楊峰, 李建奇

一種車牌圖像二次定位算法

楊峰, 李建奇

(湖南文理學院 電氣與信息工程學院, 湖南 常德, 415000)

針對車牌識別系統(tǒng)中關鍵性的定位環(huán)節(jié)提出了一種二次定位算法, 在預處理后對車牌圖像先進行粗略定位, 再進行精確定位。該算法前后銜接緊密, 靈活有效地利用了二值圖像所受干擾主要來自車牌上方這一特征, 對圖像由下至上搜索定位; 利用 Hough變換對圖像進行多直線檢測, 確定邊界后實現精確定位。在Matlab平臺上的測試結果表明, 該算法速度快, 準確率較高。

預處理; 粗定位; 精定位; Hough變換

車牌識別(License Plate Recognition, 簡稱LPR)系統(tǒng)在智能交通管理領域扮演著重要的角色, 為當前研究熱點。LPR系統(tǒng)一般包括車牌定位、分割、識別3個環(huán)節(jié), 其中定位作為分割的前提, 其準確度直接影響到后續(xù)的分割與識別效果。定位錯誤即丟失目標, 會導致系統(tǒng)識別錯誤, 因此, 保證車牌定位的精準度十分關鍵。

本文闡述了一種車牌二次定位的方法, 并在Matlab平臺上進行了測試。

1　圖像預處理

車牌正式定位之前, 對圖像按以下步驟及順序進行預處理。

(1) 圖像變換。由設備拍攝的車牌圖像都是彩色的, 其每個像素都由R、G、B三個顏色分量形成, 因此數據量大, 給系統(tǒng)的存儲和處理帶來較重負擔?；叶?Gray)圖像不包含彩色信息, 其值量化為256級,因此, 對灰度圖像的處理更方便。彩色圖像由RGB空間變換為灰度空間的轉化關系為[1]IGray= 0.299IR+ 0.587IG+ 0.114IB。

(2) 像素調整。由于每幅圖像由不同的設備拍攝, 導致像素不一致。像素太低則成像質量低, 增加

(3) 灰度拉伸。車牌圖像在拍攝時往往由于光線環(huán)境原因造成圖像的亮度偏暗或者偏亮, 這都會影響圖像的后續(xù)處理。因此, 將圖像按圖 1的變換方式把感興趣的灰度范圍拉開[2], 豐富灰度層次, 達到增強對比度的效果, 把其它灰度范圍壓縮, 以減少干擾。圖像灰度范圍拉伸前后效果見圖2?；叶壤熳儞Q函數表達式為

圖1　灰度拉伸變換

圖2　灰度拉伸

(4) 濾波。為了去除圖像中噪聲的影響, 提高圖像質量, 需要進行噪聲濾波。噪聲的種類很多, 所采用的濾波方法也各不相同。本文用3 × 3掩模算子[3](圖3)進行高斯濾波。從圖3可知, 算子中心像素的權值最大, 所以在計算均值時這一像素尤為重要, 而距離中心較遠特別是角點位置的像素相對次要,這是為了降低濾波處理產生的附加模糊效應。圖像進行高斯濾波前后的效果如圖4所示。

圖3　3 × 3掩模算子

圖4　高斯濾波

(5) 圖像二值化[4–5]。將灰度圖像各像素與其當前行前一個像素的灰度值進行比較, 若差值的絕對值超過事先設定的閾值T(本文設為35), 則令值為1, 否則值為0。按此完成灰度圖像的二值化, 即提取沿水平方向圖像灰度躍變的特征。實踐證明此法與傳統(tǒng)的邊緣檢測相比效果更理想。用行內像素比較是考慮到圖像中的車牌區(qū)域橫向較縱向的變化特征更明顯?；叶葓D像經不同方法二值化后的效果如圖5所示。

