馬飛

（無(wú)錫工藝職業(yè)技術(shù)學(xué)院 電子信息系，江蘇 宜興214206）

一種基于小波變換和Tophat變換的車(chē)牌定位算法

馬飛

（無(wú)錫工藝職業(yè)技術(shù)學(xué)院 電子信息系，江蘇 宜興214206）

針對(duì)現(xiàn)有車(chē)牌定位系統(tǒng)中采集到的圖像質(zhì)量較低的特點(diǎn)，提出了一種基于小波變換和Tophat變換的車(chē)牌定位算法來(lái)增強(qiáng)圖像對(duì)比度、抑制背景以提高車(chē)牌識(shí)別的準(zhǔn)確率。首先，以小波變換為工具，結(jié)合反銳化掩模（UM）方法，使得車(chē)牌圖像的整體對(duì)比度得到有效增強(qiáng)；其次，對(duì)圖像進(jìn)行二值化操作和連通域分析；接著，利用中低頻描繪子重構(gòu)VPM；最后，結(jié)合部分中低頻描繪子和統(tǒng)計(jì)量組成描述區(qū)域紋理的模式向量，輸入支持向量機(jī)歸類。從實(shí)驗(yàn)和數(shù)據(jù)分析得出，這種新的算法不僅使車(chē)牌圖像的對(duì)比度得到了有效增強(qiáng)，而且使圖像的噪聲得到了明顯的抑制，適用于自然場(chǎng)景中的車(chē)牌識(shí)別。

車(chē)牌定位；小波變換；Tophat變換；圖像對(duì)比度；抑制背景

車(chē)牌自動(dòng)識(shí)別[1-2]是計(jì)算機(jī)視覺(jué)、圖像處理和模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的一項(xiàng)重要研究課題，是實(shí)現(xiàn)交通管理智能化的關(guān)鍵環(huán)節(jié)。車(chē)牌識(shí)別過(guò)程涵蓋了車(chē)牌定位[3-8]、字符分割和字符識(shí)別等關(guān)鍵技術(shù)，車(chē)牌定位是其難點(diǎn)和重點(diǎn)之一，車(chē)牌定位是否準(zhǔn)確，直接影響到最終能否正確識(shí)別車(chē)牌號(hào)碼，文中對(duì)車(chē)牌定位技術(shù)展開(kāi)了深入的研究。

車(chē)牌定位算法[9-13]一般可以劃分為3類：1）基于灰度圖像的算法，該算法主要利用邊緣特征，當(dāng)車(chē)牌圖像光照不均勻，對(duì)比度不高時(shí)，很難準(zhǔn)確定位，誤識(shí)別率較高；2）基于彩色圖像的算法，該算法主要利用顏色特征，當(dāng)車(chē)身顏色與車(chē)牌區(qū)域顏色接近或車(chē)牌褪色時(shí)，需要附加較多判別，你準(zhǔn)確定位，同時(shí)處理速度較灰度圖像慢；3）融合定位算法，該算法綜合利用邊緣、顏色、紋理特征，增加了系統(tǒng)的可靠性，但算法較復(fù)雜。由于基于灰度圖像的方法具有算法簡(jiǎn)單，技術(shù)發(fā)展較成熟等特點(diǎn)，是目前在車(chē)牌定位中應(yīng)用[14-15]較為廣泛的算法之一。圖像紋理特征分析是這類算法的主流，典型方法是邊緣分析，模板匹配，直方圖分析和神經(jīng)網(wǎng)絡(luò)。這些發(fā)方法只有在良好的外部條件下才能獲得較好的檢測(cè)結(jié)果，而一個(gè)成功的識(shí)別系統(tǒng)應(yīng)該能夠在光照變化、視點(diǎn)和距離變化、車(chē)輛運(yùn)動(dòng)、復(fù)雜背景燈情況下繼續(xù)工作。為了使算法具有更好的適應(yīng)性，關(guān)鍵在于：1）增強(qiáng)車(chē)牌文字和背景的對(duì)比度、抑制噪聲和背景目標(biāo)；2）找到一組能描繪車(chē)牌區(qū)域文字紋理特征的模式向量。另外，文獻(xiàn)[1]中提到的車(chē)牌定位方法雖在一定程度上提升了車(chē)牌識(shí)別的效率，但是在光照變化、視角和距離變化、車(chē)輛運(yùn)動(dòng)、復(fù)雜背景等情況下采集到質(zhì)量較差的車(chē)牌圖像時(shí)，該算法的識(shí)別效率顯著降低。據(jù)此，提出了利用小波變換來(lái)增強(qiáng)車(chē)牌圖像對(duì)比度，利用Tophat變換來(lái)抑制背景，利用支持向量機(jī)定位車(chē)牌區(qū)域的算法。該算法在低圖像對(duì)比度、多視角和復(fù)雜場(chǎng)景的車(chē)牌定位中，取得了良好的效果。

