陳文會(huì)，馬爽，盧虎，樊養(yǎng)余

Chen Wenhui1，MA Shuang1，LU Hu2，F(xiàn)AN Yangyu1

1.西北工業(yè)大學(xué) 電子信息學(xué)院，陜西 西安，710072

2.空軍工程大學(xué) 理學(xué)院，陜西 西安，710051

1.School of Electronics and Information， Northwestern Polytechnical University， Xi'an 710072， China

2.Science Institute, Air Force Engineering University, Xi'an 710051，China

1 引言

車輛牌照識(shí)別LPR(License Plate Recognition)技術(shù)是數(shù)字圖像處理、模式識(shí)別、人工智能在智能交通系統(tǒng)領(lǐng)域的一個(gè)重要研究課題，被廣泛地應(yīng)用于道路收費(fèi)系統(tǒng)和各種監(jiān)控系統(tǒng)，具有廣闊的應(yīng)用前景。然而在實(shí)際應(yīng)用中，復(fù)雜的拍攝環(huán)境會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生很大影響，比如天氣變化所引起的光照不均，復(fù)雜的拍攝環(huán)境，另外還有車輛本身的干擾，如排氣柵格、車燈、車身廣告等。而這些不利因素的影響主要集中在車牌定位部分，因此車牌定位既是研究的重點(diǎn)也是研究的難點(diǎn)，其結(jié)果好壞直接影響后續(xù)識(shí)別部分能否順利進(jìn)行。

車牌定位就是從包含車牌的圖像中，應(yīng)用數(shù)字圖像處理技術(shù)定位出車牌區(qū)域的準(zhǔn)確位置并將其分割出來(lái)?，F(xiàn)有的車牌定位方法有很多，常用的有基于數(shù)學(xué)形態(tài)學(xué)[1]的定位算法，該方法選用相應(yīng)的結(jié)構(gòu)元素，使圖像形成閉合的連通區(qū)域，從而定位出車牌，運(yùn)算較小但定位不準(zhǔn)，易造成誤檢；基于邊緣檢測(cè)的定位算法[2,3]，該算法計(jì)算量較大，對(duì)于邊框不連續(xù)及背景復(fù)雜的車牌圖像難以奏效；基于顏色的定位算法[4,5]，該方法大多對(duì)光照的變化敏感，當(dāng)光照效果不佳或當(dāng)車牌顏色與車身顏色或周圍環(huán)境顏色相似時(shí)誤檢率較大；基于神經(jīng)網(wǎng)絡(luò)的方法，該方法需要把車牌特征輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算量大，同時(shí)存在網(wǎng)絡(luò)局部收斂，定位時(shí)間長(zhǎng)等問(wèn)題。目前，一些綜合性車牌定位方法的出現(xiàn)在一定程度上可以克服原有算法的缺陷，但如何行之有效的融合多種方法，仍有待進(jìn)一步討論。針對(duì)復(fù)雜背景下的車牌高效定位，本文提出了一種基于邊緣梯度特性的高頻篩選算法，該算法可以快速有效地篩選出車牌邊緣信息，進(jìn)而結(jié)合數(shù)學(xué)形態(tài)學(xué)運(yùn)算得到車牌候選區(qū)域，完成車牌粗定位；同時(shí)本文將車牌的顏色信息與灰度紋理信息[6]有機(jī)融合，提出了一種多判定機(jī)制下的偽車牌區(qū)域剔除算法，可以快速準(zhǔn)確地完成車牌細(xì)定位與分割。大量實(shí)驗(yàn)證明，本文在目前已有算法的基礎(chǔ)上做了改進(jìn)與優(yōu)化，彌補(bǔ)了傳統(tǒng)算法的不足，在滿足系統(tǒng)實(shí)時(shí)性的條件下，進(jìn)一步提高了定位的準(zhǔn)確率，尤其對(duì)于清晰度低、光照不佳、背景復(fù)雜的圖像有良好的定位效果。

2 基于邊緣特性篩選和形態(tài)學(xué)的車牌粗定位

2.1 圖像預(yù)處理

因外界環(huán)境因素的不定造成采集到的原始圖像質(zhì)量有可能存在較多噪聲而無(wú)法達(dá)到后期處理的要求，另外對(duì)彩色圖像直接進(jìn)行處理會(huì)大大增加運(yùn)行周期，且彩色圖像對(duì)于光照、車牌底色等因素較為敏感，所以我們首先要對(duì)采集到的圖像進(jìn)行預(yù)處理，將彩色圖像灰度化再進(jìn)行濾波操作濾掉多余噪聲，為后續(xù)的處理打下良好基礎(chǔ)。

