基于數(shù)學(xué)形態(tài)學(xué)的車牌分割算法

摘要:該文提出一種基于數(shù)學(xué)形態(tài)學(xué)的車牌圖像分割算法。首先，對(duì)原始車牌圖像進(jìn)行預(yù)處理;然后，利用一種抗噪型數(shù)學(xué)形態(tài)學(xué)邊緣檢測算子進(jìn)行車牌邊緣檢測;最后，去除圖像水平噪聲，結(jié)合水平、垂直投影進(jìn)行定位。實(shí)驗(yàn)表明，該方法不僅算法簡單、準(zhǔn)確度高，且適于對(duì)有噪聲及背景復(fù)雜的車牌圖像進(jìn)行分割。

關(guān)鍵詞:車牌分割;數(shù)學(xué)形態(tài)學(xué);結(jié)構(gòu)元素;邊緣檢測

中圖分類號(hào):TP18文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2009)24-6859-03

An Algorithm of License Plate Segmentation Based on Mathematical Morphology

XIONG Chun-rong， XIE Miao

(Yulin Normal University，Yulin 537000， China)

Abstract: In this paper， a algorithm of license plate segmentation based on mathematical morphology is proposed. First， we carry on the pretreatment to the original license plate image; Then，detect the car licence edge with one anti-chirp mathematics morphology edge detection operator; Finally， remove the horizontal noise of car licence mage and union horizontal， vertical positioning projection for locating the car licence. During the experiment， This method is not only a simple algorithm、high accuracy， and suitable for license plate segmentation to the car license image which have the noise and complex background.

Key words: license plate segmentation; mathematical morphology; structure element; edge detection

車牌識(shí)別(car license plates recognition，CLPR)系統(tǒng)作為智能交通系統(tǒng)(Intelligent Transport System，ITS)的重要組成部分，已廣泛應(yīng)用于交通流量檢測，公路不停車收費(fèi)，闖紅燈違章車輛監(jiān)控等領(lǐng)域。其目標(biāo)是在無人參與的情況下，提取和識(shí)別汽車牌照上的字符。它是計(jì)算機(jī)視覺、圖像處理和模式識(shí)別技術(shù)在智能交通領(lǐng)域的應(yīng)用。完整的CLPR系統(tǒng)由車牌定位、字符分割與字符識(shí)別三部分組成[1]。

在CLPR系統(tǒng)中，車牌定位是十分關(guān)鍵的一步，車牌定位是整個(gè)識(shí)別模塊實(shí)現(xiàn)的前提，其定位準(zhǔn)確率將大大影響整個(gè)系統(tǒng)的最終識(shí)別性能，而車牌定位歷來是車牌識(shí)別系統(tǒng)中的難點(diǎn)問題。車牌定位的實(shí)質(zhì)是圖像分割，其目標(biāo)是從原圖像中提取牌照區(qū)域，以供下一步字符分割與識(shí)別。在實(shí)際環(huán)境下，由于天氣變化，光照不均勻，攝像機(jī)畸變和電子噪聲，以及車牌污跡磨損等客觀原因?qū)嚺贫ㄎ粶?zhǔn)確率造成影響，因此有必要采取合理的有效的車牌定位算法來克服這些客觀因素的不利影響。國內(nèi)外對(duì)于車牌的定位進(jìn)行了深入的研究，定位的方法多種多樣，歸納起來主要有紋理分析法、邊緣檢測法、神經(jīng)網(wǎng)絡(luò)法等，然而由于牌照存在著各種干擾情況，這些方法各有所長，但存在著計(jì)算量大或定位準(zhǔn)確率不高等問題。近年來，形態(tài)學(xué)圖像處理己發(fā)展成為圖像處理的一個(gè)重要研究領(lǐng)域，本文將一種抗噪型數(shù)學(xué)形態(tài)學(xué)邊緣提取算子應(yīng)用于車牌圖像邊緣提取，使得車牌定位不僅效果好，且適于對(duì)有噪聲及復(fù)雜背景的車牌圖像進(jìn)行分割。

1 數(shù)學(xué)形態(tài)學(xué)的基本原理

數(shù)學(xué)形態(tài)學(xué)是分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，是建立在集合代數(shù)基礎(chǔ)上，用集合論方法定量描述幾何結(jié)構(gòu)的科學(xué)。其基本思想是用一個(gè)結(jié)構(gòu)元素作為基本工具來探測和提取圖像特征，看這個(gè)結(jié)構(gòu)元素是否能夠適當(dāng)有效地放入圖像內(nèi)部[2]。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有:腐蝕，膨脹，開啟和閉合四種。

1.1 腐蝕

腐蝕的運(yùn)算符為“Θ\"，對(duì)于一個(gè)給定的圖像A，用結(jié)構(gòu)元素B來腐蝕，可以定義為:

