蒲東兵，趙大偉，趙東來(lái)，馬志強(qiáng)

0 引言

智能交通系統(tǒng)[1]（Intelligent Transportation System，ITS）由美國(guó)智能交通協(xié)會(huì)于1990年提出，它利用先進(jìn)的信息處理技術(shù)、通信技術(shù)、自動(dòng)控制技術(shù)、圖像處理和模式識(shí)別技術(shù)以及計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)等來(lái)加強(qiáng)道路、車輛、駕駛員和管理人員的聯(lián)系，實(shí)現(xiàn)道路交通管理自動(dòng)化和車輛行駛的智能化，有效地緩解交通堵塞，減少交通事故，建立舒適安全的交通環(huán)境。

智能交通系統(tǒng)中，車輛牌照的定位與識(shí)別，作為鑒別車輛信息的來(lái)源，占有著重要的地位。車牌識(shí)別系統(tǒng)[2]（License Plate Recognition System，LPS）的任務(wù)是處理、分析所攝取的汽車圖像，自動(dòng)識(shí)別出車牌號(hào)碼，從而確定車輛的身份。車牌識(shí)別系統(tǒng)能廣泛應(yīng)用于高速公路收費(fèi)站、城市交叉路口、港口和機(jī)場(chǎng)、國(guó)家機(jī)關(guān)等重要場(chǎng)所，對(duì)提高這些場(chǎng)所交通系統(tǒng)的管理水平和自動(dòng)化程度具有重要的意義。車牌識(shí)別算法主要包括，圖像預(yù)處理、灰度圖像二值化、牌照?qǐng)D像的整形與去噪、車牌區(qū)域的定位與切割、字符的分割和識(shí)別，本文主要介紹車牌定位的快速算法。

1 車牌區(qū)域的定位

對(duì)于快速行駛的車輛，可以通過(guò)高速的攝像設(shè)備，捕獲一幀汽車前視或者后視圖像，作為后續(xù)定位和識(shí)別之用。而對(duì)捕獲的車輛圖像進(jìn)行分析和識(shí)別過(guò)程中，車輛牌照的定位是整個(gè)環(huán)節(jié)的基礎(chǔ)和關(guān)鍵。

1.1 圖像預(yù)處理

由于外界因素的影響，在對(duì)車牌區(qū)域進(jìn)行定位之前所獲取的車輛圖像的質(zhì)量往往較低，并且存在大量的噪聲，要準(zhǔn)確地對(duì)車牌區(qū)域進(jìn)行定位，需要對(duì)獲取的圖像進(jìn)行必要的預(yù)處理，主要是對(duì)獲取的彩色圖像進(jìn)行灰度化，隨后進(jìn)行圖像增強(qiáng)，然后轉(zhuǎn)化為二值圖像，利用濾波算子進(jìn)行濾波預(yù)處理，對(duì)圖像中的噪聲進(jìn)行消除或降低噪聲干擾。

1.1.1 圖像灰度化

由于采集的圖像一般是彩色圖像，不但存儲(chǔ)開銷很大，而且處理上也會(huì)影響系統(tǒng)的處理速度，因此，對(duì)圖像進(jìn)行定位前先將圖像轉(zhuǎn)化為灰度圖像，以加快處理速度。

圖像的灰度化處理的基本原理[3]，彩色圖像中的每個(gè)像素的顏色有R、G、B三個(gè)分量決定，而每個(gè)分量有256種取值，一個(gè)像素點(diǎn)就可以有1600多萬(wàn)（256*256*256）種顏色。灰度圖像是R、G、B 3個(gè)分量取值相同的一種特殊彩色圖像，每個(gè)像素點(diǎn)只有256種取值，所以在數(shù)字圖像處理中，一般先將各種格式的彩色圖像轉(zhuǎn)化成灰度圖像，以使后續(xù)圖像處理的計(jì)算量減少?；叶葓D像的描述與彩色圖像一樣，仍然反映圖像的整體、局部的色度、亮度等級(jí)的分布和特征。

根據(jù)YUV的顏色空間中，Y的分量的物理意義是點(diǎn)的亮度，由該值反映亮度等級(jí)，根據(jù)RGB和YUV顏色空間的變化關(guān)系可建立亮度Y與R、G、B 3個(gè)顏色分量的對(duì)應(yīng)關(guān)系。

將彩色圖像轉(zhuǎn)化為灰度圖像常采用公式（1）：[4]

由于人眼對(duì)綠色的敏感度最高，對(duì)紅色的敏感度次之，對(duì)藍(lán)色的敏感度最低，由式（1）得到的灰度圖像是較為合理的。

1.1.2 圖像增強(qiáng)

