高　飛,梅凱城,韓政高,盧書芳,肖　剛

(浙江工業(yè)大學 計算機學院,杭州　310023)

?

基于灰度跳變與字符間隔模式的車牌定位方法研究

高飛,梅凱城,韓政高,盧書芳,肖剛

(浙江工業(yè)大學 計算機學院,杭州310023)

車牌定位是車牌自動識別的第一步，而如何考慮光照影響是車牌定位是否成功的關鍵;通過深入分析不同的車牌圖像，提出一種基于灰度跳變與字符間隔模式的車牌定位方法;首先，針對不同光照條件下采集到的車牌圖像明暗度的不同，利用多閾值處理方法得到車牌信息不丟失的、最佳的二值圖像，然后，在其二值圖像中首先利用灰度跳變定位車牌的上下邊界，接著對字符垂直投影后的寬度進行統(tǒng)一的調整并以固定的字符間隔特征定位車牌的左右邊界，從而完成車牌定位;最后，通過實驗驗證了該方法的有效性。

車牌定位; 多閾值二值化; 灰度跳變; 投影調整

0　引言

車牌識別是計算機視覺在智能交通領域中的一個重用研究課題，準確而快速的車牌定位算法是車牌識別系統(tǒng)實現(xiàn)的基礎。

目前，車牌定位方法主要有：基于邊緣檢測的方法[1-2]；基于數(shù)學形態(tài)學的方法[3-4]；基于彩色信息的方法[5-6]；基于小波變換的方法[7]；基于灰度跳變和投影特征的方法[8-9]等。

車牌定位方法雖比較多，但每一種方法側重點不同，各有各的優(yōu)勢，也各有各的缺陷和不足。受到采集車牌圖像時環(huán)境的差異性以及車牌圖像背景的復雜性的影響，很難存在一種完美的方法解決所有問題。本文將對基于灰度跳變和投影特征的方法進行改進，主要側重于解決在不同光照環(huán)境下采集到的圖像的車牌定位，同時對字符投影間隔距離進行合適的調整可以排除具有同字符投影特征類似的偽車牌區(qū)域的干擾，可有效提高車牌定位應用的實用性和準確性。

1　車牌先驗知識

根據(jù)我國最新機動車牌照標準即2007年11月1日正式實施的《中華人民共和國機動車號牌》(GA36-2007)行業(yè)標準，車牌具有兩個特征：1)車牌由8個字符組成，具有統(tǒng)一的排列格式：X1X2X3X4X5X6X7X8，其中X3為圓點分隔符號“·”，其他字符可能是漢字、英文字母和阿拉伯數(shù)字；2)每個字符占用寬度為45 mm，高度為90 mm。

2　車牌圖像的二值化

車牌圖像通常是由分布在各十字路口、超速監(jiān)測點、收費站及其他卡口處的抓拍系統(tǒng)所采集，圖像效果與抓拍時的環(huán)境具有直接聯(lián)系，不同的抓拍環(huán)境會導致截然不同的車牌圖像。圖1表示影響抓拍環(huán)境的主要因素，通常情況下抓拍時的光照條件、車牌圖像的明暗程度受到這3種因素的不同組合的綜合影響。實際情況中，車牌圖像的明暗程度很能達到理想狀況，同一套抓拍系統(tǒng)所拍到的車牌圖像之間的亮度并不一致，具有非均勻性特點。根據(jù)明暗程度以及車牌是否可見為依據(jù)，抓拍圖像通?？梢苑譃槿悾赫?、偏暗和漆黑。正常圖像表示車牌信息清晰可見；偏暗表示整副圖像色調的灰度值偏低，但車牌信息仍可見；漆黑表示整副圖像色調灰度值非常低，車牌信息很難識別。

圖1　抓拍環(huán)境影響因素

二值化是車牌定位的關鍵。車牌圖像的二值化結果將直接影響是否能成功定位，而二值化的關鍵又在于閾值的選擇。傳統(tǒng)的車牌圖像二值化方法通常采用單一閾值(全局閾值、局部閾值或動態(tài)閾值)進行處理，它們對于上述3種類型中的正常車牌圖像可獲得較好的效果，但對于因3種因素組合影響而導致的明暗程度差異較大的車牌圖像而言，其二值化效果并不理想。為此提出一種多閾值二值化處理方法，算法如下：

1) 對原始彩色車牌圖像采用加權平均值法進行灰度化處理：

(1)

