葛艷陳晨

（青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院　青島　266061）

1　引言

隨著人工智能技術(shù)的飛速發(fā)展，人們將人工智能應(yīng)用在各個行業(yè)中。在智能交通領(lǐng)域，車牌識別成為當(dāng)前爭相研究的熱門方向。車牌定位是車牌識別的重要前提和關(guān)鍵步驟。在復(fù)雜的背景中準(zhǔn)確定位到車牌位置，是成功識別車牌的重要前提，對最終車牌識別的效果有著至關(guān)重要的影響。

在車牌定位方面，已經(jīng)有很多學(xué)者都做了相關(guān)方向的研究，并提出了一些算法。基于邊緣檢測的方法［1～2］，通過檢測車牌的邊緣特征定位車牌，但由于有些汽車前臉柵欄有很多垂直或水平邊緣，因此會影響定位成功率。基于神經(jīng)網(wǎng)絡(luò)的方法［3～4］，需要選取訓(xùn)練樣本，對圖像采用BP算法進(jìn)行訓(xùn)練，獲得有效的網(wǎng)絡(luò)權(quán)值。再用BP神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行感知，該方法能夠取得較好定位效果，但耗費的時間較長?；诩y理的分割方法［5～6］，這種方法主要利用車牌區(qū)域水平方向的紋理特征進(jìn)行分割，包括小波紋理、水平梯度差分紋理等。此種方法定位成功率不高，因為車牌圖像中很可能不止一個區(qū)域具有車牌區(qū)域的紋理特征，難以準(zhǔn)確找到車牌位置，而且對車牌傾斜度有要求，傾斜度過大時，車牌定位效果明顯下降。

根據(jù)我國發(fā)布的《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)》（GA36-2007），我國的機動車號牌分為大型汽車號牌、小型汽車號牌、警用汽車號牌、使館汽車號牌等19種。大型汽車號牌前車牌是黃底黑字黑框線的車牌；小型汽車號牌是藍(lán)底白字白框線的車牌；警用汽車車牌是白底黑字，紅“警”字黑框線車牌。它們的尺寸大小都是440mm×140mm。本文采用的方法可以對大型汽車號牌、小型汽車號牌、警用汽車號牌及使館汽車號牌進(jìn)行定位。

基于以上分析，為了能識別不同顏色的車牌，本文提出了一種基于最大極值穩(wěn)定區(qū)域的車牌文字定位和顏色檢測的車牌區(qū)域粗選方法，并與支持向量機算法相結(jié)合實現(xiàn)車牌精確定位方法。通過文字定位結(jié)果、顏色與寬高比來選取車牌候選區(qū)域，最后使用支持向量機完成車牌的精確定位。通過對不同顏色的多車牌圖片的車牌定位，驗證算法的有效性。

2　基于文字定位和顏色檢測的車牌候選區(qū)域定位方法

本文使用多種算法融合的方法來選取車牌候選區(qū)域，首先使用基于最大極值穩(wěn)定區(qū)域的文字定位方法來粗選車牌，在此基礎(chǔ)上采用顏色檢測方法進(jìn)一步實現(xiàn)車牌粗選。

2.1　基于文字定位的車牌粗選方法

最大極值穩(wěn)定區(qū)域（maximally stable extremal regions，MSER）是一種仿射特征區(qū)域提取算法。首先將彩色圖像轉(zhuǎn)換為灰度圖像，然后對灰度圖像采用不同的閾值進(jìn)行二值化操作，將灰度值大于或等于閾值的像素點置為白色，將小于閾值的像素點置為黑色。隨著閾值從0～255不斷增大，圖像會形成閉合區(qū)域，區(qū)域面積變化不超過一定的閾值，則認(rèn)為該區(qū)域是最大極值穩(wěn)定區(qū)域［7］。

MSER的數(shù)學(xué)定義如下：

1）圖像I是一個映射，I：D?Z2→S，且滿足以下條件：

（1）S是全序的，S=｛0，1，2，…，255｝。

2）區(qū)域Q是D的一個連續(xù)子集，對于任意的p，q∈Q，都存在一個連通路徑 p，a1，a2，a3…an，q，使得 pAa1…aiAai+1…anAq。

3）區(qū)域 q的邊界?Q：Q=｛q|q∈DQ，?p∈Q，qAp｝，?Q是與Q內(nèi)至少一個像素相鄰，但不屬于Q的像素集合。

4）極值區(qū)域Q?D：對于所有p∈Q，q∈?Q，滿足 I（p）＞I（q）（最大極值區(qū)域）或者 I（p）＜I（q）（最小極值區(qū)域）的區(qū)域。

