文章巖

重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院 重慶市 400074

1 引言

車牌定位識(shí)別系統(tǒng)(Vehicle License Plate Recognition，VLPR)在智能交通系統(tǒng)中充當(dāng)著重要的角色，發(fā)揮重要的作用，應(yīng)用十分廣泛，得到了各個(gè)科研機(jī)構(gòu)及高校的關(guān)注與重視。近年來，全國的霧霾天數(shù)正在逐漸增長，霧霾天氣已經(jīng)對(duì)智能交通系統(tǒng)產(chǎn)生了不良的影響，現(xiàn)在的車牌定位識(shí)別系統(tǒng)在良好的天氣下已經(jīng)非常的完善，識(shí)別率很高，魯棒性很好。但是在霧霾環(huán)境下的車牌定位國內(nèi)的研究還相對(duì)較少，在霧霾環(huán)境下能夠?qū)嚺七M(jìn)行定位，同時(shí)保證車牌的正確識(shí)別率，會(huì)對(duì)智能交通系統(tǒng)的升級(jí)起到極大的作用。同時(shí)，在智能汽車以及無人駕駛等方面能夠提供幫助，同時(shí)對(duì)于在道路上行駛的車輛檢測(cè)識(shí)別也是一種可靠的特征提取方法。

圖像的采集環(huán)境為非可控，拍攝的光照條件，拍攝的角度不同，車輛的行駛路況，雨天及其霧霾天氣，都會(huì)對(duì)圖像的采集造成一定的困擾。霧霾天氣會(huì)使拍攝的圖像出現(xiàn)對(duì)比度低、顏色失真、圖形模糊等現(xiàn)象，這些現(xiàn)象會(huì)嚴(yán)重影響車牌識(shí)別系統(tǒng)的準(zhǔn)確性和實(shí)時(shí)性[1]。所以對(duì)霧霾環(huán)境下所拍攝到的視頻圖像進(jìn)行去霧去霾處理，對(duì)車牌的精確定位能夠起到非常大的作用。

2 基于暗原色先驗(yàn)原理的霧霾圖像預(yù)處理

2.1 大氣散射模型

McCartney根據(jù)散射理論，利用入射光衰減模型，以及大氣光成像模型來反映物體成像機(jī)制提出了大氣散射模型[2]，模型如圖1所示：

圖1 大氣散射模型

大氣散射模型是由入射光衰減模型和大氣光成像模型兩者之間存在的相互作用而形成。

（1）入射光衰減模型

當(dāng)一束強(qiáng)度為E0(λ)的光透過霧霾的距離為dx，那么光的強(qiáng)度經(jīng)過衰減后可表示為：

β(λ)為大氣的散射系數(shù)。

（2.1）式兩邊取x的積分，能夠得到入射光在距離d處的光的強(qiáng)度Edt(d，λ)：

大氣散射模型中的入射光傳輸方式為平行入射，在傳輸中不會(huì)出現(xiàn)多散射的情況，因此該模型能夠適用于霧霾天氣。但是在雨雪等動(dòng)態(tài)天氣會(huì)產(chǎn)生大量的多散射現(xiàn)象，使用入射光衰減模型進(jìn)行圖像處理不能得到預(yù)期效果。

（2）大氣光成像模型

大氣光成像模型表示如下式：

A(d，λ)為大氣光強(qiáng)，A∞(λ)光為大氣環(huán)境的總光強(qiáng)，d為場(chǎng)景點(diǎn)與成像設(shè)備之間的距離，λ為光的波長，β(λ)為大氣散射系數(shù)，β(λ)d為光學(xué)深度。

在大氣光成像模型與入射光衰減模型的共同作用下，能夠得出在霧天圖像形成的規(guī)律。

大氣散射模型具體如下：

將（2.2）和（2.3）代入上式得：

E(d，λ)=E0(λ)e-β(λ)d+A∞(λ)(1-e-β(λ)d)

令 I(x)=E(d，λ)，J(x)=E0(λ)，t(x)=eβ(λ)d，A=A∞(λ)，則上式可表示為：

其中，x是圖像中的坐標(biāo)點(diǎn)，I(x)表示霧天圖像，J(x)為待恢復(fù)的無霧圖像；t(x)為傳播率，A通常為常量（無窮遠(yuǎn)處的大氣光照強(qiáng)度）。

