文章巖

摘 要：為實(shí)現(xiàn)霧霾環(huán)境下車牌的定位，采用暗原色先驗(yàn)去霧算法對(duì)圖像進(jìn)行清晰化復(fù)原，通過(guò)Roberts算法和車牌顏色紋理對(duì)去霧后的圖像進(jìn)行一系列的處理，能夠使得圖像達(dá)到去霧去霾的效果，同時(shí)能夠準(zhǔn)確高效的定位車輛車牌位置。該方法對(duì)霧霾環(huán)境下車牌的定位具有較高的識(shí)別率。

關(guān)鍵詞：霧霾;暗原色先驗(yàn);Roberts;車牌;定位

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(lái)，全國(guó)的霧霾天數(shù)正在逐漸增長(zhǎng)，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(guó)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(wú)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。

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(wú)用的顏色信息，而這些無(wú)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(guò)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。

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(lái)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(guò)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(guò)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。

3.2 圖像邊緣檢測(cè)

通過(guò)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(guò)局部差分算子來(lái)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：

3.3 圖像開閉運(yùn)算

經(jīng)過(guò)處理后的二值圖像通過(guò)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(guò)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(guò)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。

經(jīng)過(guò)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。

4 總結(jié)

本文詳細(xì)介紹了去霧的理論依據(jù)，通過(guò)使用大氣散射模型對(duì)霧霾形成的過(guò)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(guò)算法對(duì)圖像中的車牌進(jìn)行定位，將定位過(guò)程中出現(xiàn)的問(wèn)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。

參考文獻(xiàn)：

[1]鞠麗麗.基于暗原色原理和B樣條小波的霧霾車牌定位的研究[D].青島：青島大學(xué)，2016.

[2]代永珍.單幅有霧圖像去霧算法研究[D]. 長(zhǎng)沙：國(guó)防科技大學(xué)，2014.

[3]劉創(chuàng)舉.霧天條件下的車牌信息識(shí)別技術(shù)研究[D].蘭州：西北師范大學(xué)，2015.

[4]Jiaxi He，Cishen Zhang， Ran Yang， Kai Zhu. CONVEX OPTIMIZATION FOR FAST IMAGE DEHAZING [C]. USA：IEEE International Conference on Image Processing（ICIP），2016.

[5]金炎.基于計(jì)算機(jī)視覺(jué)的車型識(shí)別研究[D]. 南京：南京信息工程大學(xué)，2016.