從攝像機(jī)獲得的汽車圖像由于受到自然環(huán)境的影響，往往質(zhì)量較差，并且在圖像信號(hào)的采集、輸入過(guò)程中，也會(huì)使圖像的質(zhì)量下降，給后面的車牌定位和分割工作帶來(lái)困難，因此需要對(duì)以上圖像進(jìn)行圖像增強(qiáng)，提高圖像質(zhì)量。

在圖像增強(qiáng)處理中，基于點(diǎn)操作的增強(qiáng)方法也叫做灰度變換。使用灰度變換的主要目的是為了提高圖像的對(duì)比度，即增強(qiáng)原圖像各部分的反差，去除或削弱無(wú)用的信息。

假定灰度化后的圖像的灰度級(jí)范圍為G（i，j）∈[a，b]，為了將圖像的灰度級(jí)范圍拓展為G’（i，j）∈[a’，b’]，所需的線性變換如式（2）所示：

由于車牌位于車身的下部中間，屬于中間灰度級(jí)范圍，而車頭上部及背景中一些區(qū)域一般較亮，屬于高灰度級(jí)范圍，邊緣較暗屬于低灰度。為了突出牌照的灰度細(xì)節(jié)，抑制高、低灰度區(qū)域，可利用式（3）對(duì)車牌圖像進(jìn)行中間灰度拉伸。

1.1.3 圖像二值化

在對(duì)數(shù)字圖像處理中，二值圖像占有非常重要的地位，一般要進(jìn)行圖像的處理與分析，首先把灰度圖像二值化，得到二值化圖像，有利于對(duì)圖像做進(jìn)一步處理。

二值化的目的是要找到一個(gè)合適的閾值，將待研究的區(qū)域劃分為前景和背景兩部分。

本文采用Otsu算法[5]對(duì)圖像進(jìn)行二值化變換。Otsu算法基于圖像象素的灰度值進(jìn)行分類，它是在判別最小二乘法的基礎(chǔ)上推導(dǎo)出來(lái)的，按照使類間方差與類內(nèi)方差比值最大的原則獲得閾值，使目標(biāo)和背景之間方差最大。

1.1.4 去噪處理

汽車圖像信息在采集過(guò)程中往往受到各種噪聲源的干擾，如光照、雜物、污痕等，這些噪聲在圖像上常常表現(xiàn)為一些孤立像素點(diǎn)，這可理解為像素的灰度是空間相關(guān)的，即噪聲點(diǎn)像素灰度與它們臨近像素的灰度有著顯著不同。為減少干擾或孤立像素點(diǎn)對(duì)圖像區(qū)域分割、分析和判斷帶來(lái)的影響，需要對(duì)圖像進(jìn)行平滑處理，常用的圖像平滑方法有收縮再膨脹，圖像平均法，域平均法（均值濾波），中值濾波法等。本文采用自定義模板中值濾波[6]，區(qū)域灰度基本上被賦值為0，號(hào)碼部分是由許多短線組成，背景噪聲中大部分是孤立噪聲，采用模板（1，1，1，1，1）對(duì)圖像進(jìn)行中值濾波，除掉圖像中大部分噪聲干擾。

1.2 車牌定位

車牌定位主要是基于車牌的特征信息進(jìn)行分析定位，在一幅經(jīng)過(guò)預(yù)處理，二值化處理和去噪處理后的含有車牌的圖像中，車牌區(qū)域有以下3個(gè)基本特征：

1）在一個(gè)不大的區(qū)域內(nèi)密集包含多個(gè)字符；

2）車牌字符與車牌底色形成鮮明對(duì)比；

3）車牌區(qū)域大小相對(duì)固定，區(qū)域長(zhǎng)度和寬度成固定比例。

根據(jù)以上特征，車牌區(qū)域所在的行相鄰像素之間的0到1和1到0的變化會(huì)很頻繁，變化總數(shù)會(huì)大于一個(gè)臨界值，這可以作為尋找車牌區(qū)域的依據(jù)。[7][8]

由上至下統(tǒng)計(jì)每行相鄰象素之間的灰度變化次數(shù)，當(dāng)某行的變化次數(shù)首次大于臨界值時(shí)，則假定該行為待搜索車牌的最高行，然后繼續(xù)向下搜索，當(dāng)某行的變化次數(shù)首次小于臨界值時(shí)，則假定該行為待搜索車牌的最底行。

計(jì)算牌照上下邊界的定位算法如下：

（1）定義一個(gè)窗口window，窗口寬度可以由車牌在圖像中的大致比例來(lái)選取，為了能將整個(gè)車牌覆蓋，應(yīng)適當(dāng)?shù)胤糯髮挾龋?/p>

同時(shí)定義一個(gè)矩陣judge，用來(lái)記錄window在圖像上的移動(dòng)情況，其行數(shù)取圖像的行數(shù)，其列數(shù)取圖像的列數(shù)減去window的寬度，元素初值為0；

