徐 雷，何斌，張小寧

XU Lei1, HE Bin2, ZHANG Xiao-ning1

（1. 同濟(jì)大學(xué) 道路與交通工程教育部重點實驗室，上海 200092；2. 同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 200092）

基于lab空間和圖像形態(tài)學(xué)的車牌定位算法

A method of license plate locating based on lab and mathematical morphology

徐 雷1，何斌2，張小寧1

XU Lei1, HE Bin2, ZHANG Xiao-ning1

（1. 同濟(jì)大學(xué) 道路與交通工程教育部重點實驗室，上海 200092；2. 同濟(jì)大學(xué) 電子與信息工程學(xué)院，上海 200092）

車牌定位是車牌識別系統(tǒng)LPR的關(guān)鍵技術(shù)之一。根據(jù)Lab顏色空間b通道特性，本文提出了一種Lab空間下的車牌定位方法。該方法首先針對b通道圖像設(shè)計了一種判斷車牌顏色的算法；之后對不同顏色車牌選取不同的閾值范圍進(jìn)行迭代運算，得到最優(yōu)分割閾值，并對二值化圖像進(jìn)行形態(tài)學(xué)處理；最后選取連通域的面積大小、長寬比及灰度跳變次數(shù)來篩選出真實車牌區(qū)域。實驗表明，該方法準(zhǔn)確率較高，耗時短，受光照、背景環(huán)境影響較小。

車牌定位；Lab空間；數(shù)學(xué)形態(tài)學(xué)

0 引言

車牌識別技術(shù)LPR（License plate recognition）的研究始于20世紀(jì)80年代[1]，它的任務(wù)是自動采集交通圖像，分離出車牌區(qū)域，并完成字符的分割與提取。車牌定位、字符分割、字符識別是LPR的三個關(guān)鍵技術(shù)，其中車牌區(qū)域快速有效的定位，是完成字符分割和識別的基礎(chǔ)，定位準(zhǔn)確率在整個識別流程中起到至關(guān)重要的作用。目前車牌定位的算法主要有基于灰度圖的算法[2～4]和基于顏色空間特性的算法[5,6]，前者具有時間復(fù)雜度小的優(yōu)點，但遇到光線較暗、光照不均等情況，識別準(zhǔn)確率會有所下降；后者利用了顏色通道的特性，受光照等外部環(huán)境影響較小，尤其與形態(tài)學(xué)、小波等數(shù)學(xué)方法相結(jié)合時定位效果較好。

考慮到Lab顏色空間藍(lán)、黃兩色分離的特性，本文提出了一種Lab顏色空間下的車牌定位方法。Lab空間b通道存儲的是藍(lán)、黃兩色的顏色信息，一個像素點的顏色越藍(lán)，在b通道的數(shù)值就越小，反之顏色越黃數(shù)值越大，這種特性使得選取一個合適的閾值來分割出圖像中的藍(lán)、黃車牌能夠得以實現(xiàn)。經(jīng)過大量實驗分析，選取一個經(jīng)驗閾值來判斷圖像中的車牌顏色，對于藍(lán)色和黃色車牌分別限定一個閾值的選取范圍，通過迭代確定出最優(yōu)分割閾值，得到二值圖像。不同的原始圖像經(jīng)過二值化和形態(tài)學(xué)運算后，得到數(shù)量不一的車牌候選區(qū)域，此時再根據(jù)車牌自身特性進(jìn)行車牌區(qū)域的篩選，如面積、車牌長寬比、水平灰度跳變次數(shù)等，最終得到唯一的車牌區(qū)域。圖1為該方法的技術(shù)路線。

圖1 Lab空間下車牌定位的技術(shù)路線

1 b通道分割閾值的確定

攝像機(jī)采集到的圖像大多是RGB顏色空間的，故首先應(yīng)將車牌圖像由RGB顏色空間轉(zhuǎn)換到Lab顏色空間[7]。

我國的標(biāo)準(zhǔn)車牌由藍(lán)底白字、黃底黑字、白底黑字和黑底白字4種顏色對組成，其中又以藍(lán)底白字的最多，其次為黃底黑字。在Lab顏色空間中，由于藍(lán)色和黃色分居b分量的兩頭，因此根據(jù)b分量的值可以比較容易地判斷出是藍(lán)色還是黃色。利用這一特性，對b通道圖像選取合適的閾值進(jìn)行二值化，能夠有效的分離出黃色和藍(lán)色車牌區(qū)域。

b通道矩陣的數(shù)值范圍是-128～127，為了在matlab中正常顯示圖像，需將矩陣中的數(shù)據(jù)映射到0～255的范圍區(qū)間。原始圖像和轉(zhuǎn)換后的Lab空間b通道圖像分別如圖2和圖3所示。