通過對(duì)大氣散射模型進(jìn)行研究可以理解光成像原理以及霧天圖像形成機(jī)理。從圖像上除去大氣中顆粒的散射光形成的圖像部分，同時(shí)對(duì)周圍環(huán)境經(jīng)散射得到的光進(jìn)行補(bǔ)償，就可以得到晴好天氣下的戶外景物，實(shí)現(xiàn)圖像的清晰復(fù)原[3]。

2.2 暗原色先驗(yàn)去霧

2009年，He提出彩色圖像由三個(gè)顏色的通道組成，那么必然存在一個(gè)像素值很低的通道，這就是暗原色[3]。暗原色先驗(yàn)是統(tǒng)計(jì)無霧圖像庫數(shù)據(jù)得出的規(guī)律，通過這個(gè)規(guī)律，將在霧霾環(huán)境下所采集到的的圖像進(jìn)行處理，得到無霧的目標(biāo)圖像。

RGB圖像中顏色通道最小像素值為：

其中，Jc為某個(gè)R、G、B顏色通道中的值；Ω(x)是x為中心的局部區(qū)域。通常Jdark的值在天空區(qū)域之外總是很低且接近0。式（2.7）中J是無霧圖像，Jdark代表的就是J的暗原色圖像。

大氣光照強(qiáng)度A給定后，對(duì)式（2.6）兩邊進(jìn)行最小值運(yùn)算，可以得到光線的傳播率t(x)：

Ac是A中的某個(gè)顏色通道，t～(x)是t(x)的相似矩陣。

對(duì)R、G、B通道進(jìn)行最小化運(yùn)算：

由暗原色先驗(yàn)理論知，在晴朗天氣下，暗原色通道的像素值很低并接近“0”，故Jdark=0，因此可以推出：

同時(shí)AC總是為正數(shù)，可以得到：

將式（2.11）代入式（2.9）中，估算出透射率t～為

在霧霾環(huán)境下拍攝到的圖像比在晴朗天氣下拍攝到的圖像亮度要高，由于有額外的大氣光存在，因此沿著光線的傳播率要小[4]。同時(shí)式（2.12）在天空部分能夠得到較好的結(jié)果，因此不需要單獨(dú)考慮天空部分。為防止在霧霾環(huán)境下不能達(dá)到良好的除霧效果，出現(xiàn)不真實(shí)的視覺效果。所以我們?cè)诠剑?.12）里引入一個(gè)常數(shù)ω可以得到：

其中 ω∈(0，1)。

根據(jù)大氣散射模型可以對(duì)霧霾環(huán)境下采集到的圖像進(jìn)行處理得到需要的無霧圖像，當(dāng)式（2.6）中的傳播t(x)率接近于“0”時(shí)，J(x)t(x)同樣趨于“0”，一般將透射率t(x)設(shè)為一個(gè)定值t0，且t0取0.1。最終得到的無霧圖像J(x)的表達(dá)式為：

圖2 霧天拍攝原圖

圖3 進(jìn)行去霧后的效果圖

3 車牌定位

3.1 圖像預(yù)處理

3．1．1 圖像灰度化

在霧霾環(huán)境下采集到的都是彩色視頻圖像樣本，彩色圖像的每個(gè)像素都是由R、G、B分量構(gòu)成的，R、G、B則代表了紅、綠、藍(lán)3種不同的顏色，所以彩色圖像又被稱為RGB圖像。在對(duì)圖像進(jìn)行車牌定位識(shí)別之前需要對(duì)圖像進(jìn)行預(yù)處理，彩色圖像包含很多對(duì)車牌定位識(shí)別無用的顏色信息，而這些無用的信息還會(huì)增加計(jì)算量，使識(shí)別速度降低。在圖像識(shí)別領(lǐng)域一般會(huì)把彩色圖像轉(zhuǎn)換成灰度圖像，圖像灰度化是通過對(duì)圖像進(jìn)行變換將RGB彩色圖像轉(zhuǎn)化為灰度圖像，灰度圖像同樣是包含圖像的亮度以及色度等級(jí)等信息的。圖像進(jìn)行灰度化處理并不會(huì)影響車牌定位識(shí)別的效果，同時(shí)會(huì)減少計(jì)算量，提高識(shí)別效率，能夠保證實(shí)時(shí)性和準(zhǔn)確性。

