劉雄飛，喻格英

(中南大學(xué) 物理與電子學(xué)院，湖南 長(zhǎng)沙410083)

車牌識(shí)別系統(tǒng)中，車牌定位和字符分割的精確程度會(huì)直接影響到最終的檢測(cè)結(jié)果。目前對(duì)車牌定位和字符分割的研究都是獨(dú)立開來的。車牌定位目前常用的方法主要包括基于投影分割［1］、紋理檢測(cè)、顏色特征檢測(cè)［2］混合特征檢測(cè)［3］以及基于神經(jīng)網(wǎng)絡(luò)［4］、小波分析［5］等幾種算法。而字符分割有基于先驗(yàn)知識(shí)［6］、模板匹配［7］、連通域分析［8］以及機(jī)器視覺［9］等方法。可以發(fā)現(xiàn)，車牌定位與字符分割的算法關(guān)聯(lián)性較小，這會(huì)使得整個(gè)車牌識(shí)別流程的時(shí)間變長(zhǎng)，耗費(fèi)更多的運(yùn)算資源。本文提出一種基于字符包圍盒特征參數(shù)的車牌字符定位分割算法，將車牌定位和字符分割的過程合二為一。該方法采用二維高斯－拉普拉斯算子對(duì)車牌圖像進(jìn)行平滑處理和邊緣檢測(cè)，對(duì)生成的二值圖像進(jìn)行連通區(qū)域分析(Connected Component Analysis，CCA)來標(biāo)定相連區(qū)域，之后使用二維軸對(duì)齊包圍盒(Aixs Aligned Bounding Box，AABB)來表征每個(gè)連通域，根據(jù)車牌字符的實(shí)際分布規(guī)律來篩選出車牌字符對(duì)應(yīng)的包圍盒，并使用包圍盒中心點(diǎn)矯正車牌圖像并分割車牌字符。

1 中國(guó)車牌的主要規(guī)格

中國(guó)常見的機(jī)動(dòng)車車牌尺寸規(guī)格如圖1 所示。由中國(guó)國(guó)家機(jī)動(dòng)車車牌行業(yè)標(biāo)準(zhǔn)GA36—2007［10］可知，這種類型的車牌存在以下特征:

1)車牌的幾何特征為矩形，長(zhǎng)度與高度有固定的比值。

2)車牌內(nèi)容包含7 個(gè)字符，這些字符在矩形框中基本水平均勻排列，擁有比較豐富的邊緣信息。同時(shí)，這些字符具有相同的高度寬度比值且相互之間有一定的間隔。

3)車牌的底色和字符顏色存在較強(qiáng)的對(duì)比度。

本文根據(jù)我國(guó)主流車牌的以上規(guī)格特性，設(shè)計(jì)字符特性參數(shù)，在此基礎(chǔ)上設(shè)計(jì)車牌識(shí)別算法。

圖1 我國(guó)主流車牌的規(guī)格

2 預(yù)處理

由CCD 攝像機(jī)所采集到的車輛圖像不可避免的會(huì)受到噪聲的影響，因噪聲而產(chǎn)生的誤差會(huì)累計(jì)傳遞從而會(huì)嚴(yán)重影響到后續(xù)的邊緣檢測(cè)、特征提取和識(shí)別過程。CCD 攝像機(jī)的噪聲通常被建模成獨(dú)立于信號(hào)均勻分布的零均值高斯白噪聲［11］。高斯濾波器對(duì)這類噪聲具有良好的濾除效果。與此同時(shí)，本文的車牌字符提取方法要求檢測(cè)到的邊緣能良好的反應(yīng)實(shí)際的字符輪廓，既不能增加太多的無關(guān)細(xì)節(jié)，又需要在各個(gè)方向上保持邊緣的完整性。邊緣檢測(cè)常用的Canny 算子會(huì)給圖像帶來額外的無關(guān)細(xì)節(jié)［12］，Sobel 算子不具備各向同性的性質(zhì)，所得邊緣有一定程度的斷開，而拉普拉斯算子則能滿足這些要求，但其對(duì)離散噪聲點(diǎn)比較敏感［13］，需要現(xiàn)對(duì)圖像進(jìn)行平滑濾波處理?；谝陨戏治?，本文采用二維高斯－拉普拉斯算子對(duì)車輛圖像進(jìn)行邊緣檢測(cè)。