1　提出的算法

文中提出的車(chē)牌定位算法的主要改進(jìn)和創(chuàng)新在于圖像預(yù)處理和掃描定位這兩個(gè)環(huán)節(jié)。圖像預(yù)處理分為以下幾個(gè)步驟：小波變換、Tophat變換、二值化和連通域?yàn)V波；掃描定位包括：模式特征向量計(jì)算和分類器歸類。算法的流程圖如圖1所示。

圖1　算法流程圖

1.1圖像預(yù)處理

1）對(duì)比度增強(qiáng)

小波變換的主要著眼點(diǎn)在于設(shè)計(jì)出一種統(tǒng)計(jì)量，使其更加符合圖像對(duì)對(duì)比度增強(qiáng)的要求，可以把該統(tǒng)計(jì)量可分成兩個(gè)部分，分別表示圖像的有效信息和噪聲信息。此算法應(yīng)用小波變換，借助反銳化掩模算法來(lái)得到最終的統(tǒng)計(jì)量用于圖像對(duì)比度增強(qiáng)。

圖像中某一個(gè)灰度值所表達(dá)的信息應(yīng)該由兩部分組成，如式

g為灰度值，I′（g）表示總信息，I（g）表示圖像中的有效信息，N（g）則表示噪聲信息。如果要通過(guò)重新分配灰度級(jí)空間的方法來(lái)達(dá)到對(duì)比度增強(qiáng)的目的，灰度值g所分配的灰度級(jí)空間應(yīng)該與I（g）成正比，與N（g）成反比，這樣才能達(dá)到既增強(qiáng)圖像對(duì)比度，又抑制噪聲，從而提高圖像質(zhì)量的目的。在具體的統(tǒng)計(jì)過(guò)程中，如果該灰度值的信息量越大，且局部的信噪比越高，就應(yīng)該被賦予越大的統(tǒng)計(jì)量。反之，如果該灰度值的信息量越小，且局部的信噪比越低，就應(yīng)該被賦予越小的統(tǒng)計(jì)量。

2）背景抑制

Tophat算子是一種形態(tài)學(xué)算子，其定義在灰度圖像上。假設(shè)，f（x，y）為灰度圖像，b是結(jié)構(gòu)算子，則b對(duì)f（x，y）的開(kāi)運(yùn)算可以定義為

其中Θ和⊕分別為腐蝕和膨脹算子，Tophat變換可以定義為

3）二值化和連通域去噪

圖2　預(yù)處理過(guò)程

Tophat濾波可以使得圖像背景、前景變得簡(jiǎn)潔而均勻，文中采用的二值化方法是基于類間方差最大化的，該二值化方法可以獲得較好的結(jié)果。

車(chē)牌的面積、長(zhǎng)度以及寬度是在相關(guān)法規(guī)中規(guī)定的，因此，可以計(jì)算連通域Ri的前景像素?cái)?shù)Ai和最小外接矩形Bi的高寬（hi，wi），非車(chē)牌目標(biāo)可以按照規(guī)則1以及規(guī)則2更好的消除：

