基于顏色和垂直投影的車牌定位與字符分割

蘇博妮

（四川文理學院 智能制造學院,四川 達州 635000）

0 引言

近年來，隨著智能化交通管理系統的發展需求，現代化的車輛管理諸如交通流量控制、車輛的定位及追蹤、交通行駛中的超速違章等自動化監控的實現無不需要對汽車牌照進行識別，因此，汽車牌照識別技術變得越來越重要.車輛牌照識別系統主要包括車牌區域定位、字符分割和字符識別三大關鍵部分，其中車牌定位和字符分割是字符識別準確與否的基礎，在牌照識別中占有重要地位.

根據車牌特點，常見的車牌定位算法圍繞邊緣檢測、色彩分割方法來實現車牌定位.基于顏色定位主要根據車牌的藍底白字特征來定位，該方法簡單快捷，定位準確度較高，而采用邊緣檢測定位的方式一般包括圖像灰度化、二值化處理、邊緣檢測定位車倆位置，再利用車牌長寬比先驗知識進行車牌區域識別.［1-2］而在字符分割領域，近年來也出現了許多方法，常見的方法有模板匹配、聚類分析、投影分割等方法.［3-5］由于車牌以及車牌字符具有固定的寬度和字符間距，因此基于投影分割的方法得到了關注.本文利用HSV顏色空間定位車牌區域，利用randon變換對圖像進行傾斜矯正，將牌照圖像投影后結合車牌長度和字符寬度特征完成了字符分割.

1 基于HSV顏色空間的車牌區域定位

目前采集的車輛圖像大多為彩色圖像，比較普遍的彩色圖像都是采用RGB顏色模式，即圖像的每個像素顏色都是由紅綠藍即R、G、B三個分量構成，每個分量都有256級灰度，0表示最暗，255表示最亮.在這個模型當中，不同的顏色對應RGB三個分量在0-255之間的不同取值調配，這三個分量之間的相關性很強，因此，在車牌定位時RGB空間難度較大.而且RGB空間也不能反映出物體的具體顏色信息，相對于RGB空間，HSV顏色模型由色度、飽和度和亮度三個分量來表示每一個像素的顏色特征，因此HSV顏色空間更能直觀的表示顏色的色調、明暗程度等信息，便于顏色對比.［6］

通過對大量的車牌圖片分析發現，對于具有某種目標顏色的一個像素而言，可以通過直接對H、S、V分量的一個具體范圍把這些像素篩選出來，本文中針對藍底白色車牌，就可以通過設定三分量的具體范圍把藍色像素過濾出來，這樣可以節省大量的時間.［7］根據先驗知識，藍色汽車車牌的HSV三分量值為色調H:0-180度，飽和度S為：0.4-1，亮度 V為：0.3-1，因此，考慮如果在HSV顏色空間按此范圍設定三分量的取值，就可以快速篩選出藍色車牌區域.

算法基本思想是在HSV顏色空間基于上述范圍查找出藍色像素點，然后逐行逐列搜索藍色像素點區域，該方法對于大多數藍色車牌的識別效果較好（不包括車身為藍色的汽車圖片）.具體步驟如下：

（1）讀入圖片，將RGB空間轉換為HSV空間；

（2）確定藍色區域上下邊界，首先按行統計藍色像素點個數，找出藍色像素點最多的行，以及最大的藍色像素點數；

（3）通過對各行藍色像素點統計值的分析結合圖片車牌區域位置選定閾值5，然后以藍色像素點最多的行為中心，向上逐個比較，直到達到藍色像素點數和為5為止確定車牌上邊界，接著按同樣的方法逐個向下比較，找到車牌下邊界.如圖1所示；

（4）逐列統計藍色像素點個數，找出藍色像素點最多的列及其數值，按步驟（2）方法確定藍色區域左右邊界，如圖2所示，最后根據確定的上下邊界和左右邊界剪切出車牌，定位好的車牌圖片如圖3所示.

圖1 確定上下邊界

圖2 確定左右邊界

圖3 定位好的車牌區域

2 牌照圖像傾斜校正

車輛圖像采集時，由于攝像角度的不同，通常不能完全保證車牌照的水平方向與整幅圖像的水平方向平行，也很難達到牌照平面的法線與圖片平面法線在同一水平線上，因此，在采集的圖像中就會出現牌照傾斜，導致定位截取的圖片出現牌照傾斜的問題，嚴重的情況表現為牌照既不豎直也不橫平，這對于后期的字符分割、字符識別的影響是非常大的，直接影響到車牌識別的整體性能，因此，在牌照定位之后必須要進行傾斜校正.本文中定位到的車牌圖片傾斜雖然不嚴重，但為了保證后期切割和識別的準確性，文中采用randon變換對牌照圖片分別進行水平和垂直校正.圖像校正具體步驟如下：

（1）讀取定位好的牌照圖片，進行灰度化處理；（2）對圖片進行轉置變換，逆時針旋轉90度，設置傾斜矯正范圍，本文算法設置-20-20度，進行randon變換確定傾斜角度；（3）對于randon變換結果計算一階微分并按行求和，查找最大值及其對應角度，就是最大傾斜角；（4）利用旋轉變換對圖像進行水平校正.結果如圖4所示.（5）采用同樣的方法，利用randon變換完成對豎直角度的調整，如圖5所示.本文算法中采集的圖片是順時針旋轉，對應逆時針旋轉也是同樣的道理，通過這種變換方式，就可以實現對圖像的傾斜校正.牌照區域校正之后，為了分割更加方便，還需對車牌去除邊框和鉚釘，排除干擾，減少不必要的運算.