其中：R(x,y)、G(x,y)和B(x,y)分別表示(x,y)處的像素的紅、綠、藍分量，f(x,y)表示像素(x,y)的灰度值。

2) 分析車牌灰度圖像中亮度的分布特征，判斷該圖像是光照正?；蚬庹债惓＃?/p>

(2)

(3)

(4)

M0=b*M

(5)

其中：f(x,y)為灰度圖像中像素點(x,y)的灰度值，h和w表示圖像的高度和寬度，M表示灰度圖像的平均灰度值，D表示灰度值小于等于M0的像素數(shù)量占整幅圖像的百分比，它是描述圖像明暗程度的重要指標，其物理含義為M0通常取平均灰度值M的b倍，如式(5)所示。當滿足MD0時，該圖像的明暗程度為偏暗或漆黑，判定為光照異常；否則為光照正常。T0和D0分別為光照是否異常的判定閾值，T0取值范圍為[20,30]的整數(shù)，D0取值范圍為[0.75,0.9]，b通常取值為2或3。

3) 采用自適應閾值進行二值化處理：

(6)

其中：f0為二值化閾值。根據(jù)圖像光照是否異常，f0將作自適應的選擇，即對于光照正常的圖像，f0采用最大類間方差法確定；對于偏暗或漆黑的光照異常的圖像，根據(jù)經驗確定f0，通常取值f0=M0。

圖2表示采用單一閾值的最大類間方差法進行二值化的示意圖，其中圖2(b)、圖2(d)和圖2(f)分別是圖2(a)、圖2(c)和圖2(e)二值化后的效果，從該示意圖看，由于圖2(c)和圖2(e)光照偏暗，采用該方法進行二值化后，車牌信息均已丟失；圖2是采用自適應閾值對圖2(d)和圖2(f)進行二值化處理，其中自適應閾值f0取為M0，b=3，T0=20，D0=0.8，從效果看，該方法能很好的適應不同明暗程度的車牌圖像，原圖像中的車牌信息在其二值圖像中都較為完整、清晰地得以保留，有利于后續(xù)的車牌定位。

圖2　自適應閾值二值化效果示例

3　車牌定位

3.1基于灰度跳變確定車牌上下邊界

車牌圖像經過二值化處理后，車牌區(qū)域變得清晰可見，車牌區(qū)域內的字符顏色與背景顏色正好相反，因此，基于灰度跳變法可確定車牌區(qū)域的上下邊界，算法步驟如下：

步驟1：用i表示從二值化車牌圖像自底向上開始編號的行號，并令i=1；用PT和PB分別表示車牌上下邊界的像數(shù)行號，PT=0，PB=0；

步驟2：統(tǒng)計第i行的灰度跳變點總數(shù)，即像素灰度值從0到255或者從255到0轉變的像素點數(shù)量，記為S[i]，若S[i]大于等于跳變次數(shù)12，則表示該行為車牌特征行；否則不是車牌特征行；

步驟3：若PB大于0，則轉步驟4；否則，如果從i行開始往前連續(xù)e行均為車牌特征行且第i-e行是非車牌特征行，則PB=i-e-1或PB=i-2*e-1并轉步驟4；否則，轉步驟2；e的取值越大則判斷誤差將越小，但效率會降低，e決定了車牌下邊界與車牌中字符的下邊界的距離，e值取得越大，則車牌的下邊界與字符之間的空隙將越大，反之越小，通常情況下取值e≥3，在本實施例中，e=3；PB=i-e-1時，表示直接取第一個車牌特征行作為下邊界；PB=i-2*e-1時，表示取第一個車牌特征行往下e行作為下邊界，即在車牌字符與下邊界之間留下e行空隙，可根據(jù)實際情況進行選擇。

步驟4：若從i行開始往前連續(xù)v行均是非車牌特征行且第i-v行是車牌特征行，則PT=i或PT=i-v并轉步驟5；v的取值越大則判斷誤差將越小，但效率會降低，v決定了車牌上邊界與車牌中字符的上邊界的距離，v值取得越大，則車牌的上邊界與字符之間的空隙將越大，反之越小，通常情況下取值v≥3，在本實施例中，v=3；PT=i-v時，表示直接取最后一個車牌特征行作為上邊界；PT=i時，表示取最后一個車牌特征行往上v行作為上邊界，即在車牌字符與上邊界之間留下v行空隙，可根據(jù)實際情況進行選擇；