圖5　二值化

2　定位切割

2.1橫向粗定位

圖6　灰度圖

車牌自身的特征已經被眾多方法所充分利用, 然而車牌周圍的環(huán)境特點卻一直沒有得到重視。統(tǒng)計與觀察發(fā)現絕大多數的圖像中, 車牌下方的區(qū)域與上方的區(qū)域相比干擾因素要少很多, 這是因為下方都是平淡的地面背景,上方則會有中網、車燈、車身棱角, 有時還包含有樹木、房屋、圍欄、廣告牌等敏感信息。針對這一特點,對圖6所示經預處理后的各灰度圖像分別二值化后(圖7)從最后一行像素開始, 采取如下策略[6–7]:

① 若當前一行1值像素的數量大于一定閾值T(文中設定T = 60), 便記下行數Y1, 否則, 當前行數減1, 重復執(zhí)行①;

圖7　二值化圖

② 當前行數減1, 若當前一行1值像素的數量大于閾值 T, 便記下行數 Y2, 否則, 重復執(zhí)行②;

③ 若Y1與Y2距離超過較小的一個高度閾值(在400 × 300分辨率下, 車牌高度應大于30, 所以閾值選定為30)時, 保存Y1與Y2。否則, 排除此Y1和Y2, 當前行數減1, 執(zhí)行①。

Y1、Y2即是沿橫向進行切割的位置, 為了保證車牌的完整, 可將這個位置向下和向上均適當地延伸補償, 故此次切割是橫向的粗定位。圖 8(a)、8(b)、8(c)分別是圖 7(a)、7(b)、7(c)由橫向粗定位切割得到的結果。①、②中若用相鄰2行的像素來判定, 穩(wěn)定性會更好, 此時應擴大閾值。

圖8　沿橫向粗略切割

2.2縱向粗定位

對圖8的各切割結果實施以下步驟[8–9]: 用與其寬度相等的正方形窗口以一定步距從左至右滑動, 當滑窗中值 1的像素數量占比大于一定閾值時, 此時窗口所在列位置記為 X1, 然后以同樣方式從右向左搜索, 獲得列位置X2。在X1、X2處沿縱向切割, 完成縱向粗略定位。圖9(a)、9(b)、9(c)分別是圖8(a)、8(b)、8(c)縱向粗略定位的結果。

圖9　沿縱向粗略切割

2.3精定位

由于粗略定位還不能滿足后續(xù)識別算法的要求, 所以需要進行更精確的定位。利用Hough變換直線檢測可實現精定位。Hough變換的優(yōu)點是容錯性強, 如果待檢測直線被干擾或被遮擋引起局部斷裂, 經過Hough變換, 在參數空間中依然可得到明顯的峰值單元[10]。

將圖9(a)、9(b)、9(c)所示圖像分別進行多直線檢測, 得到如圖10(a)、10(b)、10(c)的結果。對這個結果中各圖像, 將所有直線端點行號的最小值與最大值分別確立為車牌上邊界和下邊界坐標, 將左端點列號的中值確立為左邊界, 右端點列號的中值確立為右邊界。此時的定位是一種精確定位, 也是最終的定位。精確定位后的結果如圖11(a)、11(b)、11(c)所示。圖12(a)、12(b)、12(c)分別為圖11(a)、11(b)、11(c)回歸到灰度圖像的定位效果。

圖10　Hough變換多直線檢測

圖11　精定位

圖12　回歸到灰度圖像的定位

3　測試結果與分析

在Matlab平臺上對276幅原始車牌圖像進行了測試。每幅圖像測試時間在4～7 s之間, 測試結果顯示, 262幅車牌實現了精準定位, 8幅車牌實現了次精準定位, 錯誤定位的有6幅, 總體成功率(精準與次精準)達到了94.9%。次精準定位有6幅是尾部車牌, 由于尾部車牌處于一個凹槽中, 在光線照射下會使圖像產生邊緣灰度躍變, 這種干擾導致直線端點位置群體性失準, 使切割區(qū)域較精確定位區(qū)域寬(圖13), 另外2幅次精準定位則是受到了其它干擾所致。出現定位錯誤的圖像中有3幅是因拍照時車牌距拍攝地太遠(圖 14(a)), 導致目標成像太小, 甚至模糊, 因而不適應橫向定位時的閾值, 粗定位時出錯。有 2幅因光線環(huán)境過于昏暗使得灰度均值大幅降低(圖 14(b)), 產生低灰度堆聚現象, 壓縮了灰度差別,致使圖像不適應二值化的閾值, 二值化圖像效果不好, 影響了算法的后續(xù)處理。

