方興林

黃山學院 經濟管理學院，安徽 黃山 245041

一種基于自適應形態(tài)學結構元素的車牌定位算法

方興林

黃山學院 經濟管理學院，安徽 黃山 245041

車牌識別技術是計算機視覺和模式識別在智能交通系統（Intelligent Transportation System，ITS）中的典型應用。一般來說，一個完整的車牌識別系統主要包括三個關鍵部分，即車牌定位、字符分割和字符識別，其中車牌定位是后續(xù)兩個步驟的前提和基礎，其主要任務是從原始圖像中精確地定位車牌所在區(qū)域。由于原始圖像一般采集于露天自然環(huán)境中，不可避免地會受到光照、雨雪天氣以及車型、車牌相對于車身的位置和污損、磨損等因素的影響，使得車牌定位的難度大大增加，也正是因為如此，長期以來，吸引著眾多學者致力于車牌定位的研究，誕生了眾多車牌定位算法，概括起來，主要有以下幾大類。基于顏色的車牌定位算法[1-3]，它通過車牌和字符自身特有的顏色特征在圖像顏色空間里提取車牌信息，算法原理通俗易懂，實現過程簡單、直接，但是其不足也非常明顯，易受光照和環(huán)境因素的影響，如夜間光照不足、車牌反光、車牌污濁等，特別是當車身的顏色與車牌顏色相近時，極易出現誤定位而導致車牌定位失敗。基于紋理特征的車牌定位算法[4-6]，它充分利用牌照矩形區(qū)域內存在豐富的字符邊緣信息而呈現出規(guī)則的紋理特征，該類方法適應性較好，然而汽車散熱欄、車身文字廣告圖案等干擾因素對紋理特征法影響較大。

近年來，基于數學形態(tài)學的圖像處理已逐漸發(fā)展成為一個主流圖像處理研究領域，在此背景下，目前國內外已有很多學者研究了將數學形態(tài)學應用到車牌定位中[7-10]。數學形態(tài)學以幾何學為基礎對圖像進行分析，其基本思想是用一個結構元素作為基本工具來探測和提取圖像特征，看這個結構元素是否能夠適當有效地放入圖像內部，其基本運算有：膨脹（Dilation）、腐蝕（Erosion）、開啟（Opening）和閉合（Closing）[11]。依據其原理，利用數學形態(tài)學定位車牌的關鍵是結構元素的選擇，特別是結構元素大小和形狀對于候選區(qū)域的形成和最終車牌定位的效果至關重要。結構元素較大會使車牌區(qū)域的邊緣點粘連在一起，導致候選車牌區(qū)域增多，更為甚者會出現車牌區(qū)域與背景粘連在一起，增加了后續(xù)車牌候選區(qū)域分析和標識的難度；然而如果結構元素較小，又會使車牌區(qū)域無法粘連在一起，易致無法確定車牌位置。目前現有的基于數學形態(tài)學的車牌定位算法在結構元素的選取方面，基本上均是依據經驗或實驗而選擇一個固定大小和形狀的結構元素對車牌圖像進行全局處理，如文獻[12]直接依據經驗，固定結構元素為1×21的水平結構元素和3×1的垂直結構元素；文獻[13]直接采用18×9的結構元素作形態(tài)學處理；文獻[14]試圖通過大量的前導實驗“窮舉”出適合待處理的車牌圖像的結構元素。雖然選擇固定大小和形狀的結構元素運算起來簡單方便，但是這類算法只適用于待處理圖像中車牌的大小是相同的，否則就會出現將非車牌邊緣連在一起成為偽車牌區(qū)域或者車牌中各個字符并沒有完全連接成一個連通區(qū)域的情況，因此，這類算法的普適性和魯棒性無法得到保證。

針對傳統數學形態(tài)學應用于車牌定位中結構元素難以確定的問題，本文試圖提出一種基于自適應形態(tài)學結構元素的車牌定位算法，該算法不再是依據經驗選擇結構元素或是通過大量嘗試性實驗“窮舉”出合適的結構元素，而是完全依據車牌圖像邊緣檢測后的二值圖像中邊緣點這一穩(wěn)定特征而自適應產生局部結構元素，而不是全局結構元素，從而更能突顯車牌區(qū)域的結構特征，最大程度地抑制偽車牌區(qū)域的出現。