5）最大極值穩(wěn)定區(qū)域MSER：設(shè)Q1，…，Qi-1，Qi，…為嵌套極值區(qū)域（Qi?Qi+1）的一個序列。如果穩(wěn)定性方程 q（i）=|Qi+ΔQi-Δ|/|Qi|在 i*出存在局部最小值，那么極值區(qū)域Qi*就是極值區(qū)域，i*為極值區(qū)域的某一層，|.|為集合的勢，Δ∈S為參數(shù)。

最大極值穩(wěn)定區(qū)域提取步驟如下：（1）將彩色圖片轉(zhuǎn)換為灰度圖片；（2）使用0～255之間的每一個灰度閾值對圖像進(jìn)行二值化處理；（3）檢測每個灰度閾值獲取的二值圖像，將灰度值大于等于閾值的點標(biāo)記為白色，小于閾值的點置為黑色，得到圖像的白色連通區(qū)域；（4）當(dāng)灰度閾值不斷變化的過程中，白色連通區(qū)域變化小于Δ的區(qū)域就是MSER［8］。

圖1（b）是經(jīng)過算法提取后的MSER區(qū)域。首先求這些提取區(qū)域的最小外接矩形，并計算這些外接矩形的尺寸，去除與車牌文字尺寸不符的區(qū)域。然后尋找尺寸相差不大并且相鄰的矩形，如果能找到七個這樣的矩形，那么這七個矩形組成的區(qū)域就是車牌的區(qū)域。

2.2　基于顏色檢測的車牌粗選方法

在數(shù)字圖像處理中經(jīng)常會使用RGB顏色模型和HSV顏色模型。在RGB顏色模型中，紅色、綠色和藍(lán)色三種顏色分量的亮度值疊加表示一個像素值，環(huán)境的光照強度會直接影響這三種顏色的亮度值，這三種亮度值會隨著光照強度變化而發(fā)生改變。所以，基于顏色的車牌定位很難在RGB顏色模型下完成。而在HSV顏色模型中，用色度、飽和度和亮度三個分量來表示一個像素的顏色特征。亮度分量僅含有亮度信息，沒有顏色信息。因此，可以排除亮度對顏色的影響，只使用色度和飽和度兩個分量來檢測顏色，以查找車牌區(qū)域。因此，使用HSV模型可以在不同的光照條件下完成對車牌的定位。

設(shè)r，g，b分別是一個像素的紅、綠、藍(lán)三個分量的值，它們的值是在0～1之間的實數(shù)，max為r，g，b中的最大值，min為這些值中的最小值［9］。則從RGB到HSV的轉(zhuǎn)換公式可以用以下公式表示：

在我國，常見的車牌底色有藍(lán)色、黃色、白色、黑色四種，不同顏色的HSV閾值范圍如表1所示。在HSV顏色空間中使用S和V兩個分量能匹配出白色區(qū)域，可以用來識別警用汽車號牌；使用V分量能匹配出黑色區(qū)域，可以匹配使領(lǐng)館汽車號牌；使用H和S兩個分量可以匹配出藍(lán)色和黃色區(qū)域，來識別大型汽車號牌、小型汽車號牌。例如，通過黃色模板來對圖片中的像素進(jìn)行逐個匹配，當(dāng)顏色模板的數(shù)值能匹配圖片中的像素時，則將該像素值設(shè)為1，將不匹配的像素值設(shè)為0。匹配完成后，能得到一張包含多個車牌信息的二值圖。

表1　HSV閾值范圍

2.3　車牌候選區(qū)的形態(tài)學(xué)和矯正操作

形態(tài)學(xué)運算包括二值腐蝕和膨脹、二值開閉運算等。腐蝕操作可以消除物體邊界點，使邊界向內(nèi)部收縮。膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張。開運算是先腐蝕后膨脹的過程，用來消除細(xì)小的噪聲、平滑較大物體的邊界，同時其面積并不明顯改變。閉運算是先膨脹后腐蝕的過程，用來填充物體內(nèi)細(xì)小空洞、平滑邊界，同時其面積并不明顯改變。

為了使車牌定位更加準(zhǔn)確，本文對基于文字定位和顏色定位檢測出的車牌候選區(qū)域做閉運算處理，使原本不連續(xù)的車牌區(qū)域變成一塊連同區(qū)域。

