梁利利+王興武

摘 要： 隨著智能化交通管理系統(tǒng)的飛速發(fā)展，對(duì)車牌的定位和識(shí)別提出了更高的要求，因此提出了一種結(jié)合邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的車牌定位算法。采用Sobel算子進(jìn)行邊緣檢測(cè)，經(jīng)數(shù)學(xué)形態(tài)學(xué)處理得到連通的車牌候選區(qū)域，然后對(duì)其進(jìn)行分析，實(shí)現(xiàn)車牌區(qū)域定位。實(shí)驗(yàn)結(jié)果表明，該方法能準(zhǔn)確實(shí)現(xiàn)車牌定位，性能良好。

關(guān)鍵詞： Sobel算子； 邊緣檢測(cè)； 數(shù)學(xué)形態(tài)學(xué)； 車牌定位

中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）14?0098?03

License plate positioning algorithm based on Sobel operator edge detection and mathematical morphology

LIANG Lili， WANG Xingwu

（School of Foreign Languages， Xianyang Normal College， Xianyang 712000， China）

Abstract： With the rapid development of intelligent traffic management system， high requirements for the location and recognition of vehicle license plate are put forward. A license plate positioning algorithm combined with edge detection and mathematical morphology is presented in this paper. The Sobel operator is used for edge detection， the connected candidate regions are obtained and analysed by mathematical morphology， thus the zone of a license plate is positioned. The experimental results show that the method can accurately realize the license plate location， and its performance is good.

Keywords： Sobel operator； edge detection； mathematical morphology； license plate positioning

車牌識(shí)別是智能交通系統(tǒng)中的重要組成部分，在智能交通管理和控制中發(fā)揮著舉足輕重的作用。車牌識(shí)別系統(tǒng)一般包括車牌定位、車牌分割和車牌識(shí)別3個(gè)部分。其中，車牌定位是識(shí)別工作的前提和基礎(chǔ)，是影響后續(xù)工作能否順利進(jìn)展的關(guān)鍵步驟。本文根據(jù)各種已有定位算法的優(yōu)缺點(diǎn)，提出一種結(jié)合邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的車牌定位算法，該算法首先對(duì)車牌圖像進(jìn)行預(yù)處理，然后進(jìn)行Sobel算子邊緣檢測(cè)，最后結(jié)合我國(guó)車牌圖像特征進(jìn)行連通域分析和定位。

1 車牌圖像預(yù)處理

采集到的原始彩色車牌圖像由于受到噪聲、光照等一些外界因素的影響，需要進(jìn)行預(yù)處理以保障車牌定位及識(shí)別工作的正常進(jìn)行。本文采用灰度化、去噪處理、二值化的預(yù)處理過程。

（1） 圖像灰度化處理。采集到的彩色圖像如不加處理直接應(yīng)用，其復(fù)雜性和龐大的數(shù)據(jù)將會(huì)降低系統(tǒng)運(yùn)行速度，達(dá)不到實(shí)時(shí)性的要求。本文采用的灰度轉(zhuǎn)換公式[1]如下：

[Grayi，j=0.299Ri，j+0.587Gi，j+0.114Bi，j] （1）

式中：Gray（i，j）為灰度值；R（i，j），G（i，j），B（i，j）分別為紅色、綠色和藍(lán)色分量值。圖1（a）、 圖1（b）分別為原始圖像和灰度化后的圖像。

（2） 中值濾波。中值濾波的工作原理是：以圖像中任一點(diǎn)某個(gè)領(lǐng)域內(nèi)所有像素點(diǎn)灰度值的中值來代替該像素點(diǎn)的灰度值。該方法能在去除噪聲的同時(shí)較好地保護(hù)圖像的邊緣。本文結(jié)合車牌圖像特征采用3×3模板進(jìn)行中值濾波去噪，效果如圖1（c）所示。

圖1 預(yù)處理效果圖

（3） 圖像二值化。圖像二值化是圖像處理中最常見、最重要的處理手段。簡(jiǎn)單的說，圖像二值化就是將圖像黑白化，即將圖像轉(zhuǎn)變成只有黑和白2種顏色的鮮明對(duì)比圖像。為了得到區(qū)分鮮明的目標(biāo)和背景，在車牌圖像預(yù)處理過程中對(duì)圖像進(jìn)行二值化是必不可少的。圖像二值化的關(guān)鍵是閾值的選擇。經(jīng)過對(duì)多種閾值分割方法的研究，發(fā)現(xiàn)采用最大類間方差法（Ostu）效果好，適應(yīng)性強(qiáng)，故本文采用Ostu法進(jìn)行二值化。實(shí)驗(yàn)效果如圖1（d）所示。