1 預處理

為了提高車牌定位的準確性，降低后續(xù)定位算法復雜度以及處理時間，有必要在定位之前進行車牌圖像的預處理。預處理的主要目的是去除或減弱非車牌區(qū)域的信息，保留并增強車牌區(qū)域的結構特征信息。預處理的主要內容包括灰度化、邊緣檢測等步驟。

1.1 灰度化

當前通過通用數碼設備而抓取的待定位的車牌圖像基本上全部是彩色的，雖然彩色圖像包含更多的細節(jié)信息，但是它是以犧牲存儲空間為代價的，同時也帶來了處理計算量大、耗時長的弊端。為了滿足實時性的需求，通常車牌識別系統需要將彩色圖像轉換為灰色圖像。目前彩色圖像灰度化原理已經比較成熟，主要有分量最大值法、分量平均值法和分量加權平均值法，本文采用分量加權平均值法進行彩色車牌圖像的灰度化[15]，即彩色圖像R、G、B顏色分量與灰度圖像像素點的值Y之間存在如下關系：

Y=0.299R+0.587G+0.114B

彩色車牌圖像采用分量加權平均值法灰度化后結果如圖1所示。

1.2 邊緣檢測

常用的邊緣檢測算子有Robert算子、Sobel算子、Laplace算子、Canny算子、Prewitt算子以及Krisch算子等。相對于其他算子的邊緣檢測效果而言，Sobel算子對水平邊緣和垂直邊緣的響應效果最好，這正好符合車牌區(qū)域字符具有極其明顯的垂直邊緣特征，因此本文選擇Sobel算子執(zhí)行車牌灰度圖的邊緣檢測，效果如圖2所示。

圖1 車牌灰度圖

圖2 字符邊緣檢測

2 自適應結構元素設計原理

正如上文所分析，基于數學形態(tài)學原理的車牌定位算法，其成功的關鍵是結構元素的選取，常用的結構元素有圓形、矩形、球形等諸多形狀，其尺寸也因實際應用需求的不同而各異。根據先前實驗結果分析，如果采用常見的矩形、圓形等常見的結構元素，易導致車牌上下非車牌區(qū)域與車牌區(qū)域粘連，出現誤定位現象，其主要原因在于在車牌二值圖像中，車牌字符邊緣所呈現出的是線狀特征，因此冒然采用矩形、圓形等塊狀結構元素，而不依據圖像本身的特征信息，必然會出現上問所述的誤定位結果。

眾所周知，數字圖像是由一個個的像素點構成，在車牌二值圖像中，只有白色和黑色兩種像素點，其中白色像素點即是車牌字符候選邊緣點，因此其構成的連通區(qū)域即是車牌候選區(qū)域。本文將車牌二值圖像看成是分別由白色像素點和黑色像素點組成的線段集合，該集合有兩個，分別是橫向線段集合和縱向線段集合?；诖朔N假設，本文構造自適應結構元素的詳細算法如下：

步驟1對車牌二值圖像自上而下、自左而右逐行進行掃描，相鄰白色像素點的個數即為線段的長度其中i為數字圖像的第i行，j為第i行的第 j條線段，j=1，2，…，n），若該行不存在白色像素點，則i++，并重復步驟1。

步驟2計算車牌二值圖像中第i行的所有線段長度的均值 μi標準差σi。

對圖2的邊緣結構特征進行分析，發(fā)現圖中存在較多的背景邊緣，有必要剔除以免影響車牌定位的準確度。對圖2進一步分析，不難發(fā)現背景邊緣與車牌字符邊緣的結構特征明顯不同，在水平方向上，背景邊緣的線段長度遠遠大于字符邊緣的線段長度，且背景邊緣線段長度分布極其不均勻?；诖朔治?，本文進一步計算出每行線段長度的標準差σi。標準差的數學解釋是一組數據平均值分散程度的一種度量，一個較大的標準差，代表大部分數值和其平均值之間差異較大；反之一個較小的標準差，代表這些數值較接近平均值。設置一閾值T，若標準差σi大于T，則該行所有像素點的值置為零；否則不執(zhí)行任何操作。