閉運算處理具體算法如下：設(shè)有圖像A，B是一個合適的結(jié)構(gòu)元素，先讓A被結(jié)構(gòu)元素B膨脹，再利用A對B進(jìn)行腐蝕操作，這兩步的目的是將目標(biāo)周圍的噪聲去除；然后繼續(xù)利用B對A進(jìn)行腐蝕操作，最后利用B對A進(jìn)行膨脹操作，這兩步的目的是將目標(biāo)內(nèi)部的噪聲去除［6］。

閉運算處理具體算法如下：

1）設(shè)有圖像A，B是一個合適的結(jié)構(gòu)元素，先利用式（4）實現(xiàn)A被結(jié)構(gòu)元素B膨脹，再利用式（5）實現(xiàn)A對B進(jìn)行腐蝕操作，這兩步的目的是將目標(biāo)周圍的噪聲去除。

2）為了將目標(biāo)內(nèi)部的噪聲去除繼續(xù)，利用B對A進(jìn)行腐蝕操作，最后利用B對A進(jìn)行膨脹操作［10］。

經(jīng)過閉運算處理后，可以從圖片中定位出候選車牌區(qū)域，但是候選車牌區(qū)域可能存在有較大的傾角，所以需要對候選車牌區(qū)域角度進(jìn)行矯正，以便獲取角度正常的字符來進(jìn)行字符的識別處理。

候選車牌區(qū)域傾斜矯正步驟如下：

1）首先，通過閉運算處理之后的二值圖，逐個求出圖中連通區(qū)域最小外接矩形，并計算最小外接矩形的傾斜角度。

2）如果傾斜角度在-5°～5°之間的圖片，則直接輸出圖片。

3）對于角度在 5°～50°和-5°～-50°的車牌，先調(diào)整圖片角度。

4）調(diào)整角度后，將圖片二值化，獲取二值化后區(qū)域三個頂點的坐標(biāo)，通過仿射變換將該區(qū)域矯正成一個矩形，再將結(jié)果輸出。

在輸出結(jié)果時，將圖片進(jìn)行歸一化處理，變成寬150像素，高40像素的圖片。

3　基于SVM的車牌精確定位方法

由于基于顏色的定位會受到與車牌顏色相近的物體的干擾（如圖2（a）所示），基于邊緣檢測的定位會受到汽車車燈等一些邊緣信息與車牌相近的物體干擾（如圖2（b）所示），影響最終的定位效果。所以引入支持向量機（SVM）來對上面粗選出的候選車牌區(qū)域進(jìn)行判別。

支持向量機是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法，其采用結(jié)構(gòu)風(fēng)險最?。⊿ructuralRisk Min-imization，簡稱SRM）原則替代傳統(tǒng)的經(jīng)驗風(fēng)險最?。‥mpiricalRiskMinimization，簡稱ERM）原則進(jìn)行分類，從而保證了算法具有較強的泛化能力。SVM的訓(xùn)練過程實際上等價于求解一個線性約束的二次規(guī)劃問題，其目標(biāo)是在訓(xùn)練樣本集中尋找一個最優(yōu)的超平面，將樣本數(shù)據(jù)最大限度地分開，使兩類數(shù)據(jù)之間的邊界最大且分類誤差最小，且能保證得到的解為全局最優(yōu)解。

圖2　干擾車牌定位的因素

在本文中使用圖像的直方圖特征作為支持向量機的輸入特征，輸入的特征維度是190。直方圖特征的特征量豐富，適用于支持向量機分類，有利于車牌的準(zhǔn)確定位。

1）首先，將輸入的圖像進(jìn)行二值化處理。

2）統(tǒng)計圖像中一行元素中為1的數(shù)目，輸入的圖像共40行，得到40個數(shù)據(jù)。

3）再統(tǒng)計圖像中一列元素中為1的數(shù)目，輸入圖像有150列，得到150個數(shù)據(jù)。

4）將第二步與第三步得到的這些數(shù)據(jù)作為SVM的輸入特征，輸入特征維度為190。

本文使用1000個車牌圖像及500個非車牌圖像對支持向量機進(jìn)行訓(xùn)練。

4　實驗結(jié)果

為了檢測本文方法的有效性，本文分別選取了含有兩個車牌和三個車牌的圖像進(jìn)行了多車牌定位測試，以及警用汽車號牌及使館汽車號牌進(jìn)行了白色及黑色車牌定位測試。通過本文提出的方法，對含有三個車牌的圖像（圖3）定位出車牌圖片如圖4所示。對兩個車牌的圖像（圖5）定位出車牌圖片如圖6所示。對白色車牌圖像（圖7）定位出車牌圖片如圖8所示。對黑色車牌圖像（圖9）定位出車牌圖片如圖10所示。