圖2 原始RGB圖像

圖3 b 通道圖像

對于含有藍(lán)色車牌的圖像（以下簡稱藍(lán)牌圖像），車牌區(qū)域的像素點藍(lán)色飽和度相對較高，在b通道的圖像中，車牌區(qū)域顯示為一個較暗的區(qū)域，且與周圍像素的對比度較大。而對于含有黃色車牌的圖像（以下簡稱黃牌圖像），在b通道圖像中車牌區(qū)域顯示為一個較亮的區(qū)域。據(jù)此，分別對藍(lán)牌圖像和黃牌圖像選取一個適當(dāng)?shù)拈撝祎hB和thY進(jìn)行二值化，即可把車牌區(qū)域較好的分割出來。

由于藍(lán)、黃車牌圖像具有不同的統(tǒng)計特性，thB和thY不是像thB=255 - thY這樣一種簡單的對應(yīng)關(guān)系，應(yīng)首先將藍(lán)牌圖像和黃牌圖像區(qū)分開來。據(jù)此，本文設(shè)計了一種區(qū)分藍(lán)、黃車牌圖像的算法：以一個初始判定閾值th1=50對b通道圖像進(jìn)行二值化，統(tǒng)計二值化圖像中黑色像素點的比例，若比例超過了門限值η=0.05，判定此圖像為黃牌圖像，反之若比例小于門限值η，則判定為藍(lán)牌圖像。

此外，為了更好的適應(yīng)光照、背景條件等環(huán)境變化，提高定位精度，本文對分割藍(lán)色車牌閾值thB和分割黃色車牌閾值thY分別設(shè)定了一個選取范圍，通過閾值迭代的方法來選定最優(yōu)閾值。經(jīng)大量實驗分析，將thB的范圍定為50～80，thY的范圍定為110～140。

黃牌圖像二值化后車牌候選區(qū)域為白色，而藍(lán)牌圖像二值化后車牌候選區(qū)域為黑色，故還要對后者做一次反向操作，以使車牌候選區(qū)域統(tǒng)一為白色，背景統(tǒng)一為黑色，從而有利于后續(xù)算法的簡化。圖3兩幅圖像的二值化及相應(yīng)的反向操作結(jié)果如圖4所示。

圖4 b通道圖像二值化及相應(yīng)反向操作結(jié)果

2 形態(tài)學(xué)運算

數(shù)學(xué)形態(tài)學(xué)的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀，以達(dá)到對圖像進(jìn)行分析和識別的目的[8]，其基本運算包括腐蝕、膨脹、開啟和閉合四種。設(shè)g為結(jié)構(gòu)元素，f為輸入圖像，對二值圖像其數(shù)學(xué)描述為：

其中開運算可以消除細(xì)小物體，閉運算可以填充物體內(nèi)細(xì)小空洞。

經(jīng)試驗分析，本文針對藍(lán)牌圖像得到的二值圖像進(jìn)行的形態(tài)學(xué)運算步驟為：首先用半徑為6的disk（圓盤形）結(jié)構(gòu)元做閉合運算，以消除細(xì)小物體和不同物體間的細(xì)小連接線；再用半徑為2的disk結(jié)構(gòu)元做開啟運算，以填充車牌區(qū)域小的孔洞或斷開的區(qū)域，使之連成為一個整體；最后考慮到實驗中經(jīng)常出現(xiàn)的車牌區(qū)域橫向變短的情況，用大小[2,15]的矩形結(jié)構(gòu)元做一次膨脹運算。針對黃牌圖像得到的二值圖像進(jìn)行的形態(tài)學(xué)運算步驟為：用半徑為3的disk結(jié)構(gòu)元依次做一次開啟和閉合運算。圖4的形態(tài)學(xué)運算結(jié)果如圖5所示。

圖5 形態(tài)學(xué)運算結(jié)果

3 車牌區(qū)域篩選

經(jīng)形態(tài)學(xué)運算后，得到若干個車牌候選區(qū)域，為了得到唯一且正確的車牌區(qū)域，需要根據(jù)車牌特性進(jìn)行進(jìn)一步的篩選。我國汽車牌照具有一些相對固定的幾何、顏色特征，如車牌長寬比為固定值、字符和背景對比度較大、車牌區(qū)域灰度跳變次數(shù)多等。為使算法具有較高的篩選準(zhǔn)確率，采取面積大小、長寬比及灰度跳變次數(shù)來綜合判別車牌區(qū)域。

面積大小是指各連通域內(nèi)白色像素點的個數(shù)，面積過小或過大的連通域都可排除出候選區(qū)域。根據(jù)攝像機(jī)與采集點距離的不同，面積篩選的范圍也有所不同，應(yīng)根據(jù)具體環(huán)境選擇合適的面積篩選范圍。本文選取的范圍為1500～4000，大小不在其間的連通域直接被排除。

我國車牌的長寬比相對固定，一般在3～4之間[2]，考慮到形態(tài)學(xué)運算過程中連通域的大小會發(fā)生一定變化，故限定篩選范圍為2.5～4.5，長寬比不在其間的被排除。

此外，根據(jù)車牌字符和背景對比度較大的特性，對經(jīng)過前兩步篩選后剩余的每個連通域依次進(jìn)行如下操作：1）在原彩色圖中剪切出對應(yīng)區(qū)域并灰度化；2）對灰度圖進(jìn)行水平梯度運算；3）選取圖像的中間一行檢測灰度跳變次數(shù)，若大于14則判定為車牌區(qū)域，反之排除該連通域。

