李 澍

LI Shu

(四川省樂(lè)山職業(yè)技術(shù)學(xué)院，樂(lè)山 614000)

0 引言

車牌的自動(dòng)識(shí)別是計(jì)算機(jī)視覺、圖像處理與模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一，是實(shí)現(xiàn)交通管理智能化的重要環(huán)節(jié)，主要包括車牌定位、字符分割和字符識(shí)別等環(huán)節(jié)[1]。其中，車牌定位在整個(gè)系統(tǒng)中占有非常重要的地位，是整個(gè)車牌自動(dòng)識(shí)別系統(tǒng)的關(guān)鍵。目前車輛牌照定位算法主要基于以下幾種方法[2]：基于圖像彩色信息[3]；基于紋理分析[4]；基于邊緣檢測(cè)[5,6]；基于數(shù)學(xué)形態(tài)學(xué)[7]；基于遺傳算法；基于神經(jīng)網(wǎng)絡(luò)等。然而，在背景復(fù)雜、車牌區(qū)域變形和噪聲污損嚴(yán)重的情況下，用這些方法得到的結(jié)果并不十分理想，甚至?xí)a(chǎn)生拒識(shí)或誤識(shí)。針對(duì)上述情況，本文提出了基于混沌小生境粒子群的車牌定位算法?？紤]到傳統(tǒng)的車牌特征提取方法會(huì)將車牌區(qū)域定位在車燈等其他地方，并且在背景復(fù)雜或者噪聲嚴(yán)重的情況下，定位的結(jié)果很不理想，會(huì)產(chǎn)生拒識(shí)或誤識(shí)等問(wèn)題。本文研究了車牌區(qū)域的重點(diǎn)特征，提取7種能夠準(zhǔn)確反映車牌區(qū)域的特征向量，構(gòu)成整個(gè)車牌的特征矢量。

1 車牌區(qū)域的特征提取

從人眼視覺的角度出發(fā)，牌照的字符目標(biāo)區(qū)域具有如下特點(diǎn)：1）牌照的字符與底色在灰度上有較大差異，而字符與牌照底的內(nèi)部灰度較均勻。2）牌照字符有多個(gè)，基本呈水平排列，所以在牌照的矩形區(qū)域內(nèi)存在較豐富的邊緣。3）不同圖像中牌照的具體大小、位置不確定，但大小變化有一定范圍，存在一個(gè)最大長(zhǎng)度和高度。圖1(a)是一幅隨即抽取的樣本圖像（大小為640×480,256灰度級(jí)），圖1(b)為樣本圖像車牌區(qū)域的灰度變化曲線圖（橫坐標(biāo)代表車牌行位置，縱坐標(biāo)代表灰度），可以看出，在牌照區(qū)域，灰度曲線變化劇烈，高灰度值與低灰度值之間的差異較大，且波峰波谷有一定的間隔，個(gè)數(shù)也相對(duì)穩(wěn)定，與其他區(qū)域相比有明顯的區(qū)別。

因此，在圖像上隨機(jī)確定一個(gè)矩形區(qū)域，其左上角頂點(diǎn)的坐標(biāo)為(x,y)，長(zhǎng)度為l，高度為h，對(duì)該區(qū)域里的每一行灰度值進(jìn)行一維的波峰檢測(cè)和波谷檢測(cè)，然后統(tǒng)計(jì)檢測(cè)到的波峰波谷，得到車牌區(qū)域的7個(gè)特征：1）波峰的密度Den；2）波峰的均值Mp；3）波峰波谷的均值差Mpt；4）波峰絕對(duì)差A(yù)p；5）波谷絕對(duì)差A(yù)t；6）波峰間距的絕對(duì)差A(yù)d；7）區(qū)域平均每一行的波峰個(gè)數(shù)Np。大量的統(tǒng)計(jì)實(shí)驗(yàn)表明，這7個(gè)特征組成的特征向量V具有較小的類內(nèi)距離和較大的類間距離，而且只與區(qū)域灰度的波峰波谷有關(guān)，比起傳統(tǒng)的用灰度直方圖分析的方法，其對(duì)噪聲的敏感度大大降低。

