基于OPENCV的車牌定位方法

周 毅

(廣西交通科學研究院有限公司，廣西 南寧 530007)

0 引言

隨著經濟發展，車牌識別系統已逐漸成為智能道路系統中重要的組成部分，在交通管理中應用廣泛。相關車輛管理部門通過建立智能交通系統，實時、全面、準確、高效地獲取道路車輛數量、車輛類型的交通狀況，進行超速、違章停車等信息的收集，對數據處理和分析，便于車輛實時檢測。隨著交通監控的普及，道路交通工作人員需要根據需求查看和處理越來越多的交通視頻，工作人員在某些情況下，為了提高工作效率，只需要快速查看視頻中的車輛信息，但是現在道路交通狀況多為攝像機監控，獲取的原始視頻包含眾多復雜信息，其中與車輛無關的行人信息為工作人員的工作增添了麻煩。而在眾多視頻中快速檢測到車輛目標并提取車輛車牌，既可以節約相關道路部門的人力成本，又提高了工作的效率。車牌識別技術主要是從復雜背景中提取和識別車輛牌照，最終達到識別車輛號碼、顏色等信息的目的。車牌識別是機器視覺的重要組成部分。車牌的成功定位與車牌的有效識別密切相關，因此為了盡可能地定位車牌，有必要保證車牌圖像在車輛圖像中的分割。

同時，車牌定位系統已發展成為現代智能交通系統中重要的、不可替代的一部分。它廣泛應用于道路交通收費站、城市道路違章監測和重大停車監控等道路交通管理，實現智能化的道路交通。

OpenCV是“Open Source Computer VisiON Library”的簡寫，是Intel開源計算機視覺庫。在程序算法的具體設計實現過程中，OpenCV的運用提高了程序的運行速度、可靠性與準確性。在保證程序的運行速度的基礎上，需要進一步提高程序性能。因此研究人員需要投入更多對算法的研究，然后利用OpenCV函數加以實現，不需要重新用c語言或者c++設計實現函數，從而可以大大縮減研發時間。

1 設計原理

完整的車牌識別系統主要包括硬件和軟件系統兩部分，硬件部分包括觸發裝置、CCD圖像采集裝置；軟件算法部分包括圖像預處理、圖像單通道化、二值化、車牌位置提取、字符分割識別等部分組成。如圖1所示，當有車輛通過出發裝置時，利用CCD攝像頭對車輛進行拍照，進而采集圖像，將采集的圖片傳送至計算機進行處理，處理過程是：(1)需要預處理，預處理的過程可進行圖像大小適應性調整、圖像質量增強、濾波等操作；(2)對車牌區域進行粗定位，定位的準確對后續的字符分割有重要影響，所以還要進行精定位，定位準確完成后，對字符進行分割、識別；(3)完成車牌識別的目標。

圖1 車輛識別過程示意圖

1.1 圖像預處理

預處理能有效地改善圖像的質量，突出有效區域，減少后期的數據量，在雙目攝像頭實時獲取圖像過程中，會出現光照強度驟變、背景有微小物體波動、攝像頭晃動等突發情況，使背景建模困難重重，會對后期分離車輛目標的精度和穩定性產生很大的影響。通過預處理消除運動車輛檢測過程中的瞬時環境噪聲。

車牌圖片在成像過程中往往會受很多因素影響，比如天氣環境、光照強度變化、設備出現干擾等都會影響圖片的成像質量。因此，預處理是此系統中很重要的第一步。預處理的目的是消除圖像中的噪聲，提高圖像的識別率，便于下一步進行后續的圖像處理工作，提高車牌定位及識別的效率。經預處理后的實驗效果如圖2所示。

