楊先勇 ，王會巖 ，周曉莉 ，劉東基 ，宋盼盼

（1.重慶大學(xué)，重慶 400044；2.山東文登師范學(xué)校，山東 文登 264400；3.陜西渭河煤化工集團(tuán)有限公司，陜西 渭南 714000）

高速公路上車輛踫撞是最常見的交通事故，因此，對前方道路上行駛的車輛進(jìn)行定位與跟蹤是智能輔助駕駛系統(tǒng)研究領(lǐng)域的重要內(nèi)容。車輛定位與跟蹤要求算法具有實時性、快速性和準(zhǔn)確性等特點。視頻圖像包含了大量的圖像信息，便于功能擴(kuò)展，同時，視頻設(shè)備安裝調(diào)試簡單、成本低廉且實用性強(qiáng)，而單目攝像頭法處理的信息量相對較少，處理速度更快。因此，本文采用單目視覺輔助技術(shù)對車輛進(jìn)行檢測、定位和跟蹤。

目前視覺車牌定位的方法有很多。黃驥等[1]在HSV顏色空間上，根據(jù)我國車牌顏色的特點作為車牌區(qū)域顏色跳變特征，準(zhǔn)確率高，但計算量大，實時性不夠。盧雅琴等[2]采用了數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行車牌定位，該方法簡單且在背景單一及車牌區(qū)域特征明顯的情況下有很好的效果，但是復(fù)雜背景下車牌定位準(zhǔn)確率不高。陸鋮等[3]提出采用灰度跳變特征，具有較快的檢測速度，但準(zhǔn)確性受噪聲影響很大。LEE E R等[4]提出以HSV顏色空間為基礎(chǔ)的車牌識別系統(tǒng)，使用了Hough變換方法，雖然識別率比較高，但當(dāng)車身與車牌顏色相近或車牌污染嚴(yán)重時，會大大降低定位準(zhǔn)確率。鹿曉亮等[5]考慮到國內(nèi)車牌的特有特征以及字符間特點，對車牌區(qū)域橫向掃描，根據(jù)閾值來定位車牌，但該方法不適合快速定位的要求。針對快速自動識別系統(tǒng)的要求，根據(jù)國內(nèi)車牌顏色特征及車牌的外廓尺寸的固有特征，本文提出先基于車牌色彩信息選取敏感區(qū)域，然后再根據(jù)形態(tài)學(xué)的方法來進(jìn)行篩選，從而達(dá)到快速定位。

1 總體流程

圖1 總體流程圖

前方車輛的檢測與定位算法流程如圖1所示，包括以下幾個步驟：

（1）特征區(qū)域。利用顏色空間理論，選取車牌顏色為特征，確定圖像中的敏感區(qū)域。

（2）邊緣提取?；?Canny邊緣提取算法，對特征區(qū)域圖像進(jìn)行邊緣提取。

（3）灰度統(tǒng)計。基于圖像邊緣提取結(jié)果，統(tǒng)計每一部分區(qū)域長度與寬度的數(shù)值。

（4）目標(biāo)篩選。根據(jù)每一部分的長度與寬度的數(shù)值比值篩選出車牌。

（5）目標(biāo)定位。當(dāng)篩選部分只剩下一個時，即為目標(biāo)對象。

1.1 敏感特征區(qū)域

選擇合適的顏色空間模型快速準(zhǔn)確地找到敏感特征區(qū)域是非常關(guān)鍵的?？紤]到實際需要關(guān)注的特性，確定RGB顏色空間到HSI顏色空間的轉(zhuǎn)換近似公式[6]。本文強(qiáng)調(diào)在各種環(huán)境下快速尋找藍(lán)色，對顏色的細(xì)節(jié)識別要求比較高，要求轉(zhuǎn)換后顏色的分辨力盡可能大，但又要考慮到運算時間盡可能短。因此本文采用分段定義法來近似RGB轉(zhuǎn)換到HSI的關(guān)系：

其中，H為色度，S為飽和度，I為亮度，R、G、B為 RGB顏色空間的紅、綠、藍(lán)色值，Max＝max（R，G，B），Min＝min（R，G，B）。

圖2為通過顏色特征提取的區(qū)域。

圖2 藍(lán)色特征區(qū)域

1.2 邊緣提取

圖像邊緣含有大量重要的圖像特征信息，因此，邊緣檢測的方法是圖像分析與識別領(lǐng)域十分重要的課題。本文中的車牌邊緣是一個非常重要的信息，利用這個信息可以從第一步選取出的敏感區(qū)域中快速篩選和確定車牌。本文引用Canny算子，該算子是一類具有優(yōu)良性能的邊緣檢測算子，其基本思想是：先對預(yù)處理的圖像選擇一個高斯濾波器進(jìn)行平滑濾波，然后采用一種稱為“非極大抑制”的技術(shù)對平滑后的圖像進(jìn)行處理，得到最后所需要的邊緣圖像。在實際應(yīng)用中，Canny算子邊緣提取效果良好，邊緣線性程度較好且完整，線型較細(xì)，具有良好的抗噪性能和邊緣定位精度。本文利用Canny算子進(jìn)行邊緣提取的結(jié)果如圖3所示。

