王鵬，楊建華

（咸陽師范學院信息工程學院，咸陽 712000）

車牌識別中的多種定位算法的比較

王鵬，楊建華

（咸陽師范學院信息工程學院，咸陽 712000）

車輛牌照定位與識別是計算機視覺與模式識別技術在智能交通領域應用的重要研究課題之一。車牌定位是該系統(tǒng)的核心技術之一，車牌定位的質(zhì)量直接影響到后面的字符識別的結(jié)果。將對比幾種定位算法，在相同預處理等操作后，運用不同的定位算法，比較其定位的質(zhì)量。

車牌定位；邊緣檢測；灰度跳變

0 引言

車牌是汽車的唯一身份證，車輛牌照定位與識別是計算機視覺與模式識別技術在智能交通領域應用的重要研究課題之一，它是通過運用數(shù)字圖像處理技術、模式識別和人工智能等技術對攝像機拍攝的圖像進行處理，從而得到車輛的一些信息，最后通過一定形式顯示識別結(jié)果。

由于車牌圖像的采集會受到不同因素的影響，如：光照條件、車牌磨損情況、攝像設備等，這會給車牌的定位和識別準確度帶來一定的影響，因而在車牌定位和識別前需要對圖像進行一系列的預處理，如圖像的去噪、圖像的增強等。本文主要針對預處理后的圖像，對其定位算法進行了深入研究，比較基于邊緣檢測的定位算法與灰度跳變的定位算法對車牌圖像進行的定位準確性。

1 車牌定位算法

車牌定位是車牌識別中的關鍵技術，主要目的是經(jīng)過預處理的灰度圖像中確定牌照的具體位置，并將包含牌照字符的字圖像從整幅圖像分離出來，供后續(xù)字符識別使用。

1.1 邊緣檢測的定位算法

邊緣檢測是圖像預處理中重要的部分，邊緣檢測大幅度地減少了數(shù)據(jù)量，并且剔除了可以認為不相關的信息，保留了圖像重要的結(jié)構(gòu)屬性。常見的邊緣檢測算子有Sobel算子、Roberts算子、Kirsch算子、Prewitt算子、Gauss-Laplace算子。在邊緣檢測時采用了各種算子，經(jīng)過反復測試對比，發(fā)現(xiàn)Sobel算子對噪聲有很好的抑制能力[1]。

牌照區(qū)域在原始圖像中的位置十分明顯，準確地說，是水平度較高的橫向近似的長方形，它在原始圖像中的相對位置十分集中，并且其灰度值與周圍區(qū)域有明顯不同。因此，在牌照邊緣形成了灰度突變的界線，這樣就可以使用邊緣檢測來對圖像進行分割。

經(jīng)過邊緣檢測之后牌照區(qū)域十分明顯，我們可以進一步確定車牌在原始圖像中的精確位置。這一步主要通過數(shù)學形態(tài)學中的腐蝕和膨脹來實現(xiàn)。數(shù)學形態(tài)學的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應形狀，有效地濾除噪聲，保留有用信息，以達到圖像分析與識別的目的[2]。常用的形態(tài)學變換有兩種：腐蝕和膨脹。通常由于噪聲的干擾，圖像在閾值化之后邊界變得不夠平滑，物體區(qū)域內(nèi)包含一些噪聲體，經(jīng)過多次的腐蝕再加上相同次數(shù)的膨脹，可以消除小的噪聲體。

最后在利用彩色像素點統(tǒng)計的方法分割出合理的牌照區(qū)域，確定車牌底色藍色RGB對應灰度范圍，然后水平方向統(tǒng)計在此范圍像素點，設置合理閾值，確定車牌在水平方向的區(qū)域，在此基礎上再統(tǒng)計垂直方向的藍色像素點數(shù)量，最終就可以確定牌照的具體位置。

1.2 灰度跳變的定位算法

通過對牌照區(qū)域內(nèi)灰度直方圖統(tǒng)計，分析灰度分布特征：①具有兩個明顯且相互分離的分布中心；②牌照字符和原始圖像背景的灰度對比度較大；③牌照區(qū)域的灰度跳變與其他區(qū)域的灰度跳變相比較為頻繁。

根據(jù)車牌圖像的二值化處理后的二值圖像，分析可得，牌照區(qū)域水平方向的的灰度累加值的跳變十分明顯，也十分頻繁；牌照區(qū)域垂直方向的灰度累加值表現(xiàn)為：波峰-波谷-波峰的特性[3]。

