基于HSV空間顏色和紋理特征的車牌定位算法研究

趙 洋，閔升鋒，李大舟

(沈陽化工大學 計算機科學與技術學院， 遼寧 沈陽 110142)

智能交通系統在車輛追蹤、交通監控、限速執法、自動停車等方面發揮著重要作用[1].車牌識別技術的難點包括車牌定位[2]及其字符的識別.目前，車牌定位常用的是基于特征提取的方法.該方法分為基于顏色特征的方法和基于紋理特征的方法.在一般情況下，基于顏色特征的方法可以在復雜的背景中直接定位到車牌區域.甘勝軍[3]提出利用 HSV 色彩空間進行車牌識別；孫紅等[4]提出基于復雜背景下，通過融合字符紋理特征與 RGB 顏色特征的定位算法進行車牌定位.利用車牌區域背景底色與字符顏色互補的特性，通過尋找圖像車牌區域顏色點對，結合字符紋理特征反饋校驗，能快速準確定位車牌，即將圖像顏色空間從RGB轉換到HSV，在HSV顏色空間中將亮度獨立分割出來.但是當圖片中的背景及車身顏色與車牌區域顏色相似時，這一方法效果不佳.基于紋理特征的方法[5-8]雖然可以解決顏色相似問題，但容易受到周邊復雜背景中紋理特征的影響，導致誤檢率高.因而,對于復雜背景下的車牌定位還亟需進一步的研究.

本文以車牌區域為定位對象，提出一種基于HSV空間和紋理特征融合的車牌定位算法.該算法首先通過RGB到HSV空間[9]的轉換，從復雜背景中初步定位車牌區域；然后，以車牌的紋理特征為依據，統計字符像素跳變的次數，通過設置閾值，從而精確定位車牌區域；最后，通過建立BP神經網絡訓練識別車牌字符來驗證車牌定位的準確性、有效性.

1 車牌顏色分割算法

1.1 HSV色彩空間

RGB和HSV色彩空間應用各有不同.RGB顏色空間是面向電子顯示設備的顏色空間，一幅圖像分別由紅(R)、綠(G)和藍(B)3個通道組成，并且一幅圖像的顏色形成與3個分量高度相關，改變顏色，需要同時對3個分量進行調整.HSV顏色空間在圖像處理中更多地應用于顏色分割，由色相(hue)、飽和度(saturation)和透明度(value)組成.RGB和HSV之間的轉化來自硬件實現與顯示效果調整兩方面的需求.前者滿足具體處理過程中簡便高效實現，后者按照人眼識別特點進行調整,更容易達到人眼預期的顯示效果.HSV色彩模型[10-11]可以表示成一個倒立圓錐，如圖1所示.

圖1 HSV色彩模型

由于電子設備上的顯示圖像都是RGB類型，在做圖像處理時為了方便進行顏色的對比，通常需要格式轉換，RGB和HSV各分量的關系如下[12]:

R′=R/255,G′=G/255,B′=B/255，

(1)

Imax=max{R′,G′,B′},Imin=min{R′,G′,B′}，

(2)

δ=Imax-Imin，

(3)

(4)

V=Imax，

(5)

(6)

其中:H代表色相，用來表示顏色的種類，對應取值0°～360°，紅色0°，綠色120°，藍色240°;S表示飽和度，用來表示顏色的鮮艷程度，對應取值范圍是0～100%;V表示亮度，用來表示顏色的明暗程度，對應取值范圍是0～100%.

1.2 基于車牌顏色特征的初定位

中國的車牌區域的字符顏色和底色顏色辨別度很高，因此,可以基于HSV顏色模型，根據車牌底色，利用顏色空間距離及相似度計算，初步找到待篩選目標顏色區域，再采用直方圖統計法來找到目標顏色區域.下面以車牌區域顏色與背景相同和不同的情況為例，其算法流程如下：

(1) 將圖像色彩空間從RGB轉換到HSV.

(2) 利用顏色空間距離及相似度計算，通過設置閾值進行二值化處理.

