， ，

(1.河南科技學(xué)院 信息工程學(xué)院 河南 新鄉(xiāng) 453003； 2.河南科技學(xué)院 數(shù)學(xué)科學(xué)學(xué)院 河南 新鄉(xiāng) 453003； 3.鄭州大學(xué) 學(xué)報編輯部 河南 鄭州 450001)

0 引言

汽車牌照識別系統(tǒng)是智能交通系統(tǒng)(intelligent traffic system，ITS)的核心技術(shù)之一[1]，在規(guī)范交通管理及減少交通事故等方面具有重要的現(xiàn)實意義，其中車牌定位是該技術(shù)的關(guān)鍵步驟之一.常見的基于圖像處理的車牌定位技術(shù)有如下幾類：第一類是基于顏色信息的車牌定位[2-3]，這類算法根據(jù)車牌顏色特征構(gòu)造車牌定位模型，其優(yōu)點是不需要將彩色圖像轉(zhuǎn)換為灰度圖像，減少了定位時間，然而大多對光照條件敏感，限制了定位可靠性.第二類發(fā)展較好的是基于圖像邊緣信息的算法[4-6]，由于大多數(shù)情形下車牌是矩形的，并且有較為固定的長寬比，可以利用邊緣信息在圖像中找到相應(yīng)的矩形，這類算法既簡單又高效.然而當(dāng)車輛圖像中有復(fù)雜背景時，會導(dǎo)致邊緣輪廓復(fù)雜且不連續(xù)，由此導(dǎo)致這類算法無法提供理想的結(jié)果.第三類是基于紋理信息的車牌定位[7-8]，車牌的紋理信息主要表現(xiàn)為車牌邊緣的分布、車牌形狀和車牌尺寸等.然而當(dāng)在紋理分析過程中遇到類似于板狀紋理特征的干擾時，如排氣門和保險杠，其定位率大大降低.鑒于以上算法的優(yōu)缺點，近年來，有研究者通過將多個算法有機結(jié)合來提高車牌定位的質(zhì)量.例如文獻(xiàn)[5]結(jié)合邊緣檢測和數(shù)學(xué)形態(tài)學(xué)方法對車牌進(jìn)行檢測，從而提高車牌定位的準(zhǔn)確率.本文在文獻(xiàn)[8-9]的啟發(fā)下，引入一種快速圖像分解方法，結(jié)合邊緣檢測、形態(tài)學(xué)濾波及基于Radon變換的傾斜矯正方法，設(shè)計新的車牌定位算法，并將其應(yīng)用到DM6437 DSP硬件平臺上，設(shè)計了一種基于圖像分解和DM6437 DSP的嵌入式車牌定位系統(tǒng).實驗結(jié)果表明，這種新的車牌定位系統(tǒng)能有效去除車輛圖像背景中的無用信息，并對車牌的傾斜問題進(jìn)行檢測和矯正，有很高的魯棒性及定位準(zhǔn)確率.

1 算法原理

本文車牌定位的算法原理主要包括5個步驟：圖像灰度化、圖像分解、邊緣檢測、形態(tài)學(xué)濾波以及傾斜度矯正.

1.1 圖像灰度化

一般由數(shù)碼相機或攝像設(shè)備拍攝的汽車圖像為RGB彩色圖像.大多數(shù)情況下私人汽車車牌為藍(lán)色背景刻白色字符.此外也有白色背景上刻黑色字符，或黃色背景上刻黑色字符等.然而對車牌定位而言，顏色的變化并不重要，但顏色信息對不均勻的光照又非常敏感.故在此將RGB顏色圖像轉(zhuǎn)換為灰度圖像，通用的RGB圖像的灰度化公式為f(x,y)=0.30×R(x,y)+0.59×G(x,y)+0.11×B(x,y),其中：R(x,y)、G(x,y)及B(x,y)分別表示像素點(x,y)處紅、綠、藍(lán)3種成分的強度值；f(x,y)是(x,y)點灰度化后的強度值.

