基于形態學和HSV分離藍色區域的車牌分割技術

田櫪文，齊文琴，李 歡

（成都理工大學 信息科學與技術學院，四川 成都 610059）

車牌是汽車非常重要的一部分。車牌相當于車的身份證，是辨別一個車子的主人關鍵。因此車牌識別也變得尤為重要。

停車場的車牌商業化的識別會大大減少人工費用，減少人們手動化操作，增加了商家的收益。但是在識別之前需要進行車牌分割。一個好的分割算法，能有效地減少識別效能。本文主要介紹一種車牌分割的算法，通過OpenCV提供的部分api功能，結合自己的算法計算出車牌位置，進行合理切割。

1 設計思路

OpenCV是一種跨平臺的計算機視覺庫，可以運用在多個平臺。由于它對多個語言提供了接口，所以在工具上選擇OpenCV來執行下面的操作。

1.1 需切割圖片的基本情況

本文設置的圖片是針對停車場車牌的自動識別切割，所以攝像頭位置方向是直擊車牌附近。實測中，對于距離稍微遠一些或者全身車子照有部分圖片實測成功。車牌因為很特殊，對于大部分車牌來說成藍色，這種情況對于切割具有很大的幫助。

1.2 api設想

最初的想法是利用均值漂移，但是實測情況不好，均值漂移無法準確確定具體位置，而且計算量過于龐大，對于停車場使用的分割需求非常大的情況是不利的。另外一種是使用本身的分割算法grabcut，這個前景后景需要手工找尋前景后景，但是車牌的環境是不定性的，目標位置所以也有不定性，在露天的情況下還需要對天氣環境，以及鏡頭的清晰程度進行多方面的考慮。于是進一步考慮使用形態學變換可以進行有效的分割。

1.3 準確思路

形態學變換是OpenCV重要的一個操作工具。形態學變換主要是可以用來消除不必要的噪音，以及分割出一副圖像中相對比較獨立的元素，或者把一些互鄰的元素相互連接起來，所以形態學變換在這方面對分割相當的有效。本文主要用到腐蝕膨脹，利用轉換hsv的方法找尋剩余藍色的位置，最后利用角度矯正、切割得到。

2 實施辦法

2.1 第一步：圖像的初步處理

萬能第一步，首先要使用高斯濾波來初始灰度化的圖片。可以使用權值灰度化的方法，這樣可以使車牌部分灰度值更深[1]。高斯濾波最重要的作用在于降低一些圖片不該有的噪聲。在車子現有的圖片中可以看到，車子反光是最需要處理的一處，而高斯濾波可以有效地減少反光產生的噪音。隨后需要對圖片邊緣檢測，為后面的圖像腐蝕膨脹做基礎，canny算子的方向性保障了邊緣強度的估計，它有一定的能力降噪并且有效地保持若邊緣。

2.2 第二步：膨脹腐蝕

使用多次膨脹腐蝕可以達到的效果如圖1所示。因為車牌都是以橫向的位置排列順序，所以使用橫軸方向的膨脹，使想要的字符都可以順利聯通起來，但是設想如果一直使用膨脹將會有許多小塊的碎片，這時就需要進行多次的腐蝕來將它去除，然后再進行幾次膨脹，讓幾次膨脹和腐蝕次數相同，便于圖像回復原形態大小[2]。

腐蝕膨脹后，截取此空白部分，將圖像轉換成HSV利用藍色的特點，可以提取藍色的部分。經多圖多次實驗的得出，藍色色調（H）為90～120，而飽和度（S）為90～160，明度（V）為80～255。將圖像截取到藍色區域期間（見圖2）。

圖1 膨脹腐蝕后效果

2.3 車牌矯正

當然這樣下來的圖片并不是正向的，存在傾斜，這時就需要對圖片進行角度矯正，角度矯正采取霍夫直線變換，找尋圖片中的直線。另一種方法是街區后利用黑色區域計算角度。但是使用后者對于其他圖片不能全部適用，所以選擇前者。其次是要充分考慮如何選擇合適的參數，按照比例找尋參數是非常重要的一點，按照原有圖片比例計算，車牌標準長度為440 mm，一個字母或數字長度45 mm，中間一點為10 mm。

圖2 提取藍色區域后效果

找到合適參數，計算出一條直線后，找到兩個點計算角度，并截取為小圖（見圖3）。

圖3 校正后截取的小圖

2.4 截取

經過一系列的處理后難免會出現一些不必要的噪聲黑點，使用二值化將圖像變為黑白的圖片便于后續切割。但是二值化后在多張圖片處理后都發現黑點變多了，如果不提前消除會有很大的影響。所以繼續使用膨脹和閉操作進行適當調試，由于噪聲多是豎直方向的較多，所以使用y方向的膨脹。

最后進行截取。筆者的考慮是進行白色區域檢測，然后利用顯示車牌與圖片大小的比例進行有效切割。開始遇上黑色點，當遇上白色點記錄初始位置推出循環進行下一輪循環，然后持續遇見白色的點都進行跳出循環。一直持續，遇到白色的點結束時記錄結束位置，然后將兩點位置切割下來。

最后最重要的問題在于有偏旁的漢字和點的處理，于是按照實際比例設計了上限和下限。車牌上點的大小為10 mm乘以圖片寬度和440 mm的比例，如果小于這個值的兩點距離，予以按比例截取權限。若大于這個值且小于一個單漢字的比例，則不給予權限切割且按照原比例切割。這樣就可以有效避免偏旁分離的和點的問題（見圖4）[3]。

圖4 分割后的部分圖

3 結語

3.1 結論

此算法運用了很多OpenCV的標準庫，但在hsv中的截取藍色部分和圖像校正，以及后面的單字分割進行了部分改進。在許多標準庫中函數的參數進行實驗并校正部分參數使完美運行。經過幾輪測試，成功率高達90%，能達到預期的效果。

3.2 改進

在不成功的樣品里有幾種情況，一種是圖片太大，所以在后續的改進中可以使用圖像金字塔的格式將圖片向下采樣，減小圖片的大小。

由于圖片分割是給后來的圖像識別做素材，所以后面的情況將會把所有的圖片的大小調整成一致便于機器學習。

3.3 展望

圖片分割是一個很成熟的技術，在各個領域都有應用。不過在實現算法的同時還應該減少運算時間，減少內存消耗。在未來，還將對分割后的車牌進行機器學習，讓它達到真正識別功能。