周 欣，蔣欣榮，潘 薇

ZHOU Xin,JIANG Xinrong,PAN Wei

四川大學(xué) 計(jì)算機(jī)學(xué)院，成都 610064

College of Computer,Sichuan University,Chengdu 610064,China

車牌定位算法是車輛號牌自動識別系統(tǒng)的關(guān)鍵算法，目前已有多種成熟的定位算法。而提高定位率與提高實(shí)時(shí)性一直是該算法研究的重點(diǎn)內(nèi)容。

目前比較常見的方法有以下兩種：第一種方法包括水平線搜索[1]、邊緣檢測[2]、投影分割、車牌紋理檢測等等。這類方法利用車牌區(qū)域邊緣豐富、灰度變化規(guī)律等特性來檢測車牌，運(yùn)算簡單，速度較快，但抗干擾的能力相對較弱?，F(xiàn)在對這類方法又有各種改進(jìn)算法，并取得一定的效果[3-5]。第二種方法著重于車牌區(qū)域的色彩信息。包括根據(jù)顏色相似度進(jìn)行聚類牌照區(qū)域[6]和運(yùn)用彩色邊緣檢測[7-8]等等。這類方法對車牌大小不敏感，精度較高，但缺點(diǎn)是對圖像品質(zhì)要求高，對牌照偏色、牌照污損及背景色干擾等情況無能為力。

另外還有一些基于小波分析的方法[9-11]、基于神經(jīng)網(wǎng)絡(luò)的方法[12-13]、基于AdaBoost的學(xué)習(xí)方法[14-15]等等。

在目前的智能交通系統(tǒng)中，越來越多的采用了高清數(shù)字?jǐn)z像機(jī)。常用的數(shù)字?jǐn)z像機(jī)可以覆蓋2～5個(gè)車道，這對車牌定位算法提出了新的要求。除了搜索空間增大使得算法實(shí)時(shí)性降低以外，出現(xiàn)了一個(gè)場景中同時(shí)存在多個(gè)車牌的情況。本文以提高車牌定位實(shí)時(shí)性和同時(shí)搜索多個(gè)車牌為目的，研究并提出一種基于分塊投影和語義約束的快速車牌定位算法，為基于數(shù)字?jǐn)z像機(jī)的實(shí)時(shí)車牌識別系統(tǒng)提供算法基礎(chǔ)。

本文引入2個(gè)車牌區(qū)域語義特征。第一語義特征：車牌區(qū)域具有連續(xù)、規(guī)則的多個(gè)字符塊。第二語義特征：車牌字符灰度信息一致、筆畫寬度一致，與背景形成規(guī)則的灰度跳變。算法步驟是：首先通過分塊的邊緣投影得到候選車牌字符塊；然后根據(jù)第一語義特征對字符塊進(jìn)行聚類和篩選，最后根據(jù)第二語義特征過濾偽車牌得到定位結(jié)果。

1 分塊投影定位候選字符塊

考慮到車牌字符的筆畫寬度和車牌可能出現(xiàn)的傾斜，選擇式（1）和式（2）的梯度算子對灰度圖像I進(jìn)行處理，得到V(x，y)和 H(x，y)。

傳統(tǒng)方法多采用整行投影確定車牌區(qū)域的上下界，但針對視場中包含多個(gè)車道的情況其適應(yīng)性降低。因?yàn)橐晥龅臄U(kuò)大使得車牌區(qū)域在圖像中所占比重下降，車牌傾斜的程度也大大增加，其他目標(biāo)和噪聲對行投影的影響增大。因此，本文采用局部分塊投影來搜索候選字符塊。

設(shè)圖像x與y方向的搜索步長均為step，對W×H大小的圖像塊在水平方向?qū)(x，y)投影，投影的一維數(shù)據(jù)進(jìn)行9×1的均值濾波。其中：

局部車牌邊緣投影在概率意義上近似正態(tài)分布，如圖1所示。因此，可以按正態(tài)分布曲線進(jìn)行參數(shù)估計(jì)，并根據(jù)其能量分布理論（99%的能量集中在μ±2.58σ以內(nèi)）確定字符塊的上下邊界。

