董大明

（山西交通職業(yè)技術(shù)學(xué)院，山西 太原 030031）

引言

在過(guò)去的幾年里，越來(lái)越多的公司一直在使用LPR系統(tǒng)進(jìn)行各種應(yīng)用，無(wú)論是在停車(chē)場(chǎng)大門(mén)自動(dòng)打開(kāi)還是檢查識(shí)別進(jìn)入的車(chē)輛，或以更高級(jí)的方式自動(dòng)付款、道路雷達(dá)。通常這些系統(tǒng)在單個(gè)圖像上運(yùn)行對(duì)比度和模糊度非常的低，主要原因是一個(gè)專(zhuān)用照明系統(tǒng)拍攝停止的車(chē)輛或使用低速行駛的車(chē)輛照片，導(dǎo)致提取車(chē)牌的高質(zhì)量。在我們的項(xiàng)目中，使用的汽車(chē)視頻是一個(gè)很難捕捉的方式，汽車(chē)以大約80公里/小時(shí)的速度移動(dòng)，而且沒(méi)有額外的照明和分隔車(chē)輛和相機(jī)（安裝在20米高的橋上在公路上方），由此產(chǎn)生的車(chē)輛圖像是模糊，嘈雜和旋轉(zhuǎn)，以及拍攝的車(chē)輛只占據(jù)圖像的一小部分區(qū)域，這些都將造成在形式中的車(chē)輛車(chē)牌識(shí)別模糊。本文介紹了一種提高清晰度的方法以及基于圖像信息的冗余使用融合提取高質(zhì)量車(chē)牌的方法。

1 拜耳格式圖像處理技術(shù)

我們能夠從視頻流中提取一系列一輛汽車(chē)朝向或遠(yuǎn)離的照片相機(jī)。然后，我們通過(guò)對(duì)車(chē)牌邊緣進(jìn)行本地化檢測(cè)算法并使用信息冗余從這一系列圖像中生成一個(gè)牌照?qǐng)D像：具有改善的清晰度和模糊較低的圖像。視頻流被嵌入到圖片中。每輛車(chē)有一個(gè)獨(dú)特的文件夾與其連續(xù)的圖像和具體的ID。這些文件夾是我們算法的輸入（圖1）。

圖1 雷達(dá)探測(cè)下的高速車(chē)輛信息圖像截取

拜耳或馬賽克是放置在彩色濾光片中的矩陣數(shù)碼相機(jī)傳感器的前面。它由50%的綠色，25%紅色和25%藍(lán)色過(guò)濾器組成。得到的圖像是每個(gè)像素包含的圖像紅色或藍(lán)色或綠色組件。我們遇到的第一個(gè)問(wèn)題那些拜耳圖像是暗像素的存在模糊圖像。

為了解決這個(gè)問(wèn)題，我們用1.3的系數(shù)來(lái)乘以所有的紅色像素，對(duì)應(yīng)于之間的比例直方圖的最大值以平衡組件。為了檢測(cè)和提取車(chē)牌，我們使用了一個(gè)邊緣檢測(cè)方法，其中包含以下步驟：

1）Canny邊緣檢測(cè)——使用索貝爾過(guò)濾器的圖像，然后是滯后canny邊緣檢測(cè)估計(jì)的梯度設(shè)置閾值以減少假邊緣并檢測(cè)輪廓一次（圖2左1）。

2）擴(kuò)張——擴(kuò)張是由一個(gè)形態(tài)學(xué)操作組成移動(dòng)結(jié)構(gòu)元素；在這種情況下是正方形沿著圖像邊緣的每個(gè)像素，如果它是相交像素，則結(jié)果是一個(gè)大于原版的結(jié)構(gòu)。目標(biāo)是讓邊緣更清晰可見(jiàn)，因?yàn)橛行┻吔缈赡軐?dǎo)致開(kāi)放的對(duì)象無(wú)法檢測(cè)到（圖2左二）。

3）連接組件——這是一種將提取所有內(nèi)容的分割技術(shù)圖像的相關(guān)項(xiàng)目，也就是說(shuō)，所有的形式有像素的連續(xù)性。標(biāo)簽功能的輸出是帶有的圖像與其像素相同的原點(diǎn)分辨率具有它們所屬的對(duì)象號(hào)碼的值。

圖2 雷達(dá)探測(cè)下的高速車(chē)輛信息-拜耳格式圖像處理

4）對(duì)象過(guò)濾——為了提取圖像的車(chē)牌區(qū)域，在上一節(jié)中找到的連接組件都有進(jìn)行過(guò)濾和分類(lèi)。已知車(chē)牌是矩形的，并且有一個(gè)特定的高度和寬度范圍；第一個(gè)過(guò)濾器是使用邊界檢測(cè)具有此形狀的對(duì)象在Matlab下的Box函數(shù)進(jìn)行計(jì)算。第二個(gè)過(guò)濾器計(jì)算高度之間的比率和寬度并丟棄所有不屬于對(duì)象的范圍。一般來(lái)說(shuō)，使用這兩個(gè)濾波器就足以進(jìn)行檢測(cè)，但要確保它是我們所在的數(shù)據(jù)中添加了一個(gè)隨機(jī)車(chē)牌的關(guān)聯(lián)操作，對(duì)應(yīng)于最大化相關(guān)性的圖像（圖2右1）。

