楊鼎鼎 陳世強(qiáng) 劉靜漪

1(湖北民族學(xué)院理學(xué)院 湖北 恩施 445000)2(湖北民族學(xué)院信息工程學(xué)院 湖北 恩施 445000)

0 引 言

車(chē)牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的核心部分，主要步驟包括：車(chē)牌定位、傾斜校正、字符分割、車(chē)牌識(shí)別三部分。車(chē)牌定位前需對(duì)拍攝到的圖像進(jìn)行預(yù)處理，即對(duì)拍攝到的圖像進(jìn)行降噪、增強(qiáng)處理；車(chē)牌定位完成后需對(duì)定位后的車(chē)牌區(qū)域進(jìn)行傾斜校正，便于后續(xù)字符分割和車(chē)牌識(shí)別。車(chē)牌定位作為車(chē)牌識(shí)別中重要組成部分，由于光照、陰影等影響，使車(chē)牌定位更加困難。針對(duì)車(chē)牌定位難、定位速度慢，提出一種基于車(chē)牌背景和字符顏色特征的車(chē)牌定位算法。目前，車(chē)牌定位主要分為灰度車(chē)牌定位[4-7]和彩色車(chē)牌定位[8-12]，國(guó)內(nèi)外學(xué)者對(duì)灰度車(chē)牌定位研究較早，技術(shù)比較成熟；彩色車(chē)牌定位發(fā)展相對(duì)較晚，研究空間較大，是當(dāng)前車(chē)牌定位研究的熱點(diǎn)。

車(chē)牌定位算法最早由加拿大學(xué)者BERGA[1]等人于1988年提出，主要目的是討論當(dāng)時(shí)自動(dòng)車(chē)牌識(shí)別技術(shù)的發(fā)展水平。我國(guó)最早由趙雪春[2]和劉效靜[3]于1998年提出，并開(kāi)始研究車(chē)牌自動(dòng)識(shí)別技術(shù)。文獻(xiàn)[4]提出一種基于灰度變換和顏色特征的車(chē)牌定位算法，算法魯棒性好，精確率高，但算法比傳統(tǒng)算法復(fù)雜?；诨叶葓D像的車(chē)牌定位[5]，通過(guò)對(duì)車(chē)牌圖像進(jìn)行灰度化、二值化處理，用投影法完成了車(chē)牌定位，定位精度較高，但魯棒性偏低。文獻(xiàn)[6]針對(duì)傳統(tǒng)算法定位精度不高的問(wèn)題，提出一種基于灰度跳變的車(chē)牌定位算法，利用跳變位置完成車(chē)牌定位，算法魯棒性好、精確率高，但算法設(shè)計(jì)較復(fù)雜。文獻(xiàn)[7]提出一種基于字符特征約束的自適應(yīng)車(chē)牌提取方法，利用自適應(yīng)邊緣檢測(cè)算法和字符特征完成車(chē)牌定位，方法對(duì)背景環(huán)境、光照條件等限制極少?；跅l件隨機(jī)場(chǎng)和成分分析的車(chē)牌檢測(cè)算法[8]，用最大穩(wěn)定極值區(qū)域提取提取候選車(chē)牌區(qū)域，用條件隨機(jī)場(chǎng)重構(gòu)并檢測(cè)出候選車(chē)牌區(qū)域，算法檢測(cè)車(chē)牌的準(zhǔn)確率高，但檢測(cè)時(shí)間較長(zhǎng)。文獻(xiàn)[9]融合字符紋理特征與RGB顏色特征實(shí)現(xiàn)車(chē)牌定位，算法快速，定位準(zhǔn)確。文獻(xiàn)[10]提出一種基于線性密度的濾波方法，用于檢測(cè)候選區(qū)域，使用支持向量機(jī)識(shí)別車(chē)牌，完成車(chē)牌定位，車(chē)牌定位的準(zhǔn)確率和定位時(shí)間都有所提升。文獻(xiàn)[11]提出一種融合字符紋理特征與RGB顏色特征的車(chē)牌定位算法，根據(jù)車(chē)牌背景顏色和字符顏色的特性提取顏色點(diǎn)對(duì)，通過(guò)檢測(cè)字符紋理和形態(tài)學(xué)處理完成車(chē)牌定位，定位準(zhǔn)確率高。文獻(xiàn)[12]將CIELab顏色模型引入車(chē)牌定位中，利用Lab顏色空間提取藍(lán)、黃車(chē)牌區(qū)域，并利用車(chē)牌區(qū)域的紋理特征和形態(tài)學(xué)操作實(shí)現(xiàn)車(chē)牌定位，提高了車(chē)牌區(qū)域初始定位準(zhǔn)確度。文獻(xiàn)[13]利用邊緣檢測(cè)、灰度跳變點(diǎn)和車(chē)牌的幾何特征完成車(chē)牌定位，結(jié)果顯示算法的抗干擾能力強(qiáng)。文獻(xiàn)[14]提出一種基于顏色特征的車(chē)牌定位算法，通過(guò)Hough變換、傅里葉變換和小波變換完成車(chē)牌定位，提高了精確率，但算法較為復(fù)雜。基于顏色的復(fù)雜背景車(chē)牌定位[15]，利用顏色跳變和顏色信息，實(shí)現(xiàn)復(fù)雜背景下的車(chē)牌定位。結(jié)合顏色差分模型的車(chē)牌定位[16]，針對(duì)現(xiàn)有定位算法對(duì)光照敏感、易受背景影響，提出一種結(jié)合顏色差分模型的自適應(yīng)增強(qiáng)算法，魯棒性好、準(zhǔn)確率高。文獻(xiàn)[17]利用車(chē)牌顏色特征和Canny邊緣檢測(cè)算法，完成車(chē)牌定位，并對(duì)多組車(chē)牌進(jìn)行了實(shí)驗(yàn)，定位結(jié)果較好?；谧址吘夵c(diǎn)提取的車(chē)牌定位方法[18]，采用窗口檢測(cè)法提取字符邊緣點(diǎn)，進(jìn)而定位車(chē)牌區(qū)域，解決了車(chē)牌和車(chē)身顏色相近不能檢測(cè)的問(wèn)題，同時(shí)提高了算法的魯棒性。