圖1 曲線擬合示例

設(shè)投影曲線為 y*=h(x)，字符塊上下界區(qū)間為[m，n]，m、n為所求值。則邊緣投影在x方向分布的概率密度函數(shù)為：

取曲線 f(x)上 4個(gè)點(diǎn) (x1，y1)、(x2，y2)、(x3，y3)和(x4，y4)，滿足如下關(guān)系：

由式（3）、式（4）可以得到：

將式（6）代入式（5）可以求得 σ：

因此只需要從投影曲線上取4個(gè)特征點(diǎn)，根據(jù)式（8）計(jì)算出 a1、a2，再代入式（6）、式（7）即可計(jì)算出正態(tài)分布參數(shù)。

分塊區(qū)域車牌字符上下界的計(jì)算步驟如下，坐標(biāo)定義如圖1所示。

（1）設(shè)定：step=24；車牌最大高度 plateH=2×step。

（2）在W×H 的圖像塊中對V(x，y)投影，并進(jìn)行9×1的均值濾波，獲取投影曲線。

（3）求取投影曲線局部極大值點(diǎn)(x0，y0)。

（4）以(x0，y0)為中心，沿x軸向下在 plateH 區(qū)間內(nèi)搜索與；沿x軸向上在 plateH區(qū)間內(nèi)搜索與。

（5）如果不能同時(shí)找到該4點(diǎn)，則該分塊區(qū)域不是車牌字符塊；如果 |x1-x0|＞|x2-x0|或者 |x3-x0|＞|x4-x0|，則該分塊區(qū)域不是車牌字符塊。

（6）按公式（6）～（8）計(jì)算正態(tài)分布參數(shù)。

（7）求取μ±2.58σ作為該車牌字符塊的上下邊界。計(jì)算字符塊高度記為H*。

（8）如果H*＜15，則該區(qū)域不是車牌字符塊。15為最小車牌高度。

對已經(jīng)確定上下邊界的區(qū)域W×H*，按下面步驟再對左右邊界進(jìn)行粗定位。

（1）設(shè)定：w=12（車牌為100像素時(shí)單個(gè)字符平均寬度）；th=100×H*。

（2）H(x，y)+V(x，y)在垂直方向投影，形成 W×1維數(shù)據(jù)。

（3）從左向右步長為1，按窗口w×1對投影數(shù)據(jù)求和；第一個(gè)大于閾值th的塊為左邊界。

（4）從右向左，同理求解右邊界。

（5）如果不能同時(shí)找到左右邊界，則該區(qū)域不是字符塊。

2 第一語義約束聚類字符塊

根據(jù)車牌字符塊的第一語義特征，定義約束條件，去除孤立候選字符塊以及排列不規(guī)則的字符塊。并對保留的車牌字符塊聚類構(gòu)成候選車牌區(qū)域。我國規(guī)定車牌懸掛正負(fù)傾斜不能超過15°。根據(jù)該規(guī)定可以對相鄰字符塊中心點(diǎn)的高度差進(jìn)行約束。因此對傾斜角度符合規(guī)定的車牌可以取得較好的聚類效果。

這里用特征向量[z1，z2，z3]表示一個(gè)字符塊，z1為塊中心 x軸坐標(biāo)，z2為塊左邊界 y軸坐標(biāo)，z3為塊高度。設(shè)定搜索到的第一個(gè)候選字符塊為，選擇以下2個(gè)約束條件確定候選車牌區(qū)域。

對字符塊 A1，如果能夠找到2～6個(gè)候選塊滿足規(guī)則，則認(rèn)為這些候選塊可以構(gòu)成一個(gè)候選車牌區(qū)域P；否則搜索下一個(gè)候選塊。

（2）計(jì)算 Ai+1與 Ai關(guān)聯(lián)系數(shù) Di：

并計(jì)算整體關(guān)聯(lián)系數(shù)D（n為按規(guī)則1搜索到的候選字符塊個(gè)數(shù)）：

設(shè)定閾值T，如果D＜T則認(rèn)為該區(qū)域是車牌候選區(qū)域；否則該區(qū)域不是車牌區(qū)域。實(shí)驗(yàn)中，根據(jù)大量樣本測試效果，按經(jīng)驗(yàn)值，T=0.5。

