白 茹，裴東興，謝 銳，陸 真

(1.中北大學(xué) 電子測試技術(shù)國家重點(diǎn)實驗室，山西 太原 030051;2.中北大學(xué) 儀器科學(xué)與動態(tài)測試教育部重點(diǎn)實驗室，山西 太原 030051)

車牌識別(LPR)技術(shù)是現(xiàn)代智能交通系統(tǒng)(ITS)中的核心技術(shù)之一，它以自動定位并提取當(dāng)前車牌信息的優(yōu)勢，特別適合于高效處理車流量較大、車速快和人工觀測難以適應(yīng)的環(huán)境中［1，2］。車牌自動識別系統(tǒng)主要包括車牌定位和字符識別兩個部分。車牌定位是車牌識別系統(tǒng)的關(guān)鍵部分，定位將直接影響后續(xù)的字符分割和識別。由于在自然環(huán)境下，采集的汽車圖像背景復(fù)雜、光照不均勻等原因，準(zhǔn)確地確定車牌區(qū)域是整個識別過程的關(guān)鍵。常見的車牌定位算法為基于霍夫變換投影算法［3］、基于模板匹配的算法［4］和區(qū)域增長法［5］等。

然而在實際使用中，這些算法存在一定的局限性。前者假設(shè)車牌邊緣性明顯，通過投影后的車牌區(qū)域能明顯區(qū)別于其它背景區(qū)域，而實際上，處理后的圖像會出現(xiàn)多個規(guī)則的邊緣特性的候選區(qū)域。后者采用模板卷積，運(yùn)算量較大，而且模板方向和尺寸的選擇會對車牌定位的結(jié)果造成嚴(yán)重的影響。

1 車牌預(yù)處理

車牌是機(jī)動車的“身份證”。目前，國內(nèi)車牌標(biāo)準(zhǔn)為GA 36-2014《中華人民共和國機(jī)動車號牌》，該標(biāo)準(zhǔn)對各種車型所屬車牌的幾何尺寸、背景色等進(jìn)行了規(guī)定。本文主要以普通車輛號牌為例進(jìn)行討論。車牌識別系統(tǒng)的車牌圖像的預(yù)處理主要包括灰度化、灰度反色、邊緣檢測等。本文重點(diǎn)介紹邊緣檢測算法。

1.1 車牌特征

標(biāo)準(zhǔn)GA 36-2014 規(guī)定的普通車輛號牌樣式［6］如圖1所示。

圖1 普通車牌樣式(單位:mm)

從圖1 可以看出，普通車牌是尺寸為440 ×140(mm)的矩形車牌。共由7 個字符組成，除字符“1”外，單個字符尺寸為45 ×90(mm)。顏色背景色為藍(lán)色。邊緣特性比較明顯，灰度化或二值化后的車牌區(qū)域會有明顯的紋理特征。

1.2 邊緣檢測

邊緣是指其周圍像素灰度有階躍變化或屋頂變化像素的集合。它不同于物體間的邊界，因為現(xiàn)實世界的物體是三維的，而圖像只是二維信息。不同的圖像灰度不同，邊界處一般會有明顯的邊緣特征，這些特征不可避免地會受到光照和噪聲的影響。所以，一般先對圖像進(jìn)行平滑處理，再進(jìn)行邊緣檢測。邊緣檢測算子是一種在計算過程中可以直接使用的計算單位，主要包括Laplacian 算子、Canny 算子、Prewitt算子、Roberts 算子、Sobel 算子等。

Laplacian 算子是一個二階微分算子，其只注重邊緣位置而不考慮其周圍的像素灰度差值，對孤立的像素的響應(yīng)要比邊緣或線的響應(yīng)要更強(qiáng)烈，只適用于無噪聲圖像［7］。Canny算子是一種具有濾波、增強(qiáng)和檢測多階段的優(yōu)化算子［8］，但其實現(xiàn)起來比較麻煩。Sobel 算子對像素位置的影響做了加權(quán)，與Prewitt 算子和Roberts 算子相比，效果更好［9］。綜合考慮，本文采用Sobel 算子來進(jìn)行邊緣檢測。

