薛倩

（陜西交通職業(yè)技術(shù)學(xué)院 信息工程系，陜西 西安 710018）

基于圖像預(yù)處理和紋理特征的車牌定位算法

薛倩

（陜西交通職業(yè)技術(shù)學(xué)院 信息工程系，陜西 西安 710018）

為了解決車牌定位過程中拍攝圖像背景復(fù)雜，噪聲大，檢測準確率偏低的問題，提出簡便有效抗干擾強的車牌定位算法。首先將彩色圖像轉(zhuǎn)換為灰度圖像，其次設(shè)定灰度門限區(qū)分圖像目標和背景，進行二值化處理，然后使用Sobel邊緣檢測算子計算圖像梯度幅度值，檢測圖像邊緣點，采用局部圖像平滑技術(shù)中值濾波對圖像去除干擾，最后根據(jù)車牌區(qū)域紋理信息較其它區(qū)域豐富的特征，采用投影法，通過水平和垂直方向上投影分布特征的反復(fù)提取，準確檢測定位車牌。實驗結(jié)果表明，該方法定位出的車牌區(qū)域圖像清晰度和準確度較高。

車牌定位；灰度化；二值化；邊緣檢測；中值濾波；紋理特征

車牌定位技術(shù)經(jīng)過發(fā)展，日趨成熟，各具特點，例如較早的楊衛(wèi)平等利用車牌目標在圖像中的成像特點提出基于投影不變性的汽車牌照自動定位算法。宋煥生等提出基于汽車牌照成像的特殊補光和成像技術(shù)的車牌定位技術(shù)。王枚等提出利用車牌區(qū)域的伴生與互補特征使用投影法進行車牌精確定位的算法。張玲等利用遺傳算法進行車牌特征匹配，結(jié)合區(qū)域特征向量構(gòu)造的適應(yīng)度函數(shù)，尋求車牌定位的最佳參量的車牌識別算法，等。目前車牌定位技術(shù)較多，但很多方法檢測手段復(fù)雜、定位圖像清晰度差，特別對背景復(fù)雜、噪聲大的圖像，都難以取得令人滿意的定位效果。為此提出設(shè)計一種針對復(fù)雜背景圖像的車牌定位算法，該算法能夠完成對車牌圖像區(qū)域的準確提取。

1 算法總體設(shè)計

車牌定位算法流程如圖1所示，首先根據(jù)該類圖像特點選取有助于車牌定位的多個圖像預(yù)處理技術(shù)，以突出圖像的本質(zhì)特征，為車牌區(qū)域定位做好準備。其次根據(jù)車牌區(qū)域在水平、垂直兩個方向的紋理信息較其他區(qū)域都更加豐富的特征[1]，采用投影法，通過水平和垂直方向上投影分布特征的反復(fù)提取，結(jié)合車牌特征，準確檢測定位車牌。

圖1 車牌定位算法流程Fig.1 Flow chart of license plate location algorithm

2 圖像預(yù)處理

由于車牌在拍攝中受到自然光線、拍攝距離和角度、車牌本身的整潔度等外在的客觀因素的影響[2]，拍攝的圖像可能噪聲大，因此首先需要對拍攝的車牌圖像進行一系列的圖像預(yù)處理，以盡量避免上述因素引起的偏差。車牌定位預(yù)處理的范圍很廣，能夠快速有效去除噪聲的方法主要包括圖像的灰度化、二值化、邊緣檢測、圖像濾波等處理步驟。

2.1 圖像灰度化

拍攝的車牌圖像為彩色圖像，可分解成紅（R）、綠（G）、藍（B）3 種基色，其配色方程為[3]：

其中 r[R]、g[G]、b[B]為 3 色分量。

彩色圖像的色彩模式存儲開銷大，處理速度慢，且存儲信息有冗余。因此，采用圖像灰度化處理加權(quán)平均值算法將彩色圖像轉(zhuǎn)換為灰度圖像，對R、G、B分量加權(quán)平均，取得的值g為灰度化后的圖像灰度值，表達式如下：