根據(jù)上面的7個(gè)特征，得到車牌的特征矢量V：

對(duì)于車牌特征矢量V，前三個(gè)特征值應(yīng)該較大，后面的三個(gè)特征值應(yīng)較小，最后一個(gè)特征值理論上相對(duì)穩(wěn)定，應(yīng)該為14（一般車牌有7個(gè)字符）。

然而，Vt中各分量并不具有相等的重要性，例如波峰密度比間距絕對(duì)差對(duì)類內(nèi)距離的貢獻(xiàn)更大。因此，將Vt進(jìn)行線性變換，變換后，重要的特征賦予較大的權(quán)值，不重要的特征給予較小的權(quán)值。假定變換矩陣為對(duì)角陣，即：

式(3)中，σ2j為模式分量vj方向的樣本方差?？梢钥闯觯讲钶^小的對(duì)應(yīng)加權(quán)系數(shù)大，標(biāo)志相應(yīng)的特征更加可靠；相反，方差較大的對(duì)應(yīng)加權(quán)系數(shù)小，標(biāo)志相應(yīng)的特征可靠性弱。因此，變換矩陣W將模式向量由Vt空間變換到U空間。

從不同大小、不同位置提取出的特征矢量組成集合{}iU，其中最佳的特征向量U*值代表了車牌區(qū)域，評(píng)價(jià)準(zhǔn)則為

從上面看出，該方法的車牌定位最終歸結(jié)為確定矩形區(qū)域的位置參量x、y，長(zhǎng)度參量l，高度參量h，使其得到的特征矢量為最佳。這個(gè)全局搜索問(wèn)題，如果采用遺傳優(yōu)化算法，由于其無(wú)記憶性，且容易陷入早熟，搜索到最佳值可能不是全局最優(yōu)解，從而影響到結(jié)果的準(zhǔn)確性，計(jì)算了也偏大。故本文采用基于混沌變異的小生境粒子群算法搜索最佳特征矢量。

2 基于混沌變異的小生境粒子群算法

2.1 基本粒子群算法

設(shè)在n維解空間中，每個(gè)粒子i有位置Xi=(Xi1,Xi2,…,Xin)和速度Vi=(Vi1,Vi2,…,Vin)，前者表示問(wèn)題的解，對(duì)應(yīng)的目標(biāo)函數(shù)值pfiti作為評(píng)價(jià)該粒子優(yōu)劣程度的適應(yīng)度；后者表示粒子從當(dāng)前位置移動(dòng)到下一個(gè)位置的速度大小。算法首先對(duì)粒子群進(jìn)行初始化，然后通過(guò)迭代方式在解空間中尋找最優(yōu)解。假設(shè)在第t次迭代時(shí)刻，粒子i的最優(yōu)解為pbesti (t)，稱為個(gè)體極值，整個(gè)粒子群的最優(yōu)解為gbest(t)，稱為全局極值。在t+1時(shí)刻，按下式更新自己的速度：

然后以速度Vi(t+1)移動(dòng)到下一個(gè)位置，即:

其中t表示當(dāng)前迭代次數(shù)，學(xué)習(xí)因子c1=c2=2；r1、r2是均勻分布在(0,1)上的隨機(jī)數(shù)；慣性因子w設(shè)為：w=wmax- t×(wmax-wmin) /tmax，其中tmax表示總迭代次數(shù)， wmax和wmin分別表示最大和最小慣性因子，本文wmax=0.95，wmin=0.4。迭代更新過(guò)程中，粒子的速率限制在[Vmin，Vmax]，Vmin=-Vmax=-8。位置限制在允許范圍內(nèi)，最后輸出的gbest為全局最優(yōu)解。

