華顯立 連晗

【摘要】 車牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要環(huán)節(jié)，車牌定位是車牌識(shí)別的前提和關(guān)鍵。車牌定位的準(zhǔn)確率直接影響到后續(xù)字符識(shí)別效果，對(duì)車牌識(shí)別率的高低有重大影響。分析現(xiàn)有的車牌定位算法，比較不同算法的處理效果及其定位精確度等問(wèn)題。

【關(guān)鍵詞】 車牌識(shí)別 車牌定位 字符識(shí)別

一、引言

隨著我國(guó)科學(xué)技術(shù)和交通現(xiàn)代化的快速發(fā)展，智能交通系統(tǒng)（ ITS）的研究越來(lái)越受到重視。車牌識(shí)別（LPR）作為智能交通系統(tǒng)的重要環(huán)節(jié)，主要是利用通信技術(shù)、圖像處理、模式識(shí)別或人工智能等技術(shù)，在無(wú)人干預(yù)的情況下實(shí)現(xiàn)車牌的自動(dòng)識(shí)別。車牌識(shí)別系統(tǒng)主要由圖像采集、預(yù)處理、車牌定位、車牌字符分割和車牌字符識(shí)別等步驟組成。從車牌識(shí)別系統(tǒng)可以看出，車牌定位是車牌識(shí)別的前提和難點(diǎn)，車牌定位的準(zhǔn)確率直接影響到后續(xù)處理和字符識(shí)別效果，對(duì)識(shí)別率的高低有重大影響。本文主要對(duì)幾種典型的車牌定位算法進(jìn)行分析。

二、基于邊緣檢測(cè)的車牌定位算法

“邊緣”是指像素的灰度值有階躍變化的像素集合，“邊緣檢測(cè)”是圖像處理和計(jì)算機(jī)視覺中進(jìn)行特征提取研究的基本問(wèn)題。目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)，最終精確定位出邊緣，同時(shí)抑制噪聲。邊緣檢測(cè)主要采用合適的邊緣算子作用于圖像，通過(guò)特定算法提取出邊緣像素點(diǎn)，邊緣檢測(cè)的關(guān)鍵是尋找合適的算子進(jìn)行邊界分析。研究者將一些檢測(cè)效果較好的檢測(cè)算子應(yīng)用于車牌定位：（1）Roberts算子，利用局部差分算子尋找邊緣，采用2×2鄰域的對(duì)角方向兩像素之差近似作為梯度幅值檢測(cè)邊緣。任一對(duì)角方向上的差分都可用來(lái)估計(jì)梯度值。檢測(cè)垂直邊緣的效果好于斜向邊緣，定位精度高；但對(duì)噪聲敏感，無(wú)法抑制噪聲的影響。（2）Prewitt算子，利用梯度算子來(lái)計(jì)算原始圖像在橫向x和縱向y上的灰度變化率。按照所選的檢測(cè)方向（水平、垂直或雙向）進(jìn)行檢測(cè)，計(jì)算前先設(shè)定閾值，低于該閾值的像素值將被忽略。Prewitt算子計(jì)算比較簡(jiǎn)單，能平滑噪聲，但定位精度不夠高，可能產(chǎn)生偽邊緣。（3）Sobel算子，該算子包含橫向和縱向共兩個(gè)3x3矩陣，將之分別與圖像作卷積。該算子對(duì)噪聲有一定的抑制作用，但得到的邊緣寬度至少有兩個(gè)像素。

三、基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法

數(shù)學(xué)形態(tài)學(xué)主要由腐蝕、膨脹、開運(yùn)算和閉運(yùn)算四個(gè)基本運(yùn)算組成。腐蝕是對(duì)圖像內(nèi)部作處理，可消除圖像的細(xì)小部分和孤立的噪聲點(diǎn)；膨脹是對(duì)圖像外部作處理，能補(bǔ)全圖像中的小孔等，形成連通區(qū)域。對(duì)車牌圖像進(jìn)行膨脹后可將車牌照的字符區(qū)域連成一片。但這種定位算法不能確定車牌邊界的準(zhǔn)確位置，也可能會(huì)得到符合設(shè)定特征的多個(gè)定位區(qū)域（偽區(qū)域）。要求圖片背景也應(yīng)該是比較簡(jiǎn)單的，背景越復(fù)雜，處理干擾噪聲的效果就越差，速度和準(zhǔn)確性也會(huì)受到影響。因此這種定位方法常常和其他定位方法一起運(yùn)用。例如基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位方法，先進(jìn)行預(yù)處理，然后根據(jù)車牌整體特征采用腐蝕和閉合運(yùn)算初步確定車牌位置，最后利用字符邊緣的微觀特征進(jìn)一步精確定位車牌位置，提高了車牌定位的速度和準(zhǔn)確度。

四、基于方向紋理特征的車牌定位算法

車牌區(qū)域有顯著的紋理特征：字符比較集中，字符間有固定的間隔，字符串的邊界密集，水平方向的灰度梯度變化較大。因此，可以利用這一特征來(lái)確定車牌區(qū)域的行或豎線段。先將灰度圖像轉(zhuǎn)化成二值圖像；然后采用行掃描來(lái)統(tǒng)計(jì)車牌區(qū)域中的直線段，并記錄其起始坐標(biāo)；預(yù)設(shè)一閾值，若連續(xù)多行中的線段的個(gè)數(shù)大于閾值，就視這個(gè)區(qū)域?yàn)楹蜻x區(qū)域。同樣的方法再進(jìn)行垂直掃描，最終確定候選車牌區(qū)域。這種方法查找速度快，但車輛圖像中可能存在與車牌區(qū)域特征相似的背景，定位區(qū)域可能不是唯一的，會(huì)產(chǎn)生多個(gè)候選區(qū)。此時(shí)，需要借助其他方法來(lái)最終確定惟一的車牌區(qū)域。

五、結(jié)語(yǔ)

車牌定位是車牌識(shí)別的前提，也是影響后續(xù)處理和識(shí)別效果的關(guān)鍵因素。本文研究分析了現(xiàn)有的車牌定位算法，比較了不同算法對(duì)噪聲的敏感度、處理效果及其定位精確度等問(wèn)題，分析發(fā)現(xiàn)采用兩種或多種算法相結(jié)合的綜合方法能顯著提高定位的準(zhǔn)確率。近年來(lái)，研究者逐漸探索將小波變換和神經(jīng)網(wǎng)絡(luò)等新方法應(yīng)用于是車牌定位，取得了一定的效果。隨著交通車輛快速增長(zhǎng)，復(fù)雜背景下的車牌識(shí)別的高準(zhǔn)確率、低拒識(shí)率對(duì)車牌定位算法提出了更高的要求和更嚴(yán)峻的挑戰(zhàn)，已成為車牌定位的主要研究方向。

參考文獻(xiàn)

[1]李波， 曾致遠(yuǎn)，付祥勝.基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位算法[J].電視技術(shù)，2005（07）：95-96

[2]馬永力，夏秋華.基于數(shù)學(xué)形態(tài)學(xué)的車牌精定位算法的研究[J].微計(jì)算機(jī)信息，2008（01），227-228

[3]李佩斌，石景波.基于紋理特征和彩色特征的車牌定位算法[J].交通與計(jì)算機(jī)，2006，（4）：80-82