2 Sobel算子邊緣檢測(cè)

邊緣存在于不同灰度值的2個(gè)鄰域之間，是灰度值不連續(xù)的表現(xiàn)，是圖像最基本的特征。車牌區(qū)域和背景就有明顯的邊緣，這也是車牌區(qū)域不同于其他區(qū)域的根本特征之一。傳統(tǒng)邊緣檢測(cè)方法正是利用這個(gè)特點(diǎn)，使微分運(yùn)算作用于圖像中每個(gè)像素點(diǎn)進(jìn)而確定邊緣。

邊緣檢測(cè)的基本思路就是首先確定圖像中的邊緣像素，然后通過一定的方法把它們連接在一起構(gòu)成所需要的邊緣[2]。邊緣檢測(cè)算子是指從圖像中抽取邊緣集合的算法。常用的邊緣檢測(cè)算子有：Robert算子、Canny算子、Sobel算子、Prewitt算子和拉普拉斯算子等。通過對(duì)各種算子研究可知，Sobel算子不僅能檢測(cè)邊緣點(diǎn)，而且對(duì)于噪聲較多的圖像也能較好地平滑處理。本文采用Sobel算子對(duì)圖像中的每個(gè)像素點(diǎn)做卷積[3]。Sobel算子有水平和垂直2個(gè)方向的模板，選用帶有方向性的模板做卷積可以增強(qiáng)某一方向上的邊緣特征。Sobel算子模板表示如圖2所示。

圖2 Sobel算子模板

經(jīng)過Sobel算子檢測(cè)后的效果如圖3所示，其中圖3是在進(jìn)行了圖像預(yù)處理的基礎(chǔ)上進(jìn)行的。從中可以看出，經(jīng)過Sobel算子檢測(cè)后很好地保留了車牌區(qū)域和整幅圖像的輪廓信息。

圖3 Sobel算子邊緣檢測(cè)

3 數(shù)學(xué)形態(tài)學(xué)定位

3.1 數(shù)學(xué)形態(tài)學(xué)基本知識(shí)介紹

數(shù)學(xué)形態(tài)學(xué)是一種應(yīng)用于圖像和模式識(shí)別領(lǐng)域的新方法[4]。其理論基礎(chǔ)深厚，但基本原理卻很簡(jiǎn)單。數(shù)學(xué)形態(tài)學(xué)將結(jié)構(gòu)元素作用于輸入圖像，得到的輸出圖像與輸入圖像大小相同。膨脹和腐蝕是最基本的數(shù)學(xué)形態(tài)學(xué)運(yùn)算，它們是對(duì)偶運(yùn)算。膨脹是增加圖像中目標(biāo)對(duì)象的像素，而腐蝕則是去除圖像中目標(biāo)對(duì)象的像素。膨脹運(yùn)算和腐蝕運(yùn)算定義如下：

圖像集合A用結(jié)構(gòu)元素B來膨脹，記為[A⊕B]，定義為：

[A⊕B=x（B）x?A≠?] （2）

式中：[（B）x]表示B首先做關(guān)于原點(diǎn)的映像，然后平移x。

圖像集合A用結(jié)構(gòu)元素B來腐蝕，記為[AΘB]，定義為：

[AΘB=x（B）x?A] （3）

表示所有使B被x平移后包含于A的點(diǎn)x的集合。

膨脹與腐蝕雖然是不可恢復(fù)運(yùn)算，但由它們可以構(gòu)成另外2個(gè)重要的形態(tài)運(yùn)算分別是開運(yùn)算和閉運(yùn)算。

開運(yùn)算是指A被B腐蝕后的結(jié)果在被B膨脹，可以削弱狹窄的部分，去掉細(xì)的突出，記為[A?B]，定義為：

[A?B=（AΘB）⊕B] （4）

閉運(yùn)算是指A被B膨脹后的結(jié)果在被B腐蝕，能夠融合窄的缺口和細(xì)長(zhǎng)的彎口，去電小洞，填補(bǔ)輪廓上的縫隙，記為[A?B]，定義為：