（2）讓window在圖像上從上到下，從左到右移動(dòng)，在每一個(gè)移動(dòng)的位置，統(tǒng)計(jì)窗口中象素的灰度值從0到1和從1到0的變化的次數(shù)n；

（3）如果n＜臨界值，則讓window繼續(xù)向右移動(dòng)；

（4）如果n＞臨界值，則在judge的對(duì)應(yīng)行對(duì)應(yīng)列記錄下當(dāng)前window的左端點(diǎn)，即將該位置的元素置1，并停止該行的移動(dòng)，繼續(xù)向下移動(dòng)；

（5）window完成移動(dòng)后，judge就記錄下了window在所有位置的全部情況，然后對(duì)judge從上到下觀察，如果發(fā)現(xiàn)有15行中存在連續(xù)的1，并且每一行1出現(xiàn)的橫坐標(biāo)不超過(guò)一個(gè)給定的閾值，就認(rèn)為最上面的一行為車牌的上邊界，同理，確定下邊界。

基于車牌左右邊界的確定，仍然采用與上下邊界定位相似的方法，但是左右邊界的定位相對(duì)要困難一些，因?yàn)槠囓嚺浦校笥覂啥说脑肼曉诖怪狈较蛏系幕叶韧队?，也呈現(xiàn)出與車牌區(qū)域一樣的波峰波谷交替出現(xiàn)的情形，所以容易將車牌的左右邊界范圍定得過(guò)大，因此要采取其他一些措施。

2 實(shí)驗(yàn)結(jié)果

采用VC++6.0對(duì)算法編程實(shí)現(xiàn)，處理的圖像為24位真彩色640*480的bmp文件。實(shí)驗(yàn)中選擇30幅車輛圖像進(jìn)行處理，這些車輛圖像包含不同大小和不同清晰度的牌照，對(duì)這些圖像進(jìn)行車牌定位測(cè)試。實(shí)驗(yàn)結(jié)果如表1所示。

表1 車牌定位實(shí)驗(yàn)結(jié)果

圖1是4張車輛原始圖像，圖2是對(duì)原始圖像進(jìn)行灰度變換和圖像增強(qiáng)后的效果，圖3是將圖像二值化處理后的效果，圖4是對(duì)圖像進(jìn)行去噪處理后的效果，圖5是車牌區(qū)域上下邊界定位后的效果，圖6是最終定位的車牌區(qū)域。

圖1 汽車前、后視的原始圖像

圖2 灰度化與圖像增強(qiáng)后的汽車圖像

圖3 二值化后的汽車圖像

圖4 去噪處理后的汽車圖像

圖5 上下邊界定位后的圖像

圖6 車牌最后定位裁剪結(jié)果

3 總結(jié)

本文提出一種快速的車輛牌照定位算法，對(duì)獲取的車輛圖像進(jìn)行相應(yīng)的預(yù)處理之后，根據(jù)車輛圖像的紋理特征，分析了牌照區(qū)域字符分布情況及變化規(guī)律，根據(jù)車輛號(hào)碼區(qū)域像素值的變化頻率，在一個(gè)特定的范圍內(nèi)，進(jìn)行水平和垂直方向上的定位，得到準(zhǔn)確的車牌區(qū)域，便于后續(xù)識(shí)別。實(shí)驗(yàn)結(jié)果表明本文的算法可以很好地去除偽車牌區(qū)域，實(shí)現(xiàn)車牌的快速、準(zhǔn)確定位，具有很強(qiáng)的適應(yīng)性和應(yīng)用前景。

[1]李樹廣，劉允才.智能交通的發(fā)展與研究[J].微型電腦應(yīng)用，2005，21（6）:1-6.

[2]張麗芬，代君.智能監(jiān)控交通系統(tǒng)中車牌識(shí)別技術(shù)研究[J].微計(jì)算機(jī)信息，2008，24（11）:312-314.

[3]Rafael C.Gonzalez，Richard E.Woods.Digital Image Processing[M].北京:電子工業(yè)出版社，2006.

[4]趙啟升，趙存華.基于 VC++下的車牌識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究[J].計(jì)算機(jī)科學(xué)，2006，33（12）:207-209.

[5]張輝，張道勇.灰度等級(jí)處理中的OSTU動(dòng)態(tài)閾值法研究[J].傳感器世界，2008:24-27.

[6]數(shù)字圖像處理典型算法及實(shí)現(xiàn)[M].求是科技.北京:人民郵電出版社，2006，6.

[7]陳智麗，趙巍.一種快速有效的動(dòng)態(tài)車輛牌照定位算法[J].機(jī)械設(shè)計(jì)與制造，2008，（11）:11-13.

[8]吳昊，丁慶生.一種完整的汽車牌照識(shí)別算法[J].計(jì)算機(jī)測(cè)量與控制，2008，16（3）:392-394.