(3) 通過直方圖統計法繪出水平和垂直方向對應位置的像素個數和，分析定位出車牌區域.

在一般情況下，基于顏色特征的方法也能準確定位到車牌區域，但存在車牌底色與車身以及周圍環境相似的情況，故車牌區域分割不能一步完成，留下大片待檢測區域.當車輛圖片中只有車牌區域為藍色時，可以依據顏色特征成功分割出車牌，其過程如圖2(a)所示.當整個車身與車牌都為藍色時，使用基于顏色特征的方法無法成功分割出車牌，其過程如圖2(b)所示.針對上述現象，需要結合車牌區域獨有的紋理特征進一步分析，以便定位出車牌區域.

圖2 顏色分割示意圖

2 車牌紋理特征分割算法

2.1 車牌區域紋理特征分析

車牌目標區域富有紋理特征，其邊緣信息非常豐富.車牌邊框、底色、字符共同構成車牌，其中車牌字符的顏色為白色，灰度化后的車牌區域車牌字符部分的像素值最高.車牌字符比較集中，且字符與字符之間有固定間隔，像素值相差很大.基于紋理特征的方法也可直接應用于車牌定位，但是在復雜的背景中，這種方法的效果不明顯，因此要結合顏色特征進行車牌區域的定位.

2.2 車牌紋理特征定位算法流程

(1) 對顏色特征篩選后的目標區域進行灰度化處理.

(2) 對灰度化的待驗證車牌區域進行二值化處理(車牌底色為背景，字符為前景).

(3) 通過分析車牌字符間像素值跳變的特征，設置跳變次數閾值，對二值化后的圖像區域按行遍歷統計像素值跳變次數，定位車牌區域上下界.

(4) 按照垂直投影法確定車牌區域左右邊界.通過按列遍歷統計每列白色像素點的個數繪制二值化直方圖.車牌字符區域的特點，使得直方圖出現明顯的數個波峰波谷區域，分別從左側和右側尋找明顯的波谷，記錄坐標點，最后完成左右邊界定位.

在HSV空間顏色初步定位車牌的基礎上，結合紋理特征分割，分割后的效果如圖3所示.

圖3 紋理分割示意圖

2.3 車牌字符分割

字符分割是車牌矯正后的一個處理過程，也是車牌識別前的最后一項準備工作.文中算法適用于無傾斜的情況，因此采取的樣本基本無傾斜.對樣本只需要去除一些邊框、鉚釘，最后再進行字符分割，其流程如圖4所示.

圖4 車牌字符分割流程

根據車牌字符與字符邊緣之間跳變的特征，設置跳變次數閾值：首先采用水平投影計數的方法濾去上下邊框和鉚釘；然后采用垂直投影法，利用車牌字符與背景的梯度跳變，通過尋找梯度邊界點去掉左右邊框并分割出字符.其分割效果如圖5所示.

圖5 字符分割效果

2.4 搭建BP神經網絡

將分割后的車牌字符進行歸一化處理，統一將大小設置為12×12.BP神經網絡[13-15]具有自組織、自適應、分布式，及非線性映射等優點，廣泛應用于需要分類識別的領域.理論和試驗證明，3層的神經網絡能夠很好地替代任何非線性函數.為此，采用3層BP神經網絡建立車牌字符識別模型.通過變換12×12的圖像扁平化為144×1的輸入向量[x1,x2,…,x144],144個特征作為輸入節點.把對字符的判斷結果作為輸出矢量.由于車牌字符由漢字、字母、數字組成，將車牌字符識別分兩類.單獨識別漢字，漢字由各省市簡稱組成，分別建立字符庫，對漢字的識別輸出矢量為[y1,y2,…,y34].同理，對字母和數字建立字符庫，數字包含0～9，字母有26個，但字母I和O與數字1和0相似，易造成錯誤識別，一般不會出現在車牌中，所以這一類輸出矢量為[y1,y2,…,y34].最終的神經網絡結構為n×n×10,分別為：輸入層的n個樣本，每個樣本144個特征，組成n×144的二維矩陣；中間層為隱藏層，節點數根據經驗所得；輸出層節點為10，表示10分類，編碼格式為one-hot編碼.其大致結構如圖6所示.

