方興林，方云樓

(1.黃山學(xué)院經(jīng)濟(jì)管理學(xué)院，安徽黃山 245041;2.安徽醫(yī)科大學(xué)衛(wèi)生管理學(xué)院，合肥 230032)

1 概述

車(chē)牌識(shí)別(License Plate Recognition，LPR)是智能交通系統(tǒng)中的一個(gè)非常重要的研究課題，它涉及模式識(shí)別、計(jì)算機(jī)視覺(jué)以及數(shù)字圖像處理等理論知識(shí)，可以廣泛應(yīng)用于高速公路不停車(chē)收費(fèi)、大型停車(chē)場(chǎng)管理、智能小區(qū)車(chē)輛出入管理等眾多領(lǐng)域。一般來(lái)說(shuō)，一個(gè)完整的車(chē)牌識(shí)別系統(tǒng)包括4個(gè)主要部分，即圖像采集、車(chē)牌定位、字符分隔和字符識(shí)別，主要從車(chē)牌識(shí)別的核心技術(shù)出發(fā)，重點(diǎn)研究車(chē)牌字符分割算法。

在準(zhǔn)確定位車(chē)牌的前提條件下，字符分割結(jié)果的好壞直接決定了后續(xù)字符識(shí)別的精度。車(chē)牌字符分割的主要任務(wù)就是將定位后的車(chē)牌區(qū)域內(nèi)的字符按順序逐個(gè)分割出來(lái)，為后續(xù)字符識(shí)別步驟做準(zhǔn)備。由于車(chē)牌圖像大多采集于露天自然環(huán)境，受光照影響較大，再加上車(chē)牌自身灰塵污損等原因，目前很難找到一種通用的分割方法，常見(jiàn)的主要有垂直投影法［1］、模板匹配法［2］和連通域法［3，4］。垂直投影法即沿水平方向計(jì)算每一列屬于車(chē)牌字符的像素?cái)?shù)量，這樣字符在水平方向的投影會(huì)在字符的間隙處取得局部最小值，因此字符的正確分割位置應(yīng)在上述局部最小值附近。垂直投影法程序邏輯設(shè)計(jì)簡(jiǎn)單，運(yùn)行時(shí)間短，易于實(shí)現(xiàn)，然而對(duì)車(chē)牌字符的粘連問(wèn)題處理的不是很理想，在解決一些不連通的漢字時(shí)也存在顯著不足。模板匹配法充分利用了車(chē)牌字符等寬、排列規(guī)則的特點(diǎn)，設(shè)計(jì)車(chē)牌字符串模板，通過(guò)模板匹配確定字符位置，該方法雖然具有較好的字符分割效果，但是這種方法比較復(fù)雜，導(dǎo)致處理時(shí)間較長(zhǎng)，實(shí)時(shí)性差，此外如何設(shè)計(jì)匹配模板是一個(gè)難點(diǎn)。連通域法通過(guò)掃描目標(biāo)像素的若干相鄰像素后按照一定的準(zhǔn)則確定目標(biāo)像素和相鄰像素之間的連通關(guān)系并進(jìn)行標(biāo)記，從而提取出各個(gè)分離的連通區(qū)域。連通域法對(duì)噪聲、圖像傾斜不敏感，適合識(shí)別有大量數(shù)目連通域的圖像，因而得到廣泛應(yīng)用。然而傳統(tǒng)的連通域法按照自上而下，從左到右的順序開(kāi)始掃描二值化后的車(chē)牌圖像，當(dāng)掃描到第一個(gè)白色像素點(diǎn)時(shí)，將該像素作為區(qū)域生長(zhǎng)的種子點(diǎn)進(jìn)行8方向或4方向的鏈碼跟蹤，并將跟蹤的結(jié)果作為一個(gè)數(shù)組存放起來(lái)，連通域提取法需要遍歷所有圖像像素點(diǎn)，計(jì)算時(shí)間較長(zhǎng)，難以滿(mǎn)足實(shí)時(shí)系統(tǒng)的需求。