AΘB={x:B+x?奐A}

由于腐蝕表示某個(gè)結(jié)構(gòu)元素對(duì)一個(gè)圖像進(jìn)行探測，以便找出在圖像內(nèi)部可以放下結(jié)構(gòu)元素的區(qū)域，則腐蝕是一種消除邊界點(diǎn)的過程，結(jié)果是使目標(biāo)縮小，空洞增大，可以有效消除孤立噪聲點(diǎn)。

1.2 膨脹

膨脹的運(yùn)算符為“?茌”，對(duì)于一個(gè)給定圖像集合A，用結(jié)構(gòu)元素B來膨脹。可以定義為:

A?茌B=Y{A+b:b?奐B}

因而，膨脹的結(jié)果使目標(biāo)增大，空洞縮小，可填補(bǔ)目標(biāo)物體中空洞，形成連通域。如果結(jié)構(gòu)元素為一個(gè)圓盤，那么膨脹可以填允圖像中的孔。值得注意的是，結(jié)構(gòu)元素的大小和形狀對(duì)膨脹的結(jié)果會(huì)產(chǎn)生不同的影響。

1.3 開啟和閉合

開啟和閉合運(yùn)算是膨脹和腐蝕的代數(shù)運(yùn)算、集合操作組成的。開啟運(yùn)算是先對(duì)圖像進(jìn)行腐蝕然后再進(jìn)行膨脹，閉合運(yùn)算是先對(duì)圖像進(jìn)行膨脹再進(jìn)行腐蝕。若結(jié)構(gòu)元素為B，圖像為A，則:

開運(yùn)算定義為:A○B(yǎng)=(AΘB}?茌B

閉運(yùn)算定義為:A●B=(A?茌B}ΘB

因而，開啟運(yùn)算通過消除邊緣的突起可以使圖像的邊界得以平滑，具有濾去小于結(jié)構(gòu)元素的細(xì)節(jié)的功能。而閉合運(yùn)算則是通過先膨脹后腐蝕的處理方法填充圖像內(nèi)部空隙并連接鄰近的物體，具有填補(bǔ)小于結(jié)構(gòu)元素的細(xì)節(jié)的功能。

2 基于數(shù)學(xué)形態(tài)學(xué)的車牌分割算法

車牌分割算法的處理過程如圖1所示。

2.1 圖像預(yù)處理

車牌原始圖像的采集大多是通過攝像機(jī)、數(shù)碼相機(jī)等設(shè)備來拍攝獲取的，一般情況下都是彩色圖像，由于彩色圖像表示的信息較多，用函數(shù)表示復(fù)雜，且運(yùn)算速度慢，則在預(yù)處理過程中，本文首先將彩色圖像轉(zhuǎn)換為灰度圖像，便于處理;由于車牌圖像受各種客觀因素的影響，使得質(zhì)量較差，所以對(duì)其進(jìn)行灰度拉伸，使圖像明暗更加清晰，增強(qiáng)對(duì)比度;再用典型的全局閾值法Ostu對(duì)圖像進(jìn)行二值化處理，使圖像變?yōu)橹挥泻诎锥亩祱D像，使得車牌紋理特征更加清晰地突顯出來，為后續(xù)處理做好準(zhǔn)備。預(yù)處理過程如圖2所示。

2.2 形態(tài)學(xué)邊緣檢測

圖像的邊緣是圖像最基本的特征。所謂邊緣是指其周圍像素灰度值呈階躍變化或“屋頂”狀變化的那些像素的集合。它廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。因此它是圖像分割所依賴的重要特征[3]。

在車牌圖像中，車牌區(qū)域內(nèi)有多個(gè)(一般為7個(gè))基本成水平排列的字符，則在水平方向上會(huì)形成一系列的明暗交替，存在豐富的邊緣，且筆劃中的縱向筆劃豐富，而非車牌區(qū)域，邊緣相對(duì)要少得多。這樣就可以把邊緣作為區(qū)分目標(biāo)與背景的標(biāo)志，通過對(duì)圖像進(jìn)行邊緣檢測的處理以后，車牌區(qū)域得到了加強(qiáng)，非車牌區(qū)域在很大程度上被削弱。

物體的邊緣是由灰度不連續(xù)性所形成的。常用的邊緣檢測算子有Roberts、Sobel、Prewitt等，它們是在求解二維灰度函數(shù)的梯度之后，選取合適的閾值以提取邊緣，通常稱之為梯度閾值法。這種微分算子運(yùn)算簡單，但抗噪能力差。