圖6 BP神經網絡結構

3 實驗與結果分析

實驗環境：聯想G510AM,CPU是intel酷睿i3 4000M;操作系統為Windows 8中文版;處理器為雙核四線程.實驗所處理的圖片都經過預處理，按比例縮小，故對計算機配置要求不高，運行時間短.實驗所使用的1356張圖片來源于網絡公開的數據庫，其中車牌底色與車身和背景顏色相似的有356張.以此建立本實驗所要使用的圖庫.

3.1 車牌定位識別流程

(1) 預處理，灰度轉換、圖像增強、邊緣提取.

(2) 將圖像色彩空間轉化到HSV.

(3) 在HSV顏色空間中，通過對顏色空間距離及相似性計算，對圖像二值化處理.

(4) 對候選的目標區域進行特征及紋理分析.依據車牌區域字符像素跳變特征，統計跳變次數，再通過閾值設置定位車牌區域.

(5) 分割車牌字符，歸一化，建立BP神經網絡，使用訓練樣本訓練網絡.

(6) 利用訓練好的BP神經網絡對車牌字符進行識別.

3.2 車牌識別與結果分析

對車身顏色以及周邊顏色與車牌顏色相似和復雜背景下的車牌圖像進行定位.通過后續的字符分割和BP神經網絡的建立、訓練和識別字符來驗證車牌定位的有效性.

為充分驗證本文算法對復雜背景下車牌定位的有效性，在圖庫中選取了1356張車牌圖片，其中：車牌區域與車身及周邊顏色相似的圖片有356張；背景非常復雜，包括商店招牌等的車輛圖片有1000張.用三種方法分別對車牌圖片進行定位，然后通過字符的分割，BP神經網絡的建立、訓練來識別車牌，驗證車牌定位的有效性.從圖庫中選出1216個訓練樣本和140個測試樣本，對比結果如表1所示.

表1 三種方法的效果對比

在特征融合的方法中，需要設置字符跳變閾值，通過對1356張圖片的實驗可以得出：閾值設置在9～13區間內，其正確檢測出車量數最多.數據如表2所示.

表2 不同閾值設置下的效果對比

圖7是通過閾值設置來定位出的車牌區域的效果對比圖.(a)圖片的閾值設置為9～13，但定位出的車牌區域上下邊框凸顯出來，效果不佳；(b)圖片的閾值設置為13～16，其上下邊界剛好完全顯示出來，沒有任何邊框；(c)圖片的閾值設置為16～20，此時圖片中的車牌區域出現過分割的情況，這對后面的字符識別造成很大的困難.因此，實驗選擇在閾值13～16的條件下進行.

圖7 閾值設置定位效果

通過上述結果的對比，體現了文中算法的優越性.但該算法仍存在車牌漏檢的情況，原因是車牌的攝像存在傾斜現象.車牌區域首先通過顏色分割，然后結合車牌字符紋理跳變特征定位出字符，如果車牌發生傾斜，車牌的字符跳變特征篩選車牌區域的效果就不佳.所以，在今后的研究中著重解決這一問題.

4 結 語

針對復雜背景下的車牌定位問題，首先用基于顏色特征的方法，篩選出車牌候選區域；然后采用基于紋理特征的方法，利用車牌區域字符跳變的特征，最終定位出車牌區域.利用BP神經網絡驗證車牌定位的有效性.實驗表明：基于顏色和紋理特征結合的方法定位出的車牌，車牌字符識別率達95.06%，對比于只基于顏色特征和只基于紋理特征的車牌定位方法，識別率有明顯提高.

文中方法主要通過車牌的特征分析來對車牌進行檢測.但對于發生不同程度傾斜的車牌圖片，定位效果不佳，不能更好地通過BP神經網絡來驗證車牌定位的有效性.因此，下一步的研究工作重點是解決傾斜狀態下對車牌的定位，從而提高車牌字符識別率，提高車牌定位的有效性.