圖3 邊緣提取后圖像

1.3 灰度統(tǒng)計與目標(biāo)篩選

為了準(zhǔn)確地篩選出目標(biāo)車牌，根據(jù)車牌特有的信息對邊緣信息進(jìn)行邊緣提取后，分兩步篩選出目標(biāo)車牌。

（1）利用車牌邊緣的邊長比例關(guān)系篩選。首先分割出每個獨立的有連續(xù)邊緣的圖像塊，若大圖像塊內(nèi)有小的圖像塊，則小圖像塊不作單獨處理，統(tǒng)計圖像塊在水平方向和垂直方向的灰度像素統(tǒng)計，統(tǒng)計完成后，計算水平方向和垂直方向灰度像素比值t。車牌是一個440×140的矩形，車牌的長寬比為3.14，考慮到攝像機(jī)記錄車牌的角度變化等各種因素的影響，確定閾值上限為5，閾值下限為 2.5，若計算出來的比值 t在 2.5～5之間，則認(rèn)為是目標(biāo)車牌。

（2）利用車牌的直角關(guān)系篩選。車牌在長度和寬度的接連處是一個垂直關(guān)系，因此，本文利用車牌的直角關(guān)系可以快速地篩選出絕大部分非目標(biāo)物體。以篩選左邊直角為例，從分割出的圖像塊從上往下、從左往右開始掃描，當(dāng)?shù)綊呙璧降谝粋€點時，以該點為中心點，計算中心點向下邊緣線和中心點向右邊緣線的夾角θ?？紤]到攝像機(jī)記錄時產(chǎn)生的形變及車牌角度的變化等因素對圖像坐標(biāo)系中夾角的影響，確定在一定閾值范圍內(nèi)的角度即為直角范圍，本文中采用的閾值上限為105°，下限為 85°。若計算所得夾角 θ在 85°～105°之間，則認(rèn)為是目標(biāo)車牌。

1.4 目標(biāo)定位

經(jīng)過兩個特征關(guān)系的篩選后，目標(biāo)車牌即可被篩選出來。目標(biāo)車牌提取出來后，記錄下車牌的大小及在圖像中的位置。為了方便能更快速地定位從攝像機(jī)中提取的下一幀圖像，本文采用一種新的搜索方法，即以已經(jīng)確定的目標(biāo)車牌為中心，四周按一定比例進(jìn)行面積擴(kuò)大。本文從攝像機(jī)中按10幀/s的速度提取圖像，即兩幀圖像間隔為 0.1 s，而車輛的速度為 60 km/h～100 km/h，因此在0.1 s間最大的相對行駛速度為（100－60）km/h，最大的相對行駛距離為 40 km/h×0.1 s=1.1 m。根據(jù)攝像機(jī)的相關(guān)原理，算出圖像坐標(biāo)系中車牌的大小的變化率在10%以內(nèi)，因此，本文選擇按擴(kuò)大長度的10%和寬度的10%作為下一幀圖像的大小范圍。圖4所示為第1次定位所用時間，圖5所示為第2次定位所用時間。

圖4 第1次定位時間 圖5 第2次定位時間

2 實驗結(jié)果與分析

本文選用不同背景、不同光照下拍攝的100幅車牌圖像對本算法進(jìn)行仿真實驗，結(jié)果如表1所示?？梢姕?zhǔn)確定位率達(dá)到92%。若對連續(xù)運動的圖像進(jìn)行跟蹤定位，本算法第1次定位時間較長，達(dá)到1.13 s，第 2次及以后定位時間大幅度減少，平均為 0.65 s，只有第1次定位時間的57.5%，速度得到很大的提升。由于算法采用HSI顏色空間理論，因此受光線影響不大。本文主要研究了對前車輛的快速定位和車牌預(yù)處理，利用車牌的顏色對車牌的敏感特征區(qū)域進(jìn)行了提取，再利用車牌的形態(tài)特征進(jìn)行目標(biāo)車牌篩選，最后通過對車牌進(jìn)行圖像幾何校正，提取出精確的車牌。通過該方法，前方車輛得到了快速檢測與定位。仿真實驗表明，該方法快速、高效，滿足實時性的要求，并且有較高的魯棒性，為下一步車輛的距離計算提供了良好的保障。

表1 車牌定位結(jié)果

[1]黃驥.汽車牌照識別系統(tǒng)中車牌定位與校正及字符分割的研究[D].南京：南京航空航天大學(xué)，2007.

[2]盧雅琴，鄔凌超.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法[J].計算機(jī)工程，2005，31（2）：224-227.

[3]陸鋮，何東健，何曉.基于掃描線和特征篩選的車牌定位快速算法[J].計算機(jī)工程與設(shè)計，2008（10）：5125-5128.

[4]LEE E R，KING P K.Automatic recognition of a car license plate using color image processing[J].Journal of Korea Institute of Tele-matics and Electronics，1995，24（2）：128-131.

[5]鹿曉亮，陳繼榮.復(fù)雜背景下快速車牌定位方法研究[J].計算機(jī)仿真，2006，23（7）：256-259.

[6]劉華波.RGB與HIS顏色模型的轉(zhuǎn)換方法對比研究[EB/OL].中國科技論文在線，2008.