針對(duì)上述問(wèn)題，在此充分利用中國(guó)現(xiàn)行通用車(chē)牌字符排列規(guī)律和幾何特征，結(jié)合已知的先驗(yàn)知識(shí)，提出了一種改進(jìn)的基于連通域的字符分割方法?；趯?duì)車(chē)牌字符和背景的先驗(yàn)知識(shí)的分析，改進(jìn)了迭代求圖像最佳分割閾值的算法，使得二值化后的車(chē)牌圖像更清晰和精確;恰當(dāng)?shù)乩孟闰?yàn)知識(shí)，對(duì)傳統(tǒng)的連通域法進(jìn)行適應(yīng)性改進(jìn)，使得字符分割更準(zhǔn)確，對(duì)各種質(zhì)量的車(chē)牌圖像適應(yīng)性更強(qiáng)。

2 算法原理

2.1 預(yù)處理

經(jīng)過(guò)了車(chē)牌定位后所提取的車(chē)牌區(qū)域圖像，往往由于圖像采集設(shè)備的拍攝角度、光照等因素的影響，還不能直接進(jìn)行字符分割，需要進(jìn)行必要的分割前的預(yù)處理操作，預(yù)處理對(duì)于車(chē)牌字符分割及字符識(shí)別都非常重要，好的預(yù)處理算法可以有效提高正確率［5］。預(yù)處理操作主要涉及圖像尺寸歸一化、彩色圖像的二值化以及去除車(chē)牌邊框和鉚釘?shù)忍幚聿襟E。

2.1.1 尺寸歸一化

由于拍攝時(shí)圖像采集設(shè)備與車(chē)輛之間的距離、角度以及車(chē)輛自身體積大小的不同，再加上拍攝時(shí)車(chē)輛高速移動(dòng)等原因，使得捕獲的最終車(chē)牌圖像的尺寸大小不一樣，這給車(chē)牌字符分割帶來(lái)了較大的不利影響?；诖?，首先將車(chē)牌圖像的尺寸歸一化為160×40像素，實(shí)驗(yàn)證明，在此尺度上車(chē)牌圖像字符分割的效果最好［6］。

2.1.2 二值化

二值化的目的是將車(chē)牌圖像中的字符與背景分別用白色和黑色像素點(diǎn)來(lái)表示。雖然在車(chē)牌識(shí)別技術(shù)中將彩色車(chē)牌圖像轉(zhuǎn)換為黑白二值圖像會(huì)丟失車(chē)牌部分色彩信息，但是對(duì)車(chē)牌中的字符信息幾乎沒(méi)有影響，而且二值圖像處理的信息量遠(yuǎn)比彩色圖像少，在不影響精度的前提下，極大地提高了處理速度。

字符圖像二值化結(jié)果即字符的清晰程度取決于閾值的選取，當(dāng)選取的閾值太小時(shí)，會(huì)造成字符粘連，然而當(dāng)閾值選取太大時(shí)，會(huì)造成字符斷裂。圖像二值化閾值的獲取方法很多，常用的有直方圖法、最大類(lèi)間方差法、共生矩陣法等。由于車(chē)牌不可避免的會(huì)受到噪聲(污染、缺損、曝光不均等因素)的干擾，單一固定的閾值難以滿(mǎn)足系統(tǒng)普適性的要求，因此采用迭代法動(dòng)態(tài)的求取閾值。迭代法原理如下:

Step1:求出圖像最小灰度值和最大灰度值，分別記為Vl和Vh，則初試閾值Th0:

Step2:根據(jù)閾值Th0將圖像分割成前景圖像和背景圖像，分別求出兩者的平均灰度值A(chǔ)Vf和AVb:

式(1)中，V(i，j)是圖像上(i，j)點(diǎn)的像素值，Nf和Nb分別是前景圖像和背景圖像的像素點(diǎn)總個(gè)數(shù)。

Step3:求出新閾值Thk:

如果Thk=Th0，則Thk即為最終閾值，迭代結(jié)束，否則轉(zhuǎn)到Step2繼續(xù)迭代。

傳統(tǒng)的迭代求閾值法基于圖像自身的圖像灰度值的分布特點(diǎn)，進(jìn)行多次迭代，使得最終的閾值是最優(yōu)的，具有很強(qiáng)的穩(wěn)定性和自適應(yīng)性。然而最終的二值化閾值一般要經(jīng)過(guò)多次迭代，計(jì)算量大，處理時(shí)間長(zhǎng)，如果能加入一定的約束條件，減少迭代次數(shù)，將提高二值化的處理速度?；诖?，依據(jù)先驗(yàn)知識(shí)，車(chē)牌中字符所占像素點(diǎn)的比例大約為20%［6，7］，先將所有像素點(diǎn)的灰度值降序排序，Th0的取值為灰度值排在20%左右的灰度值，這樣就避免的傳統(tǒng)迭代法初始閾值Th0取值的盲目性，從而減少了不必要的迭代次數(shù)，縮短了二值化處理的時(shí)間，實(shí)驗(yàn)取得了較好的效果，如圖1所示。

