梁天泓

摘要：通過研究圖像處理理論并合理選擇相關(guān)方法，所設(shè)計的車牌檢測算法使計算機能夠自動定位攝像頭拍攝畫面中車輛的車牌號碼。攝像頭拍攝所得畫面，經(jīng)過邊緣檢測、形態(tài)學(xué)以及顏色交叉驗證等圖像處理方法，可將背景圖像中的噪聲和無關(guān)信息去除。最終可得到車牌外接長方形坐標(biāo)并從原圖像中取出，為之后的字符識別提供預(yù)處理。

關(guān)鍵詞：自動定位;車牌檢測;圖像處理;邊緣檢測;形態(tài)學(xué)

中圖分類號：TP181文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）28-0205-03

在許多場景如小區(qū)閘口、商場停車庫閘口、高速收費站中，為了減少人工成本或是提高執(zhí)行效率，使計算機能夠自動識別車牌號碼是有必要的。一般地，識別過程可分為兩個子過程：從攝像頭拍攝到的畫面中找到車牌，再識別車牌上的字符（即車牌號碼）[1]。研究與實驗將著重于第一個子過程，進(jìn)行理論分析、算法設(shè)計和使用MATLAB實現(xiàn)。

1理論與方法

本文所述算法的核心思路是：車牌的樣式、顏色、字體具有明顯特征[2]。通過分析、提取這些特征從而使計算機可以獨立地從復(fù)雜的自然背景中定位車牌位置。具體步驟可分為：讀取圖像;邊緣檢測;邊緣腐蝕（形態(tài)學(xué)）;邊緣平滑處理（形態(tài)學(xué)）;去除小對象;按顏色做交叉驗證（可選）;定位車牌。

1.1讀取圖像

車牌檢測算法的實際使用場景通常是：攝像頭先拍攝視頻再選取其中某一幀進(jìn)行檢測;但本文為了描述方便，假定使用攝像頭獲取的是靜態(tài)圖像，并且顏色格式為RGB，因此所得圖像可被儲存為一個三維矩陣（m×n×3）。示例圖像為：

1.2邊緣檢測

邊緣檢測算法的基本原理是根據(jù)圖像中顏色的變化使計算機自動地“勾勒”出物體。邊緣檢測算法是一系列算法，不同算法的區(qū)別是使用不同“算子”[3]。本文預(yù)選了3種算子，分別為：“Roberts”算子，“Sobel”算子以及“Canny”算子。

在預(yù)選的3中算子中，“Sobel”算子的表現(xiàn)最好。首先他在邊緣檢測的效果上比“Roberts”更強，更重要的是因為其增大了卷積核，即增加了確定邊緣時所考慮的像素點，減少了誤判的情況，很大程度上解決了“Roberts”算子對噪聲敏感的問題[5]。使用“Sobel”算子中需設(shè)置閾值參數(shù)（0～1），其代表是對于顏色變化地敏感程度，參數(shù)越大，對顏色變化越不敏感，檢測出的邊緣越少。因此需要按照實際情況調(diào)整此參數(shù)大小。

“Canny”算子是一種二階微分算子，區(qū)別去上述兩種一階微分算子。其最大特點在于對于邊緣的檢測非常精準(zhǔn)且結(jié)果連續(xù)（一階算子所致結(jié)果斷斷續(xù)續(xù)，只能看出大致輪廓），但在實際使用中，過度的精確同樣會放大噪聲等與車牌無關(guān)的要素（同樣確定邊緣）[6]。例如，有些車輛的車前保險杠樣式復(fù)雜，或是車輛所在路面是凹凸不平的瀝青路，這些情況都會是的真正車牌被淹沒在噪聲和無關(guān)信息之下，為后續(xù)工作帶來困難。

綜上所述，“Sobel”算子是最符合實際需求的，其即可以較為精準(zhǔn)地在含有噪聲和無關(guān)信息的干擾下確定車牌邊緣，又不會使噪聲和無關(guān)信息被過度放大。

最后，將“Sobel”算子應(yīng)用于邊緣檢測算法（閾值設(shè)置為0.28）并將算法作用于步驟1中所得矩陣后可得（不必使用原RGB圖像，將RBG圖像二值化即可[7]）：

1.3 圖像腐蝕（形態(tài)學(xué)）

從圖2中可以看出，許多于車牌無關(guān)的物體都被檢測出了邊緣，因此要將這些無意義的物體去除。如前文所述，車牌的設(shè)計樣式具有明顯特征：其邊框為一個長方形且號碼字體橫平豎直[8]。去除無關(guān)物體的核心思想便是使用長方形的結(jié)構(gòu)元素并通過圖像腐蝕;經(jīng)過多次實驗，較為理想的結(jié)構(gòu)元素為：

1.4 邊緣平滑處理（形態(tài)學(xué)）

如上文所述，使用“Sobel”算子檢測物體邊緣后所得邊框是不連續(xù)的;從圖3中也可看出檢測結(jié)果只是輪廓，因此要將這些斷斷續(xù)續(xù)的“邊框”連接起來才能還原出大致的車牌位置。此時便可以使用形態(tài)學(xué)中的“閉運算”來連接不連續(xù)的“邊框”。同理更具車牌的長方形樣式，“閉運算”的結(jié)構(gòu)元素應(yīng)選用長方形的;經(jīng)過多次實驗，較為理想的結(jié)構(gòu)元素為：

