李新煜，楊艷靜，舒 暢

(電子科技大學(xué)通信與信息工程學(xué)院，四川成都 611731)

車牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要組成部分，其任務(wù)是增強(qiáng)分割車牌信息，以自動(dòng)識(shí)別汽車牌號(hào)，是車輛跟蹤檢測(cè)等智能交通管理系統(tǒng)的技術(shù)基礎(chǔ)［1］。天氣往往對(duì)車牌識(shí)別的效果有著較大的影響。除此之外，由于車牌本身污漬的影響或者拍攝相機(jī)的角度和曝光程度造成的圖像上的噪聲更是較大地影響了圖像識(shí)別的精確度。因此在識(shí)別前期的預(yù)處理顯得尤為重要，首先要消除天氣帶來的干擾和因?yàn)橄鄼C(jī)曝光過度和不足造成的圖像失真，其次要通過預(yù)處理盡可能消除污漬和拍攝角度造成車牌信息的不清晰或者丟失，最后預(yù)處理應(yīng)該給BP神經(jīng)網(wǎng)絡(luò)提供一系列清晰地單個(gè)字符，以實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)高速精確地車牌識(shí)別。

1 復(fù)雜天氣條件下的圖像增強(qiáng)

1.1 圖像去霧

1.1.1 基于Dark Channel Prior的去霧

在實(shí)際應(yīng)用中，因?yàn)榇箪F帶來的設(shè)備對(duì)車牌識(shí)別問題難以解決。何愷明博士基于暗原色先驗(yàn)的單一圖像去霧方法，可以有效地解決戶外環(huán)境下由霧造成的成像不清、對(duì)比度降低等問題。這種方法來自對(duì)戶外無霧圖像數(shù)據(jù)庫的統(tǒng)計(jì)規(guī)律，它基于觀察得到這一關(guān)鍵事實(shí):絕大多數(shù)戶外無霧圖像的每個(gè)局部區(qū)域都存在至少一個(gè)顏色通道的強(qiáng)度值較低的像素。利用這些像素的信息，通過一定的方法就可以估計(jì)出霧的濃度和去霧后的圖像。

文中采用McCarney大氣散射模型，其廣泛用于計(jì)算機(jī)視覺和圖形學(xué)領(lǐng)域中［2］

通過對(duì)公式的逆運(yùn)算可以得到去霧后圖像的復(fù)原公式

由式(1)和式(2)可以看出整個(gè)復(fù)原過程主要依賴于大氣光A和透射率t(x)的確定?；诎翟闰?yàn)的原理，利用暗原色值和霧天圖像退化模型，可以估計(jì)出成像時(shí)刻的霧濃度和透射率t(x)［3］假設(shè)大氣光A已知并且在一個(gè)局部區(qū)域內(nèi)，在透射率保持一致的條件下，可求得帶霧圖像的大氣透射率為

但是何愷明在提出其方法時(shí)，他基于大量的觀察得到大部分圖片是滿足暗原色先驗(yàn)條件的，因此在運(yùn)算中近似地使用了

由于明亮區(qū)域的像素值較高式(4)并不能恒成立。實(shí)驗(yàn)表明，當(dāng)遇到明亮的區(qū)域時(shí)，式(4)的分母＜1，因此透射率的實(shí)際值大于根據(jù)暗通道先驗(yàn)估計(jì)的數(shù)值;特別是當(dāng)圖像的近景中存在白色物體、天空、較大面積偏白色區(qū)域和大面積的水等亮度較大的區(qū)域，物體上的像素有可能被選作整幅圖像的光強(qiáng)，這時(shí)白色物體附近由于不存在像素值接近于0的暗原色的點(diǎn)存在，如果仍然采用式(3)計(jì)算，那么得到t(x)將接近于0，從而使去霧效果失真。文中對(duì)暗原色計(jì)算透射率公式進(jìn)行了修正［4］