其中R、G、B表示原真彩色圖中的紅、綠、藍分量，WR、WG、WB分別為R、G、B的權(quán)值。根據(jù)人眼對各色的敏感度，R、G、B 的權(quán)值分別取 WR=0.9，WG=1.77，WB=0.33，即：

2.2 圖像二值化

灰度化處理后，圖像的每個像素都有灰度值[4]，其大小決定了像素的亮暗度?？梢詫④嚺茍D像看成是前景和背景兩部分，通過圖像二值化找到合適的閾值把二者分開。常見的閾值選取方法有：P-tile試探法、直方圖法、最小誤差法、最大類間方差方法（即OTSU法）等[5]，利用基于像素值的全局迭代閾值選取方法，對光線過暗、過強時拍攝的圖像二值效果較好。

具體方法：

1）先求出圖像的最小灰度值μmin，再求出圖像的最大灰度值μmax，然后計算二者平均值 T0，將 T0設(shè)定為初始閾值，T0的表達式如下：

2）使用T0將圖像分割成前景目標和背景2部分。

3）再分別求出前景目標和背景兩部分的平均灰度值μ1和μ2：

其中，μ（i，j）代表圖像中坐標為（i，j）的點的灰度值，N（i，j）代表坐標為（i，j）的點的加權(quán)系數(shù)，通常 N（i，j）為灰度值為μ（i，j）的點的個數(shù)。

4）求出前景目標和背景平均灰度值μ1和μ2的平均結(jié)果，得到新的閾值:

5）重復(fù)執(zhí)行2）～4），直到經(jīng)過再次計算，得到的新閾值和上次閾值相等，則結(jié)束迭代。

2.3 圖像邊緣檢測

邊緣檢測原理是通過圖像梯度來測量強度極變化[6]?？赏ㄟ^閾值確定邊緣點。常見邊緣檢測算子有：Roberts算子、Krisch算子、Prewitt算子等，相比而言Sobel算子對噪聲有較強的抑制作用，因此采用的Sobel算子進行邊緣檢測。Sobel邊緣算子是基于3×3的梯度算子，先加權(quán)平均，再微分。Sobel算子的卷積模板由兩個卷積核定義，分別為水平和垂直方向。表達式如下：

梯度幅度值通常按照下式計算：

Sobel算子的卷積模板如下：

使用幾種邊緣檢測算子對同一幅車牌圖像進行邊緣提取，其對比圖如圖2所示。

2.4 圖像濾波處理

濾波是進一步對圖像去除干擾[7]，以突出圖像特征的重要步驟。濾波在空間域的范圍內(nèi)一般可以分為線性濾波和非線性濾波兩大類[8]。

線性濾波器方法中具有代表性的為鄰域平均法的均值濾波方法。其特點是算法簡潔，對于噪聲抑制較好，但當區(qū)域窗口較大時，圖像清晰度較差。

圖2 幾種邊緣檢測算子處理結(jié)果對比Fig.2 Processing results comparison of several edge detection operator

而非線性濾波方法中的中值濾波既能消除噪聲的干擾，而且對圖像中間和周邊灰度差大的圖像濾波效果好，因此采用中值濾波技術(shù)在上述處理的基礎(chǔ)上再進行濾波操作。首先確定圖像中某點（x，y）為中心點，然后將圖像內(nèi)所有的像素點的灰度按照升序或降序排列，接下來計算所有灰度值的中間值，當有2n+1個奇數(shù)像素點，取第n個的灰度值，當有2n個偶數(shù)像素點，取第n和第n+1兩個像素點灰度的平均值，并將其作為中心點（x，y）的灰度。

如某圖像中一個3×3的像素子矩陣窗口如式（12）示：

先對區(qū)域內(nèi)的像素灰度按照升序或者降序排序，其中X為中心點，對這9個像素的灰度排序后，取中間第4個像素的灰度為中心點新的灰度值。繼續(xù)迭代其他需要的像素進行濾波。

