困難。現有閾值的選取方式可以分為全局閾值法和局部閾值法。全局閾值法是指根據整幅車牌圖像確定一個閾值，車牌圖像的細節丟失較嚴重。局部閾值法中的Bernsen算法，不但可以保留圖像的較多細節，還對存在遮擋和陰影的圖像有較好的二值化效果。圖3a為經過Bernsen算法的效果圖。

Figure 3 License plate location圖3 車牌定位

5 基于垂直投影和模板匹配相結合的定位算法

目前常用的基于灰度圖像的車牌定位算法有基于掃描線的定位算法、基于投影的算法、基于支持向量機(Support Vector Machine)的算法及這些算法的擴展。這些算法有些受復雜背景影響較大，有些算法較為復雜。本文利用垂直投影算法首先定位車牌垂直方向的區域，得到車牌的寬度，根據我國車牌的幾何特征創建模板，利用模板匹配法掃描上一步利用垂直投影法分割出的車牌子圖像，找到符合車牌區域特征的水平區域完成車牌的分割。主要利用了以下兩個特征：底色為黃色、藍色的車牌二值化后為黑底白字車牌特征和車牌字符的跳變特征。車牌區域有七個連續的字符，字符與字符之間存在一定的距離。從字符到車牌背景或者從背景到字符都存在一個跳變。牌照區域相對于其他非車牌區域的跳變多，跳變次數大于或等于18(通常為18，包括七個字符和兩個邊框，每個字符和邊框都有近兩次以上的跳變)。由于車牌一般懸掛在車身較低的位置,其下方沒有明顯的邊緣密集區域，為了提高算法的運算速率，減少復雜背景的影響，只對車牌圖像的下2/3進行垂直投影。水平掃描搜索車牌的時候自下往上搜索。具體步驟如下：

(1)對經過邊緣檢測后的車牌圖像進行垂直投影，掃描垂直投影后的車牌圖像，統計投影圖像中各相鄰兩列黑色像素點數的絕對差值，并記錄各個差值所對應的前一列的坐標。

(2)利用冒泡排序法排列上述絕對差值，對其相應的坐標也進行排序，取差值最大的18個坐標值，從小到大排序，利用最小二乘法，去除突兀的點，剩下的坐標值對應的區域(如圖3b白線標記內的區域)即為車牌在垂直方向的區域。

(3)經過垂直定位后，得到了車牌長度wide，根據車牌固有的長度特征比10∶3，便可以得到車牌的寬度height=0.3*wide，并創建大小為height*wide的矩形匹配模板。

(4)從下而上掃描上述步驟中得到的子圖像，由于車牌圖像在水平方向上車牌區域與其他區域具有明顯不同的特征，該區域邊緣豐富，在水平方向灰度跳變率大，即水平差分的累加值大。當匹配模板中各行像素的水平差分累加值C為最大時，便準確找到了車牌的水平位置(如圖3c所示)。其中C的計算公式如下：

(7)

其中，f(m,n)為圖像像素點(m,n)的灰度值。height、wide分別為第(3)步中創建的模板的高度和寬度(對應車牌區域的高和寬)。

6 實驗結果與分析

為了檢測本算法的有效性和魯棒性，本文做了如下定義：定位到車牌區域至少包括全部的字符，最多不超過邊框0.5厘米為定位準確。

選用清晰度為450線、分辨率為1 024*728的攝像頭，由于我國車牌的第一個字符為我國各省的簡稱，為了驗證算法的有效性，本文選取了31個省，每個省又選取了晴天、傍晚、霧天、陰天四種光照條件下的交通路口作為拍攝環境，每個省每種光照條件下分別拍攝了不同車型的汽車圖像各60張，一共7 440張樣本圖像。利用Matlab對采集到的圖片進行處理，晴天條件下車牌底色和車牌背景相差較大的圖像的平均定位時間為3.26 s；晴天條件下的其他部分或者非晴天條件下對比度較高的圖像的定位時間為4.59 s，加入小波變換圖像增強的定位時間為5.65 s。利用本文算法進行車牌定位，7 440張圖像中定位準確的有6 949張，在各種光照條件下的車牌定位率為98.4%。具體在不同光照條件下的定位效果如圖4所示。圖4中的四組圖像依次為晴天、傍晚、霧天和陰天條件下選取的實驗樣本的實驗結果。

Figure 4 License plate location in different condition圖4 不同條件下的車牌定位效果

本文提出的算法對各種光照條件下拍攝的汽車圖像都有較高的識別準確率，克服了傳統的基于顏色的車牌定位算法對光照條件要求較高和傳統的基于灰度特征的定位算法在前景目標灰度和背景灰度相近時定位率較低的的問題，使整個定位算法有了很高的適應性和魯棒性。不同光照條件下對基于彩色特征定位算法、普通灰度特征定位算法和本文定位算法的定位準確率進行比較(采集圖像數均為60)，結果如表1所示。

