王明華

（閩江學(xué)院 現(xiàn)代教育技術(shù)中心，福建 福州350108）

汽車牌照自動識別系統(tǒng)（LPR）是智能交通系統(tǒng)中一個重要組成部分，是車輛身份識別的一種重要方式，主要由圖像采集、圖像預(yù)處理、車牌定位、字符分割以及字符識別等部分組成。汽車牌照自動識別系統(tǒng)具有不影響車輛正常行駛、自動化水平高、能24h連續(xù)工作等優(yōu)點，具有良好的實際應(yīng)用價值，廣泛地應(yīng)用于眾多車輛認證的實際系統(tǒng)中，目前主要應(yīng)用于公路治安卡口、開放式收費站、公路流量觀測、車載移動查車、違章記錄系統(tǒng)、門禁管理、車輛安全監(jiān)控、車庫和停車場自動管理等場合。

汽車牌照自動識別系統(tǒng)是借助攝像機在道路上拍攝運動中的車輛圖像，利用計算機視覺識別技術(shù)，綜合采用圖像處理技術(shù)、模式分類技術(shù)、字符識別技術(shù)以及信息融合等方面的技術(shù)，有效地提取車輛牌照的圖像特征數(shù)據(jù)，對車牌位置進行準確定位，并采用模式識別的方法識別出車牌上的字符，為ITS的有效實施提供保障[1]。汽車牌照自動識別系統(tǒng)有效地提高交通管理的自動化程度，大大減少車輛監(jiān)控與管理的工作時間，從而提高交通管理的效率。

汽車牌照是識別車輛身份的唯一標志。汽車牌照號碼由有限個漢字、字母和數(shù)字組成。通過攝像機拍攝到的車牌圖像，由于運動中的車輛受天氣等周圍環(huán)境的影響，得到的車牌圖像效果大不一樣，常常會造成車牌圖像光照不均，圖像受到噪聲干擾，拍攝的高度、角度以及路面的傾斜等情況會造成車牌變形、模糊，車牌本身的損壞及污點造成的車牌字符不清楚等。車牌出現(xiàn)的這些情況將會使車牌字符發(fā)生畸變，從而影響識別效果，常常不能直接用于車牌自動識別系統(tǒng)中[2]。因此，為了滿足車牌自動識別系統(tǒng)的實際應(yīng)用要求，在進行車牌定位之前要對車牌原始圖像進行預(yù)處理，以減少由于噪聲等對車牌圖像造成的不利影響。從攝像機獲得的車牌圖像一般是彩色圖像，而車牌識別系統(tǒng)處理的是灰度圖像，應(yīng)將彩色圖像轉(zhuǎn)換成灰度圖像。對于雨霧天氣拍攝的圖像需要進行去噪處理，減少噪聲；對于夜間拍攝的圖像，除去噪外，還要進行圖像增強，增強車牌字符區(qū)域，弱化圖像背景。圖像分割就是根據(jù)圖像的某些特征或特征集合相似性準則，對圖像像素進行分組聚類，把圖像劃分為一系列各具特征的區(qū)域。因此，車牌圖像分割是車牌圖像預(yù)處理中關(guān)鍵的一個環(huán)節(jié)，圖像分割的效果直接影響到后續(xù)的車牌圖像識別。

1 基于聚類的圖像分割

圖像分割就是按照圖像的某些性質(zhì)，將性質(zhì)相同或相似的區(qū)域分割到一起，性質(zhì)差異較大的分割到不同的區(qū)域，以突出圖像的區(qū)域特征[3－5]。雖然人們提出了各種各樣的圖像分割算法，但大多是針對具體的圖像問題進行的，并沒有一種適合所有圖像的通用分割算法。設(shè)計圖像分割算法時應(yīng)保證以下原則[6]：

