田紅鵬，焦 鑫

（西安科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安710054）

0 引 言

基本的車牌定位方法有5類?；谶吘墮z測(cè)的定位方法［1，2］適合用于車牌區(qū)域粗定位，在復(fù)雜場(chǎng)景下容易誤檢；基于顏色分割的定位方法［3］受背景顏色和光照條件的變化影響較大，車身顏色和車牌底色接近時(shí)效果較差；基于車牌紋理特征的定位方法［4］不易受車牌大小影響，但對(duì)噪聲比較敏感；基于數(shù)學(xué)形態(tài)學(xué)的定位方法［5］能快速尋找連通區(qū)域并消除部分干擾，但是不能精確確定車牌邊界，需要和其它方法結(jié)合使用；基于機(jī)器學(xué)習(xí)的方法［6］需要預(yù)先做大量的樣本訓(xùn)練，特征選擇是影響該方法性能的關(guān)鍵因素之一。此外，還有一些基于上述基本方法相互結(jié)合而成的定位方法［7－9］。多數(shù)文獻(xiàn)中的車牌定位方法均可在通用計(jì)算機(jī)上實(shí)現(xiàn)［1－9］，不便對(duì)車牌現(xiàn)場(chǎng)定位，致使采集到的大量信息得不到及時(shí)處理?，F(xiàn)有嵌入式車牌定位系統(tǒng)高效便攜［10］，但其靈活性和實(shí)用性還有待提高。

本文在嵌入式Linux基礎(chǔ)上，將視頻監(jiān)控技術(shù)和圖像處理技術(shù)很好地結(jié)合起來(lái)，綜合利用車牌的顏色信息和字符紋理特征，提出一種魯棒性較強(qiáng)車牌定位方法。

1 嵌入式Linux

嵌入式Linux是以Linux內(nèi)核為基礎(chǔ)，對(duì)Linux裁剪、修改后，嵌入到專用計(jì)算機(jī)系統(tǒng)上的操作系統(tǒng)。

OpenCV （open source computer vision library）是 由Intel公司發(fā)起并開發(fā)的一個(gè)開放源代碼的計(jì)算機(jī)視覺庫(kù)，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的一些通用算法，為圖像分割、運(yùn)動(dòng)目標(biāo)檢測(cè)和模式識(shí)別等技術(shù)的研究提供了基礎(chǔ)。

本文將OpenCV 移植到嵌入式Linux中，并在此基礎(chǔ)上，驗(yàn)證了提出的算法，實(shí)現(xiàn)了一個(gè)小型的車牌定位系統(tǒng)。該系統(tǒng)包括4層，如圖1所示。

圖1 系統(tǒng)架構(gòu)

在圖1中，從上向下依次為應(yīng)用層、庫(kù)層、內(nèi)核層和硬件層。應(yīng)用層為以C／C＋＋實(shí)現(xiàn)的車牌定位系統(tǒng)。該系統(tǒng)運(yùn)用文中所提算法，具有較好的魯棒性。庫(kù)層為應(yīng)用層所依賴，從上向下包括OpenCV 視覺庫(kù)、OpenCV 依賴庫(kù)和基本C庫(kù)三部分。文中選用OpenCV 2.4.7 為應(yīng)用層提供相應(yīng)的圖像處理功能。OpenCV 依賴于libffmpg、libjpeg、libpng、libtiff、libstdcpp 和libpthread 等 庫(kù)。相 應(yīng)地，這些庫(kù)又依賴于其它一些庫(kù)，需要將所有被依賴的庫(kù)移植到目標(biāo)系統(tǒng)中。上述應(yīng)用程序和所有庫(kù)最終均依賴于基本C庫(kù)。本系統(tǒng)使用uClibc 0.9.33.2作為基本C 庫(kù)。內(nèi)核是操作系統(tǒng)的核心，完成進(jìn)程管理與調(diào)度、內(nèi)存管理、存儲(chǔ)管理、聯(lián)網(wǎng)和人機(jī)界面等功能。其向上為用戶提供API，為應(yīng)用程序提供運(yùn)行環(huán)境；向下管理計(jì)算機(jī)硬件設(shè)備。本系統(tǒng)中，內(nèi)核層主要由Linux 3.3.8 組成。通過(guò)BusyBox 1.20.2構(gòu)建根文件系統(tǒng)，隨后以SquashFS文件系統(tǒng)存儲(chǔ)于16MB的Nand Flash中。硬件層由CPU 和USB、BT656及I2C等外圍接口組成。本文選擇基于ARM11 內(nèi)核的Samsung S3C6410處理器作為實(shí)驗(yàn)平臺(tái)。S3C6410處理器支持USB、SPI和I2C 等豐富的硬件接口以及主流的操作系統(tǒng)Linux、Wince和Android。系統(tǒng)中可通過(guò)USB接口或者BT656 接口連接攝像頭采集圖像。本系統(tǒng)使用以GCC 4.6.4構(gòu)建的交叉編譯工具鏈。