圖5的車牌區(qū)域篩選結(jié)果如圖6所示，最終車牌定位結(jié)果如圖7所示。

圖6 對車牌候選區(qū)域的篩選結(jié)果

圖7 最終車牌定位結(jié)果

4 實驗結(jié)果與分析

算法的實驗平臺為matlab7.0，選取在路邊同一地點隨機(jī)拍攝的89幅車牌圖像進(jìn)行測試（測試前將車牌圖像大小歸一化為300*400），定位結(jié)果如表1所示。

表1 實驗結(jié)果

藍(lán)色車牌圖像有4幅未定位，其中有2幅是車、牌同色，且車牌沒有金屬邊框，這種情況下在b通道圖像中車牌區(qū)域和車身連為一體，使得二值化過后車牌區(qū)域與周圍背景合成一個大的連通域，這樣在后續(xù)的面積篩選步驟中該區(qū)域就被篩選掉了，無法實現(xiàn)準(zhǔn)確定位。另有兩幅圖像未成功定位的原因是車牌區(qū)域污染嚴(yán)重，粘著大量泥土導(dǎo)致車牌顏色飽和度降低，且字符與車牌背景的對比度減小，這使得對b通道二值化的過程中在整個閾值選取范圍內(nèi)無法找到最優(yōu)閾值，并且在灰度跳變篩選車牌區(qū)域這一步，有可能使得統(tǒng)計得到的灰度跳變次數(shù)不滿足要求，從而定位失敗。

黃色車牌有2幅未定位，經(jīng)分析，其原因可認(rèn)為是照相機(jī)曝光參數(shù)（光圈、感光度ISO）與拍攝其他圖像時的曝光參數(shù)不一致，致使無法準(zhǔn)確判別是否為黃色車牌圖像。顯然，針對不同的天氣、光照和道路環(huán)境，判別藍(lán)、黃車牌的門限值也不盡相同，需根據(jù)具體條件進(jìn)行調(diào)整。

5 結(jié)論

Lab顏色空間的b通道圖像能夠很好的區(qū)分藍(lán)、黃兩種顏色，我國大部分車牌為藍(lán)底白字和黃底黑字，故基于Lab空間的車牌定位算法具有較高的實用性。

該算法優(yōu)點主要有：算法的實現(xiàn)基于Lab空間的b通道顏色特性，因此受光照條件影響較小；L通道和a通道的數(shù)據(jù)被忽略，故算法的執(zhí)行時間較短，大體上與基于灰度圖的算法相同；與灰度圖二值化得到的圖像相比，b通道二值化得到的圖像干擾因素較少，大部分圖像經(jīng)面積篩選和長寬比篩選后，即可定位到車牌區(qū)域。

當(dāng)然，算法對于車身、車牌同色，并且車牌沒有明顯金屬邊框的情況，在二值化過程中車牌區(qū)域與背景容易連接在一起，從而無法實現(xiàn)準(zhǔn)確的定位；此外，在不同的光照、道路環(huán)境條件下，對于判別藍(lán)、黃車牌的閾值th1的選取并不相同，只能對具體環(huán)境下采集到的車牌圖像進(jìn)行統(tǒng)計后得到。車、牌同色的定位和自適應(yīng)閾值將是進(jìn)一步研究的重點。

[1] 李孟歆,吳成東.基于分級網(wǎng)絡(luò)的車牌字符識別算法[J].計算機(jī)應(yīng)用研究,2009,26(5)：1703-1705.

[2] 陳虹,陳蕾,蔣毅.基于邊緣檢測及數(shù)學(xué)形態(tài)學(xué)的快速汽車車牌定位[J].交通與運輸,2008(12)：78-81.

[3] 鄒曄.基于紋理分析和梯度特征的車牌定位算法[J].科技廣場,2009(5)：109-111.

[4] 韓麗萍,藥春暉,張文格,等.基于小波變換與形態(tài)學(xué)的車牌定位方法[J].測試技術(shù)學(xué)報,2006,20(1)：46-49.

[5] 王學(xué)偉,薛迎衛(wèi).XYZ空間與小波能量特征融合的車牌定位[J].北京化工大學(xué)學(xué)報(自然科學(xué)版),2010,37(1)：122-125.

[6] 王枚,王國宏,潘國華.基于HSV空間的車牌定位方法[J].煙臺大學(xué)學(xué)報(自然科學(xué)與工程版),2007,20(1)：48-52.

[7] Lianghai Jin,Dehua Li.A switching vector median filter based on the CIELAB color space for color image restoration[J].Signal Processing,2007,87：1345-1354.

[8] 史忠科,曹力.交通圖像檢測與分析[M].北京：科學(xué)出版社,2007.

TP391

A

1009-0134(2010)10(上)-0011-04

10.3969/j.issn.1009-0134.2010.10(上).03

2010-03-06

徐雷（1987 -），男，河南濟(jì)源人，碩士研究生，研究方向為圖像處理與模式識別。