華南師范大學(xué)物理與電信工程學(xué)院 王曉磊

基于多閾值與區(qū)域生長的車牌定位算法

華南師范大學(xué)物理與電信工程學(xué)院 王曉磊

車牌定位就是在圖像中把車牌所在區(qū)域標(biāo)記或分割出來，是車牌識(shí)別的主要解決問題之一。本課題對(duì)基于顏色定位和閾值處理的研究，本文提出了方法采用自動(dòng)調(diào)節(jié)閾值的方法，選取合理利用閾值，得到二值圖，然后檢測(cè)字符水平邊緣變化率剔除背景無關(guān)的行圖像，然后根據(jù)顏色、形狀和字符分布建立簡便顏色模型利用區(qū)域生長算法進(jìn)一步精確定位，進(jìn)而實(shí)現(xiàn)定位。

車牌定位；二值化；閾值；區(qū)域生長

1.引言

在我國汽車車牌種類可分為黑牌、藍(lán)牌、黃牌和白牌。其中藍(lán)牌車牌有以下基本特征：

（1）固定長寬比，其長寬比為3.114:1；

（2）字符大小一致，間隔分布均勻；

（3）內(nèi)容格式相同；從左至右第一個(gè)字符為省（直轄市）簡稱，第二個(gè)是表明所屬省市順序的字母，后五位由數(shù)字和字母組成，如果忽略中間分割點(diǎn)，第二個(gè)字母與后面部分距離稍大；

（4）從車牌位置來講，車牌大都安裝在車輛中下部。并且分別位于車輛前后兩個(gè)方位。此外車牌還有一個(gè)顯著特征：字符與背景顏色對(duì)比十分明顯，在正常情況下，無論彩色圖還是灰度圖特征也十分明顯。

根據(jù)以上特征，學(xué)者提出了不同的算法，例如，文獻(xiàn)[1]張浩鵬，王宗義在基于灰度方差和邊緣密度的車牌定位算法一文利用車牌灰度特征和邊緣密度實(shí)現(xiàn)車牌定位，文獻(xiàn)[2]羅金凱在基于顏色劃分的車牌識(shí)別研究一文中介紹并改進(jìn)了基于顏色的定位算法，文獻(xiàn)[3]劉智勇，劉迎建的車牌識(shí)別（LPR）中的圖像提取及分割提出一種變換函數(shù)突出牌照固有特征從而進(jìn)行車牌提取，在文獻(xiàn)[4]圖像識(shí)別與項(xiàng)目實(shí)踐：VC++、MATALAB技術(shù)實(shí)現(xiàn)中的汽車牌照識(shí)別系統(tǒng)中，介紹了一種定位方法，步驟是：汽車圖像二值化、去噪、橫向與縱向掃面定位。其中二值化算法是從灰度化圖像中粗略選取車牌容易出現(xiàn)的區(qū)域，求出指定區(qū)域內(nèi)所有像素點(diǎn)的總和，然后求出平均值T，然后以此作為閾值，將灰度圖二值化。本方法簡便、快速，對(duì)于背景簡單的汽車圖像效果很好，但是粗略估算選取的閾值在復(fù)雜背景下車牌區(qū)域有可能未被選中效果不理想。

本文為了解決以上問題，提出新的解決方案。本方案將二值圖像素變化率檢測(cè)與車牌顏色檢測(cè)結(jié)合，采用自適應(yīng)閾值處理，避免閾值處理這一難題，檢測(cè)字符邊緣水平變化率，排除不可能的區(qū)域，再利用車牌形狀、顏色和字符等特征進(jìn)一步縮小范圍，選出最符合車牌特征的區(qū)域，最后根據(jù)車牌長寬比驗(yàn)證去除不含車牌的區(qū)域。

2.過程原理

本方案采取8bit的RGB圖像作為源圖像，檢測(cè)對(duì)象是常見的藍(lán)白7字符車牌。整個(gè)過程大致包含預(yù)處理、二值化處理、二次定位三個(gè)步驟。預(yù)處理是將彩色圖轉(zhuǎn)化為灰度圖；二值化是將第一步的灰度圖采用多閾值方法二值化得到二值圖；二次定位分兩步，第一次定位根據(jù)字符特征水平灰度值變化率找出車牌所在行，第二次根據(jù)其顏色特征排除多余列和長寬比驗(yàn)證，進(jìn)而定位出車牌。