（3）對滿足整體關(guān)聯(lián)系數(shù)的字符塊求取最大外截矩形，獲取候選車牌區(qū)域。

3 第二語義過濾偽車牌區(qū)域

前面的步驟用較快的處理速度獲取較高的檢測率，因此判決條件寬松，漏檢機(jī)率較小。但是檢測結(jié)果會出現(xiàn)誤檢和左右邊界不準(zhǔn)確的情況。因此需要對聚類得到的候選區(qū)域進(jìn)行過濾和左右邊界修正。

車牌區(qū)域的另一顯著特征是字符灰度和背景灰度之間對比較大，對5～7個(gè)字符而言，可以找到連續(xù)的至少10次灰度跳變。圖2左圖顯示了車牌區(qū)域某一行的水平灰度分布曲線，圖2右圖顯示了誤檢區(qū)域中某一行的水平灰度分布曲線。垂直的白線為標(biāo)記的跳變位置。

按第二語義過濾偽車牌并修正左右邊界的步驟如下。

（1）對候選車牌區(qū)域求取整體灰度均值G。

（2）求取區(qū)域中灰度大于G的像素點(diǎn)的灰度均值G2；小于G的像素點(diǎn)灰度均值G1；獲取區(qū)域?qū)Ρ榷菴=G2-G1。

圖2 圖像一行的灰度分布圖

（3）除上下邊界外，對區(qū)域逐行掃描，相鄰兩點(diǎn)灰度差值大于C，記錄一次跳變。

（4）統(tǒng)計(jì)跳變次數(shù)不小于10次的行數(shù)，如果總行數(shù)小于區(qū)域高度的一半，則該區(qū)域?yàn)閭诬嚺茀^(qū)域。

（5）對大于10次跳變的行，記錄最左邊與最右邊的跳變位置，作為車牌的左右邊界。

（6）最后根據(jù)系統(tǒng)設(shè)定的車牌大小、長寬比判定是否為車牌區(qū)域。

4 實(shí)驗(yàn)與分析

實(shí)驗(yàn)的圖片共3000張，來自全國各地，光照、天氣情況不一。包含768×576、1360×1024以及1600×1200等3種分辨率的圖像，車牌寬度從90像素到160像素不等。本文算法使用C++在P42.4 GHz/768 MB機(jī)器上實(shí)現(xiàn)。圖3給出了本文算法的處理過程。圖4給出了不同情況下的部分實(shí)驗(yàn)結(jié)果。

圖3 算法描述

表1是實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)，從實(shí)驗(yàn)結(jié)果來看，本文方法對絕大多數(shù)的圖像都能夠正確定位，適應(yīng)性較強(qiáng)。特別針對部分車牌有輕微污損、牌照光照不均勻的情況效果較好。

對漏檢的結(jié)果進(jìn)行分析，主要原因如下：車牌污損嚴(yán)重；車牌區(qū)域?qū)Ρ榷容^低；車牌外圍區(qū)域紋理豐富，投影的方法無法將車牌與外圍區(qū)域分開。

圖4 實(shí)驗(yàn)結(jié)果

表1 實(shí)驗(yàn)定位結(jié)果統(tǒng)計(jì)

對誤檢結(jié)果分析發(fā)現(xiàn)：車身上的字符串容易被誤認(rèn)為車牌，其他水平排列的具有豐富邊緣信息的塊狀紋理也可能被誤判。如貨車的字母車標(biāo)、公交車編號等等，如圖5所示。如果考慮后續(xù)的字符切分，并輔助車牌字符位置比例，可以解決定位誤檢的問題。

圖5 誤檢結(jié)果

表2是算法運(yùn)行時(shí)間比較。從表2可以看出，本文的定位算法處理速度較快，圖像定位時(shí)間能夠達(dá)到實(shí)時(shí)處理的要求。

表3是本文算法與參考文獻(xiàn)中幾種主要車牌定位算法定位準(zhǔn)確率與運(yùn)行時(shí)間的比較?？梢钥吹?，本文算法在較大提高處理速度的同時(shí)，保證了定位的準(zhǔn)確率，并能夠進(jìn)行多車牌同時(shí)定位。