對(duì)圖像進(jìn)行高斯濾波一般采用二維離散高斯函數(shù)

式中:G(x，y)為經(jīng)過高斯濾波之后圖像;σ 表示高斯濾波器的寬度;k 為規(guī)范化系數(shù)。

采用拉普拉斯算子對(duì)高斯濾波后的圖像進(jìn)行邊緣檢測(cè)可表示為

對(duì)于離散的數(shù)字圖像來說，通?？梢允褂靡粋€(gè)近似于高斯拉普拉斯算子的離散高斯拉普拉斯模板對(duì)其進(jìn)行邊緣檢測(cè)。本文使用式(3)所示高斯拉普拉斯模板對(duì)源圖像進(jìn)行卷積操作來識(shí)別圖像邊緣。

對(duì)比三種檢測(cè)算子對(duì)車牌區(qū)域的檢測(cè)結(jié)果，使用高斯拉普拉斯算子的結(jié)果如圖2b 所示，在高斯濾波之后對(duì)同一圖像進(jìn)行Sobel 和Canny 邊緣檢測(cè)的結(jié)果如圖2c 和2d 所示?？梢钥吹?，使用高斯拉普拉斯算子檢測(cè)不會(huì)產(chǎn)生額外的細(xì)節(jié)，同時(shí)也能最大程度保證邊緣的完整。

圖2 邊緣檢測(cè)算子檢測(cè)結(jié)果對(duì)比

3 字符定位

3.1 連通區(qū)域分析

考慮到一個(gè)字符的空間范圍主要依靠邊緣像素來標(biāo)定，為了更快速準(zhǔn)確地計(jì)算每一個(gè)字符的包圍盒，本文采用8－鄰域種子填充法(seed filling)搜索具有相同像素值的相鄰區(qū)域。搜索算法如下:

1)考慮到車牌區(qū)域通常位于一幅車輛圖片的下半部分，并且車牌區(qū)域的左右下三個(gè)方向都擁有相對(duì)更少的邊緣信息，本文從二值圖像的左下方開始，以先往右后往上的方向，向右上方掃描整幅圖像，直到找到第一個(gè)值為1 的前景像素P1。

2)把P1 編號(hào)為1，然后從左下方開始掃描8 個(gè)相鄰像素點(diǎn)，將其中所有像素值為1 的像素編號(hào)為1 并入棧。

3)彈出棧頂像素，掃描其8 個(gè)相鄰像素點(diǎn)，將像素值為1且未編號(hào)的像素壓入棧中，若8 鄰域像素值均為0，則彈出棧中下一個(gè)像素并重復(fù)步驟(3)，直到棧為空。此時(shí)所有標(biāo)記為1 的像素點(diǎn)組成了1 號(hào)連通域。

4)重復(fù)步驟1)～3)，搜索出2 ～n 號(hào)連通域。

3.2 AABB 包圍盒建立與篩選

二維AABB 是一個(gè)矩形包圍盒，其定義為包圍一個(gè)連通域且四邊與坐標(biāo)軸平行的最小矩形。通常使用包圍盒的左上頂點(diǎn)坐標(biāo)(Xlu，Ylu)和右下頂點(diǎn)坐標(biāo)(Xrd，Yrd)來表征其在平面坐標(biāo)系中的具體位置。本文利用這兩個(gè)坐標(biāo)設(shè)計(jì)一組包圍盒參數(shù)來篩選車牌字符所對(duì)應(yīng)的包圍盒。