在數(shù)學(xué)形態(tài)學(xué)中，結(jié)構(gòu)元素對(duì)圖像作膨脹運(yùn)算會(huì)使二值圖像中目標(biāo)擴(kuò)大，背景縮小，而腐蝕運(yùn)算會(huì)使二值圖像中目標(biāo)縮小，而背景擴(kuò)大，形態(tài)學(xué)膨脹和開運(yùn)算可以抑制信號(hào)中的峰值噪聲，而形態(tài)學(xué)腐蝕和閉運(yùn)算可以抑制信號(hào)中的底谷噪聲[4]，利用這種特性可得到一種抗噪圖像邊緣提取算子:(A○B(yǎng))-(AΘB) 。為了檢驗(yàn)其邊緣檢測的效果，本文選取3×3結(jié)構(gòu)元素，用此算子與傳統(tǒng)的邊緣檢測算子對(duì)加噪車牌圖像進(jìn)行邊緣提取，經(jīng)對(duì)比，表明此形態(tài)學(xué)抗噪算子，檢測出的邊緣不但清晰、連續(xù)，而且能很好地濾除噪聲(如圖3)。

2.3 形態(tài)學(xué)腐蝕去水平噪

由于車牌區(qū)域的字符筆劃中的縱向筆劃豐富，相對(duì)于背景圖像而言，其具有大量縱向紋理特征。因此，車牌區(qū)域中縱向邊緣出現(xiàn)概率要比橫向邊緣出現(xiàn)概率大得多。這樣，若加強(qiáng)縱向邊緣提取，能夠初步消除掉大部分非汽車牌照區(qū)域。本文采用縱向線形結(jié)構(gòu)元素3×1，通過形態(tài)學(xué)腐蝕操作處理，能夠有效剔除水平邊緣噪聲影響(如圖4)。雖然在去除水平噪聲的同時(shí)剔除了車牌區(qū)域字符的水平邊緣，但能夠很好保持車牌區(qū)域垂直邊緣，對(duì)車牌區(qū)域定位比較適用。

2.4 車牌分割

車牌的分割就是從車牌圖像中提取車牌區(qū)域，它是對(duì)車牌進(jìn)行識(shí)別的前提。分割的方法多種多樣，而車牌原圖像經(jīng)過上述一系列的處理后，其中車牌區(qū)域的圖像白點(diǎn)較為集中，則本文最后用一種投影積分法[5-7]來完成分割。利用水平投影法檢測車牌水平位置，即定位車牌的上下邊界，然后利用垂直投影法檢測車牌垂直位置，定位車牌的左右邊界(如圖5)。能夠?qū)崿F(xiàn)比較快速而準(zhǔn)確的定位。

3 實(shí)驗(yàn)結(jié)果及結(jié)論

以上算法的具體操作是在MATLAB 6.5中仿真實(shí)現(xiàn)的，經(jīng)過各種圖像預(yù)處理后，先用抗噪型形態(tài)學(xué)邊緣檢測算子對(duì)圖像進(jìn)行邊緣檢測，然后，在濾除水平噪聲后結(jié)合水平垂直投影法來定位車牌區(qū)域(如圖6，列出三張不同車型車牌分割效果)。為了驗(yàn)證算法的定位效果，把上述討論的方法應(yīng)用在150個(gè)樣本的汽車圖片中，這些圖片包含了不同尺寸、各種背景，光照條件，和對(duì)比度，經(jīng)測試，準(zhǔn)確定位146張，定位率達(dá)97%。實(shí)驗(yàn)結(jié)果表明，此方法，可以在有噪聲或背景比較復(fù)雜地情況下準(zhǔn)確定位車牌的位置，算法簡單，具有較好的運(yùn)用前景。

參考文獻(xiàn):

[1] 俞偉廣.復(fù)雜背景下的車牌識(shí)別技術(shù)研究[D].浙江師范大學(xué)，2007:1-3.

[2] 王愛玲，葉明生，鄧秋香，等.Matlab R2007圖像處理技術(shù)與應(yīng)用[M].北京:電子工業(yè)出版社，2008.

[3] 史長瓊等.顆粒圖象邊緣檢測中邊界閉合性的研究[J].自動(dòng)化技術(shù)與應(yīng)用，2003，22(6):28-30.

[4] 方磊.基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測[D].昆明理工大學(xué)碩士學(xué)位論文.2006:16-28.

[5] 周亮，劉云.基于數(shù)學(xué)形態(tài)學(xué)的汽車牌照提取算法[J].青島科技大學(xué)學(xué)報(bào):自然科學(xué)版，2007:70.

[6] 周波，李劍鋒，王緒本.復(fù)雜環(huán)境下的汽車圖像牌照定位方法[J].電腦與信息技術(shù)，2002(4):10-14.

[7] 沈世昊，盛翊智.基于邊緣檢測的車牌圖像分割技術(shù)[J].自動(dòng)化技術(shù)與應(yīng)用，2004，23(3):24-26.