基于改進Sobel算子和數學形態學的車牌定位研究

朱芳

摘要

隨著車牌識別技術的廣泛應用，對車牌定位的準確率提出了更高的要求。本文對車牌進行分步定位，首先對車牌圖像利用改進的Sobel算子進行邊緣檢測粗略定位，確定車牌所在區域。再對邊緣檢測后的二值圖像進行膨脹、腐蝕等一系列數學形態學操作，完成車牌精確定位。實驗結果表明，該方法能準確定位車牌，具有較好的實用價值。

【關鍵詞】車牌定位 改進的Sobel算子 邊緣檢測 數學形態學

隨著人工智能技術的崛起，智慧交通也逐漸進入人們的視野，融入人們的生活。車牌識別技術作為智慧交通的核心技術之一受到社會各界的廣泛關注。目前，車牌識別技術己廣泛應用于停車場管理系統、電子警察系統、高速公路收費系統等場合，為停車管理、交通執法、公路收費等提供便利。車牌定位作為車牌識別的重要組成部分，在車牌識別中起著至關重要的作用。本文提出了一種利用改進的Sobel算子進行粗略定位，再用數學形態學進行精確定位的車牌定位方法。

1 車牌識別工作流程

車牌識別流程如圖1所示。

1.1 圖像預處理

車牌識別技術要求能將采集到的車牌從復雜的背景中識別出來。在自然環境下，圖像采集時由于受到光照不均（白天，黑夜）、天氣（雨雪、陰天、大霧等等）、拍攝角度和自身牌照狀況（如磨損、污漬）的影響，圖像的質量往往比較差。采集到的圖像往往會存在圖像模糊不清、角度傾斜、光照不均等現象。因此，需要對采集到的圖像進行預處理。預處理的效果將直接影響到車牌的定位以及后續的車牌字符分割和車牌識別結果的好壞。首先將采集到的彩色圖像進行灰度化處理，再將圖像去噪處理，然后用圖像增強技術改善圖像的視覺效果，提高圖像成分的清晰度。

1.2 車牌定位

圖像經過預處理后，為了準確的識別車牌首先要對車牌進行定位。根據我國車牌特征，采用邊緣檢測法和數學形態學法進行車牌區域定位。車牌定位的準確與否決定其后的車牌字符分割和車牌識別能否順利進行。

1.3 車牌字符分割

經過圖像預處理和車牌定位后，得到的灰度圖像還不能直接進行分割，需要對圖像二值化、圖像傾斜校正、去除邊框和鉚釘、車牌圖像歸一化等一系列處理。在經過了上述一系列的處理之后，可以得到只包含牌照字符的水平條形區域。在水平區域進行字符分割即可。

1.4 車牌字符識別

字符識別是車牌識別系統最后的關鍵環節，是整個車牌識別系統的核心。選擇合適的字符識別算法對分割后的字符進行縮放、特征提取，與字符數據庫模板中的標準字符進行匹配判別，識別出車牌字符。

2 基于改進Sobel算子的邊緣檢測車牌定位

2.1 基于邊緣檢測的定位方法

圖像的邊緣檢測是根據圖像灰度級的變化來精確定位邊緣區域。牌照區域可通過邊緣檢測技術先將邊緣點檢測出來，再按照某種規律將檢測出來的點連起來，最終形成車牌區域輪廓。通常情況下，采用構造邊緣檢測算子的方法來檢測車牌邊緣區域。常用的邊緣檢測算子有很多種，每種都有其適用場合。本文主要采用一種改進Sobel算子的邊緣檢測法來對車牌定位，經過改進的Sobel運算，進行邊緣提取，粗略確定車牌所在區域。

2.2 基于改進Sobel算子的邊緣檢測車牌定位

傳統的Sobel邊緣算子用兩個卷積核分別來計算水平和垂直方向上的梯度，如圖2所示。改進的Sobel算子采用了六方向模板，可對車牌字符的垂直方向和斜線方向進行處理，如圖3所示。

改進的Sobel算子算法實現的基本思想是：首先構造如圖3所示的六方向模板，然后對圖像進行逐點計算，并且取最大值作為該點的新的灰度值，該最大值對應模板所表示的方向為該像素點的邊緣方向。

圖4表示經過傳統Sobel算子檢測后的圖像，圖5表示經過改進的Sobel算子檢測后的圖像。從圖5中可以看出，經過改進Sobel算子檢測之后只剩下需要定位的牌照區域和汽車其他部分的一些邊框，檢測效果明顯優于傳統的Sobel算子

3 基于數學形態學的車牌精確定位

經過改進的Sobel邊緣檢測算子提取出來的邊緣精度不夠高，還達不到要求，因此需要進一步精確定位。數學形態學法抗傾斜性較強，能夠精確定位。本文采用了數學形態學的相關運算對粗定位出來的車牌區域再進行精確定位。

3.1 數學形態學的基本運算

數學形態學（Mathematical Morphology）是一種應用于圖像處理和模式識別領域的新的方法。基本的形態學運算是腐蝕和膨脹，設有兩個集合A和集合S。

3.1.1 圖像腐蝕

腐蝕的運算符為，A用S來腐蝕記為：

腐蝕主要用于消除物體的邊界點。腐蝕可以將圖像中小且無意義的物體去除。

3.1.2 圖像膨脹

膨脹主要用于擴展物體的邊界點，可以把圖像周圍的背景點一起合并到物體中。膨脹可以填補分割后物體中的空洞。

3.1.3 開運算

開運算執行的是先腐蝕后膨脹。開運算可以消除圖像上的細小物體，使圖像的輪廓變得平滑，將狹窄的部分削弱，還可以去掉細的突出等。

3.1.4 閉運算

閉運算執行的是先膨脹后腐蝕。可以將物體影像內的細小空問進行填充，同時可以起到連接臨近物體和平滑邊界的作用。

3.2 基于數學形態學的車牌精確定位

通過邊緣檢測消除了圖像中大量無用信息，同時突出了車牌區域內文字的邊緣信息。但車牌圖像還存在許多干擾區域，因此可以利用數學形態學工具進行精確定位

基于數學形態學車牌定位算法大體處理過程如圖6所示。

首先選擇合適的結構元財經過改進的Sobel算子進行邊緣檢測粗略定位得到的二值車牌圖像區域進行一次腐蝕運算。再進行二次膨脹運算，最后進行一次開運算，使車牌圖像形成一系列的塊狀連通區域。在本文的處理中僅對粗定位出來的條形區域進行形態學變換，既可以節約運算時間又可以節約內存，使算法簡潔。

初步檢測出來的二值車牌圖像如圖7所示。對車牌圖像分別進行腐蝕、膨脹、多次開運算后的圖像分別如圖81圖91圖1。所示。

刪除小區域后的圖像如圖11所示。

4 結束語

目前，車牌定位的算法有很多種，每種方法都有其適用范圍，使用單一的算法往往不能達到理想的定位效果。本文采用了一種基于邊緣檢測的車牌粗定位和基于數學形態學的車牌精確定位相結合的方法，并將改進的Sobel算子檢測運用其中，取得了良好的效果。

參考文獻

[1]梁利利，王興武.基于Sobel算子邊緣檢測和數學形態學的車牌定位算法[J].現代電子技術，2015，38（14）：98-100.

[2]山美娟.車牌識別中的圖像定位及分割方法[J].理論探討，2010（11）：178-179.

[1]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（13）：312-314.