圖2 圖像預處理結果示例圖

1.2 圖像灰度化

將由RGB描述的三通道圖像變換為由灰度描述的單通道圖像的過程叫做圖像的灰度處理。對任意一個彩色RGB圖像均可解析為由紅Red、綠Green、藍Blue三種顏色描述的三維矩陣，即每一個像素點的顏色由這三個分量來描述，每個分量的取值范圍為0到255。由此可見，每一個像素具有大約16 000 000(256×256×256)顏色。灰度圖像僅由一個通道表示顏色數據，在使用計算機處理時，相較于RGB圖像，減少了67%的數據處理量，提高處理效率。最重要的是灰度圖像仍能反映整個圖像的局部色度和亮度等級的分布和特征。

本文采用經典的彩色RGB圖像到單通道灰度圖像的轉換方法，即建立灰度Gray與紅色R、綠色G、藍色B三個顏色分量的對應關系：Gray=(R*30+G*59+B*11+50)/100，完成圖像灰度化過程。并采用OpenCV中的顏色空間轉換函數cvtColor()來實現。

1.3 圖片的灰度拉伸

灰度拉伸主要是通過選擇性地拉伸灰度級來改善圖像的質量。如圖3所示，變換函數的結果是將原始圖像從A到B拉伸到C到D。如果圖像的灰度集中在較暗區域并使圖像變暗，則可以使用灰度拉伸函數來拉伸(斜率>1)對象。灰度范圍改善圖像。類似地，如果圖像集中在較亮的區域，則圖像更明亮，并且灰度擴展函數也可以用于壓縮對象的灰度范圍(斜率<1)來提高圖像質量。本文所實現的車牌識別系統中的預處理部分的灰度拉伸采用線性灰度拉伸。

圖3 圖片灰度拉伸變換函數示意圖

1.4 圖片的二值化

二值圖像是指圖像中僅有黑白二種顏色的圖像(黑、白的灰度值分別為0與255)。二值圖像處理簡單，特征明顯，是研究的熱點。圖像的二值化后圖像變得簡單，數據量減小，再利用經典的形態學方法處理膨脹腐蝕，能輕松檢測到目標的輪廓，進而能夠對目標檢測、定位。一般而言，二值圖像是由灰度圖像轉換而來。

最簡單的二值化方法是固定閾值分離方法，對單通道灰度圖像中像素點的值大于或等于閾值的像素，改變其灰度值為255，對于灰度值小于閾值的像素點，將其灰度值改為0。固定閾值二值化法，實現簡單，但是分離效果有限，遷移性不強，對于不同的圖像都需要手動選擇閾值，只能應用于極少特定場景。一般經常采用的是自適應閾值二值化法。該方法無需設置閾值，而是根據像素鄰域的灰度來將他們轉化為黑或白。該方法目前被普遍設置。

以上兩種方法對應OpenCV中cvThreshold()和cvAdaptiveThreshold()兩個函數。本文選用自適應二值化方法處理車牌后的效果如圖4所示。

圖4 黑底白字效果圖

由圖4可以看出，首先將車牌進行初步定位，定位后的車牌區域還是原始圖像的信息，并沒有經過任何處理，車牌進行灰度化之后，車牌號變為灰度圖像，數據處理的速度明顯增快，算法的計算量變少，經過灰度化后的車牌下一步需要進行二值化處理，車牌號經過二值化處理后，圖片質量增強，車牌號明顯變得清晰，車牌號變得更易識別。比起灰度化的效果，車牌二值化后的效果圖更加清晰可見。經過灰度化與二值化的處理，車牌區域更容易識別與定位，因此這兩個步驟在本系統中具有重要作用，是車牌識別的重要依據。

2 車牌定位

車牌定位主要的任務是從獲取的圖像中分離出車牌號所在的區域。因為在車牌區域中最主要的就是紋理特征，其中包含大量邊緣信息，利用邊緣檢測算子提取出輪廓特征后，便可以利用邊緣特點對整個車牌圖像進行處理，標記出有效的車牌信息，并進行分割定位。這可以大大地促進車牌的定位準確，便于下一步精確快速地識別車牌號。因此，本方案中選用了一種基于邊緣檢測和區域搜索的車牌定位分割算法，該方法運算復雜度較低，有利于實現系統的快速性。

