丁圓圓， 史東承

（長春工業(yè)大學 計算機科學與工程學院，吉林 長春 130012）

0 引 言

隨著經(jīng)濟的不斷發(fā)展，汽車的數(shù)量在日益膨脹，需要對汽車管理的地方越來越多，管理環(huán)境也變得多樣化。車牌識別［1］是解決汽車管理的重要手段，因此影響車牌識別的因素也越來越多，如場景的復雜度、光照不足等因素。車牌識別包括3個模塊：車牌定位、字符分割、字符識別。車牌定位是車牌識別中的研究重點，定位的準確度將直接影響接下來兩個模塊的效果。車牌定位常用算法可以歸為3類：

1）基于顏色的定位算法［2］。這類算法先將圖片轉(zhuǎn)換為HSV格式，通過對H、S、V 3個分量閾值定義，便可實現(xiàn)對車牌的定位。算法的優(yōu)點是方法簡單、精確度高，缺點是當有相似顏色存在時算法便無法實現(xiàn)定位。

2）基于形狀的定位算法［3］。該算法是通過車牌邊緣形狀的檢測來實現(xiàn)車牌的定位。算法的優(yōu)點是思想簡單，但要求環(huán)境理想。

3）基于邊緣檢測的定位算法［4］。此算法能解決上述兩種方法的不足，但一般邊緣檢測不能對光照不足的車牌實現(xiàn)定位。

文中提出的算法可以歸為第3類，因為相位一致性的應(yīng)用很好地解決了其缺點。

1 基于相位一致性的特征提取

1.1 相位一致性和局部能量

相位一致性（Phase Congruency，PC）就是將圖像的傅里葉分量中相位一致的點作為特征點，所以，基于相位一致性的特征提取就是將這些特征點提取出來。它有兩個特點：

1）一個無量綱的量，不受圖像亮度和對比度變化的影響；

2）不需要對波形進行任何假設(shè)，只是在圖像的傅里葉分量中找出相位一致的特征點。

例如方波的正弦波分量，如圖1（實線表示信號，虛線表示傅里葉諧波分量）所示。

圖1 方波的傅里葉級數(shù)

從圖中可以看出，其特征點出現(xiàn)在諧波分量疊合程度最大的0°和180°相位點處，其它點因諧波的上下波動疊合較小。此處，0°對應(yīng)向下的階躍邊緣，180°對應(yīng)向上的階躍邊緣。同理知三角波的特征點出現(xiàn)在90°和270°等處。三角波的傅里葉級數(shù)如圖2所示。

相位一致性模型在Morrone和Owens［5－7］等對馬赫帶效應(yīng)的研究中產(chǎn)生和發(fā)展，并提出了相位一致性的局部能量模型，如圖3所示。

圖2 三角波的傅里葉級數(shù)

圖3 局部能量與相位一致性模型示意圖

An（x）是一維信號I（x）在x點處第n個傅里葉分量幅值，φn（x）為相位。噪聲圓表示從信號噪聲估計得到的噪聲能量期望值。把局部傅里葉分量以復向量的形式首尾相接，則向量E（x）的幅值｜E（x）｜稱為局部能量。由此可得出相位一致性的模型為

從式（1）可以看出，相位一致性也可定義為局部能量對n個傅里葉分量振幅之和的比率，而且是通過除以傅里葉分量振幅之和將其歸一化為局部能量函數(shù)。由于局部能量不能對特征精確定位，而且對噪聲敏感。所以，Kovesi［8－11］利用Log－Gabor函數(shù)計算圖像信號的局部相位信息，并提出了相位一致性改進模型

式中：ε——一個小的正數(shù)，防止分母為零，此處取0.01；

T——噪聲閾值；

W（x）——頻率擴展加權(quán)函數(shù)，用來減少虛假響應(yīng)；

｜·｜——其中表達式的值為正時為其自身，否則為0。

此模型其實是利用了相位偏差的正弦絕對值來增加其檢測靈敏度。后來Kowesi［8－11］將模型擴展到二維信號，沿多個方向濾波。因為相位一致性是一種不依靠信號幅值的特征度量，并且不受圖像對比度和亮度的影響，所以，它可以穩(wěn)健地從車牌圖像中將多種底層特征檢測出來。

1.2 車牌特征提取

對于二維車牌圖像，分別沿多個方向計算其中每一點的相位一致性（本算法從6個方向計算），通過矩分析方程計算相位一致性的矩。其中，最小矩m的方向θ為特征的方向，最大矩M的幅值表示特征的強度。

其中

最后根據(jù)最大矩M和方向θ獲得圖像邊緣，效果如圖4所示。

圖4 相位一致性特征提取效果圖

2 車牌定位

2.1 小波去噪

文中采用垂直投影進行雙邊緣檢測，但是車牌圖像中存在噪聲時，檢測效果會受到影響。所以，首先對投影信號進行小波變換，利用小波變換的多分辨分析去除噪聲的影響。Mallat歸納并總結(jié)了信號檢測問題和小波變換多分辨分析，可以把所得到的投影信號看作是非平穩(wěn)隨機信號。

haar函數(shù)定義為：

由haar分解定理假設(shè)