步驟3使用線性水平結構元素 μi對i行執(zhí)行數學形態(tài)學膨脹操作。

步驟4使用線性水平結構元素 μi對i行執(zhí)行數學形態(tài)學腐蝕操作，其目的是將經過膨脹處理操作后沒有產生連接效果的線段去除，從而進一步增強車牌定位的精確性。

利用上述自適應結構元素算法產生結構元素，并進行數學形態(tài)學處理后，車牌圖像中的白色連通區(qū)域即為車牌備選區(qū)域。其中可能包含車燈、車身字符及其他未知的干擾因素，有必要對候選區(qū)域做更精細的分析。此時可以利用一些先驗知識確定車牌區(qū)域，如車牌長、寬比，依據我國車牌的特點，車牌長寬的尺寸都是一樣的，長寬之比也就是一個定值?；诖?，本文分析每個候選白色連通域的外接矩形的長度和寬度之比來精確定位車牌區(qū)域。最終提取出的車牌區(qū)域如圖3所示。

圖3 定位結果

特別需要注意的是，本文所提出的新算法在實際應用過程中會出現候選區(qū)域中無法有效提取車牌區(qū)域情況，即候選白色連通域的外接矩形的長、寬之比不滿足車牌的結構特征，解決這一問題只需重復執(zhí)行算法四個步驟后再判斷候選白色連通區(qū)域外界矩形數學特征信息即可。

上述情況之所以會出現，是因為本文所采取的結構元素μi是車牌二值圖像中的邊緣線段長度的均值，實際車牌字符是由漢字、英文字母和阿拉伯數字構成，結構千變萬化，導致車牌二值圖像中同一行車牌字符間的邊緣線段長度Lij與均值μi肯定是不相同的，所以步驟3的一次膨脹操作不能保證某些較大字符間距的邊緣線段能夠形成連通區(qū)域。此時算法內置一個狀態(tài)參數S，取值True或False，如果經過步驟1～步驟4之后，在候選白色連通區(qū)域中，存在滿足車牌長寬比的區(qū)域，則置S=True，結束算法，定位車牌區(qū)域；如果不存在滿足車牌長寬比的區(qū)域，則置S=False，重復執(zhí)行步驟1～步驟4，直至S=True為止。

綜上，本文構造的自適應形態(tài)學結構元素的車牌定位算法流程如圖4所示。

圖4 算法流程圖

3 仿真實驗與分析

為了驗證本文所提出的算法的車牌定位效果，在不同時間段（8點、12點、16點、20點）采集了經過安徽省黃山市高速公路2號口的小型汽車圖像進行了定位實驗，每個時間段分別采集了100幅，圖像尺寸為640像素×480像素，圖像格式為JEPG，實驗在Pentium?Dual-Core（2.30 GHz），2 GB內存的計算機環(huán)境中，利用VC++6.0平臺進行仿真實驗，實驗結果如表1和表2所示。

表1 實驗結果1

表2 實驗結果2

從表1和表2中可以看出，本文所提出的車牌定位算法具有較高的精準率，且實時性較好。但是在實驗中也出現了誤定位和無法定位的車牌圖像，分析其中無法定位的圖像，主要原因是因為車牌質量自身很不理想，車牌上面覆蓋了大量的灰塵，導致預處理過程中，邊緣檢測出的車牌字符邊緣出現錯誤。分析誤定位的車牌圖像，主要原因有兩點，其一是因為車牌圖像的背景中存在文字貼圖干擾因素，其二是因為本文所選用的數學形態(tài)學的結構元素是線段的均值，當車牌中出現較多的“1”和“L”等字符，使得膨脹操作后字符區(qū)域沒有形成粘連，而出現斷裂，最終誤定位?？傮w來說，本文算法在實際應用中能夠滿足工程需要。

4 結束語

數學形態(tài)學應用于數字圖像處理，其成功的關鍵在于結構元素的選取。本文依據車牌圖像的特點，針對當前基于數學形態(tài)學的車牌定位算法的不足，提出了一種改進的車牌定位算法，其創(chuàng)新點在于本文的算法在結構元素的選取上，不是依據經驗或大量實驗獲取，而是完全根據車牌圖像自身的特點自適應產生，有效地提高了車牌定位算法的普適性，可應用于實際智能交通領域中。然而本文的新算法的魯棒性和抗干擾能力還有待進一步提高，這是本文后續(xù)研究的主要內容。

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

[2]李瑩，高滿屯.基于邊緣顏色信息的車牌定位算法[J].計算機仿真，2009，26（8）：262-265.