圖4 灰度化效果圖

3．1．2 圖像濾波

在圖像信息的采集中，車載攝像機(jī)會(huì)產(chǎn)生抖動(dòng)，同時(shí)周圍的環(huán)境會(huì)不可控的發(fā)生變化，會(huì)給圖像的采集帶來外界的干擾。采集到的圖像中就會(huì)存在一些高頻信號(hào)，這些高頻信號(hào)會(huì)使采集到的圖像的質(zhì)量下降，在經(jīng)過圖像的預(yù)處理以及復(fù)雜的除霧處理后會(huì)使對(duì)比度不能滿足要求，使分析的過程中出現(xiàn)麻煩。當(dāng)有這些高頻信號(hào)的噪聲存在時(shí)會(huì)使圖像中的車輛信息不明顯，車牌的特征模糊，同時(shí)會(huì)增加計(jì)算量，嚴(yán)重影響車牌定位識(shí)別的準(zhǔn)確率。中值濾波能夠很好的保護(hù)圖像中的邊緣信息，還能夠消除因外界環(huán)境產(chǎn)生的高頻噪聲，對(duì)進(jìn)行了灰度化的圖像進(jìn)行中值濾波，能夠消除圖像中的噪聲，保證邊緣檢測(cè)的進(jìn)行。

圖5 圖像中值濾波

3.2 圖像邊緣檢測(cè)

通過對(duì)汽車尾部以及車牌所具有的直線特征與形狀特征進(jìn)行檢測(cè)，運(yùn)用Roberts算子對(duì)圖像中的車牌進(jìn)行定位，能夠定位到圖像中的車牌區(qū)域。

Roberts算子，在圖像中通過局部差分算子來定位邊緣。該算子在水平和垂直兩個(gè)方向上的定位效果較好，檢測(cè)垂直邊緣的效果好于斜向邊緣，對(duì)于車牌的檢測(cè)效果較好，定位精度高，適合于圖像的車牌檢測(cè)定位[5]。

Roberts算子定義為：

R（x，y）=max{|f（x，y）-f（x+1，y+1）|，|f（x+1，y）-f（x，y+1）|}

其模板形式為：

圖7 Roberts算子邊緣檢測(cè)

3.3 圖像開閉運(yùn)算

經(jīng)過處理后的二值圖像通過運(yùn)用Roberts算子進(jìn)行邊緣檢測(cè)后能夠得到汽車的輪廓以及車牌的輪廓，通過先腐蝕再膨脹的開運(yùn)算處理，能夠除去孤立的小點(diǎn)、小顆粒噪聲、毛刺和小橋，斷開目標(biāo)物之間的粘連，平滑圖像中大物體邊界，同時(shí)總的位置和形狀不變使得經(jīng)過濾波以及形態(tài)學(xué)處理后的圖像更為平滑，移除圖像中的小對(duì)象能夠得到輪廓明顯的目標(biāo)圖像。

圖8 腐蝕后的車輛輪廓

圖9 形態(tài)學(xué)處理后的車輛輪廓

圖10 移除小對(duì)象后的車輛輪廓

經(jīng)過圖像的開閉運(yùn)算后，圖8中車牌的位置已經(jīng)確定，進(jìn)而對(duì)車牌進(jìn)行定位剪切。

圖11 剪切出的車牌

4 總結(jié)

本文詳細(xì)介紹了去霧的理論依據(jù)，通過使用大氣散射模型對(duì)霧霾形成的過程進(jìn)行分析，運(yùn)用暗原色先驗(yàn)去霧算法對(duì)霧霾環(huán)境下拍攝到的視頻圖像進(jìn)行去霧處理，得到的去霧效果較好。對(duì)去霧的圖像進(jìn)行灰度化處理，通過算法對(duì)圖像中的車牌進(jìn)行定位，將定位過程中出現(xiàn)的問題進(jìn)行處理，結(jié)果表明定位的效果較好，車牌識(shí)別率較高。對(duì)智能交通系統(tǒng)的完善以及車輛檢測(cè)特質(zhì)提取具有很大的幫助。