唐靈潔，胡紅萍，白艷萍，楊麗麗

（中北大學(xué)理學(xué)院，山西太原 030051）

0 引言

車牌識別是智能交通系統(tǒng)中的重要組成部分，車牌識別的過程包括車牌定位、車牌分割、車牌識別。其中，車牌定位是所有工作的前提和基礎(chǔ)。目前，已經(jīng)有很多學(xué)者在這方面進(jìn)行了研究，提出了很多車牌定位的算法，但是隨著車型的日益增加，背景變化多端，常用的一些算法已經(jīng)難以克服一些新的干擾情況。

目前車牌定位提取方法主要有神經(jīng)網(wǎng)絡(luò)、灰度特征法、紋理特征、投影法、數(shù)學(xué)形態(tài)學(xué)等，在定位過程中，它們各有自己的優(yōu)缺點(diǎn)[1]。本文針對這些算法的特點(diǎn)，選取了數(shù)學(xué)形態(tài)學(xué)與投影法相結(jié)合的方法，對圖像進(jìn)行粗定位和精定位，最后，根據(jù)車牌自身的長寬比例等先驗(yàn)知識對車牌進(jìn)行最終的定位。

1 圖像預(yù)處理

在對車牌進(jìn)行定位之前，需要對圖像進(jìn)行預(yù)處理，以方便定位工作能更好的進(jìn)行。我國的車牌主要有藍(lán)底白字、黃底黑字、黑底白字等多種顏色，由于拍攝的車牌受天氣、光線的影響較大，用顏色作為主要的定位手段可靠性不強(qiáng)，因此要對其進(jìn)行灰度轉(zhuǎn)換，由于噪聲、光照等原因還要對圖像進(jìn)行平滑、去噪、濾波等處理。

1.1 圖像灰度化

本文采取的灰度轉(zhuǎn)換公式如下[2]：

式（1）中，Gray為灰度值；R，G，B 分別為紅色、綠色和藍(lán)色分量值。

圖1、圖2為灰度化后的對比圖。

圖1 原始圖像

圖2 灰度化后圖像

1.2 圖像二值化

二值化[3]圖像在數(shù)字圖像處理中占有非常重要的地位，二值化的效果直接影響到根據(jù)車牌區(qū)域特征進(jìn)行車牌定位及后續(xù)工作，而二值化的關(guān)鍵在于閾值的選擇。

閾值選擇的方法可以分為全局閾值法、局部閾值法和動態(tài)閾值法等。經(jīng)過對多種方法做評估，通過分析比較發(fā)現(xiàn)，采用改進(jìn)的Otsu 法[4]適應(yīng)性較強(qiáng)，故本文采用改進(jìn)的Otsu 法來對灰度化處理后的圖像，進(jìn)行二值化處理。圖3、圖4分別為二值化前后圖像。

圖3 二值化前

圖4 二值化后

2 基于數(shù)學(xué)形態(tài)學(xué)的車牌區(qū)域粗定位

2.1 數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算

數(shù)學(xué)形態(tài)學(xué)[5]是由一組形態(tài)學(xué)的代數(shù)算子組成，其中最基本、最重要的形態(tài)學(xué)算子是：腐蝕和膨脹，其他的一些形態(tài)學(xué)算子如開、閉等都是由這2種最基本的形態(tài)學(xué)算子組合而成的。

二值圖像的膨脹和腐蝕定義如下：

圖像集合A用結(jié)構(gòu)元素B來膨脹，記作A⊕B，定義為：

圖像集合A用結(jié)構(gòu)元素B來腐蝕，記作AΘB，定義為：

膨脹與腐蝕是不可恢復(fù)的運(yùn)算，但通過腐蝕與膨脹可以構(gòu)成開運(yùn)算和閉運(yùn)算。

開運(yùn)算是指A先被B腐蝕，再被B膨脹的過程，可以消除細(xì)小物體并在纖細(xì)處分離物體和平滑較大物體邊界；記作AoB，定義為：

閉運(yùn)算過程與開運(yùn)算相反，它能填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界。記作A·B，定義為：

2.2 形態(tài)學(xué)邊緣檢測

基于形態(tài)學(xué)的圖像邊緣檢測的關(guān)鍵是如何利用形態(tài)學(xué)的各種基本運(yùn)算的組合構(gòu)造形態(tài)學(xué)邊緣檢測算子，以及如何選取結(jié)構(gòu)元素來較好地解決邊緣檢測精度與抗噪聲性能的協(xié)調(diào)問題。平常一些基本的形態(tài)學(xué)邊緣檢測算子對待噪聲都比較敏感，只適用于噪聲較小的圖像，本文在基本形態(tài)學(xué)邊緣檢測算子基礎(chǔ)上進(jìn)行了改進(jìn)，得到改進(jìn)的抗噪膨脹型算子[6]如下式：

圖5、圖6分別為對圖像邊緣檢測前后對比圖像。

圖5 邊緣檢測前

圖6 邊緣檢測后

2.3 檢測車牌候選區(qū)域

經(jīng)過形態(tài)學(xué)邊緣檢測之后，大體外輪廓為一矩形區(qū)域，但車牌區(qū)域還是斷開的，為了進(jìn)一步提取車牌區(qū)域，需要用數(shù)學(xué)形態(tài)學(xué)對圖像進(jìn)行處理，使車牌區(qū)域內(nèi)部連通，而使車牌區(qū)域與干擾區(qū)域斷開。本文連續(xù)運(yùn)用閉運(yùn)算（圖7）、第一次開運(yùn)算（圖8）、第二次開運(yùn)算（圖9）之后，檢測到的區(qū)域如圖7-9所示。

