郭海富 帥鵬舉 王霞

【摘 要】為實(shí)現(xiàn)車牌的準(zhǔn)確定位，本文提出了一種基于車牌顏色和邊緣信息結(jié)合的車牌定位方法。該方法包括預(yù)處理、顏色特征提取、邊緣與顏色特征融合，車牌候選區(qū)域篩選四個(gè)步驟。其二值化使用了一種對(duì)光照不敏感的基于顏色特征的方法，解決了車牌區(qū)域?qū)庹兆兓舾械膯?wèn)題。通過(guò)模擬實(shí)驗(yàn)，使用不同光照、不同尺寸、不同背景下的130張圖片進(jìn)行車牌定位實(shí)驗(yàn)，定位成功率超過(guò)95%。

【關(guān)鍵詞】車牌定位；顏色信息；數(shù)學(xué)形態(tài)學(xué)；邊緣檢測(cè)

中圖分類號(hào)： TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)：2095-2457（2018）05-0198-002

【Abstract】In order to achieve the accurate positioning of license plates， this paper proposes a license plate location method based on the combination of license plate color and edge information. The method includes four steps： preprocessing， color feature extraction， edge and color feature fusion， and license plate candidate area screening. The binarization uses a method based on color features that is insensitive to light， and solves the problem of license plate area sensitivity to light changes. Through simulation experiments， 130 license plate images with different lighting， different sizes， and different backgrounds were used to perform license plate positioning experiments. The success rate of positioning was over 95%.

【Key words】License plate location； Color information； Mathematical morphology； Edge detection

0 引言

近年來(lái)，隨著國(guó)內(nèi)外汽車擁有量的增長(zhǎng)，停車難已經(jīng)成為亟待解決的一大社會(huì)問(wèn)題，車牌自動(dòng)識(shí)別系統(tǒng)已經(jīng)成為未來(lái)智能交通的重要研究課題。車牌定位作為車牌識(shí)別三大關(guān)鍵技術(shù)之一，在整個(gè)車牌識(shí)別系統(tǒng)中占有核心地位，直接影響車牌識(shí)別的成敗。

目前主要的定位算法有：基于顏色特征[5]、基于紋理特征[2-6]、基于神經(jīng)網(wǎng)絡(luò)[1]、多特征結(jié)合[3-7]的定位算法。基于顏色的定位算法比較簡(jiǎn)單且易實(shí)現(xiàn)，但會(huì)受到光照、拍攝條件、背景等因素的影響。基于紋理特征的定位方法大多利用車牌字符擁有豐富的邊緣，使用如跳變點(diǎn)檢車等方法進(jìn)行定位，但當(dāng)處于復(fù)雜背景下的車牌定位時(shí)容易受到干擾。因此本文提出了一種車牌顏色與邊緣特征相融合的定位方法，利用RGB顏色空間提取符合車牌顏色的區(qū)域，再通過(guò)Sobel邊緣檢測(cè)提取車牌邊緣信息，根據(jù)車牌的顏色信息和邊緣信息融合后進(jìn)行形態(tài)學(xué)提取車牌疑似區(qū)域，然后使用車牌規(guī)整度計(jì)算[7]進(jìn)行車牌區(qū)域的篩選，從而準(zhǔn)確定位車牌區(qū)域。

1 顏色特征提取

1.1 圖像預(yù)處理

對(duì)圖像的預(yù)處理包含高斯模糊和灰度化處理；高斯模糊相對(duì)模糊濾波、運(yùn)動(dòng)模糊等算法會(huì)讓圖像更加平滑，且具有降噪效果降低了噪音點(diǎn)對(duì)定位的干擾。采用加權(quán)平均值法對(duì)拍攝的車輛圖像進(jìn)行灰度化處理，其數(shù)學(xué)表達(dá)式如（1）所示：

Y=0.299R+0.587G+0.114B（1）

R、G、B分別表示RGB顏色空間的r，g，b值，Y表示像素點(diǎn)灰度值。

1.2 顏色特征提取

在RGB顏色空間下，藍(lán)色點(diǎn)的b值一定大于r與g值。對(duì)于像素點(diǎn)（x，y）記d1=b（x，y）-r（x，y），d2=b（x，y）-g（x，y），按照公式（2）[4]計(jì)算該像素點(diǎn)的特征值F（x，y）。

k1、k2是兩個(gè)系數(shù)，參考文獻(xiàn)[4]取k1=0.33748，k2=0.66252。

1.3 二值化

為進(jìn)一步提取出更加準(zhǔn)確的車牌區(qū)域，排除更多的干擾區(qū)域，本文提出了一種新的二值化方法。由實(shí)驗(yàn)發(fā)現(xiàn)一般車牌區(qū)域的特征值比非車牌區(qū)域的特征值大幾倍，所以假設(shè)f1>=1.5*f2，f1為車牌區(qū)域的特征值，f2為非車牌區(qū)域的特征值；對(duì)圖像中的所有非零特征值F（x，y）取均值為Q。算法步驟如下：

（1）對(duì)于所有F（x，y）Q的非零特征點(diǎn)計(jì)算均值為Q2

（2）基于假設(shè)可以判定車牌區(qū)域特征點(diǎn)位于大于Q的特征點(diǎn)集合中。若Q2>=1.5Q1，則將Q作為閾值，若Q2<1.5Q1，則將Q=Q1重復(fù)1，2步驟由實(shí)驗(yàn)測(cè)試重復(fù)次數(shù)最多4次