步驟5：結束，此時PT和PB分別表示車牌上下邊界的像素行號。

之所以跳變法可有效定位上下邊界，其基本原理在于：車牌固有的特征導致字符邊界和背景之間存在灰度跳變，以二值化后的黑底白字車牌為例，逐行掃描遇見字符時，像素點的灰度值會從0到255有跳變，而離開字符時，像素點的值又會從255到0有跳變。此外，考慮車牌區(qū)域包括至少7個字符(不算圓點分隔符)，每個字符至少存在兩次跳變，同時，在車牌字符二值化過程中，特殊字符“1”的某一行或某幾行可能存在斷裂的情況，因此在掃描到該字符的這些行時將沒有跳變，因此，跳變次數(shù)的臨界值S0通常保守的取值為12。

為提高算法的效率，在逐行掃描時，通常自下而上進行，這是因為在一幅車牌圖像里，車牌區(qū)域以上的紋理特征較多，而車牌以下紋理稀少，此外，車牌區(qū)域通常位于圖像的下半部分，因此自下而上掃描通常能用最少的掃描時間定位到車牌的上下邊界。

3.2基于字符間隔模式確定車牌左右邊界

根據(jù)我國車牌先驗知識，字符間隔存在一定的固有模式，為此，以白字黑底的二值化車牌圖像為例說明基于字符間隔模式確定左右邊界的算法步驟如下：

步驟1：標記特征列。自左向右逐列掃描由上下邊界PU和PL所形成的車牌區(qū)域，采用數(shù)組C[]記錄掃描的列情況，當?shù)趈列出現(xiàn)白色像素點時，將該列標記為特征列并記C[k]=j，k=1,2,…,m，m即為掃描結束后特征列的總數(shù)；

步驟2：標記候選車牌字符。令車牌高度為Height=|PT-PB|，掃描數(shù)組C[]，對每組連續(xù)相鄰的N(0.1*Height≤N≤0.5*Height)列特征列，為不失一般性，假設這N列特征列的列號為C[k]、C[k+1]、…、C[k+N-1]，則這組連續(xù)相鄰的N列標記為候選字符列，這N列與上下邊界PT和PB所形成的區(qū)域即為候選車牌字符。令LL[r]=C[k]，它表示這組候選字符列的最左邊的列號，也即候選字符的左邊界，LR[r]=C[k+N-1]，它表示這組候選字符列的最右邊的列號，也即候選字符的右邊界，其中r=1,2,…,Q，Q表示候選字符的總數(shù)，它是在掃描數(shù)組C[]結束之后確定的；

圖3　車牌字符間隔調整

步驟3：調整特殊字符“1”的投影寬度并去除“·”的投影數(shù)據(jù)。如圖3(a)所示的車牌1和車牌2中的8個字符間隔可分別用序列S1S1S1S2S2S1S1和S1S1S1S1S1S1S2來表示，然而，由于車牌字符中“1”和“·”的投影寬度要比其他字符小，同時，由于“1”出現(xiàn)的位置具有隨機性，導致字符之間的間隔不統(tǒng)一，因此S2在該序列中出現(xiàn)的位置同樣具有隨機性，為了采用統(tǒng)一的模式序列去表達車牌字符間隔，須對“1”進行調整以使其寬度與其他字符一致；另一方面，“·”經過二值化處理后存在丟失的可能性，因此，對“·”進行去除處理，從而使得字符之間的間隔序列可以采用固定統(tǒng)一的模式序列去表達，如圖3(b)所示，經過調整后車牌1和車牌2中的7個字符可采用統(tǒng)一的序列模式進行表示：S1S2S1S1S1S1。

同步遍歷候選字符列的左右邊界數(shù)組，即LR[]和LL[]，如果滿LR[r]-LL[r]<0.3*Height，即候選字符的寬度小于0.3*Height個像素，則該候選字符為“1”或“·”，為了進一步區(qū)分是“1”或“·”，令Mid表示候選字符中間列的列號，即Mid=(LL[r] +LR[r])/2，統(tǒng)計第Mid列的上下邊界PT和PB之間的白色像素的總數(shù)SMid，如果SMid≥0.5*Height，則表示Mid列為特殊候選字符“1”的中間列，此時調整該字符的寬度也就是調整其左右邊界，令Δ=(0.5*(PT-PB)-(LR[r]-LL[r]))/2，則LL[r]=LL[r]-Δ以及LR[r]=LR[r]+Δ；否則，說明Mid列為“·”的中間列，此時去除該字符的投影數(shù)據(jù)，即LL[r..Q-1]=LL[r+1..Q]及LR[r..Q-1]=LR[r+1..Q]，詳細調整算法如圖4所示。

