摘 要：為了實現(xiàn)車牌的準(zhǔn)確定位及后續(xù)的車牌識別，提出一種改進的車牌定位算法。該方法首先對預(yù)處理后的車牌圖像進行模板匹配來大致確定車牌區(qū)域，為了節(jié)約運算時間，對模板匹配法進行優(yōu)化。接著，運用形態(tài)梯度方法對粗定位后的圖像進行邊緣檢測，從而更好地保持車牌的邊緣。最后，采用投影法進行精確定位，通過對投影的分析找到車牌的準(zhǔn)確位置。實驗結(jié)果表明，該算法對車牌定位的準(zhǔn)確性和處理速度都有很大提高，基本滿足了系統(tǒng)實時性和準(zhǔn)確性的要求。

關(guān)鍵詞：車牌定位；模板匹配；形態(tài)梯度；投影分析

Research on an Advanced License Plate Location Method

YU Jingsheng，ZANG Jing

(hijiazhuang College，hijiazhuang，0003，China)

Abstract： In order to realize license plate location exactly and recognition，an advanced license plate detection method is proposedAt first，this algorithm which is applied to the license plate image after being preprocessed locates the license plate approximately with template matching and a method which can shorten time is introducedhen edge detection based on morphological grads provides better license plate's edge and is propitious to locate exactlyFinally，projection afforded exact location and the license plate location can be got through projection analysishe experiment results indicate that the algorithm given is able to improve the veracity and enhance the speedIt can satisfy real-time and veracity requirements of the system

Keywords：license plate location;template matching;morphological grads;projection analysis

1 引 言

車牌自動識別技術(shù)(License Plate Recognition，LPR）是智能交通系統(tǒng)（Intelligent ransportation ystem，I）中重要的研究課題，在收費站、停車場和機動車違章查詢等場合有著廣泛應(yīng)用。通常，一幅車牌圖像的識別主要有3個步驟：車牌定位、字符分割、字符識別。其中能夠?qū)④嚺茰?zhǔn)確、快速定位是車牌自動識別的關(guān)鍵，這將直接關(guān)系到整個系統(tǒng)的性能。本文所要解決的問題就是如何快速、有效地將目標(biāo)（車牌）從復(fù)雜背景中提取出來。目前，常用的車牌定位方法有：基于彩色信息的定位方法［1］，由于光線對顏色影響較大，容易與顏色相似的區(qū)域混淆；基于灰度檢測的方法［2］，因不同的彩色級變成同樣的灰度級會丟失一些邊緣信息；基于神經(jīng)網(wǎng)絡(luò)的定位方法［3］，利用神經(jīng)網(wǎng)絡(luò)對圖像中一個個小窗口進行分類，然后對分類結(jié)果進行綜合判定得到車牌位置，該方法計算量大，耗用時間長；基于投影法和形態(tài)學(xué)的車牌定位方法［4］，對車牌圖像質(zhì)量要求較高，易受孤立噪聲干擾。在實際應(yīng)用中，由于天氣、背景、車牌磨損等因素的影響，以上基于單一特征的車牌定位算法均有一定的局限性，都會造成定位效果不理想。