將彩色圖像轉(zhuǎn)化成為灰度圖像的過(guò)程，稱為圖像的灰度化處理。彩色圖像中，每個(gè)像素有R、G、B 3個(gè)分量，本文采用式(1)對(duì)圖像進(jìn)行灰度化處理。

2.2 基于邊緣梯度特性的高頻篩選算法

圖1為差分后的車輛圖像。不難發(fā)現(xiàn)，水平差分的圖像中，車牌區(qū)域與背景區(qū)域相比，有著更為豐富的邊緣信息，尤其表現(xiàn)為梯度變化明顯、頻繁且具有一定規(guī)律。由此，只需對(duì)梯度化后圖像的水平方向做高頻保留，即可去除非目標(biāo)邊緣，從而最大限度的保留車牌區(qū)域的邊緣信息。

圖1 車輛差分圖像

本文根據(jù)車牌區(qū)域的邊緣梯度特性提出了一種高頻梯度篩選算法。該算法通過(guò)去除水平差分后車牌圖像中邊緣特性不滿足自適應(yīng)閾值 R的像素點(diǎn)來(lái)保留車牌邊緣并濾除部分干擾噪聲。如式(2)：

式中，max f(:,j)為所在列像素的灰度最大值，R為篩選閾值，若被測(cè)像素點(diǎn)小于R則視為非目標(biāo)區(qū)域邊界點(diǎn)，將其排除。,其中N需要根據(jù)系統(tǒng)所拍攝圖片大小來(lái)自主設(shè)定。若N選取過(guò)小，雖然可以保留更多的邊緣信息，但非目標(biāo)區(qū)域也會(huì)保留下來(lái)；若N選取過(guò)大，則可能會(huì)導(dǎo)致車牌區(qū)域的邊緣信息也被排除掉。如圖2為N取不同值時(shí)邊緣特性篩選后的結(jié)果。

圖2 N取不同值時(shí)邊緣特性篩選結(jié)果圖

2.3 基于數(shù)學(xué)形態(tài)學(xué)的區(qū)域填充處理

邊緣篩選后，需要對(duì)被保留的邊緣信息進(jìn)行增強(qiáng)和擴(kuò)展使目標(biāo)區(qū)域連片展現(xiàn)。由車牌的幾何形狀特征知，車牌呈矩形，雖然其大小位置在不同的圖像中不能確定，但其長(zhǎng)寬比例基本保持在一定區(qū)間內(nèi)。本文以此作為先驗(yàn)知識(shí)，設(shè)置與圖片大小比例相適應(yīng)的矩形填充模板，運(yùn)用形態(tài)學(xué)區(qū)域填充算法，從而快速有效地確定出車牌候選區(qū)域，完成車牌粗定位。

區(qū)域填充算法是一種基于集合膨脹，取補(bǔ)和取交的簡(jiǎn)單算法。假定所用的非邊界元素均標(biāo)為0，我們把一個(gè)值1賦給P開(kāi)始這個(gè)過(guò)程。下述過(guò)程將把這個(gè)區(qū)域用1來(lái)填充：

式中，A表示一個(gè)包含一個(gè)子集的集合，P為邊界內(nèi)的一點(diǎn)，X0=P，B為對(duì)稱結(jié)構(gòu)元素。當(dāng)k迭代到Xk=Xk-1時(shí)，算法終止。首先用模板對(duì)圖像進(jìn)行閉運(yùn)算，融合窄的缺口和細(xì)長(zhǎng)的彎口，去掉混淆點(diǎn)，得到一些規(guī)則的連通區(qū)域，繼而從這些連通區(qū)域中找出最符合車牌特征的一個(gè)。根據(jù)車牌幾何形狀特征剔除不符合寬高比要求的連通域。根據(jù)先驗(yàn)知識(shí)[7]，車牌的寬W高H比近似為 3:1，車牌的面積Area和周長(zhǎng)Length的平方近似滿足式(5)[8]：

對(duì)式(4) (5)引入匹配度參量α、β，變換為式(6) (7)：

式中，匹配度1α≈、1β≈說(shuō)明對(duì)應(yīng)的連通域最有可能是車牌區(qū)域。

當(dāng)背景復(fù)雜時(shí)，圖像中易于形成許多孤立的小連通域，這些小連通域明顯不是車牌區(qū)域，如圖3。為了縮小候選區(qū)域范圍減少后續(xù)操作的計(jì)算量，可以將聚團(tuán)值小于閾值的連通域去掉完成粗定位[9]，如圖4。