對(duì)于大氣光A的求取，有多種方法，文中采用通過暗原色來提高大氣光的估測(cè)精確度。一般估測(cè)大氣光的方法會(huì)直接采用最大強(qiáng)度值的像素作為大氣光，但實(shí)際情況中，最亮的像素可能并非是大氣光而是發(fā)光物體或光滑的反光物體。利用暗原色方法，首先選取暗原色中亮度最大的0.1%像素。在以上像素中，輸入圖像中強(qiáng)度最大的像素點(diǎn)被選定為大氣光［5］。它們并不一定是整幅圖像里最亮的點(diǎn)。這一基于暗原色先驗(yàn)的簡(jiǎn)單方法與“最明亮像素”方法相比，更準(zhǔn)確地描述了真實(shí)大氣光的情況。實(shí)際處理效果和車牌處理前后對(duì)比如圖1所示。

圖1 處理結(jié)果比對(duì)

1.1.2 基于直方圖均衡的圖像增強(qiáng)

Dark Channel Prior是一種去霧方法，但這種算法固有的缺陷是無法處理強(qiáng)光下曝光過度和雨天由于雨水、反光引起的模糊。通常情況下，因?yàn)殛庼灿暄?、沙塵等惡劣天氣造成的圖像退化都是由于對(duì)比度降低、顏色失真［6］。

直方圖均衡是一種快速有效的圖像處理手段，是經(jīng)典的圖像信息增強(qiáng)算法之一，它是依據(jù)各灰度值在被處理圖像中的出現(xiàn)頻率確定直方圖分布，并對(duì)出現(xiàn)頻率高的灰度值對(duì)應(yīng)的區(qū)域作灰度拉伸以達(dá)到增加亮度和對(duì)比度的目的。

全局的灰度變化往往不能取得滿意的結(jié)果，為突出感興趣的目標(biāo)或灰度區(qū)間，抑制相對(duì)不感興趣的灰度區(qū)間，文中采用分段函數(shù)的直方圖變換方法。分段函數(shù)直方圖變換公式如下

實(shí)際操作中，文中對(duì)彩色圖像的RGB3個(gè)通道分別進(jìn)行分段線性直方圖均衡操作，將最亮和最暗部分的值削弱，中間部分增強(qiáng)。之后再將3個(gè)通道疊加還原出修正后的彩色圖像。

1.1.3 圖層合并

考慮到實(shí)際應(yīng)用中需要兼顧各種天氣對(duì)成像帶來的影響，最終無霧的圖像是將原有霧圖像經(jīng)Dark Channel Prior處理的結(jié)果和通過線性直方圖均衡處理的結(jié)果，按照一定的比例疊加所得到的，這樣可以保證圖像在整體無霧的前提下細(xì)節(jié)和曝光得到良好的控制。直方圖均衡和圖層合并后的結(jié)果如圖2所示。圖2(a)大雪天氣原圖;圖2(b)大雪天氣Dark Channel Prior算法結(jié)果;圖2(c)直方圖處理結(jié)果;圖2(d)最終結(jié)果;圖2(e)雨霧天氣原圖;圖2(f)雨霧天氣最終結(jié)果;圖2(g)大霧天氣原圖;圖2(h)大霧天氣最終結(jié)果。

1.2 圖像還原

1.2.1 閾值分析和開閉運(yùn)算

由于天氣帶來的影響，一般車牌上的數(shù)字會(huì)殘缺不全或部分信息不清晰，而由于環(huán)境因素對(duì)車牌造成的污染使得識(shí)別和圖像分割難以進(jìn)行。

針對(duì)這樣的情況首先需要進(jìn)行閾值分析，將環(huán)境因素對(duì)車牌識(shí)別帶來的影響降到最低。實(shí)際操作中通過計(jì)算全圖像所有像素灰度值均值A(chǔ);然后使用如下公式進(jìn)行灰度圖像的二值處理

