陳愛萍 ,林金山

(1.湄洲灣職業(yè)技術學院 信息工程系,福建 莆田 351119;2.莆田學院 機電與信息工程學院,福建 莆田 351100)

0 引言

隨著經(jīng)濟的快速發(fā)展,國民的生活水平得到了大幅度的提升,城市機動車保有量快速增加。車牌是汽車的“身份證”,能夠在公共場合確定汽車的身份。車牌識別作為城市智能交通的重要組成部分,直接影響城市的交通管理與控制,車牌定位成為當前學術界研究的焦點問題。廉寧等針對復雜背景下車牌定位效果不理想的問題,提出了聯(lián)合數(shù)學形態(tài)學和顏色特征的車牌定位算法,該算法對車牌定位準確率高、受背景的限制較少[1]。王曉群等研究了不同光線環(huán)境所采集車牌圖像的定位問題,對所采集的車牌圖像運用自適應對比度增強算法實施圖像預處理,使得不同光線下所采集的車牌圖像能夠得到有效處理,車牌定位的精度大幅提升[2]。劉曉瑤等針對背景、天氣、圖像傾斜等干擾導致車牌定位精度低的問題,提出了將顏色邊緣特征提取與深度學習相結合的車牌定位算法,并通過實例驗證了該算法具有良好的魯棒性,能夠確保在復雜環(huán)境下良好的車牌定位性能[3]。李兵等采用TensorFlow深度學習對采集圖像進行邊緣檢測,借助數(shù)學形態(tài)學算法獲得車牌候選區(qū)域,同時確保車牌候選區(qū)域是連通的,它提升了車牌定位的精度和效率[4]。秦瑋等針對圖像識別易被噪聲破壞的問題,引入數(shù)學形態(tài)學,指出基于數(shù)學形態(tài)學的圖像邊緣檢測對噪聲與模糊圖像具有良好的魯棒性[5]。數(shù)學形態(tài)學是建立在格論與拓撲學基礎上的圖像分析學科,將其應用于車牌定位中,能提升車牌定位的精度。

1 改進數(shù)學形態(tài)學的邊緣檢測算法

1.1 數(shù)學形態(tài)學

數(shù)學形態(tài)學建立在格論與拓撲學基礎之上,其由形態(tài)學代數(shù)運算子所構成。數(shù)學形態(tài)學算法通過結構元素獲取圖像中的特定形狀,實現(xiàn)圖像處理的目的。膨脹、腐蝕、開啟、閉合是數(shù)學形態(tài)學的4種基本運算[6]。

膨脹運算符號為⊕,圖像集合A用結構元素B來膨脹,即

(1)

腐蝕運算符號為Θ,圖像集合A用結構元素B來腐蝕,即

AΘB={x|(B)x?A}

(2)

開啟運算符號為°,即先進行腐蝕運算,然后進行膨脹運算,同時腐蝕和膨脹運算采用的是同一結構元素,即

A°B=(AΘB)⊕B

(3)

閉合運算符號為?,即先進行膨脹運算,然后進行腐蝕運算,同時膨脹和腐蝕運算采用的是同一結構元素,即

A?B=(A⊕B)ΘB

(4)

由圖1可知,圖像進行膨脹操作能夠將圖像中的背景點與圖像中的物體合并,增大目標,同時對目標中的空洞進行填補操作。圖像進行腐蝕運算能夠將圖像邊界點消除,縮小目標,同時小于結構元素的噪聲點也可以得到有效濾除。通過數(shù)學形態(tài)學的開運算操作能夠有效消除在圖像中的細小噪聲實現(xiàn)對圖像邊界的平滑處理,進行閉運算操作能夠對圖像中的細小空洞進行填補,同時對物體的邊界進行平滑處理。

圖1 圖像數(shù)學形態(tài)學4種基本運算結果

圖2 圖像邊界提取結果

采用數(shù)學形態(tài)學可以對圖像的邊緣進行檢測,設β(A)為集合A的邊界,β(A)可以通過原始圖像和腐蝕后圖像作差或者膨脹后圖像與原始圖像作差的方式來獲得,即[7]

(5)

1.2 改進數(shù)學形態(tài)學

傳統(tǒng)數(shù)學形態(tài)學采用單一結構,這使得其對圖像邊緣的提取往往不能夠獲得理想的效果,為此對數(shù)學形態(tài)學進行改進,具體操作為:

1)采用3×3或者5×5的結構元素對圖像進行膨脹操作,將膨脹圖像和原始圖像作差,其結果為A1;

2)采用3×3或者5×5的結構元素對圖像進行腐蝕操作,將原始圖像和腐蝕圖像作差,其結果為A2;

3)將膨脹圖像和腐蝕圖像作差,其結果為A3。

取A1、A2、A3的平均值,將其作為圖像邊緣檢測的結果,即

(6)

2 車牌定位

2.1 車牌粗略定位

車牌定位的關鍵是對包含車牌的區(qū)域粗略定位,采用改進數(shù)學形態(tài)學算法就可以實現(xiàn)車牌的粗略定位。對車牌邊緣圖像實施閉運算和開運算,車牌區(qū)域就實現(xiàn)了連通,進而獲得車牌的候選區(qū)域。車牌粗略定位流程如圖3所示[8]。