1.2 圖像分解

文獻(xiàn)[9]首次提出利用圖像結(jié)構(gòu)紋理分解改進(jìn)車牌定位算法.其依據(jù)為圖像的結(jié)構(gòu)部分，主要包括輪廓和大的邊緣，而紋理部分主要包括一些細(xì)節(jié)和背景，對車牌檢測貢獻(xiàn)極小，故汽車的車牌信息主要包括在其結(jié)構(gòu)部分.因此文獻(xiàn)[9]引入VO模型[10]對汽車圖像進(jìn)行結(jié)構(gòu)紋理分解，并應(yīng)用微分方程數(shù)值解法中的離散差分格式對模型進(jìn)行求解.然而差分方法計算效率較低，計算精度也有待改進(jìn).本文引入一種基于優(yōu)化算法的圖像分解對其進(jìn)行改進(jìn).首先考慮OSV分解模型[11]

(1)

1) 更新u：un+1=proxγ‖·‖ TV(vn).

1.3 邊緣檢測

通常的車牌是矩形區(qū)域，并與其他區(qū)域有不同的顏色或灰色強度.因此，可以采用邊緣信息檢測車牌區(qū)域.然而，當(dāng)車輛圖像在復(fù)雜環(huán)境下獲取時，其邊緣強度圖像中會出現(xiàn)許多不連續(xù)的邊，對此，本文利用汽車圖像的結(jié)構(gòu)部分改進(jìn)邊緣檢測.由于結(jié)構(gòu)部分主要包括幾何輪廓和平滑區(qū)域，其邊緣不會有太多的細(xì)節(jié)和弱邊，故將檢測原始圖像的邊緣替換為檢測結(jié)構(gòu)圖像的邊緣，如此可以突出強邊，并覆蓋了弱邊.本文采用Roberts算子檢測結(jié)構(gòu)圖像中的邊緣，用其檢測車牌的位置.

1.4 形態(tài)學(xué)濾波并提取車牌

引入數(shù)學(xué)形態(tài)學(xué)濾波方法提取車牌主要包括兩部分操作：首先通過形態(tài)學(xué)方法獲取候選車牌區(qū)域，利用開運算消除相對孤立和分散的點，應(yīng)用閉運算形成連通區(qū)域并去除小的連通區(qū)域，再對這些區(qū)域做膨脹運算以填充小的孔或洞；第二部分操作通過先驗知識篩選正確的車牌.在此過程中，需要提取每個候選區(qū)域的信息，并根據(jù)車牌的先驗知識進(jìn)行篩選，一般合格車牌的高度與寬度比不超過三分之一，根據(jù)這個標(biāo)準(zhǔn)可以得到精確的車牌區(qū)域.

1.5 水平方向傾斜度檢測和矯正

由于各種原因，在車輛圖像采集過程中不可避免地產(chǎn)生傾斜現(xiàn)象.這可能會影響車牌識別系統(tǒng)整體的準(zhǔn)確性和可靠性.本文主要考慮水平方向傾斜問題的處理，利用Radon變換和旋轉(zhuǎn)變換對車牌傾斜問題進(jìn)行檢測和校正[15-16].圖像的Radon變換是指將圖像沿著一個角度或方向進(jìn)行投影，其投影的強度通過計算線積分得到.函數(shù)f(x,y) 沿著某個角度θ的Radon變換強度的計算公式為

圖1 基于Radon變換的車牌傾斜矯正Fig.1 Radon transform based tilt correction for license plate

2 系統(tǒng)實現(xiàn)

本文中車牌定位系統(tǒng)通過TI公司的DM6437芯片搭建.該系統(tǒng)主要包括圖像采集、圖像處理和結(jié)果顯示3個子系統(tǒng).采集到的車輛圖像首先由圖像采集子系統(tǒng)的TVP5146 A/D轉(zhuǎn)換芯片轉(zhuǎn)換為數(shù)字圖像信號并存儲于DDR2中，然后由圖像處理子系統(tǒng)的DM6437訪問DDR2完成數(shù)據(jù)處理，最后利用DM6437內(nèi)置的視頻處理子系統(tǒng)(video process sub-system,VPSS)的視頻輸出編碼模塊將定位結(jié)果輸出至結(jié)果顯示子系統(tǒng)的LCD顯示器[17-18].