圖3 區(qū)域填充結(jié)果

圖4 車牌區(qū)域粗定位結(jié)果

3 多判定機(jī)制下的偽車牌區(qū)域剔除

車牌粗定位即可準(zhǔn)確得到大部分圖像的車牌區(qū)域，但還有一些復(fù)雜情況會(huì)影響定位結(jié)果。干擾較為嚴(yán)重的一種是車前排氣柵格為豎直型的車輛，另外車燈、車身廣告、復(fù)雜背景等也會(huì)對(duì)定位效果造成一定影響。如圖5(a)為典型的豎直型排氣柵格，其緊位于車牌上方且基本輪廓與長(zhǎng)寬比也與車牌近似，另外豎直型且等間距排列的柵格與車牌區(qū)域等間距分布字符的灰度紋理特征極為相似，其灰度直方圖都呈等間距峰谷峰排列如圖5(c)，所以二者極易混淆。

圖5 復(fù)雜條件下的定位結(jié)果

通過(guò)對(duì)車牌區(qū)域各種特征的研究和分析，針對(duì)上述問(wèn)題，本文有機(jī)融合了車牌的顏色特征和灰度紋理特征，運(yùn)用多判定機(jī)制快速有效地排除偽車牌區(qū)域，準(zhǔn)確定位并分割出車牌[10]。

通過(guò)對(duì)國(guó)家標(biāo)準(zhǔn)GA36—2007中所描述的2007式民用機(jī)動(dòng)車牌照規(guī)范的分析可知，車牌區(qū)域除上述的幾何形狀特征外還有兩個(gè)重要特征[11]：

(1) 字符顏色與牌照底色對(duì)比度較大；

(2) 車牌有水平且等間隔排列的7個(gè)字符，其灰度紋理在水平方向的投影成等間隔峰谷峰跳變；根據(jù)特征(1)，可將候選區(qū)域在彩色圖像下通過(guò)度量其顏色分量來(lái)篩選車牌區(qū)域。度量公式如下：

R(i, j),G(i, j),B(i, j)分別為候選區(qū)域的紅、綠、藍(lán)顏色分量。由于RGB空間中藍(lán)、黃色區(qū)分度較大，所以可將黃色看作是藍(lán)色的反色。根據(jù)GA36—2007，我國(guó)藍(lán)底白字的車牌占絕大多數(shù)，所以選取藍(lán)色分量作為度量條件。由特征(2)及車牌區(qū)域的灰度投影可知，車牌的灰度跳變頻繁且規(guī)律，根據(jù)GA36—2007規(guī)定，我國(guó)車牌字符數(shù)為7個(gè)，其灰度值跳變數(shù)為14左右，因此只需對(duì)候選區(qū)域進(jìn)行行掃描，計(jì)算出跳變數(shù)即可排除干擾。具體操作如下：

(1) 確定候選區(qū)域的水平位置，得到每個(gè)候選區(qū)域的上線和下線；

(2) 通過(guò)上下線確定水平中線，并掃描該行累計(jì)其豎直方向灰度值跳變數(shù),記為Jump；

(3) 將Jump與設(shè)定閾值Threshold作比較，若，則排除該區(qū)域。步驟(2)中之所以只掃描水平中線是因?yàn)橹芯€對(duì)于豎直方向的灰度信息保留較為完整，且只掃描該行可大大減少計(jì)算量。步驟(3)中Threshold設(shè)置為16。

4 實(shí)驗(yàn)結(jié)果及分析

本文的實(shí)驗(yàn)樣本主要為實(shí)際道路中拍攝的正常行駛的車輛圖像，另外還有部分特殊情況下的樣本是從互聯(lián)網(wǎng)上下載的。如圖6展示了四組場(chǎng)景下不同車牌定位方法的實(shí)驗(yàn)結(jié)果，從上到下依次為光照陰暗組、夜晚組、背景復(fù)雜組和常規(guī)組；每組圖像從左到右依次為原圖、邊緣檢測(cè)法、數(shù)學(xué)形態(tài)學(xué)法、本文方法。表1則定量統(tǒng)計(jì)了不同方法對(duì)大量實(shí)驗(yàn)樣本的定位結(jié)果。由圖6和表1可看出，邊緣檢測(cè)方法對(duì)于背景復(fù)雜的圖像定位效果較好，可有效去除大量干擾區(qū)域，但由于該方法對(duì)光照敏感度高，因此對(duì)于光照效果不佳的圖像效果很差；基于數(shù)學(xué)形態(tài)學(xué)的方法相對(duì)于邊緣檢測(cè)法從整體上效果有所提高，但對(duì)于背景復(fù)雜，干擾因素較多的圖像卻難以去除非目標(biāo)區(qū)域從而造成定位失??；本文方法結(jié)合了上述兩種方法并對(duì)邊緣檢測(cè)做了改進(jìn)，在細(xì)定位部分結(jié)合多種先驗(yàn)知識(shí)引入了多判定機(jī)制，因此從定位結(jié)果圖和統(tǒng)計(jì)數(shù)據(jù)都可以看出該方法在車牌定位的準(zhǔn)確率上有了很大的提高，尤其對(duì)于夜晚、光線陰暗、背景復(fù)雜等圖像的定位效果有明顯改善。