圖3 車牌粗略定位流程

由圖3可知,車牌粗略定位的第一步是對邊緣圖像閉運算,通過閉運算將狹窄缺口連接,對處理對象的輪廓平滑處理和填充比較小的洞。結構元素的選擇直接影響到圖像處理的結果,考慮到車牌區(qū)域形狀為矩形,因此選擇方形結構元。邊緣圖像進行閉運算之后,一些無關背景也被連通,因此第二步是進行開運算,同樣選擇方形結構元,通過開運算處理無關背景影響因素。在經(jīng)過閉運算和開運算之后將得到多個連通的區(qū)域,這對車牌精準定位產(chǎn)生巨大的干擾。采用MATLAB軟件自帶的bwareaopen函數(shù)將小對象移除,從而更好地實現(xiàn)車牌的精準定位。

2.2 車牌精準定位

對車牌進行粗略定位使得車牌定位的范圍大大縮小,但是依舊有許多多余的候選區(qū)域。為了實現(xiàn)對車牌的精準定位,在車牌粗略定位基礎上通過車牌彩色信息對圖像進一步進行分割,從而實現(xiàn)對車牌的精準定位。目前,車牌底色主要有四種,分別為藍色、黑色、黃色、白色(軍車、武警車車牌),利用車牌底色信息對車牌進一步進行分割。區(qū)域標記法和行列掃描投影法是車牌精準定位的常用算法,和行列掃描投影法相比,區(qū)域標記法具有原理簡單、實現(xiàn)容易等優(yōu)點,在車牌精準定位中應用十分廣泛[9]。考慮到我國車牌拍照寬高比為3.14,因此設定寬高比率閾值區(qū)間為3.0～3.5。分別采用區(qū)域標記法和車牌彩色信息法獲取車牌區(qū)域,對兩種方法所獲得的車牌區(qū)域取交集,從而實現(xiàn)對車牌的精準定位。聯(lián)合區(qū)域標記法和車牌底色特征對車牌實施精準定位流程如圖4所示。

圖4 聯(lián)合區(qū)域標記法和車牌底色特征的車牌精準定位流程

3 車牌定位實例分析

3.1 圖像預處理

采用圖像采集器獲得的車輛圖像均是RGB彩色圖像[10],最終得到處理后的二值化圖像,圖5為所采集車輛的原始圖像及對應二值化圖像。

圖5 車輛原始圖像及二值化圖像

車牌定位的第一步是提取圖像的邊緣,將改進前后的數(shù)學形態(tài)學算法應用于車牌圖像邊緣提取中,結果如圖6所示。

圖6 圖像邊緣提取結果對比

3.2 結果分析

由圖6可知,傳統(tǒng)數(shù)學形態(tài)學算法能夠較好地提取圖像的邊緣,但是所提取的邊緣細節(jié)不夠豐富。改進數(shù)學形態(tài)學算法能夠更為完整地保留圖像的邊緣,同時將一些虛假的邊緣去掉,所得到的圖像邊緣輪廓更為清晰。

車牌定位的第二步是車牌粗略定位,對提取的圖像邊緣輪廓進行閉運算、開運算以及小對象移除,得到移除小對象后的圖像,結果如圖7所示。

圖7 移除小對象后結果

車牌定位的第三步是車牌精準定位,分別對車輛1和車輛2的兩個區(qū)域進行標記,提取標記區(qū)域的坐標、寬、高,并進行記錄。設定寬高比率閾值區(qū)間為3.0～3.5,提取車輛1和車輛2的車牌區(qū)域,結果如圖8所示。

圖8 車牌精準定位結果

由圖8可知,對存在傾斜、復雜背景下的車牌,改進的數(shù)學形態(tài)學算法均可以對車牌進行精準定位。

3.3 算法穩(wěn)定性分析

為了驗證改進數(shù)學形態(tài)學算法在車牌定位應用上的穩(wěn)定性,隨機采集180輛汽車的車牌照片,這些車牌照片包含不同光照條件、不同拍攝角度、不同車型。分別采用傳統(tǒng)數(shù)學形態(tài)學算法和改進數(shù)學形態(tài)學算法進行車牌定位,車牌準確定位結果如表1所示。

表1 不同算法車牌定位結果對比

由表1可知準確定位率提高了13.9百分點,特別是對于傾斜的車牌能夠更為準確地定位,在車牌定位領域具有更為廣泛的應用。

4 結論

車牌識別是城市交通管理智能化的關鍵,而準確識別車牌的關鍵是車牌的精準定位。針對傳統(tǒng)數(shù)學形態(tài)學算法在車牌定位上存在車牌傾斜時定位精度不高的問題,對數(shù)學形態(tài)學算法進行改進,并將其應用于實際的車牌定位中。結果表明,改進的數(shù)學形態(tài)學算法對車牌定位準確率高,特別是在車牌傾斜時改進算法更為有效,相對于傳統(tǒng)的數(shù)學形態(tài)學算法具有更好的通用性。該研究對提高車牌定位的準確率、車牌識別的精度具有一定的參考價值。