表2 算法執(zhí)行時(shí)間比較表ms

表3 幾種算法比較表

本文算法的主要時(shí)間消耗集中在預(yù)處理和搜索字符塊兩個(gè)步驟。對三種不同分辨率圖像的實(shí)驗(yàn)數(shù)據(jù)也反映了這一點(diǎn)。其原因是由于前兩個(gè)步驟是基于像素級的運(yùn)算，而后續(xù)步驟是基于語義分析的運(yùn)算。聚類和篩選的輸入數(shù)據(jù)與圖像的分辨率不再有直接關(guān)系，而是與圖像中疑似車牌的區(qū)域數(shù)目相關(guān)。從提高車牌定位率的角度來看，聚類和篩選還可以選擇更為復(fù)雜的約束規(guī)則來提高準(zhǔn)確率而不會對算法的實(shí)時(shí)性產(chǎn)生較大影響。

5 結(jié)論

本文以提高車牌定位實(shí)時(shí)性和同時(shí)搜索多個(gè)車牌為目的，研究并提出一種基于分塊投影和語義約束聚類的實(shí)時(shí)多車牌定位算法，從實(shí)驗(yàn)結(jié)果來看，本文算法對背景復(fù)雜、車牌輕微污損、光照不均及角度傾斜等情況均能有效處理。與以往的算法相比，本文算法在保證較高的定位率的同時(shí)，獲得了較快的處理速度。以本文算法為核心的車牌識別系統(tǒng)在成都市的智能交通管理系統(tǒng)中已經(jīng)得到了應(yīng)用。

[1]Barroso J，Dagless E L，Rafael A，et al.Number plate reading using computer vision[C]//Proceedings of the IEEE International Symposium on Industrial Electronics，1997：761-766.

[2]Soh Y S，Chen B T.Design of real time vehicle identification system[C]//Proceedings of the IEEE，International Conference on Systems，Man and Cybernetics，1994：2147-2152.

[3]吳舟舟，李樹廣.基于分級邊緣間距的實(shí)時(shí)車牌檢測[J].中國圖象圖形學(xué)報(bào)，2007，12（2）：315-321.

[4]馮國進(jìn)，顧國華，鄭瑞紅.基于自適應(yīng)投影方法的快速車牌定位[J].紅外與激光工程，2003，32（3）：285-287.

[5]張變蓮，唐慧君，閆旻奇.一種復(fù)雜車輛圖像中的多車牌定位方法[J].光子學(xué)報(bào)，2007，36（1）：184-187.

[6]王義興，黃鳳崗，韓金玉，等.基于顏色搭配與紋理特征的車牌定位方法[J].中國圖象圖形學(xué)報(bào)，2009，14（2）：303-308.

[7]李文舉，梁德群.基于邊緣顏色對的車牌定位新方法[J].計(jì)算機(jī)學(xué)報(bào)，2004，27（2）：204-208.

[8]劉萬軍，姜慶林玲，張闖.基于CNN彩色圖像邊緣檢測的車牌定位方法[J].自動化學(xué)報(bào)，2009，35（12）：1503-1512.

[9]朱曉紅，張永來，劉冬林.非正交haar小波變換的車牌定位技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（13）：175-178.

[10]張國才，王召巴.小波變換在車牌定位中的應(yīng)用[J].機(jī)械管理開發(fā)，2010，25（1）：199-200.

[11]侯培國，趙靜，劉明.基于小波變換和行掃描的車牌定位方法[J].系統(tǒng)仿真學(xué)報(bào)，2006，18（2）：811-813.

[12]邱剛，王養(yǎng)利.基于邊緣特征和神經(jīng)網(wǎng)絡(luò)的汽車牌照定位算法[J].微機(jī)發(fā)展，2005，15（4）：30-32.

[13]王曉芳，趙勇，方宗德.基于紋理特征和神經(jīng)網(wǎng)絡(luò)牌照定位方法[J].現(xiàn)代電子技術(shù)，2010（4）：49-53.

[14]劉彬，嚴(yán)京旗，施鵬飛.高斯差分的AdaBoost車牌定位方法[J].智能系統(tǒng)學(xué)報(bào)，2010，5（6）：471-475.

[15]盛曦，吳煒，楊曉敏，等.一種基于AdaBoost車牌定位算法[J].四川大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，44（3）：535-539.