Sobel 算子是以離散型的差分算子，用來運(yùn)算圖像亮度函數(shù)梯度的近似值。它是一種典型的基于一階導(dǎo)數(shù)的邊緣檢測算子，由于算子中引入了類似局部平均的運(yùn)算，因此對噪聲具有平滑作用，能夠很好地消除噪聲對圖像的影響［10］。對于一個函數(shù)f(x，y)，它的一個梯度向量可表示為:

過了大約有10分鐘，門鈴響起。思雨打開門，進(jìn)來一位年輕女孩。她的身高、年齡和電話里說的差不多。只是身上的吊帶裝和短裙覆蓋之外的皮膚，黝黑黝黑，像用墨汁染過的油條。再看她那一頭所謂的美麗的栗紅色長發(fā)，在燈光下就像一簇蔫巴了多時的韭菜。思雨突然有什么東西從胃里往上返，如果他不是努力克制自己，就會嘔吐出來。

矢量大小和方向角分別為:

上式需要計算每個像素點(diǎn)的偏導(dǎo)數(shù)。實際應(yīng)用中，我們經(jīng)常使用小面積內(nèi)核卷積來近似，Gx和Gy各需要一個內(nèi)核，圖2(a)和圖2(b)即為Sobel 提出的兩個內(nèi)核［11］。圖2(a)可以檢測出圖像中的水平方向的邊緣，而圖2(b)可以檢測出垂直方向的邊緣。圖像中的每一個像素點(diǎn)都可用這兩個卷積核進(jìn)行卷積運(yùn)算，取其最大值作為輸出，數(shù)學(xué)表達(dá)式為式(4)，運(yùn)算結(jié)果即為一幅體現(xiàn)邊緣幅度的圖像。

式中，M、N 為圖像矩陣大小，i、j 分別表示內(nèi)核矩陣大小。從定義可以看出Sobel 邊緣算子所采用的算法是先進(jìn)行加權(quán)平均，然后再進(jìn)行微分運(yùn)算。

圖2 兩個卷積核

2 基于形態(tài)學(xué)的車牌定位

數(shù)學(xué)形態(tài)學(xué)是以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對圖像進(jìn)行分析的數(shù)學(xué)工具?；舅枷胧怯镁哂幸欢ㄐ螒B(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)狀態(tài)以達(dá)到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)有4 個基本運(yùn)算:膨脹、腐蝕、開啟和閉合。基于以上基本運(yùn)算可以推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實用算法。

2.1 灰度數(shù)學(xué)形態(tài)學(xué)

二值圖像的形態(tài)變換是一種針對集合的處理過程。而灰度數(shù)學(xué)形態(tài)學(xué)運(yùn)算不是集合，而是圖像函數(shù)［12］。

f(x，y)為輸入的圖像，b(x，y)是結(jié)構(gòu)元素。用結(jié)構(gòu)元素b 對輸入圖像進(jìn)行膨脹和腐蝕的運(yùn)算定義分別為:

通過膨脹處理的圖像效果主要表現(xiàn)為:

1)若結(jié)構(gòu)元素的值都為正，則輸出圖像會比輸入圖像亮;

2)根據(jù)輸入圖像中暗細(xì)節(jié)的灰度值以及它們的形狀相對于結(jié)構(gòu)元素的關(guān)系，他們在運(yùn)算中被消減或除掉。

用b 對f 進(jìn)行開啟和閉合運(yùn)算的定義為:

由定義可知，開啟與閉合運(yùn)算只是膨脹和腐蝕的先后順序不一樣。開運(yùn)算是先腐蝕后膨脹，其結(jié)果是完全刪除了不能包含結(jié)果元素的對象區(qū)域，平滑了對象的輪廓，斷開了狹窄的連接，去掉了細(xì)小的突出部分;而閉運(yùn)算恰恰與開運(yùn)算相反。