2 有效提高銳度

我們提出的方法由多個(gè)步驟組成，這是為了準(zhǔn)備融合的圖像流，圖像需要調(diào)整大小，旋轉(zhuǎn)和對(duì)齊以便準(zhǔn)備融合。過(guò)濾和去卷積操作將會(huì)需要沿著這個(gè)過(guò)程。

1）調(diào)整大小——在這個(gè)算法中調(diào)整大小是最原始的步驟。它極大地降低了由此引起的插值解卷積和旋轉(zhuǎn)效應(yīng)。我們決定放大系數(shù)為8的圖像使用Lanczos插值預(yù)測(cè)的值使用16個(gè)相鄰像素的像素。我們可以有選擇一個(gè)高于8的數(shù)字，但我們由于使用過(guò)于復(fù)雜的預(yù)測(cè)，圖像增加了更多的噪音，這說(shuō)明圖像大小的調(diào)整需要特定的預(yù)測(cè)方法，復(fù)雜的預(yù)測(cè)不能帶來(lái)合理的效果。

2）解卷積——它是去除運(yùn)動(dòng)模糊的操作，包括確定運(yùn)動(dòng)矢量和維納過(guò)濾器將像素移回原來(lái)的位置。在我們的案例中，這是一個(gè)翻譯運(yùn)動(dòng)。矢量使用兩點(diǎn)中的一點(diǎn)的坐標(biāo)來(lái)找到連續(xù)的圖像，并以其角度和其特征為特征模塊（圖3）。

圖3 雷達(dá)探測(cè)圖像處理坐標(biāo)建立示意

3）旋轉(zhuǎn)——一般來(lái)說(shuō)，相機(jī)不與道路對(duì)齊；該輸出車(chē)牌稍微傾斜。傾向取決于關(guān)于圖像中汽車(chē)的位置。為了補(bǔ)償旋轉(zhuǎn)，我們使用了能量辦法；我們計(jì)算了車(chē)牌塊的水平能量。無(wú)論如何，曲線(xiàn)的寬度都是成比例的車(chē)牌對(duì)齊或不對(duì)齊。最小的寬度對(duì)應(yīng)于車(chē)牌完美對(duì)齊的狀態(tài)。 尖峰上曲線(xiàn)與開(kāi)始一致并且是由于白色像素有比黑暗更大的趨勢(shì)。

4）劃界——僅裁剪人物和白色背景可以通過(guò)能源途徑來(lái)實(shí)現(xiàn)；邊界由于白色背景的能量增加（因?yàn)榘咨袼氐闹底罡撸?，最后一次減少這對(duì)應(yīng)于車(chē)牌的末端。

5）標(biāo)準(zhǔn)化——這個(gè)過(guò)程的目標(biāo)是確保車(chē)牌塊沒(méi)有帶來(lái)比融合中的其他車(chē)牌塊更具對(duì)比度圖像像素點(diǎn)的值必須以相同的概率貢獻(xiàn)。本算法中，我們把它們的能量分開(kāi)，像素總和的平方除以像素?cái)?shù)量。當(dāng)繪制垂直和水平能量，曲線(xiàn)幾乎相同我們把這些板塊放在相同的尺寸上以確保融合是有意義的。

6）垂直和水平對(duì)齊——這個(gè)操作可以確保角色很好在融合之前對(duì)齊。 這個(gè)想法是采取一個(gè)子圖像第一個(gè)車(chē)牌塊的第一個(gè)字符，然后找到子圖像與其他字符相對(duì)應(yīng)通過(guò)最大化相關(guān)性并保存車(chē)牌兩個(gè)子圖像的坐標(biāo)?，F(xiàn)在我們必須做的是辨別與第二個(gè)圖像的差異。

7）融合——經(jīng)過(guò)直方圖均衡化后，可以更好地實(shí)現(xiàn)在整個(gè)可能的范圍內(nèi)分布強(qiáng)度值，通過(guò)“擴(kuò)散”直方圖，我們添加車(chē)牌塊相同的車(chē)輛一起用于最終改進(jìn)的車(chē)牌（圖1）。我們用32fps的DALSA Genie Hc1400（畫(huà)框每秒）并且是1400 * 1024像素的解決方案。

3 結(jié)論

綜上所述，在本文中，我們提出一個(gè)高效的基于車(chē)牌清晰度改進(jìn)算法對(duì)圖像進(jìn)行融合識(shí)別，并使用相同的多個(gè)圖像車(chē)輛在道路的不同位置使用信息冗余。本算法可以在本領(lǐng)域得到較為廣泛的應(yīng)用，提升高速車(chē)輛的安全監(jiān)測(cè)質(zhì)量。