按照上述方法原始圖像中可以濾除那些亮度不均勻以及尺寸較大的部分，然后，圖像背景變得較為簡(jiǎn)單，而且可以更好的增強(qiáng)車(chē)牌區(qū)域的特征。如圖2所示，為預(yù)處理過(guò)程中濾波和連通域分析后的結(jié)果。

1.2車(chē)牌區(qū)域定位

1）紋理向量獲取

車(chē)牌號(hào)碼按照水平方向從左向右進(jìn)行分布，并且車(chē)牌字符的組成較為規(guī)律，由漢字、英文字母以及數(shù)字組成。車(chē)牌進(jìn)行圖像二值化后如圖3所示，黑色部分為車(chē)牌底部，白色部分則是字符部分。垂直投影圖（Verical Projection Map，VPM）是比較好的處理工具，該工具可以描述圖像的亮度等方面的整體特征，還可以通過(guò)波形特征描述圖像的細(xì)節(jié)。目前常見(jiàn)的使用垂直投影圖算法當(dāng)中，都是利用波峰/波谷數(shù)和紋理統(tǒng)計(jì)量進(jìn)行車(chē)牌區(qū)域判定的。但是，對(duì)于存在噪聲的情況，其處理效果不好。紋理向量獲取的重點(diǎn)是降低噪聲的影響：

圖3　車(chē)牌區(qū)域預(yù)處理

將VPM表示為坐標(biāo)對(duì) （0，y0），······，（1，y1），（K-1，yk-1），其中，K用于表示區(qū)域亮度，而VPM也可以表示為一個(gè)序列S（k）={yk}，其中，S（k）的離散余弦變換為

其中，B（u）稱為S（k）的頻域描繪子。上述系數(shù)的離散余弦變換是可逆的，即

假定只是使用前P個(gè)系數(shù)，而不使用所有的系數(shù)，相當(dāng)于在上式中令B（u）=0，u＞p-1，結(jié)果得到S（k）的近似如下：

因?yàn)楦哳l分量可以決定細(xì)節(jié)部分，而低頻分量可以決定總體形狀，因此只需使用前P個(gè)頻域描繪子恢復(fù)S（k），重構(gòu)的RVPM可以采用下面的統(tǒng)計(jì)量進(jìn)行描述：

其三，選修課設(shè)計(jì)不合理。許多獨(dú)立學(xué)院法學(xué)專業(yè)由于受辦學(xué)條件的限制，一是選修課設(shè)計(jì)多以理論類課程為主，職業(yè)技能類課程偏少；二是選修課數(shù)量少，學(xué)分比重小，沒(méi)有體現(xiàn)出與其他普通高校的差異。

①均值m，平均投影值度量：

②標(biāo)準(zhǔn)偏差σ2，平均偏移度度量：

③平滑度R，投影值的相對(duì)平滑度度量：

④三階矩μ3，度量投影值的分布情況；

2）車(chē)牌區(qū)域定位

預(yù)處理后的圖像可以用兩個(gè)矩形窗口進(jìn)行掃描，Window是大矩形窗，Kernel是小舉行窗，綜合考慮計(jì)算復(fù)雜度和精度，滑動(dòng)步長(zhǎng)的單位是4個(gè)像素。步驟如下：

①算出Window的VPM值；

③計(jì)算RVPM1的波峰數(shù)WT和波谷數(shù)WB，假如Wmin＜WT，WB＜Wmax，則計(jì)算VPM’的模式向量x，送入SVM分類器識(shí)別；Kernel并不一定能全部覆蓋大尺寸車(chē)牌的全部區(qū)域，Wmin為4，同時(shí)，考慮漢字中“甘”字等情形，會(huì)產(chǎn)生多個(gè)波峰和波谷，Wmax設(shè)定為10；

④如果Kernel1沒(méi)有到達(dá)Window右側(cè)，重復(fù)步驟2）；否則，如果Window沒(méi)有到達(dá)圖像底部，將Window向下移動(dòng)4個(gè)像素，重復(fù)步驟1）；