圖2 各種天氣條件下處理結(jié)果及車牌細(xì)節(jié)對(duì)比

在識(shí)別前，為保證識(shí)別能夠高效正確地進(jìn)行，需要用圖像形態(tài)學(xué)的方法對(duì)車牌不清晰或者缺失的部分進(jìn)行圖像還原，為保證還原能夠盡可能真實(shí)地反映原圖像信息，先對(duì)原圖像取輪廓，求取輪廓運(yùn)算使用的是文獻(xiàn)［7］的方法。之后對(duì)輪廓進(jìn)行二值形態(tài)學(xué)處理。二值形態(tài)學(xué)中最基本的兩種運(yùn)算膨脹和腐蝕運(yùn)算［8］。在二值空間中，兩種運(yùn)算的定義分別為

腐蝕運(yùn)算

膨脹運(yùn)算

實(shí)際處理中采用由膨脹腐蝕組合而成的開閉運(yùn)算，開運(yùn)算可以消除細(xì)小物體，在纖細(xì)點(diǎn)分離出物體，平滑物體邊界;閉運(yùn)算填充物體內(nèi)細(xì)小空洞，連接相鄰物體，在不明顯改變物體面積的情況下平滑其邊界。開閉運(yùn)算的定義式如下

開運(yùn)算

閉運(yùn)算

利用二值形態(tài)學(xué)，先采用閉運(yùn)算，再采用開運(yùn)算。重復(fù)操作適當(dāng)?shù)拇螖?shù)可以得到較為清晰滿意的結(jié)果。但開閉運(yùn)算并非重復(fù)的次數(shù)越多越好，閉運(yùn)算會(huì)填補(bǔ)某些數(shù)字中的空隙，比如數(shù)字“8”就可能因?yàn)槎啻伍]運(yùn)算而被填成實(shí)心進(jìn)而對(duì)識(shí)別產(chǎn)生影響。

通過閾值分析法和二值形態(tài)學(xué)方法處理后的結(jié)果如圖3所示，從上到下依次為:原圖、灰度圖、閾值分析結(jié)果、邊緣提取圖、開閉運(yùn)算后結(jié)果。

圖3 通過閾值分析法和二值形態(tài)學(xué)方法處理后的結(jié)果

1.2.2 圖像的分割處理

文中采用的BP神經(jīng)網(wǎng)絡(luò)識(shí)別方法需要對(duì)車牌信息逐位識(shí)別，因此需要在識(shí)別前將車牌中的幾位數(shù)字和字母信息提取出來。進(jìn)行這類圖像分割的方法有多種，文中依然采用二值形態(tài)學(xué)的方法并稍加拓展。

經(jīng)過大量的觀察和實(shí)驗(yàn)，所有車牌的數(shù)字和字母間都有固定的間距，而通過二值形態(tài)學(xué)開閉運(yùn)算的圖像增強(qiáng)，這些字符間的空隙基本都能保留。在一張的車牌圖像匯總所有數(shù)字和26個(gè)字母在車牌中最細(xì)的部分也要占5個(gè)像素的寬度，比如字母“L”的尾部。這樣，利用二值形態(tài)學(xué)的腐蝕運(yùn)算

例如選取結(jié)構(gòu)元素為的列像素進(jìn)行掃描，并進(jìn)行如下運(yùn)算

運(yùn)算結(jié)果保證每兩個(gè)獨(dú)立字符間都至少有一列全1像素，根據(jù)字符間間隙可以將一張車牌圖像分割成獨(dú)立的字符。

圖4 圖像分割結(jié)果

2 基于BP神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別

2.1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元;中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或多隱層結(jié)構(gòu);最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止［9］。