圖13　次精確定位

圖14　不同環(huán)境下的車牌

4　結論

本文所述車牌圖像二次定位算法, 因利用了一些在其它方法中沒有被利用或者沒有被充分利用的車牌及環(huán)境特征, 因此與常用的方法相比, 本文方法的時間復雜度更低。從測試結果看, 本文方法具有較理想的定位成功率, 若樣本為相同設備、距離、角度、光線等條件下的圖像, 定位成功率會更高。由于樣本圖像在各種不同的條件下拍攝所得, 成像質量參差不齊, 導致個別樣本因成像質量太低而無法定位。由于在實際應用中, 車牌定位對算法的要求很高, 因此, 車牌定位算法還可進一步改進與完善。

[1] 李戰(zhàn)明, 徐錦鋼. 車牌識別系統(tǒng)中的車牌圖像預處理研究[J]. 科學技術與工程, 2008(8): 2 082–2 084.

[2] 田巖. 數字圖像處理與分析[M]. 武漢: 華中科技大學出版社, 2010: 185–211.

[3] 潘巍, 劉宏宇, 安榮. 一種梯度特征與區(qū)域合并的車牌定位方法[J]. 計算機工程與應用, 2011, 47(18): 204–206.

[4] 劉濛, 吳成東, 樊玉泉. 復雜背景圖像中的車牌定位算法[J]. 中國圖像圖形學報, 2010, 15(9): 1 357–1 360.

[5] 王善發(fā), 吳道榮. 基于灰度跳變的車牌定位算法及其實現[J]. 計算機仿真, 2012, 29(1): 318–322.

[6] 付煒, 趙正則, 王大江. 基于水平灰度跳邊和垂直投影的車牌定位方法[J]. 電子測量技術, 2008(3): 61–65.

[7] 韓立明, 王波濤. 車牌識別中關鍵技術的研究與實現[J]. 計算機工程與設計, 2010, 31(17): 3 919–3 923.

[8] 姜香菊, 路小娟, 劉二林. 基于MATLAB的車牌定位算法的分析與仿真[J]. 自動化與儀器儀表, 2010(4):18–20.

[9] 王剛, 冀小平. 基于MATLAB的車牌識別系統(tǒng)的研究[J]. 電子工程設計, 2009(11): 72–73.

[10] 岡薩雷斯, 伍茲, 艾丁. 數字圖像處理[M]. 阮秋琦, 譯. 北京: 電子工業(yè)出版社, 2005: 296–304.

(責任編校: 江河)

A two-step algorithm of license plate location

Yang Feng, Li Jianqi
(College of Electrical and Information Engineering, Hunan University of Arts and Science, Changde 415000, China)

Aiming at key of location in license plate recognition system, a two-step algorithm that includes preprocessing, rough location and precise location is proposed. The algorithm’s head and rear are tightly-linked, the feature that most of interference is above plate is made use of by searching from bottom to top of binary image. Multi-lines detecting based on Hough transform pinpoint the edge, and precise location is realized at last. According to the results of testing on Matlab platform, this algorithm has a high accuracy rate and fast running speed, it provides a new reference and method for license plate location.

preprocessing; rough location; precise location; Hough transform

TP 391.41

1672–6146(2016)03–0010–04

10.3969/j.issn.1672–6146.2016.03.003

楊峰, 33599149@qq.com。

2016–05–20

國家自然科學基金(61403136); 湖南省自然科學基金(14JJ5008)。了出錯的概率; 像素太高會使計算量增大, 影響處理速度。因此有必要將各幅圖像像素進行調整。經大量實驗發(fā)現, 400 × 300是一個合適的分辨率, 故將所有灰度圖像統(tǒng)一調整至400 × 300。