圖3　測試圖片

圖4　三個車牌定位結(jié)果

圖5　測試圖片

圖6　兩個車牌定位結(jié)果

圖7　測試圖片

圖8　白色車牌定位結(jié)果

圖9　測試圖片

圖10　黑色車牌定位結(jié)果

實驗表明，本文算法能對黃色、藍(lán)色、白色、黑色車牌進(jìn)行識別，對于多車牌圖像中車牌的定位的準(zhǔn)確率能達(dá)到97%以上。

5　結(jié)語

本文提出基于文字定位、顏色檢測和支持向量機的多車牌定位方法，能從復(fù)雜背景中將待識別的多個車牌較準(zhǔn)確的定位和截取。該方法首先使用文字定位和顏色檢測兩種方法粗選車牌候選區(qū)域，其次對車牌候選區(qū)域進(jìn)行形態(tài)學(xué)和傾斜矯正處理，最后提取車牌候選區(qū)域特征信息利用SVM精確定位車牌區(qū)域。實驗結(jié)果表明，本文所用綜合方法能排除背景干擾，對不同顏色車牌定位效果和成功率較高。

［1］李文舉，梁德群，張旗，等.基于邊緣顏色對的車牌定位新方法［J］.計算機學(xué)報，2004，27（2）：204-208.LIWenju，LIANG Dequn，ZHANG Qi，etal.A Novel Approach for Vehicle License Plate Location Based on Edge-Color Pair［J］.Chinese Journal of Computers，2004，27（2）：204-208.

［2］郭延祥，陳耀武.基于邊緣檢測和顏色紋理直方圖的車牌定位方法［J］.計算機科學(xué)與探索，2014，8（6）：719-726.GUO Yanxiang，CHEN Yaowu.Vehicle License Plate Location Method Based on Edge Detection and Color-Texture Histogram［J］.Journal of Frontiers of Computer Science&Technology，2014，8（6）：719-726.

［3］張燕，任安虎.多特征與BP神經(jīng)網(wǎng)絡(luò)車牌識別系統(tǒng)研究［J］.科學(xué)技術(shù)與工程，2012，12（22）：5644-5648.ZHANG Yan，REN Anhu.Research on Multiple Feature and BPNeural Network Licence Plate Recognition System［J］.Science Technology and Engineering，2012，12（22）：5644-5648.

［4］張冠華.一種基于神經(jīng)網(wǎng)絡(luò)的車牌識別方法的實現(xiàn)［D］.長春：吉林大學(xué)，2016.ZHANG Guanhua.An Implementation of License Plate Recognition Method Based On Neural Network［D］.Changchun：Jilin University，2016.

［5］郭捷，施鵬飛.基于顏色和紋理分析的車牌定位方法［J］.中國圖象圖形學(xué)報，2002，7（5）：472-476.GUO Jie，SHIPengfei.Color and Texture Analysis Based Vehicle License Plate Location［J］.Journal of Image And Graphics，2002，7（5）：472-476.

［6］王琳.基于模糊聚類汽車牌照分割算法的設(shè)計與實現(xiàn)［D］.濟：山東大學(xué)，2015.WANG Lin.The Design and Accomplishment of Segementation Algorithm of Car License Plate based on Fuzzy ClusteringMethod［D］.Jinan：Shandong University，2015.

［7］戴津.基于MSER的文本檢測方法研究［D］.天津：天津師范大學(xué)，2014.DAIJin.The Text Detction Research Based on Maximally Stable Extremal Region［D］.Tianjin：Tianjin Normal University，2014.

［8］高士林，吉立新，李紹梅，等.基于MSER擬合橢圓的快速場景文本定位算法［J］.計算機工程與設(shè)計，2015，36（3）：693-698，720.GAO Shilin，JILixin，LIShaomei，etal.Fast scene-text localization algorithm based on MESR's fitting ellipse［J］.Computer Engineering and Design， 2015，36（3）：693-698，720.

［9］譚同德，王三剛.基于OpenCV的車牌定位方法［J］.計算機工程與設(shè)計，2013，8（34）：2816-2820.TAN Tongde，WANG Sangang.Mothed of vehicle license plate location based on OpenCV［J］.Computer Engineering and Design，2013，8（34）：2816-2820.

［10］王慧鋒，戰(zhàn)桂禮，羅曉明.基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測算法研究及應(yīng)用［J］.計算機工程與應(yīng)用，2009，45（9）：223-225.WANG Huifeng，ZHAN Guili，LUO Xiaoming.Research and application of edge detection operator based onmathematicalmorphology［J］.Computer Engineering and Applications，2009，45（9）：223-225.