定義包圍盒的高度Height、寬度Length 分別為

則包圍盒的寬高比為R=Length/Height。本文利用包圍盒的中心點(diǎn)Mi 作為字符的定位點(diǎn)，其坐標(biāo)可表示為

兩個(gè)相鄰包圍盒M1、M2 之間的距離定義D 為

車牌字符區(qū)域的具體篩選流程如下:

1)車輛上正常安裝的車牌都具有固定的寬高比，因此在清晰的車輛圖像中，車牌上每一個(gè)字符的寬高比大都是相接近的?？紤]到可能存在的噪聲、車牌傾斜等影響寬高比的因素，本文預(yù)先設(shè)置寬高比的上下限，高度上限值和寬度下限值，遍歷整幅圖像并標(biāo)記包圍盒寬高比不在此區(qū)間內(nèi)的連通域。若高寬比落在此區(qū)域中，則進(jìn)一步比較高度值和寬度值并標(biāo)記不符條件的連通域。掃描完成后將所有被標(biāo)記的連通域內(nèi)的像素值都置為0。這樣可以濾除圖片中大部分不屬于車牌部分的干擾區(qū)域。

2)通過對(duì)多張車輛車牌圖像分析發(fā)現(xiàn)，即使在車牌傾斜的情況下，字符包圍盒的中心點(diǎn)高度坐標(biāo)值仍然落在相鄰包圍盒的兩頂點(diǎn)高度坐標(biāo)值(Ylu，Yrd)之間，利用這一特性，結(jié)合字間距的大小規(guī)律可以對(duì)剩下的連通域做進(jìn)一步的篩選。從左下方開始選擇第一個(gè)連通域包圍盒，以其中心點(diǎn)M1 為起始點(diǎn)，在y=Ylu1和y=Yrd1區(qū)間內(nèi)向右搜索是否有其他包圍盒的中心點(diǎn)落在此區(qū)間內(nèi)。如果沒有，則認(rèn)為此連通域是孤立區(qū)域，將此連通域內(nèi)所有像素值置0，并選擇下一個(gè)中心點(diǎn)作為起始點(diǎn)繼續(xù)搜索。如果有中心點(diǎn)M2 存在，繼續(xù)檢驗(yàn)M1 是否在M2 包圍盒的高度區(qū)間內(nèi)，并進(jìn)一步對(duì)比兩個(gè)包圍盒的高度、寬度。只有滿足兩個(gè)中心點(diǎn)都在對(duì)方包圍盒高度區(qū)間，并且包圍盒的高度值、寬度值都比較接近這兩個(gè)條件，才認(rèn)為這兩個(gè)包圍盒相關(guān)，并計(jì)算包圍盒距離D。否則將起始點(diǎn)退回到M1 并在M1 包圍盒高度空間內(nèi)繼續(xù)搜索。

3)在步驟2)中M2 包圍盒高度區(qū)間y=Ylu2和y=Yrd2內(nèi)繼續(xù)重復(fù)步驟(2)中搜索方式。當(dāng)計(jì)算得到的若干個(gè)距離值滿足上文所述的車牌字符間距關(guān)系時(shí)，提取對(duì)應(yīng)的所有包圍盒作為最終搜索到的車牌區(qū)域。

在實(shí)際車輛圖像中，車牌的左右方以及下方通常都是顏色相同的平滑區(qū)域，這些區(qū)域包含的邊緣信息較少。執(zhí)行完步驟1)之后，這些區(qū)域中只包含很少量的包圍盒?？紤]到車牌定位的實(shí)時(shí)性要求，本文從左下方開始檢測(cè)，只需花費(fèi)少量時(shí)間即可檢測(cè)出目標(biāo)包圍盒。將所有目標(biāo)包圍盒合并成一個(gè)大包圍盒，其所對(duì)應(yīng)的區(qū)域即為車牌區(qū)域。由于邊緣檢測(cè)會(huì)不可避免漏掉少量的邊緣信息，造成靠近車牌兩邊的一部分字符信息沒有被包含進(jìn)來，因此需要將大包圍盒擴(kuò)展一個(gè)較小的比例，以保證提取到完整的車牌圖像。