表1 不同方法車牌定位結(jié)果對(duì)比

圖6 幾種車牌定位方法的對(duì)比

圖7分為3組展示了不同情況下的車牌定位及識(shí)別結(jié)果，每組從上到下依次為原圖、粗定位結(jié)果、細(xì)定位結(jié)果。圖(a)為光照不佳條件下，如陰?kù)F、夜間的定位結(jié)果，可以看出本算法克服了現(xiàn)有算法對(duì)于光照敏感的問(wèn)題，在光線非常暗的條件下依然能準(zhǔn)確定位和識(shí)別出車牌；圖(b)針對(duì)豎直型排氣柵格車輛，可以看到在粗定位部分可大致得出車牌候選區(qū)域，且控制在4個(gè)之內(nèi)，之后運(yùn)用本文在細(xì)定位部分提出的多判定機(jī)制算法可以有效地排除干擾；圖(c)主要測(cè)試了車身具有文字及車牌顏色與背景色相近的圖像，結(jié)果表明識(shí)別效果良好。本算法的優(yōu)點(diǎn)在于準(zhǔn)確率高、速度快，相比于傳統(tǒng)算法，本算法對(duì)于光照、拍攝環(huán)境、角度、背景等要求不高，能夠從復(fù)雜的背景中排除干擾準(zhǔn)確定位車牌，為識(shí)別打下良好基礎(chǔ)；缺點(diǎn)在于對(duì)個(gè)別車牌有遮擋、污損的情況還未找到有效方法。

5 結(jié)束語(yǔ)

針對(duì)復(fù)雜背景下的車牌定位，本文提出了一種邊緣特性篩選與多判定機(jī)制下的車牌定位方法，充分利用了車牌的邊緣梯度特征、幾何形狀特征、顏色特征、灰度紋理特征等作為先驗(yàn)知識(shí)來(lái)定位車牌，為下一階段的車牌識(shí)別打下了良好的基礎(chǔ)。該方法彌補(bǔ)了現(xiàn)有車牌定位算法對(duì)于背景復(fù)雜的圖像易形成誤檢的問(wèn)題，且定位速度較快可滿足系統(tǒng)實(shí)時(shí)性，對(duì)車牌的顏色、拍攝角度、光照等條件限制較少，結(jié)果顯示對(duì)不同的拍攝環(huán)境都具有良好的定位效果。

[1]P. V. SURYANARAYANA， SUMAN K M， ASIM B， et al. A morphology based approach for car license plate Extraction: IEEE Indiction 2005 conference， 2005[C].Chennai， India: IEEE， 2005，11:24-27.

[2]PAOLO Ferragina， MARIO Notturno Graieri， FLAVIO Stabile. Optical recognition of motor vehicle license plate[J]. Transactions on Vehicle Technology， 1995，44(4):790-799.

[3]HONG B H， YANG C H. An approach to license plate locating in intelligent transportation system: Proceeding of 2nd International Conference on Pervcsive Computing and Application， 2007[C]. Birmingham， UK: IEEE， 2007，319-322.

[4]王夏黎.基于視頻檢測(cè)和顏色的車輛牌照提取方法[J].計(jì)算機(jī)應(yīng)用與軟件，2005，22(11):41-44.

[5]汪志兵.一種基于紋理特征抽取的車牌定位預(yù)處理方法[J].計(jì)算機(jī)應(yīng)用研究，2004，21(1):255-257.

[6]劉廣起，鄭曉勢(shì)，張曉波.基于圖像紋理特征提取的車牌定位算法[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10(11):1419-1422.

[7]ZHANG H， JIA W， HE X， et al. Learning-based license plate detection using global and local features [J]. Pattern Recognition， 2006， 2:1102-1105.

[8]BROWN M，LOWE D G.. Automatic panoramic image stitching using invariant features[J]. International Journal of Computer Vision， 2007，74(1):59-73.

[9]SONG J， DWLPE J. The analysis of morphological filter with multiple structuring elements computer[J]. Vision Graphics and Image Processing， 1990， 50(1):308-320.

[10]FARADJI F， REZAIE A H， ZIARATBAN M A，Morphological-based license plate location: Proceeding of the 14th IEEE International Conference on Image Processing， 2007[C]. Texas， USA: IEEE， 2007: 57-60.

[11]王怡.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位與分割.計(jì)算機(jī)應(yīng)用與軟件，2010，27(8):255-256.