要想準(zhǔn)確定位車牌區(qū)域，就要從解決問題的實際出發(fā)，對車牌區(qū)域的特征進行深入觀察、分析。車牌區(qū)域圖像的特征：

(1)形態(tài)特征：車牌是按照國家標(biāo)準(zhǔn)制造的，長寬比例固定，約為3∶1。字符高90 mm，寬4 mm；

(2)字符特征：車牌由7個字符或數(shù)字組成，字符、數(shù)字間有間隙，它們基本呈水平排列，在矩形內(nèi)部存在比較豐富的邊緣；

(3)灰值變化特征：在車牌區(qū)域內(nèi)部，字符和車牌底色的灰度呈現(xiàn)較均勻的連續(xù)的波峰波谷分布。

2 單一車牌定位方法

21 模板匹配法

模板匹配法根據(jù)不同對象的需要，選擇一個或多個模板在待匹配圖像中移動，將模板圖像和原圖像比對，找到與模板相匹配的區(qū)域。

運用在車牌定位算法中的模板匹配是一種模糊匹配。即這里所制定的模板并不是一個具體的車牌，而是根據(jù)經(jīng)驗值設(shè)定的矩形模板。在實際應(yīng)用中，由于攝像機和車輛之間的距離相對固定，所以得到的車牌大小在一定范圍內(nèi)。選取的經(jīng)驗值要比實際車牌區(qū)域尺寸大些，以便定位到整個車牌區(qū)域。

在預(yù)處理后的車牌圖像中，車牌區(qū)域具有與其他區(qū)域明顯不同的特征。該區(qū)域邊緣豐富，在垂直方向連通，水平方向灰度跳變率大。所以，其水平差分累加值最大。 

計算水平差分累加值（如式（1）所示）：

C=∑i=heighi=1 ∑j=widthj=1|f(i，j)－f(i，j+1)|[JY]（1）

將矩形模板在待匹配的圖像中（如圖1（a）所示）移動，當(dāng)模板中像素的水平差分累加值達到最大時，就找到車牌的粗略位置（如圖1（b）所示）。

雖然這種方法能夠找到車牌的位置，但經(jīng)此方法處理后的圖像含有較多的冗余信息，不利于后續(xù)的車牌識別；同時，該方法計算量大、速度慢、難以滿足實時性的要求。

22 投影法

投影法是對二值化后的圖像進行掃描，先統(tǒng)計行跳變點的數(shù)據(jù)得到水平投影圖；再通過突出圖像列的邊緣特征得到垂直投影圖，從而提取出有效的車牌區(qū)域。雖然該方法運算時間短，但對圖像質(zhì)量要求較高，如果非車牌區(qū)域出現(xiàn)較大噪聲干擾，很難選取合適的閾值（如圖1(c)所示），使得定位不準(zhǔn)確甚至出現(xiàn)錯誤。 

3 多方法融合的車牌定位算法

綜合考慮以上因素，本文提出一種模板匹配法、形態(tài)學(xué)和投影法相融合的定位算法，使車牌定位的準(zhǔn)確性和處理速度都能達到理想效果。

31 算法概述及流程圖

由于不同汽車圖像中車牌的干擾程度不同，僅通過1次掃描就定位車牌的準(zhǔn)確位置具有一定困難。因此，本文采用先粗后細的定位方式，逐步搜索到車牌的準(zhǔn)確位置。算法流程圖（如圖2所示）。

32 預(yù)處理

由于直接對彩色圖像進行處理的運算量很大，不能滿足系統(tǒng)實時、快速的要求，所以預(yù)處理的第一步就是將彩色圖像灰度化［6］。

轉(zhuǎn)化關(guān)系：

gray=03R+09G+011B[JY]（2）

式（2）中，gray為灰度值；R，G，B分別為紅色、綠色和藍色分量值。

采用線性拉伸增強圖像對比度［7］，便于后面的處理。圖像二值化的關(guān)鍵是閾值的選取，本文采用改進的Bernsen算法對車牌圖像進行二值化［8］，有效地克服不均勻光照的影響，得到了較為滿意的分割效果（如圖3所示）。然后采用中值濾波方法［9］（3×3模板）進行去噪處理，消除孤立噪聲的干擾，較好地保留圖像邊緣的細節(jié)及車牌區(qū)域特征。

33 粗定位

331 模板匹配算法粗定位

車牌粗定位的任務(wù)就是從整幅車牌圖像中除去大部分無用的背景信息，找到包含少量冗余背景的車牌區(qū)域。

本文采用模板匹配法進行粗定位，并對算法進行優(yōu)化，減少運算時間。

332 優(yōu)化算法

計算模板（如圖4所示）在位置1(實線框)的水平差分累加值C1，然后水平移動模板一個像素到位置2（虛線框）。此時，模板中的水平差分累加值為C2。C2和C1相比，只減少了與位置1中最前一列像素的差分累加值，同時增加了與位置2中最后一列像素的差分累加值，而中間區(qū)域像素的差分累加值保持不變。因此，只需在每次模板移動后減掉與前一位置中最前一列像素的差分值，加上與該位置最后一列像素的差分值。模板中始終保留水平差分累加值最大的一塊區(qū)域。即：若C2>C1，則保留C2；若C2