2 基于嵌入式Linux和OpenCV的車牌定位方法

2.1 車牌圖像特征及先驗(yàn)知識(shí)分析

車牌形狀一般為矩形，由漢字、字母和數(shù)字組合而成，共7個(gè)字符。大型民用汽車為黃底黑字；小型民用汽車為藍(lán)底白字；軍事專用汽車為白底紅或黑字；其它外籍汽車為黑底白字?，F(xiàn)行的機(jī)動(dòng)車輛號(hào)牌有標(biāo)準(zhǔn)的尺寸，其中藍(lán)牌、黑牌和黃牌中的前牌 （大型車輛前牌）尺寸均為440 mm×140mm；黃牌中的后牌 （大型車輛后牌）尺寸為440 mm×220mm。車牌上單個(gè)字符寬45mm （字符 “1”的空間包括左右空出來(lái)的空間），字符的筆畫寬度為10mm，第2字符與第3 字符之間的間隙為34mm，其它字符間隙為12mm［11］。標(biāo)準(zhǔn)車牌的寬高比約為3.14∶1，車牌中每個(gè)字符的寬度一致。每個(gè)字符寬度約占整個(gè)車牌寬度的1／10，約占整個(gè)車牌高度的1／3。車牌中的背景部分的面積約占整個(gè)車牌面積80%，整個(gè)車牌顏色主要為車牌中背景區(qū)域的顏色，即藍(lán)色、黃色和白色。鑒于HSV （hue，saturation，value）顏色空間接近人類視覺系統(tǒng)，易于獲取車牌顏色在HSV 空間對(duì)應(yīng)的各個(gè)分量的范圍，本文在分析不同彩色圖像后，得到車牌顏色在HSV 空間的閾值見表1。

表1 HSV 顏色空間中車牌顏色閾值

需要說(shuō)明的是，在HSV 顏色空間中H、S、V 這3個(gè)分量的取值范圍分別是0～360，0～1 和0～1，但在OpenCV 中，H 的取值范圍為0～180，S和V 的取值范圍均為0～255。所以，在調(diào)用的OpenCV 函數(shù)時(shí)，需要做相應(yīng)的轉(zhuǎn)換，公式［12］如下

式中：H1、S1 和V1——OpenCV 中的取值。轉(zhuǎn)換后便可得到藍(lán)色、黃色和白色的各分量在OpenCV 中對(duì)應(yīng)的閾值。

2.2 基于嵌入式平臺(tái)和OpenCV的車牌定位方法

本文方法的主要思路是：結(jié)合不同顏色空間中圖像的特點(diǎn)，依據(jù)車牌顏色、紋理特征定位車牌。首先對(duì)光照不均勻的圖像分別在HSV 和RGB 顏色空間中做預(yù)處理。然后，根據(jù)字符跳變規(guī)律，在HSV 顏色空間的二值圖像中，找到可能包含車牌的若干個(gè)候選區(qū)域。最后，根據(jù)單個(gè)字符占整個(gè)車牌的比例，在RGB顏色空間二值圖像中，校驗(yàn)所得候選區(qū)域，標(biāo)記車牌的4個(gè)邊界，從而提取出車牌區(qū)域。本方法流程如圖2所示。

圖2 定位算法框架

本文方法主要包括5個(gè)步驟：

（1）讀取圖像

本方法中讀取圖像的方式有2種：一種是通過(guò)cvCaptureFromCAM 函數(shù)初始化攝像頭并從中捕獲視頻，再調(diào)用cvQueryFrame函數(shù)從攝像頭捕獲的視頻中獲取并返回一幀圖像，用于后續(xù)處理。另一種是直接從文件中讀取靜態(tài)圖像，這種方式適合對(duì)包含不遵守交通規(guī)則車輛的圖像深入分析，通過(guò)cvLoadImage函數(shù)便可讀入圖像。