基于上述分析，灰度跳變的定位算法簡單描述應該是這樣的：

首先采集原始圖像，根據(jù)對圖像水平和垂直方向的灰度統(tǒng)計生成兩張灰度分布表，并分析灰度分布特性：牌照區(qū)域的灰度變化頻繁而且投影值比較大，在牌照周圍區(qū)域投影值比較小。

然后利用之前統(tǒng)計與分析得到的牌照區(qū)域的灰度跳變特性來進行牌照粗定位。粗定位從水平方向和垂直方向兩個方向來進行，分別確定牌照區(qū)域的上下邊界和左右邊界。在進行粗定位之前，將圖像二值化，每個像素點的灰度值為0或255，圖像每行像素點灰度累加值取決于這一行中灰度為255的像素點個數(shù)。因為牌照包含7個字符，包含一個中文漢字，所以牌照區(qū)域內(nèi)一行灰度值為255的像素點個數(shù)至少為14個。根據(jù)這一特點，在進行水平方向掃描時，我們將這一值設定為12，對二值圖像進行掃描找到第一個灰度為255的像素點個數(shù)大于12的行號和在此之后第一個灰度為255的像素點個數(shù)小于12的行號，這便是牌照區(qū)域的下邊界和上邊界。垂直方向與水平方向的算法相似，只是每一列中灰度為255像素點個數(shù)選擇為10，對二值圖像進行掃描找到第一個灰度為255的像素點個數(shù)大于10的列號和在此之后第一個灰度為255的像素點個數(shù)小于10的列號，這便是牌照區(qū)域的左邊界和右邊界。

再針對粗定位結(jié)果，按照水平和垂直方向統(tǒng)計灰度跳變的頻率，結(jié)合閾值分割最終實現(xiàn)精確定位。

2 實驗結(jié)果與分析

實驗以提前采集的車牌圖像為例，對其分別采用邊緣檢測的定位算法和灰度跳變的定位算法。圖1為原始圖像，圖2為邊緣檢測的結(jié)果，圖3為經(jīng)過形態(tài)學腐蝕后的圖像，圖4為平滑輪廓，圖5是從之前結(jié)果圖中移除不相干的對象的結(jié)果，圖6為兩種算法最終的牌照截取出的結(jié)果。

圖1 原始圖像

圖2 邊緣檢測的結(jié)果圖

圖3 腐蝕后的圖像

圖4 平滑圖像的輪廓

圖5 移除較小對象

圖6 牌照截取結(jié)果比較

通過對比實驗，可以明顯看出灰度跳變的定位算法在垂直方向的識別精確度明顯比邊緣檢測的定位算法要高。在其他檢測中，灰度跳變的定位算法也略優(yōu)于邊緣檢測。

3 結(jié)語

本文對兩種定位算法進行了比較，邊緣檢測的定位算法對噪聲十分敏感，而用灰度跳變特性來定位車牌，具有廣泛的適用性，并且定位精度高。由于圖像在采集過程中牌照區(qū)域所在位置有可能是傾斜的，所以本文所說的兩種算法并沒有對其進行傾斜矯正，故而在對這類圖像進行識別時識別精度略低。

[1] 謝鳳英，趙丹培.Visual C++數(shù)字圖像處理[M].北京:清華大學出版社，2008

[2] 張宏林.精通Visual C++數(shù)字圖像處理典型算法及實現(xiàn)[M].北京：人民郵電出版社，2008

[3] 王善發(fā)，吳道榮.基于灰度跳變的車牌定位算法及實現(xiàn)[J].計算機仿真，2012

Comparison of Several Kinds of Localization Algorithm in License Plate Recognition

WANG Peng，YANG Jian-hua
（School of Information Engineering,Xianyang Normal University,Xianyang 712000）

Vehicle license plate location and recognition is one of the important research topic of computer vision and pattern recognition technology in the field of application of intelligent traffic.Vehicle license plate locating is one of the core technologies of the system,quality directly affects the result of character recognition behind.Compares several localization algorithms in the same pretreatment,and uses different various localization algorithms,compares their quality positioning.

License Plate Location;Edge Detection;Gray Level Jump

1007-1423（2015）03-0031-03

10.3969/j.issn.1007-1423.2015.03.008

王鵬（1992-），男，本科，研究方向為圖像識別

楊建華（1991-），男，本科，研究方向為圖像識別

2014-12-09

2015-01-04

咸陽師范學院國家級大學生創(chuàng)新訓練項目（No.201310722002）、咸陽師范學院省級大學生創(chuàng)新訓練項目（No.1801)、咸陽師范學院校級大學生創(chuàng)新訓練項目（No.2013005）