圖7 閉運(yùn)算

圖8 第一次開運(yùn)算

圖9 第二次開運(yùn)算

由圖可以看出，經(jīng)過一系列閉、開運(yùn)算之后，斷裂的區(qū)域很好的粘連，而一些細(xì)小的干擾區(qū)域也很好的去除掉，并且較好地平滑了圖像，方便了后續(xù)工作的進(jìn)行。

3 基于水平、垂直投影的精定位

下面對以上得到的二值圖像進(jìn)行水平和垂直方向的投影[7]，車牌邊緣與背景區(qū)域的分界處在投影圖中必將出現(xiàn)明顯的跳變，在此處進(jìn)行切割即可得到更精確的車牌區(qū)域。通過以上的方法可以將車牌區(qū)域部分精確定位，為下一步字符的分割、識別提供了優(yōu)質(zhì)的車牌區(qū)域。

水平方向精定位，去除水平邊框和鉚釘，計(jì)算車牌水平方向的投影，得到每行的投影值H(i)，共m行，i表示第i行，i∈(1,m)，按公式(7)求S(i)。

S(i)表示第i-1行，第i行，第i+1行的水平投影值H(i-1)、H(i)、H(i+1)的累加之和，對第一行和最后一行不需此操作。投影值大于一定的閾值，認(rèn)為是字符區(qū)域予以保留。取一定的閾值，以車牌圖像高度中心點(diǎn)為起點(diǎn)，逐行向上水平掃描，小于此閾值的第一行就為車牌的上邊界，將以上的區(qū)域裁切掉；同理，以車牌圖像高度中心點(diǎn)為起點(diǎn)，逐行向下水平掃描，小于此閾值的第一行即為車牌的下邊界，再將其以下的區(qū)域裁切掉。于是就將車牌進(jìn)行了水平方向的精定位，圖10為水平投影圖，圖11為水平精定位圖像。

圖10 水平投影

圖11 水平精定位

垂直方向精定位，去除垂直邊框。對車牌的垂直邊緣進(jìn)行垂直投影（如圖12），得到每列的投影值V(j)，j表示第j列。圖像一共n列j∈(1,n)，按公式(8)求T(j)：

T(j)表示第j-1列，第j列，第j+1列的垂直投影值V(j-1)、V(j)、V(j+1)的累加之和，對第一列和最后一列不需此操作。投影值大于一定的閾值，認(rèn)為是字符區(qū)域予以保留。取一定的閾值，以車牌圖像高度中心點(diǎn)為起點(diǎn)，逐列向左垂直掃描，小于此閾值的第一列就為車牌的左邊界，將其左邊的區(qū)域裁切掉；同理，從圖像中心起，逐列向右垂直掃描，小于此閾值的第一列即為車牌的右邊界，將其右邊的區(qū)域裁切掉，圖13為垂直精定位圖像。

圖12 垂直投影

圖13 垂直精定位

在水平、垂直投影定位過程中，最重要的一個環(huán)節(jié)就是閾值的選取，在此是根據(jù)投影圖的圖像來確定的。經(jīng)過投影之后，再根據(jù)車牌本身固有的長寬比例特征[8]，最終定位車牌區(qū)域，圖14為最終定位結(jié)果。

圖14 定位結(jié)果

4 結(jié)論

本文采用數(shù)學(xué)形態(tài)學(xué)與投影法分別對車牌進(jìn)行粗定位和精定位，首先通過數(shù)學(xué)形態(tài)學(xué)的特點(diǎn)粘連車牌斷裂區(qū)域，濾去細(xì)小的噪聲區(qū)域，同時平滑圖像，最后檢測出待精定位的候選區(qū)域。接著，再利用水平投影和垂直投影進(jìn)一步精確地確定車牌區(qū)域，最后，根據(jù)車牌的先驗(yàn)知識最終確定車牌區(qū)域。

本文通過對150張分辨率為640×480具有不同背景的汽車圖片進(jìn)行測試，定位成功率達(dá)到92.7%以上。實(shí)驗(yàn)數(shù)據(jù)如表1所示。

表1 定位實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，本文提出的定位方法具有較高的定位能力，對待一些拍攝效果較差，噪聲較多的車牌具有良好的抗噪力。

[1]高翠云，江朝暉，薛明.一種改進(jìn)的車牌定位算法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2007，17(11)：30-35.

[2]齊永奇，王文凡，趙巖，趙耀.基于紋理特征和垂直投影的車牌定位算法研究[J].現(xiàn)代電子技術(shù)，2007，17(2)：184-186.

[3]周開軍，陳三寶，徐江陵.復(fù)雜背景下的車牌定位和字符分割研究[J].計(jì)算機(jī)工程，2007，33(4)：198-200.

[4]胡斌，宮寧生.一種改進(jìn)的Otsu閾值分割算法[J].微電子學(xué)與計(jì)算機(jī)，2009，26(12)：153-155.

[5]楊國來，林男，姬孝斌，葉清.基于數(shù)學(xué)形態(tài)學(xué)和綜合顏色特征的車牌定位方法[J].甘肅科學(xué)學(xué)報，2007，19(1)：114-117.

[6]呂慶莉，羅瑜.基于形態(tài)學(xué)的改進(jìn)灰度圖像邊緣檢測算法[J].陜西科技大學(xué)學(xué)報，2011，6(4)：98-101.

[7]應(yīng)宏偉，姚明海，張永華.基于紋理分析和垂直投影的車牌定位算法[J]控制工程，2004，11(5)：432-435.

[8]李珺，劉莉.高效快速車牌定位算法研究[J].甘肅科學(xué)學(xué)報，2006，18(4)：88-91.