中值濾波窗口可根據(jù)實際需要選擇，不同的窗口形狀濾波效果不同，對具有較長輪廓線的對象適合選用矩形或者圓形窗口，對具有尖棱角的圖像適合采用十字形窗口。

3 車牌區(qū)域定位

圖像經(jīng)過處理后，更加突顯其本身特征，進而可以根據(jù)圖像特征將車牌從整個拍攝的圖像中分割出來。投影法是一種用于車牌圖像定位、分割技術(shù)，分為水平投影和垂直投影兩種，其特點是通過圖像在指定方向上投影的分布特征來進行檢測、統(tǒng)計所需位置、區(qū)域。結(jié)合我國車牌尺寸、字符數(shù)以及字符寬度等特點[9]，以及車牌區(qū)域在水平、垂直兩個方向的紋理信息比其他區(qū)域都明顯的特征，投影法在車牌定位方面具有較強的優(yōu)勢，其技術(shù)原理與圖像特征較吻合，而且操作簡單、效果好。車牌區(qū)域定位過程主要分為粗略定位和精確定位兩個步驟。

分別利用水平投影法和垂直投影法檢測車牌在圖像中的水平位置和垂直位置，以此粗略截取出有可能包含車牌的圖像。投影法獲得的投影特征具有平移不變性和旋轉(zhuǎn)不變性，它既可以是圖像中像素的灰度，也可以是像素間的灰度差，當投影區(qū)域中的像素的灰度大于某個選定的閾值時，對該像素進行投影。由于圖像中可能存在汽車車燈、涂鴉等多處紋理特征明顯的區(qū)域[10]，因此粗略定位出的車牌區(qū)域中存在偽車牌區(qū)域，接下來再次進行精確定位，定位過程中可根據(jù)實際需要選擇水平或垂直投影，結(jié)合車牌包含的字符間距等車牌先驗知識，將偽車牌區(qū)域排除，最終定位出真正的車牌。

4 實驗應(yīng)用

4.1 圖像預(yù)處理

對原彩色圖像按照上述定位算法首先進行一系列圖像預(yù)處理，如圖3所示。其中圖3（a）為原彩色圖像，經(jīng)灰度化、二值化、Sobel邊緣檢測、中值濾波變換處理的圖像，如圖3（b）、圖3 （c）、圖 3 （d）、圖 3 （e）所示。

圖3 圖像預(yù)處理結(jié)果Fig.3 Results after image preprocessing

4.2 車牌粗略定位

4.2.1 水平定位

對含有車牌的圖像進行水平投影，水平投影情況如圖4（a）所示，其中的紅色中豎線為水平投影特征值，從水平投影圖中可以看出超出水平投影特征值的兩個較長的陰影有可能是車牌區(qū)域所在的位置，對應(yīng)的原始圖分別如圖4（b）和圖4（c）所示，由圖可知，圖 4（c）中才包含真正的車牌。

4.2.2 垂直定位

對檢測出來的可能的車牌區(qū)域進行垂直投影，垂直投影圖如圖5（a）所示。圖5（a）中的橫線為垂直投影特征值，從垂直投影圖可以看出，超過垂直投影特征值，即垂直投影信息較高的區(qū)域有可能是車牌區(qū)域。將這幾處可能的車牌區(qū)域?qū)φ赵紙D像，可以得到垂直定位結(jié)果，即粗略定位之后的結(jié)果，如圖 5（b）所示。

4.3 精確定位

對粗略定位出的圖像再次垂直投影，垂直投影情況如圖 6（a）所示。根據(jù)車牌中包含多個字符及其之間存在一定規(guī)律間距的特點，去除偽車牌區(qū)域，最終車牌定位結(jié)果如圖6（b）所示。

圖4 水平投影定位圖Fig.4 Horizontal projection and location images

圖5 垂直投影定位圖Fig.5 Vertical projection and location images

圖6 車牌定位結(jié)果Fig.6 Result of license plate location

5 結(jié)束語

文中介紹了一種基于圖像預(yù)處理技術(shù)和紋理特征信息的車牌定位算法，歸納提出有效去除干擾的圖像預(yù)處理步驟，詳細分析車牌區(qū)域特有的紋理信息特征，提出通過粗略定位、精確定位分步進行水平和垂直方向上投影分布特征的多次提取，最終實現(xiàn)車牌區(qū)域的準確定位。實驗結(jié)果表明該車牌定位算法具有抑制噪音作用，對背景復(fù)雜的圖像同樣具有較好的處理效果，且易于實現(xiàn)，是一種簡單、有效且實用的定位算法。

[1]王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計算機工程與應(yīng)用，2013，49（8）：169-173.