VPSS分視頻處理前端和視頻處理后端兩個部分，前者為圖像傳感器、視頻解碼器等外部成像設(shè)備提供了輸入接口，后者為LCD顯示器等顯示設(shè)備提供了輸出接口.

2.1 視頻處理前端(video processing front end, VPFE)

VPFE的硬件結(jié)構(gòu)如圖2所示，它可以對攝像頭采集的車輛圖像進(jìn)行一系列的預(yù)處理.VPFE由CCD控制器、圖像預(yù)覽處理管道等模塊組成.攝像頭采集的車牌圖像信號送入專用的視頻解碼芯片TVP5146，經(jīng)過視頻解碼芯片的模數(shù)轉(zhuǎn)換、亮度處理、色度處理、復(fù)合信號處理等相應(yīng)的處理后送出8位的數(shù)字圖像信號，并將其傳給DSP的CCDC，CCDC將處理后的圖像數(shù)據(jù)存入DDR2緩沖區(qū)中來供DSP進(jìn)行后續(xù)的算法處理.

2.2 視頻處理后端(video processing back end, VPBE)

VPBE硬件結(jié)構(gòu)如圖3所示.VPBE由OSD屏幕顯示模塊和VENC圖像編碼模塊組成.它完成的主要工作是從 DDR2 緩沖區(qū)中讀取算法處理后的車牌圖像數(shù)據(jù)，經(jīng)過調(diào)整后輸出到顯示設(shè)備上進(jìn)行結(jié)果顯示.

圖2 視頻處理前端Fig.2 Video processing front end

圖3 視頻處理后端Fig.3 Video processing back end

3 實驗結(jié)果

車牌定位的實現(xiàn)過程如圖4所示，其中圖4(a)為車輛圖像，圖4(b)～4(f)依次為灰度化、結(jié)構(gòu)圖、邊緣強度圖、形態(tài)濾波圖以及提取的正確車牌.

圖4 車牌定位過程Fig.4 License plate location process

為進(jìn)一步測試系統(tǒng)工作的性能，選取了在不同背景、不同光照以及不同角度下的200張車牌圖像進(jìn)行實驗.將本文算法與文獻(xiàn)[5,9,19]中方法進(jìn)行比較，其中文獻(xiàn)[5]首次將邊緣檢測方法和形態(tài)學(xué)濾波方法結(jié)合，文獻(xiàn)[9]引入了基于差分格式的圖像分解，文獻(xiàn)[19]綜合考慮了復(fù)雜背景、光照及傾斜等復(fù)雜情形下的車牌檢測，它們的測試結(jié)果為：文獻(xiàn)[5，9，19]與本文方法成功定位個數(shù)分別是185、187、193和195；定位準(zhǔn)確率分別是92.5%、93.5%、96.5%和97.5%；平均用時分別是2.05 s、1.15 s、0.95 s及0.90 s.

實驗過程中，特別對比了本文方法與上述幾種方法對背景復(fù)雜的車輛圖像的定位效果.由定位結(jié)果可知，文獻(xiàn)[5]檢測出了錯誤的車牌，文獻(xiàn)[9]可檢測正確的車牌但未進(jìn)行水平矯正，文獻(xiàn)[19]雖然能完成車牌的檢測和矯正，但用時較長.相比之下，本文方法能夠在最短的時間內(nèi)檢測出正確的車牌并做水平矯正.

4 結(jié)語

本文結(jié)合圖像分解方法和TI公司的DM6437 DSP，設(shè)計了一種新的基于圖像分解的嵌入式車牌定位系統(tǒng).該系統(tǒng)可以有效地去除車牌圖像中的小尺度細(xì)節(jié)及周期性變化等干擾信息，并快速精準(zhǔn)地提取出車牌區(qū)域.測試結(jié)果表明，本文所設(shè)計的車牌定位系統(tǒng)有很好的穩(wěn)定性和很高的準(zhǔn)確率，有較高的實際應(yīng)用價值.