需注意的是，結(jié)構(gòu)元素中具體數(shù)字應(yīng)根據(jù)圖像大小來決定。本實驗所用圖像大小為4032*3024，因此結(jié)構(gòu)中元素數(shù)值才為80。若所用攝像頭分辨率低，應(yīng)調(diào)試元素大小以適應(yīng)工作。

1.5 去除小對象

由圖4可看出，原本斷斷續(xù)續(xù)的車牌“邊框”已經(jīng)被連接在一起，但一些噪聲和無關(guān)的信息同樣被選取了出來。但可以觀察到，噪聲的分布是無規(guī)律的，經(jīng)過“閉運算”后的結(jié)果也是零散分布的，因此可以通過判斷設(shè)置面積閾值來去除噪聲的影響。本實驗中所設(shè)閾值為5000，但實際使用前應(yīng)根據(jù)攝像頭像素進(jìn)行具體調(diào)試。去除小對象后的結(jié)果可得：

1.6按顏色做交叉驗證（可選）

正如圖5所示，對于一些背景復(fù)雜的圖像，僅依靠上述方法的難以確定車牌位置，此時可通過限制顏色來進(jìn)一步去除無關(guān)信息。此方法的依據(jù)是：車牌的顏色固定，藍(lán)色車牌為民用，綠色車牌為新能源汽車以及白色等特種車牌。算法可根據(jù)實際使用場景做靈活更改。例如，將此算法用作小區(qū)停車庫閘口，車牌顏色可限制在藍(lán)色和綠色。本實驗中限制車牌顏色為綠色，結(jié)果可得：

1.7 定位車牌

依照圖6所示結(jié)果，白色區(qū)域的外接長方形便是車牌的實際位置。具體算法為：首先將所有行相加，可得一列兩端為零中間為零或正整數(shù)的數(shù)據(jù)（圖像中黑色代表0，白色代表1），從左向右第一個非零數(shù)所對應(yīng)位置即為車牌的左邊界;從右向左第一個非零數(shù)所對應(yīng)位置即為車牌的有邊界。同理可得車牌的上下邊界。由此4個邊界便可以得到車牌四角的位置，然后從原圖像中取出。示例圖像的車牌檢測結(jié)果為：

2結(jié)論與改進(jìn)

依照上述7個步驟，最后便可以成功地從復(fù)雜地背景圖像中檢測出車牌。需注意的是，在使用算子、平滑邊緣和去除小對象時，需要根據(jù)攝像頭所拍攝圖像的大小調(diào)整參數(shù)。實際上本實驗為了驗證算法的可行性，選擇了清晰度高（圖像大）的圖像進(jìn)行測試，實際使用中如果攝像頭分辨率小，檢測效果會更好。另外，本文所述算法可針對整張圖像進(jìn)行檢測，實際使用中可以只對部分圖像進(jìn)行車牌檢測，即規(guī)定車輛需要開到指定位置或范圍。

參考文獻(xiàn)：

[1]Ahn C S，Lee B G，Yang S S，etal.Design of car license plate area detection algorithm for enhanced recognition plate[C]//2017 4th International Conference on Computer Applications and Information Processing Technology （CAIPT）.8-10Aug.2017，Kuta Bali，Indonesia.IEEE，2017：1-4.

[2] Sa-NgamuangP，ThamnittasanaC，Kondo T.Thai car license plate recognition using essential-elements-based method[C]//2007 Asia-Pacific Conference on Communications.18-20Oct.2007，Bangkok，Thailand.IEEE，2007：41-44.

[3] Xu P F，Miao Q G，Liu TG，etal.Multi-direction edge detection operator[C]//2015 11th International Conference on Computational Intelligence and Security （CIS）.19-20Dec.2015，Shenzhen，China.IEEE，2015：187-190.

[4] Wang AL，LiuX S.Vehicle license plate location based on improved Roberts operator and mathematical morphology[C]//2012 Second International Conference onInstrumentation，Measurement，Computer，Communication and Control.8-10Dec.2012，Harbin，China.IEEE，2012：995-998.

[5] Zhang Y， Han X， Zhang Het al.Edge detection algorithm of image fusion based on improved Sobel operator[C]//2017 IEEE 3rd Information Technology and Mechatronics Engineering Conference （ITOEC）， Chongqing， 2017：457-461.

[6] RamyaR，Babu P S.Automatic tuberculosis screening using canny Edge detection method[C]// 2015 2nd International Conference on Electronics and Communication Systems （ICECS）， Coimbatore， 2015：282-285.

[7] Baoya Z， Caiqiao W， Huifeng K， et al.Binarization Method of Steel Tape Based on Edge Detection[C]//2013 Fifth International Conference on Measuring Technology and Mechatronics Automation， Hong Kong， 2013：341-344.

[8] Perumal E， Arulandhu P.Multilevel morphological fuzzy edge detection for color images （MMFED）[C]//2017 International Conference on Electrical， Electronics， Communication， Computer， and Optimization Techniques （ICEECCOT）， 2017：269-273.

【通聯(lián)編輯：唐一東】