Table 1 Statistics of experiment results表1 定位算法準確率實驗結果統計表 %

7 結束語

針對光線變化對車牌定位系統穩定性的影響，提出了一種自適應算法，能夠自動識別各種天氣條件和不同的對比度，從而轉向最優的算法分支，使整個算法能夠在相對短的時間內達到較高的定位率。通過對實際圖像的測試不難看出，該算法對復雜背景和陰影等帶來的影響也都有較好的作用，而且在小波變換的圖像分解時能夠降低噪聲對定位造成的影響，使算法的復雜度和定位的精確度達到最好的匹配。但是，對于強光下的曝光過度的車牌圖像的定位不能達到很好的效果，有待進一步研究。

[1] Zhou Dong-sheng, Xue Yan-bin, Deng Wen-hui, et al. License plate locating method based on multi-feature in color image[J]. Journal of the Hebei Academy of Sciences, 2010,27(4):9-11.(in Chinese)

[2] Tang Ling-jie, Hu Hong-ping. Vehicle plate location method based on mathematical morphology and projection[J]. Electronic Test, 2012(7):76-80.(in Chinese)

[3] Wu Jia-ming, Wu Yi-quan. License plate location based on texture features chaotic particle swarm optimization[J]. CAAI Transactions on Intelligent Systems, 2011,6(4):333-338. (in Chinese)

[4] Yue Zhao-xin, Zeng Huang-lin. A new license plate positioning method based on improved edge characteristics extraction and BP network[J]. Computer Application and Software, 2011,28(12):86-87.(in Chinese)

[5] Li Xiong, Pei Cheng-ming, Zheng Hua. Kesearch on geometry morphology license plate recognition system based on IabVIEW[J]. Computer Simulation, 2012,29(4):353-356.(in Chinese)

[6] Duan Qi-chang, Song Na. A method of vehicle license plate image de-noising and location in low light level[C]∥Proc of 2010 WASE International Conference on Information Engineering,2010:194-198.

[7] Zhang Ya-tao, Ji Shu-peng, Wang Qiang-feng, et al. Definition evaluation algorithm based on regional contrast[J]. Journal of Applied Optics, 2012,33(2):293-298.(in Chinese)

附中文參考文獻：

[1] 周東升,薛彥兵,鄧文慧,等.基于多種特征的彩色車牌定位方法研究[J].河北省科學院學報, 2010,27(4):9-11.

[2] 唐靈潔,胡紅萍，白艷萍.一種基于數學形態學和投影的車牌定位方法[J].電子測試, 2012(7):76-80.

[3] 吳加明,吳一全. 基于Tent映射CPSO和車牌紋理特征的車牌定位[J].智能系統學報, 2011,6(4):333-338.

[4] 岳兆新,曾黃麟.一種改進的基于邊緣特征提取BP網絡車牌定位的新方法[J].計算機應用與軟件, 2011,28(12):86-87.

[5] 李雄,裴承鳴,鄭華.幾何特征形態學車牌識別系統研究[J].計算機仿真, 2012,29(4):353-356.

[7] 張亞濤，吉書鵬，王強鋒,等.基于區域對比度的圖像清晰度評價算法[J].應用光學, 2012,33(2)293-298.

YUMing,born in 1964,PhD,professor,his research interests include image processing, and pattern recognition.

路倩倩(1985-),女,河北石家莊人，碩士生，研究方向為圖像處理和模式識別。E-mail:luqian_2010@163.com

LUQian-qian,born in 1985,MS candidate,her research interests include image processing, and pattern recognition.

劉玉菲(1984-),男,遼寧開原人，碩士生，研究方向為圖像處理、計算機網絡和嵌入式系統。E-mail:779290757@qq.com

LIUYu-fei,born in 1984,MS candidate,his research interests include image processing, computer network, and embedded system.

王妃(1987-),女,黑龍江哈爾濱人，碩士生，研究方向為圖像處理和模式識別。E-mail:1623657032@qq.com

WANGFei,born in 1987,MS candidate,her research interests include image processing, and pattern recognition.

Adaptivelicenseplatelocationincomplexweather

YU Ming，LU Qian-qian，LIU Yu-fei，WANG Fei

(School of Computer Science and Engineering,Hebei University of Technology,Tianjin 300401,China)

According to the problem that the traditional license plate algorithms have low location rate when the images are collected in the changing weather or insufficient light, an adaptive license plate location algorithm is proposed. The algorithm determines the different weather and the image contrast by the color characteristics and image definition. The wavelet transform coefficients are used to reduce noise and stretch the contrast, achieving the effect of image enhancement. At last, it combines vertical protection and template matching algorithms to locate the license plate. The tests show that the use of the algorithm can effectively remove the noise, and solve the different-contrast license plate location in the sun, rain, fog and dusk conditions. The average rate of license plate location is 93.4%.

image contrast;color characteristics;enhancement of wavelet coefficients;license plate location

2012-09-10;

：2012-12-04

河北省科技支撐計劃資助項目(11213518D)

1007-130X(2014)02-0292-06

TP391.4

：A

10.3969/j.issn.1007-130X.2014.02.017

于明(1964-),男,河北秦皇島人，博士，教授，研究方向為圖像處理和模式識別。E-mail:yueeming@qq.com

通信地址：032000 山西省介休市機修廠小區3號樓203路倩倩Address:Room 203,Building 3,Machine Repair Community,Jiexiu 032000,Shanxi,P.R.China