圖1 車牌定位原理圖

預(yù)處理有兩部分：增加對(duì)比度和灰度轉(zhuǎn)化。由于天氣和環(huán)境影響采集的圖像對(duì)比度較小，增加對(duì)比度可以很好增加車牌與背景的差值，有利于閾值處理。

接下來需要將彩色圖轉(zhuǎn)化為灰度圖像，RGB與灰度圖轉(zhuǎn)化采用經(jīng)典公式：

其中，Gray 是轉(zhuǎn)化后灰度圖的值，R、G和B分別是對(duì)應(yīng)紅、綠和藍(lán)3個(gè)通道對(duì)應(yīng)的值。

2.1 二值化處理

二值化處理就是將源圖像根據(jù)某種映射關(guān)系將像素值轉(zhuǎn)化為比較簡單的形式。顯然，對(duì)于車牌定位，最理想的情況是將字符與車牌背景完全分離，這樣字符特征可以完整保留，這種二值化有很大優(yōu)勢(shì)：在8位灰度圖中，每個(gè)像素點(diǎn)值取值范圍[0，255]，而在二值圖中只有兩種，大大濾除無關(guān)部分，使圖像結(jié)構(gòu)大大簡化，處理會(huì)更加簡單。在二值化過程中，選取合適的映射法則無疑是很重要的，通常處理方式是選取某個(gè)特定的閾值，以此閾值為界將像素值分為黑和白兩種，得到二值圖。在車牌的灰度圖（圖2 左）中可以看出，的確存在這樣的某些“閾值”可以完美地將字符和車牌分離，但是對(duì)于復(fù)雜背景下（圖2 右），或者車牌區(qū)域占整幅圖的比例較小情況下，導(dǎo)致車牌特征被掩蓋。這時(shí)候選取閾值很困難的，為了克服這種問題，采取多閾值的方式。選取灰度圖像中央3/5區(qū)域，求其灰度平均值，作為閾值處理的初始值T0，采用中間3/5區(qū)域而不采取整個(gè)圖像的原因有兩點(diǎn)：（1）減少計(jì)算量；（2）車周圍往往有很多無關(guān)物體。例如：天空、馬路和人等，這樣減少周圍物體的干擾。由于實(shí)際環(huán)境光線、干擾物和相機(jī)的影響，此初始值并不一定是最佳值。設(shè)定一個(gè)偏移量T，使閾值在此平均值的一定范圍(T0-T,T0+T)內(nèi)變化，步長為5，直到找到比較合適分割值，t=T0-T+5*n(n

圖2 左圖是車牌局部及直方圖，右圖是整體圖及其直方圖

2.2 車牌定位

首先根據(jù)車牌字符邊緣特征一次定位。車牌字符與背景明顯差別，每一筆畫在水平方向至少出現(xiàn)兩次突變，7個(gè)字符至少出現(xiàn)14次，對(duì)每一次得到閾值圖逐行掃描，保留超過14次灰度變化的行，相鄰的行合并，設(shè)定車牌豎直高h(yuǎn),滿足9pixels

對(duì)上一步得到的每一個(gè)區(qū)域映射到RGB原圖中，找到相同位置的圖像。此時(shí)圖像在上一步行掃描后，排除了無關(guān)行圖像，這一步只需檢測(cè)無關(guān)的列圖像即可，這是第二次定位。為此，采用車牌顏色特征模型并進(jìn)行區(qū)域生長的方法[5]。根據(jù)顏色模型和比例甄別和確定邊界。

在RGB色彩模型中，設(shè)藍(lán)色分量值VB，綠色分量VG，紅色分量VR。純的白色或灰色是由等量的VB、VG和 VR組成；三者均值越小，飽和度越低，等于0時(shí)為黑色，等于255時(shí)為白色。純的藍(lán)色是由VB組成，值越大，飽和度越高，實(shí)際車牌圖像中，由于車牌磨損或環(huán)境的影響，會(huì)有少量的VG和 VR分量，而且本文假設(shè)VG和 VR分量相差不大。