使用本方法對(duì)圖3a 所示車輛進(jìn)行檢測(cè)，檢測(cè)到的字符連通域如圖3b 所示，最終檢測(cè)到的車牌圖像如圖3c 所示。

4 傾斜矯正與字符分割

由于攝像機(jī)拍攝角度等原因，車牌圖像可能會(huì)出現(xiàn)一定傾斜角，這會(huì)對(duì)后續(xù)字符分割和識(shí)別造成影響。使用Hough變換矯正傾斜圖像存在運(yùn)算量大的缺點(diǎn)，而使用首尾字符包圍盒中心點(diǎn)連線來檢測(cè)傾斜角度的方法簡(jiǎn)單快速，但若首尾任一字符的中心點(diǎn)過度偏移于實(shí)際位置，則會(huì)使檢結(jié)果產(chǎn)生較大偏差。因此，使用最小二乘法將每個(gè)字符包圍盒的中心點(diǎn)擬合成一次函數(shù)y=ax+b 的形式，則車牌傾斜角度為式中，a 為擬合得到直線的斜率。若α 為負(fù)，則將車牌圖像逆時(shí)針旋轉(zhuǎn)角度|α|，反之則順時(shí)針旋轉(zhuǎn)α。

圖3 車牌區(qū)域定位結(jié)果

以圖3 為例，圖3b 中7 個(gè)字符包圍盒的中心點(diǎn)分別為(166，365)，(177，365)，(191.5，364.5)，(202，364.5)，(212，363.5)，(223，363.5)，(233，363)。經(jīng)過最小二乘法擬合得到的結(jié)果為y=－0.031 6x+370.491 7。進(jìn)一步求解得到車牌的傾角為α=arctan ( －0. )031 6 =－1.81°。以第四個(gè)字符中心點(diǎn)為原點(diǎn)將車牌圖像逆時(shí)針旋轉(zhuǎn)1.81°，得到如圖4 所示的圖像。

4 傾斜矯正后的車牌圖像

旋轉(zhuǎn)圖像的同時(shí)計(jì)算包圍盒中心點(diǎn)的新位置。假設(shè)第i個(gè)字符包圍盒中心點(diǎn)位置為，若以第四個(gè)字符中心點(diǎn)為原點(diǎn)，則其坐標(biāo)可表示為，其離原點(diǎn)的距離為，旋轉(zhuǎn)α 角度后其新位置坐標(biāo)可表示為

圖5 字符分割結(jié)果

5 實(shí)驗(yàn)結(jié)果與分析

車牌圖像的質(zhì)量會(huì)受到角度傾斜、車牌污損、曝光過度等因素影響。但只要車牌部分的邊緣信息足夠完整，本文算法就可以有效地檢測(cè)車牌區(qū)域分割車牌字符。本文對(duì)不同條件下所拍攝的200 張樣本圖像進(jìn)行實(shí)驗(yàn)，定位結(jié)果如表1 所示。

表1 車牌定位結(jié)果

由表1 可知，本文算法對(duì)大部分車輛車牌圖像都有良好的定位和分割效果。能定位到車牌圖像就能準(zhǔn)確分割圖像中的每一個(gè)字符。這是因?yàn)楸疚乃惴ㄖ熊嚺频亩ㄎ灰彩峭ㄟ^預(yù)先檢測(cè)車牌字符包圍盒的方法實(shí)現(xiàn)的，如果能準(zhǔn)確檢測(cè)到車牌字符的包圍盒，就可以順利實(shí)現(xiàn)后續(xù)的定位和分割操作。本文算法對(duì)具有復(fù)雜紋理信息的圖像也有良好的檢測(cè)效果。而在夜間進(jìn)行檢測(cè)也能取得很不錯(cuò)的效果，這是因?yàn)檐嚺凭哂辛己玫姆垂馓匦?，在夜間被燈光照射的車牌往往擁有更明顯的邊緣信息。不同條件下車牌檢測(cè)結(jié)果如圖6 所示。