圖4調整特殊字符“1”和“·”的投影寬度算法

步驟4：去除“·”的投影后，車牌字符數(shù)應該為7個，因此，存在

Q

≥7，為了定位整個車牌的左右邊界，令

D

[]表示實際的字符間隔序列模式，則

D

[

s

]=

LL

[

s

+1]-

LR

[

s

]，

s

=1,2,…,

Q

-1，尋找

t

(1≤

t

≤

Q

-6)以滿足下面兩個公式：

(7)

(8)

其中：δ為事先選定的允許誤差，取δ∈[0.1,0.2]，則車牌的左右邊界分別為LL[t]和LR[t+6]，記為PL=LL[t]，PR=LR[t+6]。

至此，車牌定位完成，其上下的像素邊界行號分別為PT、PB，左右邊界的像素邊界列號分別為PL、PR。

4　實驗結果與分析

針對不同光照明暗的情況，選取了500張車牌圖像進行定位實驗，如圖5所示。結果表明，定位成功率在95%以上，尤其是光照偏低的情況仍然能達到這一比例，符合國家關于車牌識別率的要求。

void AdjustProjection(){

for(r=1; r<=Q; r++){

圖5車牌定位實驗結果

Mid=(LR[r]+LL[r])/2;

//計算上下邊界PT和PB之間的Mid列

//的白色像素總數(shù)

Smid=TotalPixels(Mid,PT,PB);

if(Smid>=0.5*Height){//字符”1”

LR[r]=LR[r]+Δ;

LL[r]=LL[r]-Δ;

}else{//字符”.”

LR[r..Q-1]=LR[r+1..Q];

LL[r..Q-1]=LL[r+1..Q];

Q--;

}

}

}

}

5　結束語

本文所提出的車牌定位方法充分考慮到了不同光照條件下采集車牌圖像的情形、字符“1”位置出現(xiàn)的隨機性和寬度的差異性以及字符“.”的不穩(wěn)定性，采用了一種多閾值處理方法來得到最佳的車牌二值圖像，同時對字符之間的間隔距離進行調整，使得間隔特征統(tǒng)一化。該方法的實用性和準確性均能滿足現(xiàn)實的需要。

[1] 卓均飛，胡煜.基于邊緣檢測和投影法的車牌定位算法研究[J].科技通報，2010，26(3)：438-441.

[2] 劉濛，吳成東，樊玉泉,等.復雜背景圖像中的車牌定位算法[J].中國圖象圖形學報A，2010，15(9)：1357-1362.

[3] 朱成軍，蒲菊華，高磊,等.基于Tophat變換和文字紋理的車牌定位算法[J].北京航空航天大學學報，2008，34(5)：541-545.

[4] 李剛，曾銳利，林凌，等.基于數(shù)學形態(tài)學的車牌定位算法[J].儀器儀表學報，2007，28(7)：1323-1327.

[5] 李文舉，梁德群.基于邊緣顏色對的車牌定位新方法[J].計算機學報，2004，27(2)：204-208.

[6] 鄭成勇.一種RGB顏色空間中的車牌定位新方法[J].中國圖象圖形學報A，2010，15(11)：1623-1628.

[7] 馬永一，宋錚，丁勇.小波變換在車牌定位算法中的應用[J].交通與計算機，2008，26(140)：65-68.

[8] 路小波，張光華.基于二值圖像的車牌精確定位方法[J].東南大學學報(自然科學版)，2005，35(6)：972-974.

[9] 付煒，趙正剛，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，2008，31(3)：61-65.

A Method of Car License Plate Location Based on Gray Beep and Char Interval Mode

Gao Fei,Mei Kaicheng,Han Zhengao,Lu Shufang,Xiao Gang

(College of Computer Science and Technology,Zhejiang University of Technology,Hangzhou310023,China)

Car license plate location is first step of car license plate auto-recognition,how to consider the light conditions is one of the keys whether or not the car license plate can be located successfully. First,a muti-threshold method was employed to obtain the optimal binaryzation image according to different lighting conditions. Second,gray beep was facilitated to determine upper and lower edges of the car license plate. Third,left and right edges of the car license plate were located and then,the full location of car license plate can be finished. Finally,the proposed method was verified through experiment.

car license plate location; multi-threshold binaryzation; the gray beep; projection adjusting

1671-4598(2016)04-0219-03DOI：10.16526/j.cnki.11-4762/tp.2016.04.063

TP273

A

2015-10-26；

2015-12-02。

國家自然科學基金資助項目(C12412135,61402410);浙江省自然科學基金資助項目(LY13F020029,LQ14F020004)。

高飛(1974-)，男，四川鄰水人，博士，教授，博士生導師，主要從事計算機視覺與圖像處理方向的研究。