⑤對(duì)SVM分類器識(shí)別為車(chē)牌的結(jié)果區(qū)域進(jìn)行合并，得到車(chē)牌區(qū)域。

2　實(shí)驗(yàn)結(jié)果

文中采集500幅車(chē)牌圖像進(jìn)行仿真實(shí)驗(yàn)，所采集的圖像尺寸為2861×2112。經(jīng)過(guò)車(chē)牌定位系統(tǒng)準(zhǔn)確定位493幅，準(zhǔn)確率為98.6%。

2.1角度變化實(shí)驗(yàn)

選取了3幅拍攝角度為0度、30度和60度的車(chē)牌圖像進(jìn)行了仿真分析，如圖4所示為拍攝視角變化的情況下車(chē)牌圖像及檢測(cè)結(jié)果，根據(jù)仿真結(jié)果可以得知，在拍攝視角為0度的時(shí)候，可以清晰的看到仿真的結(jié)果“甘AK8583”，隨后在改變拍攝角度的情況下，后兩幅圖的仿真結(jié)果較0度視角的清晰度有所降低，但是仍然可以獲得清晰的仿真結(jié)果。

圖4　視角變化

2.2距離變化實(shí)驗(yàn)

為了驗(yàn)證距離變化對(duì)算法性能的影響，選取了3幅拍攝距離為1米、3米和9米的圖像進(jìn)行仿真驗(yàn)證，如圖5所示，為距離變化情況下拍攝的車(chē)牌圖像及檢測(cè)結(jié)果，從仿真對(duì)比結(jié)果中可以看出，在距離為1米的情況下，仿真結(jié)果非常良好，可以獲得“甘AH3728”的清晰字樣，在拍攝距離為3米和9米的情況下，仿真結(jié)果較1米的時(shí)候質(zhì)量有所降低，但是變化不是很大，仿真效果較好。

圖5　距離變化

2.3光照強(qiáng)度實(shí)驗(yàn)

在對(duì)拍攝角度變化和距離遠(yuǎn)近這兩種因素進(jìn)行仿真對(duì)比驗(yàn)證之后，分別在強(qiáng)光照和若光照的環(huán)境下，采集兩幅圖像進(jìn)行仿真處理，如圖6為光照變化情況下拍攝的車(chē)牌圖像及檢測(cè)結(jié)果，從對(duì)比圖中可以得知，算法性能在兩種光照情況下性能穩(wěn)定。

圖6　光照變化

實(shí)驗(yàn)結(jié)果表明文中提出的基于小波變換和Tophat變換的車(chē)牌定位算法能夠克服光照變化、視角變化和距離變化的影響，達(dá)到準(zhǔn)確定位車(chē)牌區(qū)域的效果。

3　結(jié)　論

文中提出的算法以小波變換為工具，分別在中頻和高頻區(qū)域統(tǒng)計(jì)了車(chē)牌圖像中的有效信息和噪聲信息，使車(chē)牌圖像中細(xì)節(jié)信息豐富并且信噪比較高的灰度值的統(tǒng)計(jì)量增高，而使那些細(xì)節(jié)信息較少且信噪比較低的灰度值統(tǒng)計(jì)量降低，可以使車(chē)牌區(qū)域內(nèi)部的圖像對(duì)比度得到增強(qiáng)，并且抑制了圖像噪聲；利用Tophat變換來(lái)抑制車(chē)牌圖像中的背景目標(biāo)。通過(guò)對(duì)不同環(huán)境下拍攝的500余幅圖像進(jìn)行試驗(yàn)得知，該方法目標(biāo)定位準(zhǔn)確度超過(guò)98.8%，證明該方法的定位精度很高。

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

[2]羅有敢，楊德貴，莊釗文.時(shí)空域?yàn)V波方法在紅外弱小目標(biāo)檢測(cè)系統(tǒng)中的應(yīng)用 [J].紅外與激光工程，2010，39（3）：571-575.