（2）在RGB顏色空間預(yù)處理

讀入圖像后，調(diào)用OpenCV 庫(kù)的cvSplit函數(shù)對(duì)讀入的RGB彩色圖像通道分離，得到3幅單通道圖像，然后分別用cvEqualizeHist函數(shù)直方圖均衡化這3 幅圖像，再用merge函數(shù)將已均衡化的3幅單通道圖像合并，得到對(duì)比度增強(qiáng)的圖像。再調(diào)用cvCvtColor函數(shù)將彩色圖像轉(zhuǎn)化為灰度圖像。

根據(jù)最大熵法，求出當(dāng)前位置的能量熵，再循環(huán)測(cè)試每個(gè)分割點(diǎn)并尋找最大的閾值分割點(diǎn)作為圖像二值化閾值，最后調(diào)用cvThreshold 函數(shù)實(shí)現(xiàn)圖像的二值化。其中將cvThreshold函數(shù)中的閾值參數(shù)設(shè)置為用最大熵法求得的閾值。所得二值圖像為黑底白字。

在取得RGB空間二值圖像之后，用cvSmooth函數(shù)對(duì)圖像中值濾波 （核大小為3×3），以消除孤立的噪聲點(diǎn)。

（3）在HSV 顏色空間圖像預(yù)處理

首先調(diào)用cvtColor函數(shù)將原圖轉(zhuǎn)換到HSV 顏色空間，再調(diào)用cvSplit函數(shù)將圖像的3個(gè)通道分離出來(lái)。

根據(jù)表1中車牌顏色閾值和轉(zhuǎn)換公式得出在OpenCV中各顏色的H、S、V 分量的閾值。調(diào)用函數(shù)cvInrangeS分別將H、S、V 這3個(gè)通道的圖像二值化，再用cvAnd函數(shù)對(duì)得到的3幅二值圖像做與操作，便得到原圖在HSV 顏色空間的二值圖像。二值圖像中，在閾值范圍內(nèi)區(qū)域的像素為255，其它區(qū)域的像素為0。

用數(shù)學(xué)形態(tài)學(xué)中的開運(yùn)算操作消除目標(biāo)以外的孤立噪聲點(diǎn)和細(xì)小毛刺。即，先調(diào)用cvErode函數(shù)對(duì)圖像做腐蝕處理，再調(diào)用cvDilate函數(shù)對(duì)圖像做膨脹處理，調(diào)用函數(shù)中核元素均為2×2，處理次數(shù)均為1。

（4）確定車牌候選區(qū)域

在HSV 空間二值圖像中，按照從上到下、從左到右的順序逐行掃描。根據(jù)車牌特征，在車牌區(qū)域所在行至少應(yīng)該有14次像素跳變，且相鄰跳變間的距離大致相等?？紤]到污點(diǎn)、邊界粘連等干擾情況，本方法選擇10次跳變?yōu)殚撝担⒆址麑挾鹊淖畲笾翟O(shè)為25個(gè)像素點(diǎn)。若2次跳變間的距離大于25，說(shuō)明不是車牌區(qū)域，則重新開始記錄跳變次數(shù)和跳變距離。若在一行中連續(xù)跳變次數(shù)大于10且這10次跳變間距離均小于25則認(rèn)為該行滿足條件。記錄首次滿足條件的行作為開始行，并記錄滿足條件的連續(xù)行的行數(shù)。若相鄰行滿足條件則滿足條件的行數(shù)加1，否則置0，并重新掃描開始行。當(dāng)掃描到若干滿足條件的連續(xù)行后，首次遇到不滿足條件的行時(shí)，判斷滿足條件的行數(shù)是否大于車牌區(qū)域最小高度 （文中選20 個(gè)像素點(diǎn)）。若大于20，則記錄緊接著的第一個(gè)不滿足條件的行作為結(jié)束行，并將開始行和結(jié)束行之間的區(qū)域加入候選區(qū)域；若小于20，則不保存并繼續(xù)掃描下一行。這一過(guò)程將得到若干個(gè)行符合條件的候選區(qū)域。