2.2 車牌定位

由于車牌的背景復(fù)雜，經(jīng)過灰度化后，需要對車牌進(jìn)行相關(guān)操作，以得到更好的車牌連通域。首先對車牌背景圖像進(jìn)行閉運(yùn)算，使得包括車牌字符在內(nèi)的小字符區(qū)域連通，而后再對圖像進(jìn)行開運(yùn)算，以便消除圖像中的噪聲，得到含有明亮的車牌區(qū)域連通域圖像，之后再對特別小明顯不符合車牌連通域的干擾連通域進(jìn)行刪除，從而得到個數(shù)較少的連通域圖像。

從圖1 可以看出，國內(nèi)普通車牌的具有明顯的特征，其長寬比為約為3.14，面積和周長平方存在固定比例為:

故以此為特征，求得經(jīng)過處理后圖像中各個連通域的面積和周長比例關(guān)系式:

式中，n 為圖像中連通域的總個數(shù)，S 為連通域的面積，C 為連通域的面積。

在數(shù)集ζ 中，設(shè)定范圍為［0.9，1.1］，落在此區(qū)間的連通域即為車牌所在的區(qū)域。標(biāo)記此區(qū)域，在最原始的圖像中找到該坐標(biāo)區(qū)域，即為車牌所在區(qū)域。

3 基于Radon 變換的車牌校正

雖然通過形態(tài)學(xué)定位技術(shù)找到了車牌所在區(qū)域，但在實際應(yīng)用中，由于攝像頭的位置和車輛的移動，導(dǎo)致車牌不規(guī)則的傾斜，將嚴(yán)重影響字符的準(zhǔn)確分割，從而造成字符的誤分割和車牌的識別率嚴(yán)重下降。故在字符分割前必須要對車牌進(jìn)行傾斜糾正。本文采用拉東變換(Radon Transform)對車牌進(jìn)行傾斜校正［13］。

Radon 變換是指圖像在某一指定角度射線方向上的投影方法［14］。該投影法對車牌上的字符特征影響相對較小，車牌投影的原理實質(zhì)上是將一個平行四邊形拉伸成一個矩形。具體過程分為兩步:

Step1:確定車牌左邊界，并且將每一行的第一個像素平移至垂直的邊上;

Step2:把該行的元素依次向左平移。

用二維函數(shù)f(x，y)表示車牌圖像在(x，y)的像素值，車牌圖像沿著某個方向上的投影就是在該方向上積分。為了計算圖像在任意方向上的投影，只需對坐標(biāo)軸進(jìn)行旋轉(zhuǎn)。使得y'與該方向重合，在y'上的投影是沿著該方向上的線積分。積分公式如下:

式中，坐標(biāo)變換公式為:

Radon 變換檢測的直線對應(yīng)于R(θ，x')在坐標(biāo)(θ，x')處的峰值，可根據(jù)θ 和x'確定出一條直線。從式(11)可以看出函數(shù)具有周期性，范圍可限制為［－90°，90°］。

4 仿真結(jié)果及分析

本文采用的軟件環(huán)境是Matlab8.1，采集復(fù)雜背景的車牌圖像并進(jìn)行處理，圖3 為其中處理的一幅圖，依次對其進(jìn)行的灰度化及二值化處理后如圖4，先進(jìn)行閉運(yùn)算，將包含車牌字符在內(nèi)相對較小的區(qū)域擴(kuò)大，之后再進(jìn)行開運(yùn)算去掉狹窄細(xì)小的連通域。之后通過系統(tǒng)函數(shù)bwareaopen 去除掉與車牌面積相差較大的較小連通域。

將剩下的連通域進(jìn)行如式(10)的計算，結(jié)果如圖5 顯示連通域的比例集合為ζ={0.95，0.62，0.34，0.12，0.11}，其中落在區(qū)域［0.9，1.1］之間的區(qū)域為0.95，圖5 中質(zhì)點(diǎn)顯示的連通域即為車牌所在的位置，車牌定位如圖6 上半部分所示，將車牌進(jìn)行Radon 變換得到逆時針旋轉(zhuǎn)4°后的車牌圖，如圖6 下半部分所示。圖7 是先經(jīng)過開運(yùn)算和閉運(yùn)算后，再進(jìn)行邊框切割的車牌。圖8 為車牌字符的分割［15］圖像。