[3]尚趙偉，國(guó)慶，朱貝貝，等.Top-hat變換在多車(chē)牌定位中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（29）：214-217.

[4]曹剛，游志勝，趙樹(shù)龍.基于小波隱性馬爾可夫樹(shù)模型的車(chē)牌定位[J].電子科技大學(xué)學(xué)報(bào)，2004，33（5）：515-518.

[5]陳方涵，苗華，陳宇，等.基于小波多尺度積的目標(biāo)識(shí)別[J].光學(xué)學(xué)報(bào)，2009，29（5）：1223-1226.

[6]ZHENG D N，ZHAO Y N，WANG J X.An efficient method of license plate location[J].Pattern Recognition Letter，2005，26（15）；2431-2438.

[7]LIU Honghai，HOU Xianghua.The precise location algorithm of license plate based on gray image[C].2012 International Conference on Digital Object Identifier，2012:65-67.

[8]Hsieh C T，Juan Y S，Hung K M.Multiple license plate detection for complex background[C].19th Intnternational ConfferenceonAdvancedInformationNetworkingand Applications，2005:389-392.

[9]楊衛(wèi)平.車(chē)牌目標(biāo)的自動(dòng)定位技術(shù)[J].中國(guó)圖像圖形學(xué)報(bào)，2002，7（8）:835-839.

[10]戚飛虎，趙雪春.基于彩色分割的車(chē)牌自動(dòng)識(shí)別技術(shù)[J].上海交通大學(xué)學(xué)報(bào)，2008，32（10）:4-9.

[11]XIN Fan，GUO Linag-fan，Dequn Liang．Joint segmentation and recognition of license plate characters[C]．IEEE International Conference on Image Processing，2007．Volume 4，1 9 Oct．2007：353-356.

[12]CHENZhenXue，LIUChengYun．Anovelalgorithmof license plates automatic locationBased on texture feature[C]．IEEE International Conference on Automation and Logisties，2009．5-7Aug．2009：1360-1363.

[13]王鑒等.車(chē)牌字符識(shí)別技術(shù)[J].中國(guó)測(cè)試技術(shù)，2005（3）: 132-139.

[14]王冠，敖志剛，劉永躍.基于快速連通域標(biāo)記的車(chē)牌字符分割[J].計(jì)算機(jī)與現(xiàn)代化，2007（6）:345-350.

[15]施鵬飛，郭捷.基于彩色和紋理分析的車(chē)牌定位方法[J].中國(guó)圖像圖形學(xué)報(bào)，2002，7（5）:472-476.

A license plate location algorithm based on wavelet transform and Tophat transform

MA Fei
（Department of Electronic Information，Wuxi Institute of Arts and Technology，Yixing 214206，China）

The quality of collected image of existing license plate positioning system is low.A new license plate location algorithm based on wavelet transform and Tophat transform is proposed，which can be used to enhance image contrast、suppress background and improve the accuracy of license plate recognition.Firstly，by means of wavelet transform，combined with the unsharp masking（UM）method，the overall contrast of the license plate image is enhanced effectively.Secondly，operate the image binarization and analyse connected domain.Again，using low frequency descriptors restructure VPM.Finally，combining with the part of low frequency to describe texture pattern and statistic description area vector，input support vector machine （SVM）classification.From the experiment and data analysis，the new algorithm not only makes the license plate image contrast enhanced effectively，but also makes the image noise relatively obvious inhibition，and is applicable to the license plate recognition in natural scene.

license plate location；wavelet transform；tophat transform；image contrast；inhibition of background

TN 91

A

1674－6236（2016）22-0118-04

2015-11-19稿件編號(hào)：201511187

2015年江蘇省高等學(xué)校大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（15012Y）

馬飛（1985—），男，山西太原人，碩士，助教。研究方向：智能信息處理、RFID系統(tǒng)、智能交通系統(tǒng)、服務(wù)型移動(dòng)機(jī)器人控制。