（5）校驗(yàn)并提取車牌

在RGB顏色空間的二值圖像中，提取步驟 （4）中得到的第一個(gè)候選區(qū)域，并根據(jù)候選區(qū)域高度和標(biāo)準(zhǔn)車牌寬高比估計(jì)車牌的最大寬度。接著對(duì)該區(qū)域垂直投影，將投影后數(shù)組中的元素按照車牌紋理特征分為兩類，即字符處的投影和字符間間隔的投影。對(duì)分類后的數(shù)組從左到右掃描，當(dāng)掃描到跳變距離約等于候選區(qū)域高度的1／3 時(shí)，認(rèn)為跳變距離符合字符條件，即可能遇到了車牌的第一個(gè)字符，記錄上次跳變的數(shù)組下標(biāo)。繼續(xù)向右掃描并記錄符合條件的跳變距離的個(gè)數(shù)。在從上次記錄的數(shù)組下標(biāo)開始向右的預(yù)計(jì)車牌最大寬度內(nèi)，若滿足條件的跳變距離的個(gè)數(shù)大于5，則認(rèn)為該候選區(qū)域校驗(yàn)成功。將之前記錄的數(shù)組下標(biāo)記為左邊界，跳變距離首次大于車牌高度的1／2 時(shí)，記錄上次跳變的數(shù)組下標(biāo)為右邊界。

在得到車牌的4 個(gè)邊界后，調(diào)用cvSetImageROI函數(shù)提取車牌。若該候選區(qū)域校驗(yàn)失敗，則繼續(xù)處理下一個(gè)候選區(qū)域。

3 實(shí)驗(yàn)結(jié)果

本文對(duì)不同時(shí)間段、天氣、光照和背景條件下采集到的120張圖像做了檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)證明，本系統(tǒng)在圖像一定程度的曝光過(guò)度或光線不足時(shí)仍能準(zhǔn)確定位。下面給出了兩組圖像的實(shí)驗(yàn)過(guò)程及結(jié)果，并與現(xiàn)有定位方法［7］的定位結(jié)果做比較，如圖3～圖9所示。

圖3 原圖

如圖3所示，圖3 （a）為中午光線較強(qiáng)導(dǎo)致曝光過(guò)度的圖像，圖3 （b）為車牌區(qū)域位于陰影部分而光線較暗的圖像。

圖4為在HSV 顏色空間根據(jù)車牌顏色特征二值化后得到的圖像。由圖中可以看出，已經(jīng)排除了大部分干擾信息，邊界清晰，但是有細(xì)小毛刺和孤立噪聲點(diǎn)。

圖4 HSV 空間的二值圖

如圖5所示，對(duì)圖4中的兩張二值圖像采用數(shù)學(xué)形態(tài)學(xué)中的開運(yùn)算操作除噪后，許多細(xì)小的噪聲點(diǎn)和毛刺被消除，但是若圖像質(zhì)量較差，車牌左右邊界可能會(huì)被腐蝕掉一部分，如圖5 （b）中車牌的右邊界處被腐蝕了一些，不利于確定車牌左右邊界。

圖5 形態(tài)學(xué)除噪后的圖像

圖6為在RGB顏色空間中用最大熵法求得閾值，并二值化圖像得到的結(jié)果。如圖6中所示，車牌字符比較清晰并且字符間隔比較明顯，有利于字符的掃描和校驗(yàn)。

圖6 RGB空間的二值圖

如圖7所示，圖中的4條白線分別為掃描過(guò)程中得到的車牌邊界。

圖7 確定車牌邊界結(jié)果

圖8為采用本文方法得到的定位結(jié)果，圖9為采用文獻(xiàn) ［7］中所提車牌定位方法得到的結(jié)果。由圖9可知，圖9 （a）中右邊第一個(gè)字符未被準(zhǔn)確提取，車牌的右邊界定位不夠準(zhǔn)確；圖9 （b）中車牌上的漢字和 “8”、“9”的右下方位置均不太清晰。由對(duì)比可知，本文方法定位相對(duì)準(zhǔn)確，提取到的字符相對(duì)清晰，并且將車牌邊框去除，有利于后續(xù)的字符分割和字符識(shí)別。

圖8 本文提取車牌結(jié)果

圖9 文獻(xiàn) ［7］方法提取車牌結(jié)果

4 結(jié)束語(yǔ)