WANG Lei，WANG Han-li，HE Liang-hua.License plate recognition based on double-edge detection[J].Computer Engineering and Applications，2013，49（8）：169-173.

[2]甘玲，孫博.基于分塊投影和形態(tài)學(xué)處理的多車牌定位方法[J].計算機應(yīng)用研究，2012，29（7）：2730-2732.

GAN Ling，SUN Bo.Multiple license plate location based on separation projective and morphology operation[J].Application Research of Computers，2012，29（7）：2730-2732.

[3]瞿中，王永昆，常慶麗，等.基于三次定位過程的車牌精確定位算法設(shè)計[J].計算機工程與設(shè)計，2013，34（8）：2806-2810.

QU Zhong，WANG Yong-kun，CHANG Qing-li，et al.Accurate location algorithm design for license plate based on three steps location[J].Computer Engineering And Design，2013，34（8）：2806-2810.

[4]黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學(xué)與計算機，2011，28（9）：123-126.

HUANG Yan-guo，ZHAO Shu-ling，XU Lun-hui.Vehicle license plate location technique based on texture feature and color matching[J].Microelectronics&Computer，2011，28（9）：123-126.

[5]孫露，喬雙.一種復(fù)雜環(huán)境下快速車牌定位的新方法[J].東北師大學(xué)報：自然科學(xué)版，2013，45（2）：90-94.

SUN Lu，QIAO Shuang.A novel method for fast license plate location under complex environments[J].Journal of Northeast Normal University：Natural Science Editon，2013，45（2）：90-94.

[6]DEB K，LIM H，JO K H.Vehicle License plate extraction based on color and geometrical features[J].IEEE International Symposium on Idustrial Electronics，2010，57（2）：1650-1655.

[7]程增會，戴祥，唐大鵬.一種基于 HSI和 YUV顏色模型的車牌定位方法 [J].計算機應(yīng)用與軟件，2011，28（12）：132-135.

CHENG Zeng-hui，DAI Xiang，TANG Da-peng.A carlicense plate location method based on HSI and YUV color model[J].Computer Applications and Software，2011，28（12）：132-135.

[8]LALIMI M A，GHOFRANI S，MCLERNON D.A vehicle license plate detection method using region and edge based methods[J].Computers and Electrical Engineering，2012，（26）：231-230.

[9]CHEN Rong-bao，LUO Yun-fei.An improved license plate location method based on edge detection[J].Physics Procedia，2012，（24）：1350-1356.

[10]WEN Ying，LU Yue.An algorithm for license plate recognition applied to intelligent transportation system[J].IEEE Transactions on Intelligent Transportation Systems，2011，12 （3）：830-845.

Vehicle license plate location based on image preprocessing and texture feature

XUE Qian
（Department of Information Engineering， Shaanxi College of Communication Technology， Xi’an 710018， China）

In order to solve the problem of the captured images in complex background， noise，and low accuracy of image detection，this paper presents a simple， effective and strong anti-jamming algorithm of the vehicle license plate location.Firstly， the color image is converted to gray image， secondly set the gray threshold to distinguish between target and the background， and binary process image， then use the Sobel edge detection operator to calculate the image gradient magnitude，and detect the image edge point，next remove the interference of image by median filtering in local image smoothing technology， finally， according to the characteristics of texture information in the license plate region is richer than other regions， by using a projection method， through repeated extraction of the distributed character of projection in horizontal and vertical directions， accurately detect and locate the license plate.The experimental results show that， the clarity and accuracy of the vehicle license plate image located by this method is higher than by other methods.

license plate location； graying； binarization； edge detection； median filtering； texture feature

10.14022/j.cnki.dzsjgc.2014.16.047

TN98

A

1674-6236（2014）16-0159-04

2013-12-31 稿件編號：201312244

國家自然科學(xué)青年基金項目（41102107）

薛 倩（1978—），女，河南焦作人，碩士，講師。研究方向：圖像處理與模式識別。