則fl（x）可以分解成下列形式

其中

將上述過程分解下去，可以得到分解式：

式（14）為信號空間分解式，通過上述分解式可以看出，不同分辨率上的信號在空間的體現(xiàn)也不一樣。二值化后的車牌圖像記為g（x，y），圖像大小為（m＊n），在水平投影記為p（xj）：

水平投影記為p（xi）：

由于小波的低頻系數(shù)對應(yīng)圖像的輪廓信息，高頻系數(shù)對應(yīng)圖像的細節(jié)信息，其中包含奇異點和噪聲點等。所以，先對圖像的投影信號進行小波變換，然后提取小波的低頻系數(shù)重構(gòu)信號，這樣便使圖像信號在很大程度上避免了噪聲的干擾。低頻去噪效果如圖5所示。

圖5 低頻去噪效果圖

2.2 車牌雙邊緣分割

算法過程：

1）對經(jīng)小波變換后的水平投影直方圖，利用其車牌字符紋理集中的特點對其垂直分割；

2）相同原理對1）所得圖像作水平分割，獲得車牌的粗定位；

3）利用Prewitt算子垂直方向?qū)?）所得圖像邊緣檢測，同時，進行水平分割；

4）對3）所得圖像通過水平方向的邊緣檢測和垂直分割，完成最終的車牌定位。

車牌定位效果如圖6所示。

圖6 車牌定位效果圖

3 實驗結(jié)果與分析

算法在Matlab7.1上仿真實現(xiàn)，程序運行環(huán)境是Windows XP，計算機配置為Pentium（R）Dual－Core CPU E5300＠2.6GHz with2.00GB Rom。算法的關(guān)鍵步驟是相位一致性邊緣特征提取，利用相位一致性不受光照和對比度的特點，很好地解決了車牌識別中光照不足的問題。下面將常用邊緣提取算法與相位一致性作對比，如圖7所示。

圖7 特征提取方法對比

經(jīng)典的算子都是計算一階導數(shù)的邊緣檢測器。其基本思想是：如果所求的一階導數(shù)高于某一閾值，則確定該點為邊緣點。效果見圖7（a），邊緣斷斷續(xù)續(xù)，車牌信息丟失嚴重。Top－h(huán)at算子是定義在灰度圖像上的一種形態(tài)學算子，對于對比度弱的一些圖像也存在信息丟失嚴重現(xiàn)象。經(jīng)過對比可以看出，將相位一致性用于車牌定位，很大程度上提高了車牌定位的準確率。

文中在光照不足的情況下采集了100張車牌圖像，其中97幅圖像成功地完成了定位。分析定位失敗的3幅圖，結(jié)果表明，其中一幅定位失敗的原因是車牌圖像分辨率太低，其余兩幅過于模糊已經(jīng)丟失車牌信息。綜上所述，本算法對光照不足情況的車牌能達到97%的定位成功率，但算法對圖像分辨率有一定的要求（分辨率不能低于350＊350）。

4 結(jié) 語

針對光照不足引起車牌定位不準確的問題，文中提出了一種基于相位一致性的雙邊緣分割車牌定位算法，算法應(yīng)用相位一致性不受對比度和光照影響的特點，實現(xiàn)對光照不足車牌圖像的定位。實驗表明，算法對光照不足的車牌圖像能達到97%的定位準確率，同時，算法還存在需要改進的地方，使誤檢率降低。接下來的工作是進一步改進算法，降低錯誤率和實現(xiàn)對復雜場景下的車牌定位。

［1］ 孫衛(wèi)佳.以車牌識別技術(shù)為核心的高等級公路收費系統(tǒng)［J］.長春工業(yè)大學學報：自然科學版，2004，24（1）：47－49.

［2］ Yang X，Hao X L，Zhao G.License plate location based on trichromatic imaging and color－discrete characteristic［J］.Optik－Intern－ational Journal for Light and Electron Optics，2012，123（16）：1486－1491.

［3］ Rasheed S，Naeem A，Ishaq O.Automated number plate recognition using hough lines and template matching［C］／／Proceedings of the World Congress on Engineering and Computer Science，2012（1）：24－26.

［4］ 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法［J］.計算機工程與應(yīng)用，2013，49（8）：169－173.

［5］ Morrone M C，Ross J R，Burr D C，et al.Mach bands are phasedependent［J］.Nature，1986，324：250－253.

［6］ Morrone M C，Owens R A.Feature detection from localenergy［J］.Pattern Recognition Letters，1987（6）：303－313.

［7］ Morrone M C，Burr D C.Feature detection in human vision：A phase－dependent energy model［J］.Proc.R.Soc.Lond.，1988，235（B）：221－245.

［8］ Kovesi P D.Edges are not just steps［C］／／Proceedings of the Fifth Asian Conference on Computer Vision.［S.l.］：Melbourne，2002：822－827.

［9］ Kovesi P D.Invariant measures of image features from phase information［D］.［S.l.］：University of Western Australia，1996.

［10］ Kovesi P D.Image features from phase congruency［D］.Videre：Journal of Computer Vision Research，1999.

［11］ Kovesi P D.Phase congruency：Alow－level image invariant［J］.Psychological－Re－search，2000，64：136－148.