綜上，車(chē)牌定位主要存在的問(wèn)題有：算法復(fù)雜、定位速度慢、定位精度低、魯棒性差、算法抗干擾性差等。針對(duì)部分問(wèn)題，提出一種基于車(chē)牌背景和字符顏色特征的車(chē)牌定位算法。算法提出了一種新的顏色模型，并改進(jìn)了Canny邊緣檢測(cè)算法，使之更適合豎向邊緣的檢測(cè)。算法設(shè)計(jì)簡(jiǎn)單、定位速度快、魯棒性好。

1 相關(guān)知識(shí)及改進(jìn)算法

1.1 車(chē)牌的特征

1.1.1 車(chē)牌的顏色特征

我國(guó)車(chē)牌顏色搭配主要有：藍(lán)底白字(小車(chē))、黃底黑字(大車(chē))和白底黑字或紅字(軍警車(chē))三類(lèi)，如圖1所示。它們共同特性是車(chē)牌背景與字符有著固定的顏色搭配，不同點(diǎn)是車(chē)牌背景與字符的顏色不同，且紋理不同，背景區(qū)域是橫向紋理，字符區(qū)域是縱向紋理。

(a) 藍(lán)底白字 (b) 黃底黑字

(c) 白底黑/紅字圖1 車(chē)牌類(lèi)型

1.1.2 車(chē)牌的幾何特征

我國(guó)藍(lán)底白字車(chē)牌大小為140×440 mm，寬高比為3.14，由7個(gè)字符組成，第一個(gè)字符為漢字，是每個(gè)省市區(qū)的簡(jiǎn)稱(chēng)；第二個(gè)字符為26個(gè)英文字母中的一個(gè)；第3～7個(gè)字符由字母和阿拉伯?dāng)?shù)字組成。其中，每個(gè)字符高度為90 mm，寬度為45 mm，所占區(qū)域長(zhǎng)寬比為2∶1，間隔符“·”的直徑為10 mm，字符間的標(biāo)準(zhǔn)距離為12 mm，如圖2所示(圖中數(shù)字單位為mm)。