在實(shí)際設(shè)計(jì)中，本次試驗(yàn)根據(jù)BP神經(jīng)網(wǎng)絡(luò)的基本模型和BP算法，建立了如圖5所示的3層BP神經(jīng)網(wǎng)絡(luò)。文中筆者測(cè)試過程中忽略了車牌上的漢字，實(shí)際只對(duì)26個(gè)字母和10個(gè)數(shù)字進(jìn)行了識(shí)別測(cè)試，因此采用36個(gè)輸出層節(jié)點(diǎn)。隱含層神經(jīng)元數(shù)一句經(jīng)驗(yàn)公式K=2n+1［10］進(jìn)行計(jì)算。

圖5 3層BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)因其較大的計(jì)算量和復(fù)雜性，收斂速度較慢，目前有一些方法可以提高收斂速度，在此不再贅述。

2.2 BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果

BP神經(jīng)網(wǎng)絡(luò)筆者共提取了50個(gè)數(shù)字樣本和78個(gè)字母樣本供神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，測(cè)試30組車牌樣本共180個(gè)字符。其中數(shù)字132個(gè)字母48個(gè)。筆者使用Matlab進(jìn)行了識(shí)別仿真，由于條件限制，單個(gè)數(shù)字平均有5個(gè)學(xué)習(xí)樣本，單個(gè)字母平均有2個(gè)學(xué)習(xí)樣本。統(tǒng)計(jì)情況如表1所示。

表1 統(tǒng)計(jì)情況

3 結(jié)束語

實(shí)驗(yàn)表明，文中的圖像與處理部分能夠有效地消除各類惡劣天氣情況對(duì)攝像機(jī)成像帶來的影響，尤其是大霧天氣和雨雪天氣造成的陰霾，分辨度降低等情況基本可以得到完全解決。利用數(shù)學(xué)形態(tài)學(xué)的算法可以有效地增強(qiáng)車牌信息，并在一定情況下還原部分信息。由于條件限制，筆者沒能利用BP進(jìn)行更多組的車牌識(shí)別測(cè)試，但是僅50個(gè)學(xué)習(xí)樣本達(dá)到78%的數(shù)字識(shí)別率證明了使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行后期識(shí)別的可行性。

［1］唐漢征.車牌識(shí)別系統(tǒng)的工作原理及其應(yīng)用［J］.現(xiàn)代電子工程，2004(2):59－61.

［2］TAN R.Visibility in bad weather from a single image［C］.Korea:CVPR，2008.

［3］嵇曉強(qiáng)，戴明，孫麗娜，等.暗原色先驗(yàn)圖像去霧算法研究［J］.光電子·激光，2011(6):926 －930.

［4］王永超.基于暗通道先驗(yàn)的圖像去霧算法研究［D］.大連:大連理工大學(xué)，2011.

［5］HE Kaiming，SUN Jian，TANG Xiaoou.Single image Haze removal using dark channel prior［J］.IEEE Trance on Computer Visionand Pattern Recognition，2011，33(12):2341 －2353.

［6］趙曉霞，王汝琳，張莉莉.惡劣天氣下降質(zhì)圖像增強(qiáng)算法研究［J］.微計(jì)算機(jī)信息，2010(8):3 －4.

［7］姜恒，高潤智，蘇紅旗.基于分區(qū)的自適應(yīng)Canny邊緣檢測(cè)［J］.科技創(chuàng)新導(dǎo)報(bào)，2011(28):10.

［8］孫繼平，吳冰，劉曉陽.基于膨脹/腐蝕運(yùn)算的神經(jīng)網(wǎng)絡(luò)圖像預(yù)處理方法及其應(yīng)用研究［J］.計(jì)算機(jī)學(xué)報(bào)，2005(6):985－990.

［9］焦李成.神經(jīng)網(wǎng)絡(luò)理論［M］.西安:西安電子科技大學(xué)出版社，1993.

［10］譚勇，朱斌.基于改進(jìn)特征提取的BP神經(jīng)網(wǎng)絡(luò)車牌識(shí)別［J］.重慶理工學(xué)院學(xué)報(bào)，2009(6):42 －45.