從圖像中選取可靠的特征點(diǎn)，確定藍(lán)色和白色兩種關(guān)系模型：對(duì)于藍(lán)色，同一車牌的B分量的分布有一定的規(guī)律，B分量值滿足Bmin

最后根據(jù)長寬比驗(yàn)證是否滿足要求，排除“假車牌”區(qū)域，準(zhǔn)確定位出車牌所在區(qū)域。

3.程序設(shè)計(jì)與驗(yàn)證

綜合以上算法思路，使用Microsoft Visual Studio開發(fā)工具，采用了跨平臺(tái)計(jì)算機(jī)視覺庫OpenCV實(shí)現(xiàn)。簡略流程圖如下：將讀取的源圖像imgsrc轉(zhuǎn)化為灰度圖imggray。按照上一節(jié)方法得到初始閾值T0，根據(jù)RGB的灰度轉(zhuǎn)化公式以及車牌顏色特點(diǎn)，可知，轉(zhuǎn)化灰度值時(shí)，藍(lán)色分量權(quán)重最小，綠色和紅色分量權(quán)重大于綠色權(quán)重的2倍，就使得車牌背景灰度值較低，字符較亮，選取閾值偏移量T=30，然后根據(jù)閾值得出二值圖binary-img_n.經(jīng)過定位排除多余部分得到imgroi,最后一步根據(jù)車牌長寬是否與3:1接近以此排除非車牌區(qū)域，分割出真正車牌。

圖3 定位程序流程示意圖

為了驗(yàn)證算法，本文測(cè)試圖像源于網(wǎng)上隨機(jī)選取和多種環(huán)境下現(xiàn)場(chǎng)拍攝。如圖4所示，是一幅含有“浙F79W39”的藍(lán)色車牌的圖像，經(jīng)過定位準(zhǔn)確分割出所在區(qū)域。通過對(duì)余圖像測(cè)試，本算法平均耗時(shí)低于300ms，能夠滿足定位需要，證明了算法可行性。

圖4 左圖是源RGB彩色圖像，右圖是經(jīng)過增加對(duì)比度后的圖

圖5 左圖是轉(zhuǎn)化后的8位灰度圖，右圖是在多閾值轉(zhuǎn)化的二值圖中的一幅

圖6 左圖是經(jīng)過一次定位后映射到彩色圖中的部分，右圖是經(jīng)過區(qū)域生長得到車牌區(qū)域

4.本文總結(jié)

本文采取了獨(dú)特的多閾值處理并建立車牌特征模型進(jìn)行區(qū)域生長的處理的方式。充分利用車牌特征，保證較高準(zhǔn)確率同時(shí)提高了抗干擾和效率。克服2個(gè)問題：

（1）二值化過程中閾值選擇的難題，由于圖像的多樣性，單一閾值很難應(yīng)用與不同條件下的情況；

（2）如果直接對(duì)整幅圖利用顏色模型，彩色RGB是3通道，直接計(jì)算，數(shù)據(jù)量很大，本文利用前期閾值排除了大部分區(qū)域，建立的模型簡單，降低處理難度。通過實(shí)驗(yàn)測(cè)試，得到比較好的效果，證明了算法可行性。

[1]張浩鵬,王宗義．基于灰度方差和邊緣密度的車牌定位算法[J]．儀器儀表學(xué)報(bào),2001,32(5)．

[2]羅金凱．基于顏色劃分的車牌識(shí)別研究[D]．湖南:中南林業(yè)科技大學(xué),2012．

[3]劉智勇,劉迎建．車牌識(shí)別(LPR)中的圖像提取及分割[J]．中文信息學(xué)報(bào),2000,14(4)．

[4]楊淑瑩．圖像識(shí)別與項(xiàng)目實(shí)踐:VC++、MATALAB技術(shù)實(shí)現(xiàn)[M]．北京:電子工業(yè)出版社,2014．

[5]楊帆,王志陶,張華編著．精通圖像處理經(jīng)典算法 MATLAB版[M]．北京:北京航空航天大學(xué)出版社,2014．

王曉磊（1992—），男，河南安陽人，華南師范大學(xué)物理與電信工程學(xué)院碩士研究生，研究方向：智能儀器，圖像處理。