圖3 原始采集圖像

圖4 灰度二值化圖像

圖5 有限個連通域S 與C 比例關(guān)系

圖6 定位的車牌和校正4°的車牌

圖7 切割邊框后的車牌

圖8 車牌字符分割

5 結(jié)論

復(fù)雜背景下的車牌定位一直是LPR 技術(shù)中的研究熱點(diǎn)。LPR 需要適應(yīng)不同的應(yīng)用環(huán)境，而導(dǎo)致去除車牌不相關(guān)的噪聲難度加大。本文在普通車牌邊緣特征的基礎(chǔ)上，通過形態(tài)學(xué)和Radon 變換準(zhǔn)確定位到了車牌的位子并將傾斜的車牌進(jìn)行校正，為車牌字符的分割與識別打下良好的基礎(chǔ)，克服了傳統(tǒng)定位法依賴車牌顏色的問題。算法仿真結(jié)果表明:基于形態(tài)學(xué)和拉東變換算法對車牌的定位和校正效果明顯，下一步需要將該算法移植到硬件系統(tǒng)進(jìn)行驗證。

［1］潘勇，趙佳樂，徐志剛，等.基于紋理特征的低照度環(huán)境下車牌定位與識別算法［J］.公路交通科技，2015(7) ：140－148.

［2］劉濤，潘福全，董云鵬，等.智能交通在信號交叉口應(yīng)用研究綜述［J］.青島理工大學(xué)學(xué)報，2015(3) ：90－94.

［3］鄭德鍵，沈英.基于圖像處理的車牌定位算法研究［J］.機(jī)電技術(shù)，2014(1) ：10－12.

［4］咼潤華，蘇婷婷，馬曉偉.BP 神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識別系統(tǒng)［J］.清華大學(xué)學(xué)報(自然科學(xué)版)，2013(9) ：1221－1226.

［5］郭航宇，景曉軍，尚勇.基于小波變換和數(shù)學(xué)形態(tài)法的車牌定位方法研究［J］.計算機(jī)技術(shù)與發(fā)展，2010(5) ：13－16.

［6］中華人民共和國公安部.GA 36-2014 中華人民共和國機(jī)動車號牌［M］.北京：中國標(biāo)準(zhǔn)出版社，2014，1：2－11.

［7］別路，張秀頎.Laplacian 算子對重力梯度張量邊界定位效果的探討［J］.工程地球物理學(xué)報，2013(5) ：706－713.

［8］賀強(qiáng)，晏立.基于LOG 和Canny 算子的邊緣檢測算法［J］.計算機(jī)工程，2011(3) ：210－212.

［9］夏清，胡振琪，許立江，等.一種改進(jìn)Sobel 算子的熱紅外影像邊緣檢測方法［J］.紅外技術(shù)，2015(6)：462－466.

［10］岡薩雷斯.數(shù)字圖像處理(MATLAB 版) ［M］.阮秋琦等譯.北京：電子工業(yè)出版社，2005.

［11］Shrivakshan GT.A Comparison of Vario-us Edge Detection Techniques Used in I-mage Processing［J］.International Journal of Computer Science Issues，v9，n55－1，269－276，September 2012.

［12］程軍娜.基于形態(tài)學(xué)多尺度圖像分析的海藻細(xì)胞圖像分割及特征提?。跠］.青島：中國海洋大學(xué)，2010.

［13］陳玲，李熙瑩，盧林.車牌傾斜校正算法研究及改進(jìn)［J］.計算機(jī)與現(xiàn)代化，2013(12) ：91－97.

［14］劉桃麗，黎道武，萬雄.基于光學(xué)層析技術(shù)的圖像重建［J］.光電技術(shù)應(yīng)用，2008(6) ：60－63.

［15］鄧劍，陳峰，郭寶錄.基于區(qū)域特征合并的分水嶺圖像分割［J］.光電技術(shù)用，2014(3) ：27－29，51.