2.1 Sobel邊緣檢測

邊緣檢測是根據算法提取圖像中的邊界，將圖像從背景中分離出來。Sobel邊緣檢測，其主要作用是識別有用信息，首先算子與圖像相卷積，其具有方向性，方向為每個邊緣點變化方向，其中灰度跳變劇烈的點就是邊緣點，圖像梯度較亮的那一部分就是檢測中需要輸出的邊緣，從而可以得到圖像的邊緣信息。Sobel邊緣檢測在應用過程中實用性比較強，效率相對于其他算法較高，減少冗余信息的混亂，消除了噪聲的影響，相比于其他算法，實時性較強，且運算簡單，但是檢測細紋理方面不如其他算子效果好。因此，本文采用Sobel邊緣檢測選擇邊緣信息。Sobel算子模板表示如圖5所示：

(a)水平模板

(b)垂直模板

邊緣檢測的第一步是確定圖像中的邊緣像素，把所有的邊緣像素連接到一起就是邊緣。這樣會排除很多干擾，也能獲得連續的邊緣，但是可能會損失一定的精度。如圖6所示，經過Sobel算子邊緣檢測后，車牌的圖片信息并沒有丟失，反而呈現了清晰的輪廓，此算法完整地提取了車牌號輪廓。為下一步的定位與識別打下了重要的基礎。

圖6 sobel算子邊緣檢測車牌示例圖

2.2 車牌區域搜索

車牌區域的搜索對于后續工作影響很大，首先應確立車牌區域，才能進行下一步的車牌判定，因此可以先進行區域搜索，保證進一步縮小檢測的范圍，大大降低工作量，使整個系統運行更快速，運算更簡單。所以如何快速搜索車牌區域并縮小范圍直接關系到最后的實驗結果。在實際應用中，首先需要確定上下邊界和左右邊界，行掃描和列掃描可以滿足對它們的搜索和確立。行掃描確定上下邊界來掃描和檢索從左到右和從上到下的每一行像素。如果跳轉點為1，而且跳轉變量大于閾值M，則將其視為可能的照片區域，并將其設置為下邊界。如果大于M的跳轉變量的數量超過閾值N，則被認為是正確的車牌區域。最后一行設置為上界，否則行數為0，然后重新搜索牌照較低的邊界。

2.3 候選車牌區域判定

上述方法不止一個候選區域，因此需要對它們加以區分，才能準確定位車牌區域。由于車牌的大小是已知的，所以使用尺寸、長度、寬度比作為標準，進行真實車牌區域的判斷。最終定位結果如圖7所示。

圖7 車牌定位示意圖

由圖7可以看出：原始圖像中主要是利用攝像機對車輛進行抓拍，整幅圖像中車牌部位并不是很清晰，接著從原始圖像中提取車牌信息。初步提取后的車牌圖片、數字并不是十分清晰，經過二值化后，車牌變為黑白分布，車牌號清晰可見，便于識別，最后程序運行識別出的車牌號結果為新N86808，與車牌號完全一致，說明本文的算法可以準確完整無誤地識別出車牌號碼，具有較高的準確性，可以應用到實際檢測過程中。但是實驗中還存在著一個重要問題：當實驗采集的汽車圖像中的車牌區域的顏色與整幅圖像的顏色趨近于相似，本文所采用的算法對于這種情況會出現誤差，對車牌定位達不到要求的精度，因此本算法還需改進。

3 結語

本文提出的嵌入式視頻監控系統基于VS2015平臺，采用OpenCV的高效算法實時對獲取的視頻流進行車牌號提取。實驗結果表明，本文提出的車牌定位算法在實際應用中能夠很好地進行車牌定位與識別，大大降低了勞動強度，提高了工作效率，且檢測成本低，對視頻實時處理效果顯著，因此具有較高的實用性與準確性。本實驗良好的實時性能為有效的車牌識別提供參考。