本文綜合運(yùn)用直方圖均衡化、不同顏色空間中圖像二值化和數(shù)學(xué)形態(tài)學(xué)等圖像處理技術(shù)，結(jié)合嵌入式系統(tǒng)和視頻監(jiān)控技術(shù)，提出了一種基于車牌顏色信息和紋理特征的車牌定位方法。該方法首先根據(jù)車牌圖像特點(diǎn)對(duì)圖像進(jìn)行預(yù)處理，然后分別尋找車牌的4個(gè)邊界，從而確定車牌區(qū)域?？偨Y(jié)本文方法特點(diǎn)，主要體現(xiàn)在3個(gè)方面：①基于嵌入式Linux，可移植性高并且具有實(shí)時(shí)性和實(shí)用性；②對(duì)圖像進(jìn)行直方圖均衡化，減小了光照變化的影響，在光照不足或曝光過(guò)度的條件下，依然能正確定位車牌區(qū)域；③利用車牌紋理的不同特點(diǎn)掃描車牌邊界，有效地減小了車身顏色和細(xì)小污染的干擾，并且對(duì)拍攝遠(yuǎn)近不敏感。下一步研究工作為自適應(yīng)確定算法中的可調(diào)參數(shù)以及在定位基礎(chǔ)上研究字符分割和識(shí)別技術(shù)等。

［1］Mai V D，Miao D，Wang R.Vietnam license plate recognition system based on edge detection and neural networks［J］.Journal of Information and Computing Science，2013，8 （1）：27－40.

［2］QU Zhong，WANG Yongkun，CHANG Qingli，et al.Accurate location algorithm design for license plate based on three steps location ［J］.Computer Engineering and Design，2013，34 （8）：2806－2810 （in Chinese）. ［瞿中，王永昆，常慶麗，等.基于三次定位過(guò)程的車牌精確定位算法設(shè)計(jì) ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2013，34 （8）：2806－2810.］

［3］Hu H P，Bai Y P.A kind of car license plate location based on color feature and mathematical morphology ［J］.Advanced Materials Research，2013，671：2851－2854.

［4］Yan Q.Method of license plate location based on license plate texture and HSV color space ［M］.Information Engineering and Applications.Springer London，2012：962－970.

［5］LIAO Chunsheng.Car plate detection and recognition using morphological method ［J］.Computer Simulation，2011，28（12）：353－356 （in Chinese）.［廖春生.基于數(shù)學(xué)形態(tài)學(xué)車牌定位算法仿真研究 ［J］.計(jì)算機(jī)仿真，2011，28 （12）：353－356.］

［6］Al－Hmouz R，Challa S.License plate localization based on a probabilistic model ［J］.Machine Vision and Applications，2010，21 （3）：319－330.

［7］TAN Tongde，WANG Sangang.Method of vehicle license plate location based on OpenCV ［J］.Computer Engineering and Design，2013，34 （8）：2816－2820 （in Chinese）. ［譚同德，王三剛.基于OpenCV 的車牌定位方法 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2013，34 （8）：2816－2820.］

［8］ZHANG Xiaona，HE Ren，CHEN Shi’an，et al.Vehicle license plate location using active learning AdaBoost algorithm and color feature ［J］.Journal of Traffic and Transportation Engineering，2013，13 （1）：121－126 （in Chinese）.［張曉娜，何仁，陳士安，等.基于主動(dòng)學(xué)習(xí)AdaBoost算法與顏色特征的車 牌 定 位 ［J］.交 通 運(yùn) 輸 工 程 學(xué) 報(bào)，2013，13 （1）：121－126.］

［9］CHANG Qiaohong，GAO Mandun.Research on license plate location based on HSV color space and mathematical morpholo－gy ［J］.Journal of Graphics，2013，34 （4）：159－162 （in Chinese）.［常巧紅，高滿屯.基于HSV 色彩空間與數(shù)學(xué)形態(tài)學(xué) 的 車 牌 定 位 研 究 ［J］. 圖 形 學(xué) 報(bào)，2013，34 （4）：159－162.］

［10］HUO Lingling，XU Wenjun，ZHAO Yunqing，et al.Design and implementation of an embedded system of vehicle license plate recognition ［J］.Computer Technology and Development，2013，23 （4）：206－208 （in Chinese）. ［霍玲玲，徐文軍，趙云青，等.嵌入式車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) ［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2013，23 （4）：206－208.］

［11］ZHENG Chengyong.A novel license plate location method on RGB color space［J］.Journal of Image and Graphics，2010，15 （11）：1623－1628 （in chinese）.［鄭成勇.一種RGB顏色空間中的車牌定位新方法 ［J］.中國(guó)圖象圖形學(xué)報(bào)，2010，15 （11）：1623－1628.］

［12］Miscellaneous image transformation ［EB／OL］. ［2013－11－12］.http：／／www.opencv.org.cn／opencvdoc／2.3.2／html／modules／imgproc／doc／miscellaneous＿transformations.html.