牟玉芬

（長春市第八中學(xué)，吉林 長春130022）

1 引 言

隨著智能交通系統(tǒng)的發(fā)展，車牌自動識別系統(tǒng)在實際應(yīng)用，特別是交通監(jiān)控系統(tǒng)中發(fā)揮越來越大的作用．通常，車牌識別系統(tǒng)由3部分組成：車牌定位、字符分割和字符識別．其中，車牌定位是第一步，也是最關(guān)鍵的一步，它的結(jié)果將影響整個系統(tǒng)的準(zhǔn)確率．

很多方法都已經(jīng)應(yīng)用在車牌定位中，如數(shù)學(xué)形態(tài) 學(xué) 操 作［1－6］、基 于 字 符 的 定 位［7］、邊 緣 檢測［3，8］、人工神經(jīng)網(wǎng)絡(luò)［9］、模板匹配［10］、支持向量機［11］、基于顏色的分析［5，12］．但這些方法都有一定的限制．基于字符的定位是當(dāng)邊緣檢測后直接對字符進行定位，然后利用遺傳算法來確定車牌．但是當(dāng)背景復(fù)雜時，這種方法可能產(chǎn)生較多候選區(qū)．而邊緣檢測對噪聲十分敏感，當(dāng)噪聲較多時邊緣斷裂或不完整時，可能使定位失?。０迤ヅ涫怯嬎爿斎雸D像和模板圖像的相似性，然后選擇相似性最高的圖像作為輸出．這種方法易于實現(xiàn)，但需要較多的計算時間．對于基于顏色的分析，當(dāng)車牌與車身顏色相似時，很難找到車牌區(qū)域．?dāng)?shù)學(xué)形態(tài)學(xué)操作是一種很好的方法，但 文獻［2］使用了多次的開運算和閉運算，影響了處理速度，不能實時應(yīng)用，并且當(dāng)光照條件改變時，容易將車燈、散熱器誤檢為車牌．

針對上述問題，本文提出了一種基于數(shù)學(xué)形態(tài)學(xué)和紋理特征的車牌快速定位方法．這種方法和文獻［4］的區(qū)別在于本文只用了2次形態(tài)學(xué)操作，并結(jié)合了紋理特征，節(jié)約了大量時間．車牌定位方法主要包含以下4步驟：

1）預(yù)處理，包含灰度轉(zhuǎn)換、圖像增強．

2）利用Sobel算子進行垂直邊緣檢測，然后利用Otsu方法對邊緣進行二值化．

3）對圖像進行形態(tài)學(xué)開運算和閉運算，得到連通域．

4）根據(jù)車牌的紋理和字符特征最終實現(xiàn)車牌定位．

對1 144張現(xiàn)場拍攝的汽車圖片組成的圖片庫進行了測試，1 102幅圖片定位成功，正確識別率為96．3%，處理時間為160～200 ms．能夠滿足車牌實時識別系統(tǒng)的需要．

2 圖像預(yù)處理

首先利用式（1）將彩色圖片轉(zhuǎn)換為灰度級，消除冗余的彩色信息：

圖1（a）為灰度轉(zhuǎn)化后的圖片，以下的操作均以這幅圖片為基礎(chǔ)．然后對圖片進行中值濾波（選3×3模板）．這樣既消除了噪聲，又保持了圖像的邊緣信息．接下來對圖片進行灰度拉伸．圖片在拍攝時，由于攝像頭曝光不足容易造成圖像的灰度變化范圍很窄．這時可以用灰度拉伸的方法來增強圖像的變化，提高圖像的對比度．假設(shè)圖像的初始灰度r變化為r∈［rmin，rmax］，灰度拉伸后灰度s滿足s∈［smin，smax］，如圖2所示．

圖1 經(jīng)灰度轉(zhuǎn)換和拉伸處理后的圖片

圖2 灰度拉伸變換

變換公式為：

在實際應(yīng)用中，取s∈［0，255］．處理后的圖像如圖1（b）所示．

3 垂直邊緣檢測

邊緣檢測的方法有很多種，如Kirsh算子、Laplacian算子、Robert算子、Sobel算子、Canny算子．Sobel算子對抑制噪聲效果較好，因此本文選用Sobel算子進行邊緣檢測，其水平和垂直邊緣利用下式得到：其中，z1～z9分別代表3×3區(qū)域里的每個像素點，中心點為z5，Gx和Gy分別代表水平和垂直邊緣．由于垂直邊緣突出了車牌區(qū)域的字符邊緣，同時抑制了一些無用的邊緣，因此選用垂直邊緣檢測，用垂直方向上的偏導(dǎo)數(shù)來處理圖片，模板如圖3所示．然后對圖片進行二值化，選用經(jīng)典的Otsu算法，這樣對每幅圖片都能獲得最佳閾值，效果如圖4所示．

圖3 Sobel模板

圖4 二值化后的邊緣圖像

4 數(shù)學(xué)形態(tài)學(xué)操作

數(shù)學(xué)形態(tài)學(xué)［6］在圖像分析領(lǐng)域是一個強有力的工具，在一定的鄰域內(nèi)對圖像進行非線性操作，用于進行鄰域操作的掩膜稱為結(jié)構(gòu)元素．它是一個非線性濾波器，能夠抑制噪聲，提取特征，分割圖像等．基本的形態(tài)學(xué)運算為膨脹和腐蝕，膨脹的定義為

腐蝕的定義為

這里A為輸入圖像，B代表結(jié)構(gòu)元素．通常，膨脹和腐蝕可以構(gòu)成開運算和閉運算，開運算和閉運算分別為

開運算能夠消除小于結(jié)構(gòu)元素的小目標(biāo)，平滑大目標(biāo)的邊緣．閉運算能夠填充目標(biāo)內(nèi)的小洞，將鄰域內(nèi)的目標(biāo)連接．本文對二值化的邊緣圖像進行閉運算及開運算，獲取若干個連通域，去除一些無關(guān)的細(xì)節(jié)．