[3]岳鵬，彭進業(yè).一種實用的多車牌快速定位系統[J].計算機工程與應用，2011，47（17）：217-220.

[4]賈小軍，喻擎?zhèn)}，譚召均.紋理譜描述子及其在車牌定位中的應用[J].計算機應用研究，2007，24（3）：215-217.

[5]劉廣起，鄭曉曉，張曉波.基于圖像紋理特征提取的車牌定位算法[J].中國圖象圖形學報，2005，10（11）：1419-1422.

[6]黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學與計算機，2011，28（9）：123-126.

[7]左奇，史忠科.一種基于數學形態(tài)學的實時車牌圖像分割方法[J].中國圖象圖形學報，2003，8A（3）：281-285.

[8]王允強，吳濤，張方方.基于數學形態(tài)學的實用車牌定位算法及實現[J].計算機技術與發(fā)展，2010，20（11）：166-169.

[9]王阿龍，王憶文，梁巍，等.適合FPGA硬件實時處理的車牌定位算法[J].微電子學與計算機，2013，30（5）：59-62.

[10]胡紅萍，白艷萍.基于數學形態(tài)學與Radon變換的車牌定位法[J].數學的實踐與認識，2012，42（24）：109-113.

[11]姚敏.數字圖像處理[M].北京：機械工業(yè)出版社，2006：284-291.

[12]王文濤，馬啟新，杜鵬飛.基于邊緣檢測和數學形態(tài)學的車牌定位[J].中南民族大學學報：自然科學版，2008，27（4）：83-87.

[13]盧雅琴，鄔凌超.基于數學形態(tài)學的車牌定位方法[J].計算機工程，2005，31（3）：224-225.

[14]馬啟新.基于彩色邊緣檢測和數學形態(tài)學的車牌定位[D].武漢：中南民族大學，2009.

[15]趙煥青，胡紅萍，白艷萍.一種改進的快速車牌定位算法[J].太原師范學院學報：自然科學版，2011，10（1）：78-80.

FANG Xinglin

School of Economics and Management,Huangshan University,Huangshan,Anhui 245041,China

In view of disadvantage of selecting structure element of the traditional license plate locating algorithm based on mathematical morphology,that is,it selectes a definite shape and fixes size structure element based on experience or experiment results to globally process the license plate image,and the disadvantage would reduce the robustness and universal,a license plate location algorithm based on adaptive structure element is proposed.The algorithm makes the best of self-information of binary license plate image.The mean values of lines length,which are formed by calculating horizontal edge of characters,are as the structure elements,so the size of each structure element is adaptive to different images,in order to effectively extract the true license plate regions.The experimental results show that the algorithm has stronger adaptive ability,and the accurate rate of localization meets application requirements.

structure element;license plate location;adaptive algorithm

針對傳統的基于數學形態(tài)學的車牌定位算法結構元素選取的弊端，即依據經驗或實驗而選擇一個固定大小和形狀的結構元素對車牌圖像進行全局處理，導致定位算法的普適性和魯棒性低，提出了一種基于自適應結構元素的車牌定位算法，算法充分利用車牌二值圖像自身信息，通過計算字符水平邊緣所形成的線段長度的均值作為結構元素，因此結構元素的大小能隨著車牌圖像的不同而自適應調整，更加有效地定位車牌目標區(qū)域。實驗結果證明，算法具有較強的自適應能力，定位準確率滿足應用需要。

結構元素；車牌定位；自適應算法

A

TP391

10.3778/j.issn.1002-8331.1305-0242

FANG Xinglin.License plate location algorithm based on adaptive structure element of mathematical morphology.Computer Engineering and Applications,2013,49（23）：149-152.

黃山學院校級科學研究項目（No.2012xkj004）。

方興林（1983—），男，碩士，研究方向：信息管理、信息系統。

2013-05-20

2013-08-08

1002-8331（2013）23-0149-04