通過(guò)該算法可以得到一個(gè)特征閾值thresh=Q，二值化使用公式（3）Y為灰度值。

Y=1 F（x，y）≥thresh0 F（x，y）

2 結(jié)合邊緣信息進(jìn)行初定位

2.1 邊緣信息提取

本文采取Canny、Soble、Laplace三種算子進(jìn)行對(duì)比實(shí)驗(yàn)如圖2，發(fā)現(xiàn)相對(duì)于其他邊緣檢測(cè)算子，Sobel算子得到的圖像處理效果較好，車牌中的字符能被清晰的“描繪”出來(lái)且速度較快。所以本實(shí)驗(yàn)采用Sobel算子進(jìn)行邊緣信息提取。

2.2 信息融合

需要提取的區(qū)域?yàn)楦鶕?jù)顏色信息二值化和根據(jù)邊緣信息二值化灰度值都為1的區(qū)域，使用公式（4）進(jìn)行計(jì)算。

Y（x，y）=C（x，y）&O;（x，y）（4）

Y（x，y）表示提取出的融合圖像中（x，y）點(diǎn)的灰度值，C（X，y）表示根據(jù)顏色信息二值化的圖像的灰度值，O（x，y）表示根據(jù)邊緣信息二值化的圖像的灰度值。如圖3a、b、c可以發(fā)現(xiàn)融合顏色信息二值化和根據(jù)邊緣信息二值化的圖像后干擾區(qū)域大幅度減少。

2.3 形態(tài)學(xué)操作

形態(tài)學(xué)操作的效果取決于模版大小的設(shè)置，如若模版過(guò)小，容易出現(xiàn)斷節(jié)如圖4，也不能設(shè)置過(guò)大，若過(guò)大會(huì)出現(xiàn)過(guò)多粘連如圖5。多次實(shí)驗(yàn)以后，本文發(fā)現(xiàn)先使用25*2模版的形態(tài)學(xué)閉運(yùn)算，然后再次使用5*2和2*5的形態(tài)學(xué)開運(yùn)算效果較好，能夠有效的去除背景中的孤立噪音并且讓車牌區(qū)域很好的連接在一起[9]。車牌位置處于水平狀態(tài)所以對(duì)于傾斜超過(guò)30°的區(qū)域給予排除，最后得到一個(gè)或多個(gè)疑似車牌區(qū)域。

3 區(qū)域篩選

實(shí)驗(yàn)發(fā)現(xiàn)車牌寬高比大致范圍在2.5～7.5之間，按照這個(gè)比例先做一個(gè)區(qū)域粗篩選，剔除掉一些過(guò)大或者過(guò)小的區(qū)域。由于車牌區(qū)域中，最穩(wěn)定的特征為車牌字符個(gè)數(shù)及寬度，所以本文采用文獻(xiàn)[4]中車牌規(guī)則度檢驗(yàn)的方法來(lái)篩選出最終的車牌。

4 實(shí)驗(yàn)結(jié)果及分析

為測(cè)試算法的有效性，選取了不同（下轉(zhuǎn)第205頁(yè)）（上接第199頁(yè)）環(huán)境下不同質(zhì)量的130張圖片進(jìn)行測(cè)試，測(cè)試結(jié)果表明，定位準(zhǔn)確率達(dá)到95%以上。部分未成功識(shí)別的圖片是因?yàn)闇y(cè)試使用圖片過(guò)于老舊分辨率過(guò)低或車牌與車身顏色對(duì)比度較低導(dǎo)致失敗。

5 結(jié)束語(yǔ)

本文提出了一種基于顏色和邊緣信息的車牌定位方法。在RGB顏色空間下提取顏色特征，根據(jù)顏色特征提出了一種新的二值化方法，得到二值化圖像后融合邊緣檢測(cè)信息消除了一部分干擾區(qū)域，通過(guò)形態(tài)學(xué)確定車牌的疑似區(qū)域，最后使用車牌規(guī)則度檢驗(yàn)的方法來(lái)篩選出最終的車牌區(qū)域。本方法對(duì)光照不敏感，對(duì)復(fù)雜背景適應(yīng)性好，適用不同尺寸的圖片。該算法還存在一些不足，對(duì)于車牌與車身顏色對(duì)比度較小或褪色嚴(yán)重的車牌定位往往失效。

【參考文獻(xiàn)】

[1]李字成，楊光明，王目樹.車牌識(shí)別系統(tǒng)中關(guān)鍵技術(shù)的研究[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（27）：180-184.

[2]熊軍，高敦堂，沈慶宏，都思丹.基于字符紋理特征的快速定位算法[J].光電工程，2003，30（2）：60-63.

[3]楊碩，張波，張志杰.多特征融合的車牌定位算法[J].計(jì)算機(jī)應(yīng)用，2016，36（6）：1730-1734.

[4]鄭成勇.一種RGB顏色空間中的車牌定位新方法[J].中國(guó)圖象圖形學(xué)報(bào)，2010，15（11）：1623-1628.

[5]李文舉，梁德群，張旗，等.基于邊緣顏色對(duì)的車牌定位新方法[J].計(jì)算機(jī)學(xué)報(bào)，2004，27（2）：204-208.

[6]劉曉薇.基于字符紋理的車牌定位算法[J].南昌大學(xué)學(xué)報(bào)，2008，32（6）：601-604.

[7]Hao-kui Tang，Ming-junLiu，han-pingQiao.License Plate Location Based on Multi-Agent[J].Electronic and Computer Science， 2009：611-615.

[8]薛凌云，朱志強(qiáng).基于顏色和邊緣信息融合的車牌定位方法[J].杭州電子科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，35（6）： 14-17.

[9]陳佳.基于形態(tài)學(xué)的車牌定位方法的研究與應(yīng)用[D].南華大學(xué)，2015.