圖1 車(chē)牌灰度圖和二值化圖

2.1.3 去除鉚釘和邊框

通過(guò)對(duì)二值化后的車(chē)牌圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)的開(kāi)閉運(yùn)算［8］，將車(chē)牌上的鉚釘和灰塵等面積較小的干擾因素去掉，通過(guò)水平和垂直投影操作［2］，去除四周的邊框。結(jié)果如圖2所示。

圖2 去除邊框與鉚釘后的效果圖

2.2 車(chē)牌字符分割

對(duì)于任何一個(gè)標(biāo)準(zhǔn)的車(chē)牌，在理想狀態(tài)下，車(chē)牌上除了第一個(gè)漢字之外，其他的6個(gè)字符(數(shù)字或字母)在車(chē)牌二值圖像上的像素(此時(shí)為白色像素點(diǎn))構(gòu)成了一個(gè)獨(dú)立的連通域，基于此先驗(yàn)知識(shí)的分析，只要得到每個(gè)連通域的行列起始和終止位置，并由此構(gòu)成一個(gè)最小外接矩形區(qū)域，就能快速地實(shí)現(xiàn)字符分割。而對(duì)于第一個(gè)漢字，由于部分漢字的不連通性，如“皖”、“川”、“吉”等，會(huì)形成兩個(gè)或多個(gè)連通域，對(duì)此漢字的處理，后文再做具體分析。

傳統(tǒng)的基于連通域提取的車(chē)牌分割算法確定連通域行列起始位置需要自上而下縱向行遍歷掃描二值化后的車(chē)牌圖像像素點(diǎn)，找到屬于字符的第一個(gè)像素點(diǎn)，以此為連通域起始點(diǎn)，按照區(qū)域生長(zhǎng)算法完成字符區(qū)域的提取。該類(lèi)算法雖能比較準(zhǔn)確地分割出車(chē)牌字符，然后遍歷整幅圖像，計(jì)算量太大，難以滿(mǎn)足實(shí)時(shí)性要求，后續(xù)有研究者對(duì)此類(lèi)算法進(jìn)行了改進(jìn)，降低了計(jì)算量，縮短了處理時(shí)間［3］，然而其改進(jìn)原理終究還是局限于圖像本身的像素信息，將傳統(tǒng)的遍歷鄰域8個(gè)像素點(diǎn)降低為遍歷鄰域的3個(gè)像素點(diǎn)，因此處理時(shí)間縮短還是很有限。其實(shí)，車(chē)牌上的字符排列規(guī)律信息是已知的，如果能夠充分利用字符的排列信息，將能夠有助于快速定位字符，進(jìn)而實(shí)現(xiàn)快速分割，正是基于這一點(diǎn)展開(kāi)字符分割研究。

目前，我國(guó)現(xiàn)行的通用車(chē)牌標(biāo)準(zhǔn)格式:PiCi·X1X2X3X4X5，其中Pi是一個(gè)中文漢字，取值為各省、直轄市和自治區(qū)的簡(jiǎn)稱(chēng);Ci是一個(gè)英文字母，代表著地級(jí)市的名稱(chēng);X1、X2、X3、X4、X5是英文字母或阿拉伯?dāng)?shù)字，Ci和X1之間有一個(gè)實(shí)心小圓點(diǎn)。車(chē)牌字符總長(zhǎng)度為409 mm，其中單個(gè)字符寬度為45 mm，高度為90 mm，Ci和X1之間間距為34 mm，其中間的小圓點(diǎn)寬度為12 mm，其他字符間間距為12 mm［5］，車(chē)牌字符排列順序如圖3所示。