圖2 車(chē)牌規(guī)格

1.2 Canny算子及其改進(jìn)

Canny算子由JohnCanny于1986年提出，它與Marr(LoG)邊緣檢測(cè)方法類(lèi)似，屬于先平滑后求導(dǎo)數(shù)的方法。Canny算法中所采用的卷積模板比較簡(jiǎn)單，如下式所示：

(1)

其x、y方向的一階偏導(dǎo)數(shù)矩陣如下：

(2)

由于車(chē)牌字符區(qū)域?yàn)榭v向邊緣，為了突出車(chē)牌字符區(qū)域，將式(2)中x方向的一階偏導(dǎo)矩陣中相減部分都改為縱坐標(biāo)相減，y方向的一階偏導(dǎo)矩陣不作改變：

(3)

圖3(a)為包含車(chē)身的實(shí)驗(yàn)圖像，圖3(b)為圖3(a)的灰度化圖像，圖3(c)為Canny邊緣檢測(cè)結(jié)果，圖3(d)為改進(jìn)的Canny邊緣檢測(cè)結(jié)果。根據(jù)圖3(c)、(d)，Canny邊緣檢測(cè)的結(jié)果更加詳細(xì)，橫縱邊緣可以無(wú)差別檢測(cè)，而改進(jìn)的Canny邊緣檢測(cè)則更好地檢測(cè)出車(chē)牌的豎向邊緣，減少了橫向邊緣。由于車(chē)牌字符是縱向邊緣，根據(jù)車(chē)牌區(qū)域紋理特征完成車(chē)牌定位時(shí)，Canny邊緣檢測(cè)不適合用于字符紋理的檢測(cè)。改進(jìn)的Canny邊緣檢測(cè)可以更好地檢測(cè)豎向邊緣，減少橫向邊緣的干擾，突出字符紋理，同時(shí)減少算法量。

(a) 原圖 (b) 灰度圖

(c) Canny邊緣檢測(cè)(d) 改進(jìn)Canny邊緣檢測(cè)圖3 Canny與改進(jìn)Canny對(duì)比圖

1.3 投影法

1.3.1 水平投影

水平投影即向車(chē)牌圖像縱坐標(biāo)方向進(jìn)行投影，縱坐標(biāo)不變時(shí)，統(tǒng)計(jì)橫坐標(biāo)方向某種像素點(diǎn)的個(gè)數(shù)。對(duì)二值化后的車(chē)牌圖像進(jìn)行水平方向的投影，即統(tǒng)計(jì)車(chē)牌圖像每行白色像素的個(gè)數(shù)，統(tǒng)計(jì)公式如下：

(4)

圖4(a)為圖1(a)中車(chē)牌的水平投影圖，根據(jù)水平投影可確定字符區(qū)的上下邊界，完成字符區(qū)縱坐標(biāo)方向的分割。

(a) 水平投影

(b) 垂直投影圖4 車(chē)牌投影圖

1.3.2 垂直投影

垂直投影即向車(chē)牌圖像橫坐標(biāo)方向進(jìn)行投影，橫坐標(biāo)不變時(shí)，統(tǒng)計(jì)縱坐標(biāo)方向某種像素點(diǎn)的個(gè)數(shù)。對(duì)二值化后的車(chē)牌圖像進(jìn)行垂直投影，即統(tǒng)計(jì)每列白色像素的個(gè)數(shù)，統(tǒng)計(jì)公式如下：

(5)

圖4(b)為圖1(a)車(chē)牌的垂直投影圖，根據(jù)垂直投影可以確定車(chē)牌字符區(qū)的左右邊界，完成字符區(qū)橫坐標(biāo)方向的分割。

2 車(chē)牌定位

車(chē)牌定位分為粗定位和細(xì)定位兩部分。粗定位主要根據(jù)顏色分量分割出車(chē)牌所在的大概區(qū)域，便于細(xì)定位處理，同時(shí)減少計(jì)算量。細(xì)定位則首先對(duì)粗定位處理的車(chē)牌區(qū)域進(jìn)行改進(jìn)的Canny邊緣檢測(cè)；然后用形態(tài)學(xué)操作減少車(chē)牌區(qū)域斷裂，得到連通的車(chē)牌區(qū)域；最后使用投影法分割出候選車(chē)牌區(qū)域，結(jié)合車(chē)牌的幾何特征排除偽車(chē)牌，僅留下車(chē)牌區(qū)域。具體流程圖如圖5所示。

