一種針對復雜背景的復合車牌定位算法

摘要：針對單一車牌定位算法在復雜背景中定位的條件受限情況，提出了將邊緣檢測定位和顏色提取定位復合使用的多層次處理算法。該算法設計了一套偽車牌區域判別方法，先利用兩種定位算法并行處理車牌圖片，再將其得到的候選區域進行偽區域判別以獲得正確的車牌區域。該算法具有更廣泛的適用范圍，定位準確度較單一定位方法要高。

關鍵詞：車牌定位； 復合處理； 偽區域判別

中圖分類號：TP391.41文獻標志碼：A

文章編號：1001－3695(2008)06－1741－03

車牌定位是車牌自動識別系統實現的關鍵部分，車牌定位的準確與否，直接決定了后續字符分割和識別的圖像處理與識別的質量與成敗。現在車牌定位已經提出了很多方法，比如R．Parisi等人[1]提出的基于DFT變換的頻域分析方法，Kim等人[2]提出的神經網絡進行車牌提取，J．Barroso等人[3]提出的基于水平線搜尋的定位方法等。其中比較成熟的大體上可以分為兩類：基于車牌邊緣檢測的算法[4]和基于彩色分割的算法[5]。但是車牌識別存在許多客觀的干擾因素，如光照、背景、車牌磨損、圖像傾斜等，導致基于車牌邊緣檢測的算法難以解決背景復雜和光照強烈的情況，基于彩色分割的算法對于背景顏色和車牌容易混淆的車牌定位效果不理想，這些因素給車牌定位帶來了許多困難。本文提出了將邊緣檢測和顏色提取復合處理的方法，以彌補單一算法的不足之處，實現在多種情況下車牌的準確定位。

1復合車牌定位算法

1．1邊緣檢測與圖像提取算法

本文通過偽車牌區域判決算法將邊緣檢測和顏色提取兩種定位處理復合，以實現車牌定位的多層次處理。基于邊緣檢測的定位算法主要利用車牌區域和非車牌區域紋理信息的差異進行處理定位。車牌部分存在著大量的邊緣，紋理信息十分豐富，而背景部分邊緣相對要少得多，所以可以將邊緣作為車牌與背景的區分手段。

圖像的邊緣是指某像素區域和其周圍的像素灰度有階躍變化，如牌照區域的字符和背景就有明顯的邊緣，而且邊緣的個數也很多，這是牌照區域區別于其他區域的根本特征之一[6]。對原始圖像進行灰度化和二值化之后，可以開始邊緣檢測。圖像邊緣的獲得可采用Sobel垂直算子對圖像進行運算。考慮到二值化后的圖像有許多的孤立噪聲，還需對圖像進行一次中值濾波，以消除各種背景噪聲。由于車牌的字符是許多的豎線，中值濾波模板選用（1，1，1，1）T，然后可以進行牌照搜索，采用投影法完成，垂直投影檢測出車牌的水平位置，水平投影檢測車牌的垂直位置。但是單一的邊緣處理是有缺陷的，對于背景過于復雜或是光照過于強烈的環境，難以正確定位。同時，又考慮到車牌區域的顏色與非車牌區域的顏色通常情況下有很大的區別，在邊緣檢測不能正確定位的情況下，可以復合采用基于彩色分割的定位算法。

顏色提取定位算法主要思想是[7]：將RGB彩色空間轉換為HSV彩色空間；利用顏色空間距離以及相似度計算進行圖像顏色分割。分割時，將圖像中的目標區域設為前景白色，其余區域設為背景黑色，以獲得候選區域。再進一步結合形態學的思想和標準車牌的特點定位車牌。同樣，單獨使用顏色提取的算法，對于背景和車牌區域過于相似的情況也會有定位的困難，而偽車牌定位的判別正是實現復合的關鍵。圖1給出了偽車牌判別與兩算法之間的流程關系。

1．2偽牌判決算法

1．2．1車牌圖像特點研究

1)車牌顏色的特點中國的車牌按顏色主要可分為四種，即小型汽車顏色為藍底白字；大型汽車為黃底黑字；軍用或警用車為白底紅字；外籍車為黑底白字。

2)車牌形狀的特點一般對車牌的拍攝會因為角度的不同而呈現出一定的形變，但是實際的定位圖像一般仍呈長方形。

3)車牌字符的特點車牌字符也是具有一定規律的。車牌的背景色與字符色之間的對比度較明顯，幾個字符連續出現在水平方向上會形成一系列的明暗交替，有豐富的邊緣存在，且筆畫中的縱向筆畫豐富，字符和牌照底在灰度值上存在突變。