圖4 水平調整后

圖5 水平和垂直調整后

3 牌照字符分割

在圖像校正、精確定位、去除邊框、鉚釘以及字符分割環節中，都要首先對圖像做灰度化處理以減少信息運算量，提高算法的運行速度，在字符分割環節，為了字符分割的準確性以及減少信息量，還要進行二值化處理，這些都屬于圖像預處理范疇.

3.1 圖像預處理

3.1.1 圖像灰度化處理

由于大部分彩色圖像都是RGB顏色模式，因此，處理圖像時要分別對三種分量進行處理，而RGB顏色并不反映圖像的形態特征，更側重于顏色的光學調配，這些彩色信息對于車牌的定位和識別作用不大，卻造成了大量的信息冗余使得車牌識別的復雜度增加，因此，在圖像預處理時首先要進行圖像灰度化處理，以便于減少后續處理的計算量.而且從圖像特征描述角度灰度圖像仍然可以反映出整個圖像整體和局部的亮度以及色度變化.圖像灰度化處理的方法包括四種：（1）取分量法：將彩色圖像每個像素的R、G、B值的某一個作為灰度圖像的灰度值.（2）最大值法：取彩色圖像每個像素的R、G、B值中最大的一個作為灰度圖像的灰度值.（3）平均值法：將彩色圖像每個像素的R、G、B值做平均，取平均值作為所求灰度圖像的灰度值.（4）加權平均法：將彩色圖像每個像素的R、G、B值經過加權求和所得結果作為灰度圖像的灰度值.其中，最常用到的是加權平均法，因為人眼對綠色敏感度最高，紅色次之，藍色敏感度最低，一般選擇權值系數時滿足G＞R＞B，才能輸出合理的灰度圖像.而且大量的實驗結果表明，當三個分量的權值分別取0.587、0.299、0.114時所得的灰度圖像最符合人眼對色彩的感知.［8］因此，本文采用加權平均法進行圖像灰度化處理，結果如圖6所示.

圖6 灰度化處理

3.1.2 二值化處理

為了更好的實現定位分割，減少信息處理量，提高識別的效率和準確性，一般灰度化處理后還要進行二值化處理，灰度圖像的灰度值在0-255之間，二值化處理就是將灰度值進一步簡化為0或255，也就是白或黑，經過二值化處理后整幅圖像就呈現為黑白兩種顏色.在車牌圖像處理時，二值化處理的關鍵就是合理的選擇閾值，閾值的大小直接導致車牌圖像與背景能夠有效的分割.圖像閾值選取有全局閾值，局部閾值、動態閾值三種，全局閾值適用于車牌沒有受到污損的情形，對于車牌受到污損或者光線亮度不均的情況則選取局部閾值法效果較好，但是如果相鄰塊之間閾值有差異，局部閾值法識別效率會大大降低.而動態閾值法閾值隨著圖像中的位置而變化，在不同的區域選擇不同的閾值，常見的方法就是otsu二值化方法，otsu算法基于聚類思想，根據圖像灰度值差異最大化將灰度值分為兩部分，通過尋找一個合適的灰度方差的方法來劃分，本文算法中采用otsu算法進行二值化處理.

圖7 二值化處理

3.2 牌照字符分割

字符分割是把牌照定位的圖像中的車牌號碼字符提取出來形成單獨的字符圖像，單個字符圖像是后續牌照識別的基礎，因此，分割準確與否直接影響到后續的識別效果.標準車牌牌照上的字符之間的間隔具有一定的規律，一般家用小型汽車牌照首位為省名縮寫的漢字，第二位是英文字母，第三位、第四位為英文字母或者阿拉伯數字，末三位為數字，字符總長度為440，單個字符的寬度為45，利用這些先驗知識可以有效的進行字符分割.

圖8 垂直投影

將二值化后的車牌圖像進行垂直投影，由于車牌圖像字符之間有固定的間距，因此，必然存在字符之間的間隙處垂直投影值最小，同時在這個位置處還應滿足牌照的尺寸等特征.垂直投影圖如圖8所示，從圖中可以看到，投影中有七個明顯的波峰和波谷，結合車牌的特征，我們知道，波峰對應車牌的字符部分，波谷部分對應著字符之間的間距空白部分，根據垂直投影尋找每一個波峰和波谷，即字符的中心位置和邊緣，結合字符寬度，就可以實現字符分割.

具體思路如下：計算垂直投影，根據投影圖的特點，字符部分寬度相同，加上字符部分和邊框整個車牌圖片長度近似為十個字符長度，因此，結合投影圖就可以確定7個字符的位置，刪除多余的邊框，然后根據寬度分割出車牌字符，分割出的字符如圖9所示，這種方法可以有效避免對于川字牌的誤分割.

圖9 字符分割

結 語

本文對車牌定位和字符分割進行了研究，在車牌定位時，基于HSV顏色空間進行了車牌區域定位；對應傾斜的車牌，利用randon變換實現牌照圖片的矯正；在字符分割時，對牌照圖像進行灰度化、二值化處理，結合車牌字符比例和垂直投影技術實現了字符分割.MATLAB仿真表明，該方法能夠實現車牌定位和字符分割，特別是垂直投影技術對于字符的分割效果較好，但基于顏色的分割方法在汽車車身顏色為藍色時不能有效的定位車牌區域，仍需改進.