1）輪廓的連續(xù)性：即圖像目標的邊界是封閉的；

2）避免過分割：一個有效的圖像分割算法應(yīng)該去掉那些無關(guān)緊要的細節(jié)，保留圖像中重要的特征；

3）非閾值化：對不同的圖像怎樣選擇適當?shù)拈撝凳窍喈斃щy的，非閾值化可使圖像分割簡單化。

目前，常用的車牌圖像分割方法主要有：基于閾值的分割、基于邊緣檢測的分割、基于聚類的分割等[7－9]。聚類就是把具有相似性質(zhì)的事物區(qū)分開并加以分類，這種方法可應(yīng)用在灰度圖像、彩色圖像等圖像的分割。基于聚類分析的圖像分割方法是圖像分割中一類極其重要的算法，在各個領(lǐng)域中都得到廣泛應(yīng)用。早在1979年Coleman和Anderews[10]就提出用聚類算法進行圖像分割，這種傳統(tǒng)的分類具有清晰的界限，即同一個事物確定地劃分到某一類別中。但對于具有模糊性的圖像分類問題，傳統(tǒng)的分類方法就無能為力，因此，對于這種分類問題，人們常采用模糊手段來處理，大量的實踐表明模糊識別具有良好的適用性。首先采用模糊理論對圖像進行分割的方法是Pwitt[11]提出的。在圖像分割中，實際應(yīng)用最為廣泛的是模糊C－均值聚類算法（Fuzzy C－Means），簡稱FCM，因為FCM算法對圖像進分割避免了設(shè)定閾值的問題，在圖像分割領(lǐng)域得到非常廣泛的應(yīng)用。FCM算法最先由Dunn[12]提出，之后眾多學(xué)者提出了許多改進算法，這些算法對圖像中存在不確定性和模糊性的特點均有較好的適用性。

普通聚類算法對于模式的劃分是硬性的，模糊聚類算法則是一種柔性的模糊劃分。模糊C－均值聚類算法（FCM）是一種最經(jīng)典的模糊聚類算法，聚類的思想是使得被劃分到不同模式之間的相似度最小，劃分到同一模式之間相似度最大，從而實現(xiàn)模式的分類。模糊C－均值聚類算法中有兩個重要的參數(shù)：聚類數(shù)目C和參數(shù)m。聚類樣本的總個數(shù)要遠遠大于聚類數(shù)目C，但C至少要大于1。參數(shù)m是一個柔性的控制參數(shù)，不能太大也不能太小，如果m太小，聚類效果與HCM聚類算法接近，如果m過小，聚類效果則不會太理想。

2 FCM圖像分割算法

每一個圖像的每個像素都有一個信息值，而圖像處理就是對這些數(shù)值進行一定的處理。FCM用于車牌圖像分割是一種基于在圖像特征空間中進行模糊聚類的分割方法，實質(zhì)上是一種基于目標函數(shù)的非線性迭代優(yōu)化方法。

FCM聚類算法的目標函數(shù)為

zi的更新等式為

其中：i＝1，2，…，C，對于每一個模糊隸屬度，由m ∈（1，∞）控制模糊度的權(quán)重指數(shù)；d2（xj，zi）＝‖xj－zi‖為相似性測度。

式中：N為像素點數(shù)目，xi為像素i特征（灰度圖像時，表示灰度值），C為圖像分割類別數(shù)，uij為像素點i屬于第j類的隸屬度，zi為第i類聚類中心。

FCM聚類算法采用迭代優(yōu)化目標函數(shù)來獲得對車牌圖像數(shù)據(jù)集的模糊分類，算法具有很好的收斂性。模糊C－均值聚類算法中模糊劃分矩陣U（0）直接影響聚類中心的初始值，從而影響算法的迭代次數(shù)，即算法的計算時間。目標函數(shù)精度ε值的大小影響聚類的精度，ε取值過大，常導(dǎo)致算法收斂太快，聚類結(jié)果不穩(wěn)定，ε取值過小，則可能導(dǎo)致收斂太慢或無法收斂問題。圖像分割類別數(shù)C是影響聚類精度和聚類速度的重要參數(shù)，C越大，算法所需的計算時間越長。模糊指數(shù)m則控制著模糊類間的分享程度，m值越小，得出的分類矩陣模糊程度就越小，不同的領(lǐng)域m值的選取也不相同，在車牌圖像分割領(lǐng)域，根據(jù)經(jīng)驗一般取m＝2。因此，本文提出的用于車牌圖像分割的算法步驟如下：