4)車牌在圖像中的位置特點車牌一般在汽車的前方或后方的中央，而車身的顏色一般是一致的，不會有突變。

以上的先驗知識都可以用做車牌真偽的判別。一般的車牌都是在野外拍攝的，受時間和氣候的影響較大，背景的復雜性使車牌圖像中含有諸多與車牌信息類似的區域，會被誤認為是虛假車牌。偽車牌區域可作如下分類：a)零亂的但具有和車牌類似邊緣的區域；b)顏色與牌照顏色相近的小噪聲區域或汽車外殼區域。下面根據車牌特點的先驗知識和偽車牌區域圖像顏色復雜、紋理信息不明顯等自身特點，提出了偽車牌判別的方法。

1．2．2車牌真偽的簡單預判別

1)幾何判決在獲得車牌區域（無論真偽）后，可以獲得如下的幾何特征：待判車牌區域的面積area、總體寬度width、總體高度height以及寬高比ratio=width/height。

在車牌圖像拍攝的場景確定時，牌照區域的值一定在一定的范圍內：

areaMin＜area＜areaMax(1)

widthMin＜width＜widthMax(2)

heightMin＜height＜heightMax(3)

ratioMin＜ratio＜ratioMax(4)

當待判區域不在此幾何范圍內時，認為此區域是偽車牌區域。其中，各個幾何特征值的最大和最小值都是根據實際的圖像獲得的動態閾值，根據拍攝圖像的大小不同，其范圍也是不一樣的。

2)密度判別為了判別的方便，在對車牌區域二值化時，將字符賦為黑點，背景賦為白點。真實車牌的黑點數目num是相當豐富的。將num與整個背景區域比較，用式(5)表示為

num/area＞threshold；為真實車牌區域others;為偽車牌區域

（5）

1．2．3使用投影圖判斷車牌真偽的方法

從車牌字符的特點可以預見，車牌區域的垂直投影圖將呈現多鋸齒狀，連續字符之間將在水平方向上出現有規律的明暗交替[8]。根據這一特點，可以使用一條水平直線與投影圖相交，統計交點的最大個數，以此判斷真偽車牌。由于車牌的字符數為7，交點的最大個數不能小于14，否則認為是偽車牌。該方法的步驟如下：

a）作該區域的垂直投影圖；

b）考慮到投影圖會有尖峰噪聲，從而影響后續統計，所以將投影圖進行一次高斯濾波；

c）從投影圖底部開始，用一條水平線穿過投影圖，統計水平線與投影圖的交點個數；

d）將水平線依次上移，直到到達投影圖的頂部，并找到水平線交點的最大個數N；

e）如果N小于一個閾值T，則認為是偽車牌區域。

圖2為實際投影圖統計水平交點的示意圖。圖2(a)是與車牌區域有著相似的邊緣信息的偽車牌區域；(b)是該圖像的真實車牌區域。對兩幅圖進行垂直投影，圖中的水平線是交點個數最大的水平線示意。從圖中可以看到真實車牌的投影更加有規律，字符與字符之間有明顯的間隔。

1．2．4車牌真偽的顏色判別法

車牌是具有顏色信息的，并且車牌牌底擁有的顏色只有藍、黃、黑、白四種，而字符顏色只有白、黑、紅三種，作為真實車牌，定位的圖像，四種牌底顏色中的一種必須占有相當的比重，同時其牌底顏色對應的字符顏色與牌底顏色的比值也不應小于某個閾值。在HSV彩色汽車圖像中用H和S分量標志藍色和黃色區域，再用V分量標志白色和黑色區域，其他無關顏色區域標志為牌照的背景，可以獲得多個待定車牌。然后可采用如下步驟進行判斷：

a）將原彩色圖像f(x，y)轉換為6級灰度圖g(x，y)，將所有可能的牌照區域標志出來。其中：灰度值255用來標志藍色區域(用B1標志)；灰度值200用來標志黃色區域(用Y標志)；灰度值I50用來標志白色區域(用W標志)；灰度值100用來標志黑色區域(用B2標志)；灰度值50用來標志紅色區域（用R標志）；灰度值0用來標志與牌底顏色無關的圖像背景[9]。

b）車牌牌底只有藍、黃、黑、白四種顏色，假定待判車牌區域的面積為area，根據a)中的結果，比較四種底色：

圖3為一幅顏色比較暗淡且容易混淆的車牌圖像，對其使用顏色定位可以獲得幾個待判車牌區域。

可以看到通過顏色判別后，依然有兩個待判區域，可以觀察到偽待判區域是白底黑字（有一個“公”字），同時車身上開門處的縫隙被灰度化為黑色，這些信息綜合在一起，造成了顏色判決法不能最終得到定位結果。所以必須再次進行1．2．3節中的投影圖判別。為了能夠使用投影圖判斷以及后續的字符分割、識別等后續操作，必須先對圖像進行二值化。