圖5 車(chē)牌定位流程圖

2.1 粗定位

2.1.1 原理介紹

由攝像機(jī)拍攝到的車(chē)牌圖像為RGB圖像，較灰度圖像占用存儲(chǔ)空間多，若直接處理RGB圖像，內(nèi)存和時(shí)間消耗都較大。針對(duì)這個(gè)問(wèn)題，提出一種基于藍(lán)色通道的候選車(chē)牌區(qū)域粗定位算法。首先，用加權(quán)法從RGB圖像中提取藍(lán)色通道分量；然后，根據(jù)先驗(yàn)知識(shí)設(shè)定閾值T1、T2；最后，通過(guò)雙閾值法將候選車(chē)牌區(qū)域變換為由0、1組成的二值圖，完成候選車(chē)牌區(qū)域粗定位。

其中，從RGB圖像中提取藍(lán)色通道分量的模型為：

IB=0×R+0×G+1×B

雙閾值法的模型為：

2.1.2 算法實(shí)現(xiàn)

根據(jù)上述原理，基于藍(lán)色通道的車(chē)牌定位步驟如下：

Step1：提取RGB圖像中的藍(lán)色分量，記IB；

Step2：設(shè)定閾值T1、T2；

Step3：根據(jù)閾值T1、T2完成候選車(chē)牌區(qū)域粗定位，記IBW。

圖6為使用上述步驟完成的車(chē)牌粗定位，圖中車(chē)身大部分已被濾除，但仍存在一些標(biāo)簽干擾車(chē)牌定位，如部分車(chē)貼、車(chē)的品牌標(biāo)志等，因而需對(duì)圖6中的車(chē)牌進(jìn)行精細(xì)定位。

圖6 粗定位車(chē)牌

2.2 細(xì)定位

2.2.1 邊緣檢測(cè)

用1.2中改進(jìn)的Canny邊緣檢測(cè)算法對(duì)圖6粗定位后的候選車(chē)牌區(qū)域進(jìn)行邊緣檢測(cè)，圖7為邊緣檢測(cè)結(jié)果，檢測(cè)結(jié)果較好的保留了車(chē)牌區(qū)域，但仍存在一些干擾，如圖7上邊的品牌標(biāo)志和右邊的車(chē)貼。

圖7 改進(jìn)Canny檢測(cè)的車(chē)牌

2.2.2 形態(tài)學(xué)濾波

由于邊緣檢測(cè)后的車(chē)牌區(qū)域存在斷裂或粘連的情況，對(duì)邊緣檢測(cè)后的圖像進(jìn)行形態(tài)學(xué)處理，可以減少斷裂和粘連。若邊緣檢測(cè)后的車(chē)牌邊緣保留較好，可不對(duì)車(chē)牌進(jìn)行形態(tài)學(xué)處理，否則進(jìn)行形態(tài)學(xué)處理。

2.2.3 確定候選車(chē)牌區(qū)域

先對(duì)候選車(chē)牌區(qū)域做垂直投影確定車(chē)牌區(qū)域的左右邊緣坐標(biāo)，然后對(duì)其進(jìn)行水平投影確定車(chē)牌區(qū)域的上下邊緣坐標(biāo)，根據(jù)四個(gè)坐標(biāo)將候選車(chē)牌區(qū)域進(jìn)行分割，得到分割區(qū)域。圖8為利用投影法確定的車(chē)牌區(qū)域，其中圖8(a)為對(duì)圖7進(jìn)行垂直投影后得到的圖像，根據(jù)曲線可以確定車(chē)牌區(qū)域的左右邊緣；圖8(b)為對(duì)圖7進(jìn)行水平投影后得到的圖像，根據(jù)曲線可以確定車(chē)牌區(qū)域的上下邊緣；圖8(c)為根據(jù)8(a)(b)確定的車(chē)牌邊緣對(duì)圖7進(jìn)行裁剪后的車(chē)牌區(qū)域，與圖7相比，僅排除了部分車(chē)貼的影響，因此需根據(jù)車(chē)牌的幾何特征排除圖8(c)中的偽車(chē)牌。