1）設(shè)置目標函數(shù)精度ε，模糊指數(shù)m（m通常取2），最大迭代次數(shù)Tm；

2）初始化模糊聚類中心zi；

3）由模糊聚類算法的更新等式更新模糊劃分矩陣U ＝｛uij｝和聚類中心Z＝｛zc｝；

5）由所得U＝｛uij｝得到各像素點分類結(jié)果。

3 仿真實驗

基于模糊C－均值的聚類算法進行車牌圖像分割避免了設(shè)定閾值問題，聚類過程無需任何人工干預(yù)，適合應(yīng)用于戶外環(huán)境下的車牌圖像分割。本文分別選取了在晴天環(huán)境下和陰天環(huán)境下拍攝的原始車牌圖像，在MATLAB7.0環(huán)境下編寫模糊聚類車牌圖像分割程序，進行圖像分割實驗。圖1和圖3為原始車牌圖像，經(jīng)過模糊聚類分割后的圖像如圖2和圖4所示。

由圖像分割實驗結(jié)果可以看出，無論是在晴天環(huán)境下還是陰天環(huán)境下拍攝的原始車牌圖像，經(jīng)FCM算法分割后的圖像均能有效地去除干擾信息，很好地突出車牌區(qū)域的圖像特征，有利于后續(xù)的車牌定位、字符分割與字符識別工作。由于FCM算法屬于無監(jiān)督的分類方法，對車牌圖像進行分割避免了設(shè)定閾值的問題，適合處理具有不確定性和模糊性的圖像，在車牌自動識別系統(tǒng)中得到廣泛的應(yīng)用。

4 結(jié)束語

車牌圖像具有豐富的特征信息，它是車輛身份的唯一標志。由于車輛牌照在整個汽車牌照圖像中的位置是比較固定的，牌照圖像具有明顯的特征信息，字符均是按水平方向排列的，車牌區(qū)域是一個近似水平的長方形。但是運動中的車輛由于受氣候等環(huán)境的影響，拍攝到的車牌圖像往往出現(xiàn)模糊不清等問題，為克服由此帶來的識別問題，本文建立了一種基于模糊C－均值聚類的圖像分割方法，在Matlab環(huán)境編寫了仿真程序，分別對晴天環(huán)境下和陰天環(huán)境下的車牌原始圖像進行分割實驗，實驗結(jié)果表明該方法適合應(yīng)用于戶外的運動車輛圖像，能有效地去除各種噪聲信息，突出車牌圖像的輪廓特征，為后續(xù)的車牌識別工作提供重要保證。

[1]徐建閩，賀敬凱.車型與車牌自動識別技術(shù)分析[J].交通與計算機，2002，20（2）：7－12.

[2]郭捷，施鵬飛.基于顏色和紋理分析的車牌定位方法[J].中國圖象圖形學(xué)報，2002，7（5）：472－476.

[3]何俊，葛紅，王玉峰.圖像分割算法研究綜述[J].計算機工程與科學(xué)，2009，31（12）：58－61.

[4]Krinidis S，Chatzis V.A robust fuzzy local information C－means clustering algorithm[J].IEEE Transaction on Image Processing，2010，19（5）：1328－1329.

[5]盧振泰，呂慶文，陳武凡.基于最大互信息量的圖像自動優(yōu)化 分 割 [J].中 國 圖 象 圖 形 學(xué) 報，2008，13（4）：659－661.

[6]張愛華.基于模糊聚類分析的圖像分割技術(shù)研究[D].武漢：華中科技大學(xué)，2004.

[7]Tao W B，Tian J W，Liu J.Image segmentation by three 2level threshold based on maximum fuzzy entropy and genetic algorithm [J].Pattern Recognition Letters，2003，24：3069－3078.

[8]吳薇，劉軍，李旭霞.圖像分割中的閾值選取方法[J].西安工業(yè)學(xué)院學(xué)報，2002，22（4）：310－313.

[9]Noordam J C，W.H.A.M.van den Broek，Buydens L M C.Geometrically guided fuzzy C－means clustering for multivariate image segmentation[J].IEEE transactions，2000（1）：111－127.

[10]Coleman G B，Andrews H C.Image segmentation by clustering[C].Proc.IEEE，1979，5（67）：773－785.

[11]Prewitt J M.Object enhancement and extraction[M].Acad.Press，1970：75－149.

[12]Dunn J C.A Fuzzy relative of the ISODATA process and its use in detecting compact well separated cluster[R].J Cybernet，1974，3：32－57.