1．3針對顏色定位二值化算法

通過顏色提取獲得車牌區域后，要進行二值化以判斷車牌區域的真偽。此時的二值化是針對已定位的小區域進行的，其目的是為了可以進行投影判斷以及輔助完成彩色提取車牌后的字符識別工作。在理想的情況下，如果前景物體內部灰度值分布比較均勻，背景灰度值的分布也是比較均勻的，這個圖像的灰度直方圖將有明顯雙峰效果（圖4），則值T可以作為閾值。但是，如果存在光照強烈或光照不均等噪聲干擾，會在直方圖中出現虛極值而導致閾值選取的誤差。用實際直方圖來分析，可以從直方圖上看到多個峰值，而每兩個峰值之間的谷點均可以作為分割的閾值。采用傳統的整體二值化算法，對于經顏色定位獲得的區域缺乏針對性，不能獲得很好的二值化效果。基于這樣的情況，這里提出了基于特征中線的二值化算法，在顏色定位之后實現車牌的二值化。

此算法是提取一條穿過字符的水平直線作為特征線，統計該線上像素點的灰度平均值作為閾值。其算法表示為

考慮到實際情況中，由于車牌的傾斜，特征線常常不能穿過所有字符，為使閾值盡可能完善，應加一個輔助的動態偏移量來進行調整。

2實驗結果與分析

本文一共選取了160張圖片，根據圖片背景的不同特點，將其分為兩組：第一組選取的是光照不均，是光照比較強烈的圖片；第二組選取的是背景顏色與車牌顏色相似的圖片。下面選取了一張反光鏡中的車牌圖片，在圖6中給出了其定位流程及實驗結果。(b)是邊緣檢測中的二值化結果。從這一步可以看到，因為反光鏡中的光照不均，采用全局二值化后，車牌區域已經模糊不清，這直接影響了后面的Sobel算子的檢測結果，最終導致定位失敗(c)是邊緣檢測定位失敗的示意。同時，將原圖采用顏色提取，并經過1．2．4節中的偽車牌顏色判別后，可以獲得(d)所示的定位結果。接下來的工作就是從兩種方法的定位結果中判斷出真實車牌。為此，先對(d)進行特征中線二值化以獲得(e)；再對(e)(c)采用1．2．3節的方法進行偽車牌判別，最終定位出車牌區域。在表1中對160張圖片的測試給出了統計結果。

實驗結果表明，復合算法在測試的160張圖片中識別率可以達到96．9％，大大高于單一算法的識別效果。

3結束語

實驗結果表明，本文給出的復合算法是一種有效的定位算法。該算法具有如下的特點：a）將邊緣檢測和顏色提取復合使用，可以彌補兩種算法本身的缺陷，對一些較復雜的車牌圖片有著較高的適應能力；b）該方法對車牌的大小、車牌在圖像中的位置限制較少；c）給出了偽牌的判別方法，以實現兩種算法的融合。但是本算法是復合執行的，在一定程度上增加了算法的執行時間。本算法可適用于對實時性要求不是很高的汽車管理系統，如停車場的汽車管理等場合。

參考文獻：

［1］PARISI R， Di CLAUDIO E D， LUCARELLI G，et al．Car plate recognition by neural networks and image processing[C]//Proc of IEEE International Symposium on Circuits and Systems. 1998:195－198.

[2]KIM K K，KIM K I，KIM J B，et al．Learning－based approach for licenseplate recognition[C]//Proc of Signal Prolessing Society Workshop on IEEENeuralNetwork. 2000:614－623.

[3]BARROSO J，DAGLESS E L，RAFAEL A， et al． Number plate rea－ding using computer vision[C]//Proc of IEEE International Sympo－sium on Industrial Electronics. 1997:761－766.

[4]胡小鋒，趙輝．Visual C++/MATLAB圖像處理與識別實用案例精選[M]．北京:人民郵電出版社，2004.

[5]郭捷，施鵬飛．基于顏色和紋理分析的車牌定位方法[J]．中國圖象圖形學報，2002，7(5):472－476.

[6]陳兆學， 施鵬飛．基于灰度圖像的車牌快速定位和分割方法[J].計算機工程， 2006， 32(9):173－177.

[7]吳德會，王曉紅，石俊，等．基于車牌特征顏色相似度的定位方法[J]．公路交通科技， 2005，22(1):136－139.

[8]吳傳孫．汽車牌照自動識別技術研究[D]．南昌:江西師范大學，2003.

[9]王枚，王國宏，潘國華．基于HSV空間的車牌定位方法[J].煙臺大學學報：自然科學與工程版， 2007，20(1):48－52.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文