2.2 基于混沌變異的小生境粒子群算法

基本粒子群算法實(shí)現(xiàn)簡(jiǎn)單，需要確定的參數(shù)少，但它容易陷入局部極值，搜索精度還不夠高。結(jié)合小生境策略全局優(yōu)化與變尺度混沌變異精細(xì)搜索兩者優(yōu)點(diǎn)的混沌小生境粒子群算法，可避免算法早熟，保證搜索精度。本文使用的混沌映射Logistic迭代方程為：

在迭代過(guò)程中，按下列方程對(duì)每個(gè)小生境種群中的最優(yōu)個(gè)體pbesti(t) =[ X1, X2,…, Xj…, Xn]進(jìn)行混沌迭代變異：

其中，λg稱為收縮因子，它決定了變量Xj的變異空間，由下式得到：

式中，g為粒子群的進(jìn)化代數(shù)，u用于控制收縮速度，本文中u=2。

現(xiàn)利用基于混沌變異的小生境粒子群算法搜索最佳閾值，算法具體步驟如下：

1）初始化小生境粒子種群。隨機(jī)產(chǎn)生m個(gè)粒子，并分成n個(gè)子種群。[x,y,l,h]作為每個(gè)粒子的位置，粒子速度在[,]minmaxVV上隨機(jī)產(chǎn)生；工程中，車輛與攝像頭的距離可以通過(guò)硬件設(shè)施設(shè)定，在對(duì)大量樣本統(tǒng)計(jì)后，可以將車牌大小定為120 ≤l ≤130,38 ≤h≤42，位置范圍也可確定為max max1 ≤x ≤680×l ,240 ≤y ≤480×h。240為圖像高度的一半，這里利用車牌一般在圖像下半部的先驗(yàn)知識(shí)。

2）設(shè)計(jì)粒子群的適應(yīng)度函數(shù)。當(dāng)區(qū)域?qū)?yīng)的矢量范數(shù)很大，且區(qū)域的形狀與車牌的形狀相似時(shí)即得到了真實(shí)的車牌區(qū)域。因此構(gòu)造適應(yīng)度函數(shù)f(x,y,l,h)為：

根據(jù)式(11)適應(yīng)度函數(shù)找出每個(gè)小生境種群中的最優(yōu)粒子和全局最優(yōu)粒子；

3）計(jì)算兩個(gè)粒子種群最優(yōu)個(gè)體pbesti(t)與pbestj(t)之間的距離dij。若dij＜ Rniche(小生境半徑)，比較兩個(gè)小生境最優(yōu)個(gè)體的適應(yīng)度，低者置零，高者保持不變。對(duì)置零的最優(yōu)個(gè)體重新初始化，并在其所在的小生境內(nèi)重新選擇最優(yōu)個(gè)體，直至任意兩個(gè)小生境最優(yōu)個(gè)體之間的距離dij≥Rniche；

4）如果迭代次數(shù)達(dá)到預(yù)定值，則對(duì)最劣小生境子種群進(jìn)行更新初始化；

5）按式(9)對(duì)所有小生境最優(yōu)個(gè)體的位置進(jìn)行變尺度混沌變異，進(jìn)一步提高搜索精度；

6）更新每個(gè)粒子的位置和速度；

7）如果滿足結(jié)束條件，則停止迭代，輸出最佳特征矢量，并根據(jù)該矢量精確提取出車牌，否則轉(zhuǎn)2)。

3 結(jié)果分析

為了驗(yàn)證算法的有效性，本文對(duì)大量車牌圖像進(jìn)行了實(shí)驗(yàn)。并與基于遺傳算法和基本粒子群算法的定位結(jié)果進(jìn)行了比較，說(shuō)明了本文方法的穩(wěn)定性和準(zhǔn)確性。因篇幅有限，現(xiàn)選取其中4幅圖像作為例子加以說(shuō)明。

(a) (b)