圖3 車(chē)牌字符排列示意圖

利用車(chē)牌字符固定寬度、間距的固定比例關(guān)系等先驗(yàn)知識(shí)為約束條件，采取如下步驟確定字符邊界，提取單一的字符。

Step1:計(jì)算字符Ci的起始位置。經(jīng)過(guò)了預(yù)處理之后，車(chē)牌圖像上只單純的剩下7個(gè)字符，經(jīng)過(guò)了車(chē)牌尺寸歸一化后，車(chē)牌變成了160×40像素大小，因此依據(jù)先驗(yàn)知識(shí)，可以計(jì)算出Ci起始位置的橫坐標(biāo)Xa。

自下而上遍歷x=Xa這條垂直分割線(xiàn)上的像素點(diǎn)，找到第一個(gè)白色像素點(diǎn)，并以此白色像素點(diǎn)為起始點(diǎn)，按照區(qū)域生長(zhǎng)算法尋找該字符完整連通域，從而分割出該字符?？紤]到車(chē)牌區(qū)域定位以及預(yù)處理過(guò)程中的誤差，為了能夠準(zhǔn)確找到字符起始像素點(diǎn)，設(shè)置閾值δ，使得垂直分割線(xiàn)x=Xa+δ，δ取值為2。

Step2:依據(jù)先驗(yàn)知識(shí)，按照Step1的原理依次算出X1、X2、X3、X4、X5是的起始位置，進(jìn)而分割出后續(xù)的五個(gè)字符。

Step3:針對(duì)第一個(gè)中文漢字，考慮到部分漢字不連通性，不能按照Step1完成字符分割。然而經(jīng)過(guò)了Step1和Step2之后，車(chē)牌圖像上只剩下第一個(gè)漢字字符了，因此結(jié)合車(chē)牌字符排列規(guī)律和寬度先驗(yàn)知識(shí)，大致確定漢字所在區(qū)域，在該區(qū)域內(nèi)合并所有的連通域，完成漢字字符的提取。

經(jīng)過(guò)上述三個(gè)步驟后，最終字符分割的結(jié)果如圖4所示。

圖4 字符分割結(jié)果

3 結(jié)論

為了進(jìn)一步縮短車(chē)牌字符分割的處理時(shí)間，在分析了現(xiàn)有的典型字符分割算法后，在此另辟蹊徑，在充分分析車(chē)牌二值圖像像素分布特征的基礎(chǔ)上，加入車(chē)牌構(gòu)造的先驗(yàn)知識(shí)，改進(jìn)了傳統(tǒng)的迭代二值化算法，大大減少了迭代次數(shù)，縮短了預(yù)處理時(shí)間，同時(shí)改進(jìn)了傳統(tǒng)的基于連通域的字符分割算法，無(wú)需遍歷所有像素點(diǎn)就能夠快速定位字符的起始列位置，大幅降低處理的時(shí)間。

［1］潘中杰，譚洪舟.模板匹配法和垂直投影法相結(jié)合的一種新的車(chē)牌字符分割方法［J］.自動(dòng)化與信息工程，2007，28(2):12-13

［2］孟濤.車(chē)牌識(shí)別關(guān)鍵技術(shù)的研究與實(shí)現(xiàn)［D］.武漢:華中科技大學(xué)，2006

［3］甘玲，林小晶.基于連通域提取的車(chē)牌字符分割算法［J］.計(jì)算機(jī)仿真，2011，28(4):336-339

［4］李芳，吳斌，張紅英.基于快速8-連通域標(biāo)記的視頻字幕提取新算法［J］.電視技術(shù)，2009，33(2):69-71

［5］張引，潘云鶴.面向車(chē)輛牌照字符識(shí)別的預(yù)處理算法［J］.計(jì)算機(jī)應(yīng)用研究，1999，16(7):85-87

［6］張?jiān)苿偅瑥堥L(zhǎng)水.利用Hough變換和先驗(yàn)知識(shí)的車(chē)牌字符分割算法［J］.計(jì)算機(jī)學(xué)報(bào)，2004，27(1):130-135

［7］HEGT J，DELAHAYE R，KHAN N.A high performance license plate recognition system［J］.In:Proceedings of IEEE International Conference on Systems，Man and Cybernetics，San Diego，California，1998:4357-4362

［8］宋晨光，葉海建.基于數(shù)學(xué)形態(tài)學(xué)的車(chē)牌字符分割算法［J］.光電子技術(shù)與信息，2005，18(6):58-62