[A?B=（A⊕B）ΘB] （5）

3.2 數(shù)學(xué)形態(tài)學(xué)處理

本文經(jīng)過大量實(shí)驗(yàn)，最終采用如圖4所示的數(shù)學(xué)形態(tài)法處理流程。以Sobel算子邊緣檢測(cè)后的車牌圖像為目標(biāo)圖像，首先選取5×5正方形結(jié)構(gòu)元素對(duì)邊緣檢測(cè)后的圖像進(jìn)行閉運(yùn)算。閉運(yùn)算先膨脹后腐蝕，既有助于車牌區(qū)域的融合和連通區(qū)域的形成，又能濾除一些較小的區(qū)域。使用5×5正方形結(jié)構(gòu)元素繼續(xù)進(jìn)行膨脹，接著使用3×3方形結(jié)構(gòu)元素進(jìn)行閉運(yùn)算，連續(xù)使用3×3方形結(jié)構(gòu)元素進(jìn)行3次膨脹，并使用其進(jìn)行開運(yùn)算，最后使用bw2=bwfill（bw1，′holes′，n）函數(shù)對(duì)連通區(qū)域內(nèi)的縫隙進(jìn)行填補(bǔ)。按照本文設(shè)計(jì)的數(shù)學(xué)形態(tài)法處理流程得到的車牌圖像如圖5所示。

圖4 數(shù)學(xué)形態(tài)學(xué)法處理流程圖

由圖可見，經(jīng)過一系列數(shù)學(xué)形態(tài)學(xué)處理，去除了細(xì)小的干擾，圖像得到了平滑，保留了車牌的有效信息。

圖5 數(shù)學(xué)形態(tài)法處理效果圖

3.3 連通域分析與定位

數(shù)學(xué)形態(tài)學(xué)處理之后得到多個(gè)連通區(qū)域，需要對(duì)其進(jìn)行分析確定具體車牌位置。由車牌的先驗(yàn)信息[5]知道，我國(guó)車牌為高14 cm，寬 44 cm的矩形，其寬高比為3.14。由于本文對(duì)車牌圖像進(jìn)行過數(shù)學(xué)形態(tài)學(xué)處理，所以車牌形狀不可避免地會(huì)發(fā)生一些變化，因此車牌圖像的長(zhǎng)寬比需要設(shè)定一個(gè)動(dòng)態(tài)范圍，對(duì)于寬高比小于2或大于4的候選區(qū)域進(jìn)行剔除[6]。本文使用bwlable函數(shù)對(duì)得到的連通域進(jìn)行標(biāo)注如圖6（a）所示；結(jié)合我國(guó)車牌圖像特征確定的車牌連通域如圖6（b）所示。

最后使用[x，y]=ginput函數(shù)分別獲得選定的車牌連通域的左上角和右下角坐標(biāo)，通過計(jì)算得到車牌區(qū)域的寬度和高度；并采用I=imcrop（I，rect）函數(shù)從車牌灰度圖像中剪切獲得車牌所在矩形區(qū)域，即最終定位結(jié)果，如圖6（c）所示。

圖6 連通域及車牌定位效果圖

4 結(jié) 語

本文采用結(jié)合Sobel算子邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的車牌定位算法，該方法結(jié)合了邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的濾波功能，能夠迅速降低噪聲對(duì)圖像的干擾，實(shí)現(xiàn)車牌區(qū)域的快速定位。該算法具有較好的實(shí)時(shí)性和準(zhǔn)確性，且簡(jiǎn)單快捷、魯棒性高。

參考文獻(xiàn)

[1] 王濤，全書海.基于改進(jìn)Sobel算子的車牌定位方法[J].微計(jì)算機(jī)信息，2008（13）：312?314.

[2] 王靜，李竹林，賀東霞，等.基于邊緣檢測(cè)的各種算子及其特點(diǎn)[J].延安大學(xué)學(xué)報(bào)：自然科學(xué)版，2014（1）：5?8.

[3] 安化萍，丁勁生，高滿屯，等.基于Sobel垂直算子檢測(cè)的車牌定位算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2005（8）：2030?2032.

[4] 王家文，李仰軍.Matlab7.0圖形圖像處理[M].北京：國(guó)防工業(yè)出版社，2006.

[5] 韓鑫，湯彬，蔡志威.車牌識(shí)別系統(tǒng)在Matlab中的研究與實(shí)現(xiàn)[J].湖南農(nóng)機(jī)：學(xué)術(shù)版，2013（3）：84?85.

[6] 廖曉姣，李英.基于邊緣檢測(cè)和形態(tài)學(xué)的車牌定位算法[J].現(xiàn)代電子技術(shù)，2011，34（10）：17?19.