首先，在進行閉運算之前，必須先根據(jù)字符特征確定結(jié)構(gòu)元素．選取結(jié)構(gòu)元素為長方形，高度為字符的高度，寬度為字符間距的最大值．不同大小的汽車牌照，結(jié)構(gòu)大小也不同．這里，取結(jié)構(gòu)元素為20×5．進行閉運算后，輪廓上的縫隙被填補，車牌的字符區(qū)域連成一片，如圖5所示．然后，對圖5進行開運算，結(jié)構(gòu)元素的寬度必須小于車牌寬度的最小值．這樣將一些小噪聲和不含車牌的區(qū)域去除，同時平滑了輪廓邊緣，效果如圖6所示．

圖5 閉運算后的圖像

圖6 開運算后的圖像

5 車牌定位

經(jīng)過數(shù)學(xué)形態(tài)學(xué)的閉運算和開運算后得到了若干個連通的區(qū)域，現(xiàn)在需要根據(jù)車牌區(qū)域自身的特點來去除干擾區(qū)域．本文根據(jù)車牌區(qū)域的寬度、高度、面積等來排除一些干擾區(qū)域．但是，在一定條件下，候選區(qū)仍有非車牌區(qū)域．像車燈、散熱器這些與車牌大小相似的區(qū)域?qū)⒈徽`檢為車牌．在這種情況下，就需要考慮車牌的紋理特征．具體來講，車牌區(qū)域的空間變化比其他區(qū)域要頻繁得多．對候選區(qū)的二值圖像f（x，y），大小為nW×n H，其中，W 為寬度，H 為高度，按下式計算Sdiff：

然后根據(jù)Sdiff在車牌中的變化范圍，最終實現(xiàn)車牌定位．流程如圖7所示．

圖7 車牌定位的流程圖

這里，取 Wmin＝70，Hmin＝10，Smin＝550，Rmin＝3，Rmax＝9，Smin＝10×255，Smax＝40×255．因此，從最初的RGB圖片中得到了車牌圖像，如圖8所示．

圖8 車牌圖像

6 實驗結(jié)果與分析

將本文的方法應(yīng)用于由1 144張汽車圖片組成的圖片庫．這些RGB圖片是從吉林長春的某收費站口拍攝的，圖片大小為720×288．部分車牌有一定程度的傾斜、模糊、光照不均勻等．實驗結(jié)果是1 102幅圖像中的車牌被成功定位，成功率達(dá)96．3%．其中，在42幅定位失敗的圖片中，大多是因為光線較暗，對比度降低造成的．這樣，在定位剛開始時，邊緣檢測已經(jīng)失?。@個問題可以通過補光措施加以解決．同時，這種方法速度較快，可實時應(yīng)用．實測中，在計算機（主頻1．86 GHZ，512 MB內(nèi)存）上用 VC＋＋6．0編程實現(xiàn)，處理時間為160～200 ms．

［1］ XU Zhigang，ZHU Honglei．An efficient method of locating vehicle license plate［C］∥The Third International Conference on Natural Computation （ICNC’07）．Washington：IEEE Computer Society，2007：180－183．

［2］ YANG Feng，MA Zheng．Vehicle license plate location based on histogramming and mathematical morphology［C］∥The Fourth IEEE Workshop on Automatic Identification Advanced Technologies（AUTOID’2005）．Washington：IEEE Computer Society，2005：89－94．

［3］ BAI Hongliang，LIU Changping．A hybrid license plate extraction method based on edge statistics and morphology［C］∥17th International Conference on Pattern Recognition （ICPR’2004）．Cambridge：IEEE Computer Society，2004：831－834．

［4］ Suryanarayana P V，Miltra S K，Banerjee A，et al．A morphology based approach for car license plate extraction ［C］∥An International Conference of IEEE India Council（INDICON’2005）．Piscataway：IEEE Computer Society，2005：24－27．

［5］ 崔屹．圖像處理與分析——數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用［M］．北京：科學(xué)出版社，2000．

［6］ Fletcher L A，Kasturi R．A robust algorithm for text string separation from mixed text／graphics images［J］．IEEE transactions on pattern analysis and machine intelligence，1988，10（6）：910－917．

［7］ Parker J R，F(xiàn)ederl P．An approach to license plate recognition［R］．Computer Science Technical Report，1996．

［8］ LIN Chienchou，HUANG Wenhuei．Location license plate based on edge features of intensity and saturation subimages［C］∥The Second International Conference on Innovative Computing，Information and Control．Washington：IEEE Computer Society，2007：227．

［9］ LI Gang，ZENG Ruili，LIN Ling．Research on vehicle license plate location based on neural betworks［C］∥The First International Conference on Innovative Computing，2006：174－177．

［10］ Rovetta S，Zunino R．License－plate localization by using vector quantization［C］∥1999 International Conference on Acoustics，Speech and Signal Processing（ICASSP’99）．Washington：IEEE Computer Society，1999：1113－1116．

［11］ XU Jiangfeng，LI Shaofa，CHEN Zhibin．Color analysis for Chinese car plate recognition［C］∥Intelligence Systems and Signal Processing．Changsha：Institute of Electrical and Electronics Engineers，2003：1312－1316．

［12］ ZHU Weigang，HOU Guojinag，JIA Xing．A study of locating vehicle license plate based on color feature and mathematical morphology［C］∥2002 6th International Conference on Signal Processing．Beijing：Poses ＆ Telecom Press，2002：748－751．