34 基于形態(tài)學(xué)的邊緣檢測算法

經(jīng)過粗定位后，車牌區(qū)域已基本被提取出來，此時圖像中車牌區(qū)域特征更加明顯。接著對粗定位后的圖像進行邊緣檢測，為后面的精確定位打下基礎(chǔ)。

傳統(tǒng)的邊緣檢測算法，如sobel，prewitt算子［10］，都是通過計算圖像中小區(qū)域像素的差分來實現(xiàn)，因此在檢測邊緣的同時也加強了噪聲。

本文采用基于形態(tài)梯度的邊緣檢測［11］，該方法對噪聲較敏感但不會加強或放大噪聲，有利于車牌區(qū)域的精確定位。用形態(tài)學(xué)的腐蝕和膨脹這2個最基本運算來解決形態(tài)梯度問題。

腐蝕運算 AB表示用結(jié)構(gòu)元素B來腐蝕A。即B完全包括在A中時B的原點位置的集合。

膨脹運算AB表示用結(jié)構(gòu)元素B來膨脹A。即B關(guān)于原點的映射的位移與A至少有一個非零元素相交時B的原點位置的集合。

選用的形態(tài)梯度（如式3所示）：

Grad=min{［(A⊕B)－A］，［A－(AΘB)］}[JY]（3）

該梯度對孤立的噪聲點不敏感，對于理想斜面邊緣的檢測效果很好。由于形態(tài)梯度能反映出圖像的所有邊緣，而車牌圖像區(qū)是梯度變化較多的區(qū)域，所以采用形態(tài)梯度邊緣檢測可以很好地突出車牌區(qū)域（如圖(a)所示）。

3 細定位

31 投影法

由圖(a)可以看出車牌區(qū)域水平邊緣變化比較頻繁，對該圖像進行水平投影會使車牌區(qū)域突出。采用從下到上的掃描順序，第一個較大的波峰就是車牌區(qū)域，且此波峰區(qū)域高度應(yīng)與車牌高度（經(jīng)驗值）相同。利用可以截取車牌的水平位置（如圖(b)所示）。此時由圖(b)和圖1(c)對比可看出：先粗定位后，再用投影法，可以減少非車牌區(qū)域的噪聲干擾。對水平投影后的圖像進行垂直投影（如圖（c）所示），可見車牌區(qū)域在投影圖中投影均值較大，利用車牌長寬比約為3∶1的外形特征，可以搜索到一個投影連續(xù)的區(qū)域，即車牌的垂直位置。從而得到最終定位圖像（如圖(d)所示）。

32 去除邊框

在水平投影圖（圖(b)）中可以看到車牌字符位置對應(yīng)于投影圖中的波峰區(qū)，而車牌邊框和字符之間的區(qū)域投影值相對很?。◣缀鯙?），其對應(yīng)于投影圖中的波谷（如圖6(a)所示）。所以，只需從下到上搜索水平投影圖中兩個有較大突變投影值的行號，去掉行號上下部分即去掉了車牌上下邊框。同樣的方法可去掉車牌左右邊框，實驗結(jié)果（如圖6(b)所示）。

4 實驗結(jié)果對比分析

41 不同光照條件下的實驗結(jié)果

在一天中的不同時間拍照，也就意味著在不同的光照條件下采集圖像，并非順序采集。表1是對幾天中三個不同時段拍攝的共900幅照片進行的定位結(jié)果比較。從表1的實驗結(jié)果看，光照太強或者太弱對定位的準(zhǔn)確性稍有影響，但綜合來看，該算法在不同的光照條件下仍能取得很高的準(zhǔn)確率，能夠適應(yīng)不同的光照條件。