(a) 垂直投影

(b) 水平投影

(c) 投影裁剪圖8 投影法確定車(chē)牌區(qū)域

2.2.4 排除偽車(chē)牌

為得到精確的車(chē)牌區(qū)域，根據(jù)1.1.2節(jié)中介紹的車(chē)牌的幾何特征排除圖8(c)中偽車(chē)牌，圖9為排除偽車(chē)牌后的車(chē)牌圖像。

圖9 幾何特征定位車(chē)牌

排除偽車(chē)牌的步驟為：

Step 1：做一寬45像素、高90像素的矩形框；

Step 2：將矩形框在圖8(c)中從左到右移動(dòng)，若矩形框中出現(xiàn)白色像素，記錄矩形框左上角坐標(biāo)；

Step 3：將矩形框左上角與記錄的坐標(biāo)重合，上下左右移動(dòng)矩形框，若框內(nèi)像素可單獨(dú)為一連通區(qū)域，則保留該矩形框中的像素；否則該區(qū)域?yàn)閭诬?chē)牌區(qū)域，刪除該區(qū)域；

Step 4：將矩形框從第一個(gè)記錄的位置繼續(xù)向右移動(dòng)，重復(fù)Step 3，直至移到圖像右下角；

Step 5：裁剪保留的區(qū)域，即為車(chē)牌區(qū)域。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)平臺(tái)

PC機(jī)配置為：Intel(R) Core(TM) i5- 4200M CPU @ 2.5 GHz 2.5 GHz，內(nèi)存4 GB，win7 32位操作系統(tǒng)。通過(guò)MATLAB 2014a編寫(xiě)程序?qū)崿F(xiàn)上述加解密算法。

3.2 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證算法的有效性，選取自然條件下拍攝的100幅藍(lán)底車(chē)牌進(jìn)行檢測(cè)，定位成功率為95%，實(shí)驗(yàn)結(jié)果如表1所示，圖10和圖11分別為部分定位成功和定位失敗的車(chē)牌。根據(jù)圖10，定位成功的車(chē)牌，字符比較清晰，為后續(xù)識(shí)別步驟提供良好基礎(chǔ)；根據(jù)圖11，定位失敗的車(chē)牌字符不完整，主要原因是由于光照條件的影響，使部分字符亮度較暗或較亮，導(dǎo)致車(chē)牌定位不完整。100幅車(chē)牌的定位時(shí)間曲線如圖12所示，定位平均時(shí)間為0.545 6 s。

表1 車(chē)牌定位實(shí)驗(yàn)結(jié)果

(a) 原車(chē)牌圖 (b) 定位后的車(chē)牌圖10 定位成功的車(chē)牌

(a) 原車(chē)牌圖 (b) 定位后的車(chē)牌圖11 定位失敗的車(chē)牌

圖12 定位時(shí)間

4 結(jié) 語(yǔ)

針對(duì)車(chē)牌定位困難、定位時(shí)間長(zhǎng)等問(wèn)題，提出一種基于車(chē)牌背景和字符顏色特征的車(chē)牌定位算法。算法首先根據(jù)車(chē)牌背景和字符固定顏色搭配，利用新的顏色模型完成車(chē)牌粗定位；然后利用設(shè)計(jì)的豎向邊緣檢測(cè)算法——改進(jìn)的Canny邊緣檢測(cè)算法完成邊緣檢測(cè)；最后，使用投影法和車(chē)牌的幾何特征完成精定位。實(shí)驗(yàn)表明該算法設(shè)計(jì)簡(jiǎn)單，車(chē)牌定位精確。該算法的不足是對(duì)強(qiáng)光和弱光下拍攝的車(chē)牌檢測(cè)率低，后續(xù)將進(jìn)一步研究強(qiáng)光和弱光條件下該算法的改進(jìn)工作。