圖6 不同條件下車牌檢測(cè)結(jié)果

過曝、曝光不足或者車牌發(fā)生較明顯的污損等因素會(huì)造成車輛圖像模糊從而丟失邊緣信息，漏檢的那一部分圖像就是屬于這種類型。

6 結(jié)論

1)本文提出基于CCA 和AAB 包圍盒的車牌字符定位分割算法，使用連通域分析和AAB 包圍盒來標(biāo)定和表征圖像中的連通區(qū)域，并根據(jù)車牌字符的實(shí)際分布規(guī)律來篩選出屬于車牌區(qū)域的連通域，使用包圍盒中心點(diǎn)定位矯正車牌圖像并進(jìn)行字符分割。

2)仿真實(shí)驗(yàn)結(jié)果表明，本算法對(duì)不同條件下的車牌圖像具有良好的檢測(cè)和分割效果，成功率達(dá)到93.5%。

3)此外，本算法基于同一種參數(shù)即可實(shí)現(xiàn)車牌定位和字符檢測(cè)，在實(shí)際應(yīng)用中，這可以有效簡(jiǎn)化系統(tǒng)流程設(shè)計(jì)，提高了檢測(cè)效率。

［1］SU J R，MA Z.Car license plate location based on the density and projection［C］//第三屆中國(guó)智能計(jì)算大會(huì)論文集.濟(jì)南:中國(guó)運(yùn)籌學(xué)會(huì)智能計(jì)算分會(huì)，2009:409－412.

［2］李強(qiáng)，汪洋，李偉博，等. 基于藍(lán)色車牌背景的車牌精確定位實(shí)現(xiàn)方法［J］.電視技術(shù)，2011，35(15):4－6.

［3］趙兵，魯敏，匡綱要，等. 基于混合特征的車牌定位算法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，28(23):5668－5670.

［4］ZHAO W，GAO M Y，HE Z W.Character recognition based on improved BP neural network［C］//Proc.2013 Third International Conference on Instrumentation，Measurement，Computer，Communication and Control(IMCCC).［S.l.］:IEEE Press，2013:754－757.

［5］WANG Y R，LIN W H，HORNG S J. A sliding window technique for efficient license plate localization based on discrete wavelet transform［J］. Expert Systems with Applications，2011，38(4):3142－3146.

［6］方興林，方云樓.一種基于先驗(yàn)知識(shí)約束的車牌字符分割新算法［J］.重慶工商大學(xué)學(xué)報(bào):自然科學(xué)版，2012，29(8):42－46.

［7］甘玲，林小晶.基于連通域提取的車牌字符分割算法［J］.計(jì)算機(jī)仿真，2011，28(4):336－339.

［8］張金林，胡宏健，方虎生，等. 基于字符連通域特征的車牌定位方法［J］.電視技術(shù)，2012，36(7):140－142.

［9］林川，吳正茂，覃金飛. 基于機(jī)器視覺的分級(jí)車牌字符識(shí)別方法［J］.電視技術(shù)，2014，38(11):198－201.

［10］中華人民共和國(guó)公安部. GA36—2007 中華人民共和國(guó)機(jī)動(dòng)車號(hào)牌［S］.2007.

［11］郭彩虹，陳衛(wèi)鋼.一種噪聲方差自適應(yīng)的連續(xù)消除方法［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46(7):208－212.

［12］岡薩雷斯. 數(shù)字圖像處理(MATLAB 版)［M］. 電子工業(yè)出版社，2009.

［13］朱媛媛，楊文杰. 噪聲對(duì)拉普拉斯算子邊界檢測(cè)影響的分析［J］.北京印刷學(xué)院學(xué)報(bào)，2013，21(6):38－41.