實驗樣本從實拍的3個不同時段中選取300幅車牌圖像（在不同時間和地點的上午、中午、下午各100幅），將本文算法與單一的模板匹配法和投影法分別進行測試（實驗結(jié)果如表2所示）。

由表2可以看出，基于多方法融合的定位算法在運算速度和準(zhǔn)確性方面均得到提高，更適用于實時性要求較高的場合。

結(jié) 語

筆者利用Visual C++60編程實現(xiàn)該算法。硬件配置：

CCD攝像機：PANAONICCP470，480 V lines；基于ARM9的640×480×32 b圖像采集卡(自制)；

計算機配置：CPUIntelP4 XE 346 G，內(nèi)存12 MDDR400；

光學(xué)鏡頭：FUJI POO OPICAL COFUJINON-V 1：14/2。

從實驗結(jié)果（如圖6（b））及實驗結(jié)果對比（如表1、表2所示）可以看出，本文提出的基于多方法融合的車牌定位算法取得了較好的效果。算法較好地排除了孤立點噪聲的干擾，使得投影法的魯棒性明顯改善；有效地去除了車牌邊框，實現(xiàn)了車牌區(qū)域的準(zhǔn)確定位，為后續(xù)的字符分割與識別打下基礎(chǔ)；適合于不同的光照條件，定位準(zhǔn)確率達到987%，定位時間約為80 ms，比單一的定位方法具有更好的快速性和準(zhǔn)確性。當(dāng)然，對于個別污染嚴重或者字體模糊不清的車牌、噪聲干擾很大、定位效果很差、由后續(xù)的車牌識別部分轉(zhuǎn)入人工處理。

為使該算法具備更強的自適應(yīng)性，將對模板大小的設(shè)置、形態(tài)學(xué)結(jié)構(gòu)元素的選擇、噪聲干擾等問題做深入研究。

參 考 文 獻

［1］ChangL，Chen L ，Chung Y C，et alAutomatic License Plate Recognition[J]IEEE ransactions on Intelligent ransportation ystems，2004，(1):42-3

［2］Kim ，Kim D，Ryu Y，et alA Robust License-plate Extraction Method Under Complex Image Conditions[A]Proceedings of 16th International Conference on Pattern Recognition[C]eoul，Korea，2002，3:216-219

［3］Li G，Zeng R L，Lin LResearch on Vehicle License Plate Location Based on Neural Networks[A]Proceedings of the First International Conference on Innovative Computing，Information and Control[C]Beijing，PR China，2006，3:174-177

［4］Barroso J，Dagless E LNumber Plate Reading Using Computer Vision［J］Proceedings of the IEEE International ymposium on Industrail Electronics，1997(3):761 - 766

［］鄭霞車牌照識別關(guān)鍵技術(shù)研究［D］西安：西北大學(xué)，2004

［6］王洪建，李志敏基于視頻圖像的車輛流量實時檢測系統(tǒng)[J]光學(xué)精密工程，200，13(1):222-226

［7］張明慧，徐衛(wèi)，張堯禹，等航空照片的圖像增強研究[J]光學(xué)精密工程，2002，10(2):194-200

［8］歐陽慶不均勻光照下車牌圖像二值化研究[J]武漢：武漢大學(xué)學(xué)報，2006(4):143-146

［9］胡強基于特征信息的車牌識別系統(tǒng)的研究［D］成都：西南交通大學(xué)，2004

［10］林玉池，崔彥平，黃銀國復(fù)雜背景下邊緣提取與目標(biāo)識別方法研究[J]光學(xué)精密工程，2006，14 (3):09-14

［11］章毓晉圖像分割［M］北京:科技出版社，2001

［12］齊永奇，王文凡，趙巖，等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)，2007，30（17）:184-186

作者簡介 于京生 男，199年出生，山東青島人，副教授。主要從事計算機圖像處理、機器視覺的研究。