(c) (d)圖2 隨機(jī)抽取的4幅實(shí)驗(yàn)圖像

圖3 三種方法的定位結(jié)果

圖2中4幅圖像為隨機(jī)抽取的車牌樣本，大小均為640×480,256灰度級(jí)，(a)、(b)兩幅圖像干擾因素小，理論上應(yīng)該三種方法都能準(zhǔn)確提??；(c)圖像的車燈處近似于車牌特征矢量，對(duì)定位結(jié)果產(chǎn)生很大干擾；(d)圖像不僅車燈處，車牌上方的排風(fēng)扇也與車牌特征矢量相近，對(duì)準(zhǔn)確定位帶來(lái)很大難度。圖3中從上到下分別對(duì)應(yīng)圖2中4幅圖像基于不同方法定位的結(jié)果，從左往右分別是基于遺傳算法、基本粒子群算法和本文的混沌小生境粒子群算法的定位結(jié)果?？梢钥闯?，對(duì)于(a)、(b)圖像，三種方法基本都能準(zhǔn)確分割；對(duì)于(c)圖像，遺傳算法和基本粒子群算法都有一定的概率將車牌定位在了車燈處，也就是優(yōu)化搜索過(guò)程中，找到的是局部最優(yōu)，而非全局最優(yōu)，也反映了遺傳算法容易“早熟”，基本粒子群算法容易陷入局部最優(yōu)的缺點(diǎn)，而本文的混沌小生境粒子群算法能夠準(zhǔn)確定位到車牌位置；(d)圖像的遺傳算法存在一定概率將車牌定位在車燈處，基本粒子群算法存在一定概率將車牌定位在了車牌上方的排風(fēng)扇處，這還是體現(xiàn)了這兩種算法在優(yōu)化搜索的過(guò)程中的缺陷，本文方法依然能夠準(zhǔn)確定位，不受干擾因素的影響，這也說(shuō)明了基于混沌變異的小生境粒子群算法在搜索全局最優(yōu)解的過(guò)程中，避免了算法早熟或者陷入局部最優(yōu)，使得最終的結(jié)果一定是全局最優(yōu)，也就能夠準(zhǔn)確提取車牌。

4 結(jié)束語(yǔ)

分析表明，本文提取的7種車牌特征向量能夠準(zhǔn)確唯一地反映了車牌區(qū)域的特點(diǎn)，將其作為提取車牌的參考標(biāo)準(zhǔn)，提取的準(zhǔn)確度高，不易受噪聲，變形等復(fù)雜情況的干擾；采用的混沌小生境粒子群算法在保證搜索精度的同時(shí)大大降低了四維空間的搜索代價(jià)，提高了運(yùn)行速度，與基于遺傳算法、基本粒子群算法的定位方法相比，本文方法在定位精度和運(yùn)算時(shí)間上都有明顯的優(yōu)勢(shì)。

[1] SONG H SH,WANG G Q.The high performance car license plate recognition system and its core techniques[C].Proceedings of IEEE International Conference on Vehicular Electronics and Safety,2005:42-45.

[2] 袁寶明,于萬(wàn)波,魏小鵬.汽車牌照定位綜述[J].大連大學(xué)學(xué)報(bào),2002,23(2):6-12.

[3] 曾麗華,李超,熊璋.基于邊緣與顏色信息的車牌精確定位算法[J].北京航空航天大學(xué)學(xué)報(bào),2007,33(9):3110-3115.

[4] 趙兵,魯敏,匡綱要,于慧穎.基于混合特征的車牌定位算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2007,28(23):5668-5670.

[5] 李慶慶,張燕平.基于模糊邊緣檢測(cè)算法的車牌定位[J].計(jì)算機(jī)技術(shù)與發(fā)展,2006,16(12):7-9.

[6] ZHENG D N,ZHAO Y N,WANG J X.An ef fi cient method of license plate location[J].Pattern Recognition