基于數學形態學和Hough變換的車牌定位算法＊

李 瑩，李守榮，孫 震

(華北電力大學 電氣與電子工程學院，北京 102206)

車牌識別系統(LPR)在現代交通檢測和管理部門中發揮著舉足輕重的作用。車牌識別系統主要包括車牌定位、字符分割和字符識別三部分[1]。由于車牌定位的準確與否將會直接影響到車牌識別的結果，因此，車牌定位是LPR的一項關鍵技術。常見的車牌定位技術主要有：邊緣檢測法[2]、投影法[3]、神經網絡法[4]、數學形態學法[5]、基于彩色圖像的定位算法[6]。邊緣檢測法對車牌圖像邊框的連續性要求較高；神經網絡方法計算量大，且要求車牌尺寸基本不變，否則必須對神經網絡進行重新訓練；基于形態學的方法受噪聲影響比較大；基于彩色圖像的定位算法適應性差，對于偏色以及背景顏色干擾等情況無法做出有效處理。

由于存在許多外在的干擾，背景信息往往比車牌信息更加復雜，給目標搜索帶來巨大的困難，單一的定位方法已經無法保證其有效性。為此，本文提出了一種綜合的定位算法，對預處理的圖像進行形態學的高帽變換后，利用邊緣檢測得到連通區域進行粗定位，然后結合Hough變換和車牌的先驗知識進行車牌的精定位，該算法充分利用了車牌的字符信息，能夠快速而準確地提取出車牌區域。

1 車牌的固有特征

車牌識別是一種特定對象的識別，是一種在先驗知識指導下的識別。我國現在使用的車牌主要執行中華人民共和國機動車牌號標準[7]，其具有以下的特征：

(1)形狀特征：汽車車牌區域的每個字符寬度為45 mm，字符高度為90mm，間隔符寬10mm，字符間隔為12mm，整個車牌區域的寬高比為44/14。這部分特征在車牌的定位分割方面具有重要的意義。

(2)紋理特征：車牌有一個連續或因磨損而不連續的邊框；標準車牌(軍車、警車、教練車、外交車除外)模塊包含7個字符，它們基本呈水平排列；在矩形的車牌區域內部有著較豐富的邊緣信息，呈現出規則的紋理特征。

(3)灰度跳變特征：車牌的邊緣顏色、車牌底色以及車牌文本顏色各不相同，表現在圖像中就是灰度級互不相同，這樣，在車牌邊緣就形成了灰度突變邊界。在車牌區域內部，由于字符和車牌底的內部灰度較均勻，因此，穿過車牌的水平直線呈現出波峰波谷的特點。

2 圖像預處理

車牌圖像的采集大都是通過攝像機、數碼相機等設備拍攝獲取的彩色圖像，因此首先要對圖像進行灰度化處理。

牌照圖像在拍攝時受各種條件的限制和干擾，圖像的灰度值往往與實際景物不完全匹配，直方圖均衡化[8]處理能增加圖像灰度值的動態范圍，從而達到增強圖像整體對比度的效果。

經過灰度增強后的圖像還存在各種噪聲，中值濾波是一種非線性濾波，它很適合于椒鹽噪聲(即通常拍攝的圖片帶有的噪聲類型)。

圖1顯示了本文設計中圖像預處理部分的實驗效果圖，車牌區域的特征被明顯增強。大量實驗表明，本文采用的圖像預處理方法能獲得較好的效果，滿足實驗的要求。

圖1 圖像預處理

3 車牌定位算法

3.1 車牌區域粗定位

3.1.1 形態學處理

按照牌照底色和字符的顏色對比，可以將車牌分為深色底淺色字的車牌和淺色底深色字的車牌兩大類，數學形態學的高帽變換和低帽變換就是分別針對這兩類車牌設計的。在本文研究的系統中，全部選用的是藍底白字的車牌，即深色底淺色字車牌。

高帽變換是基于膨脹和腐蝕操作的一種形態學的應用，對圖像進行形態學高帽變換(Top-hat)，用 Top表示，定義為

高帽變換是原始圖像與其開運算之差，開運算用來去除比結構元更小的亮點，同時保持灰度級和較大亮區特性的相對不變。因此，只要選擇合適的結構元素，高帽變換就能將亮目標從背景中有效分離出來[9]。如圖2(a)所示，經過高帽變換后，對于深色底淺色字的車牌，其車牌字符的區域的特征會得到增強，車牌文本部分變得更加清晰突出，便于讓后續的檢測處理過程更加簡單和省時。

3.1.2 邊緣檢測

車牌區域的字符與背景有十分明顯的邊緣而且邊緣的個數也很多。Sobel算子對噪聲有抑制作用，它對灰度漸變和噪聲較多的圖像值處理效果較好，對邊緣定位比較準確且速度快[10]。采用Sobel邊緣檢測算子進行邊緣檢測的效果如圖2(b)所示，各個字符都形成了相對獨立的區域，當然也有一些非字符形成的干擾區域。對邊緣檢測后的圖像采用全局閾值OSTU算法進行二值化處理，并采用行程碼方法標記連通區域，可以得到一系列特定的連通域，同時也可以得到包圍各個連通區域的最小外接矩形(bounding-box)和各連通區域的面積。為了方便觀察及后續分析，將標記的連通區域表現在原始圖像上，如圖 2(c)所示。

由圖2看出，高帽變換使得藍底白字車牌的字符更加明顯，經過了邊緣檢測，各個字符形成獨立的連通區域。

圖2 車牌區域粗定位

3.1.3 連通區域分析

由于采集到的車牌圖像車牌字符的像素個數是在一定范圍內的，因此設定最小外接矩形框的面積為S，當S≤500像素或S≥2 000像素時，就認為該連通區域不是車牌字符區域，并將之去除。留下的連通區域包含了牌照的文本區域以及少量的非車牌文本區域，這將有利于在后續的操作中減小搜索范圍，提高定位的準確率。

3.2 精定位

3.2.1 Hough變換

根據車牌先驗知識，車牌字符一般排成一行，且大小相仿。利用Hough變換檢測直線的原理[11]來找出在同一方向上的bounding-box，主要的設計思想是將每個連通成分的中心點通過Hough變換轉換到參數空間，通過尋找參數空間的最大值來確定字符組的中心線。

本文的Hough變換算法如下：

(1)在r、θ適當的最大值和最小值之間建立一個離散的參數空間；

(2)建立一個累加器A(r，θ)，并將累加器各元素置0；

(3)對每個連通成分的中心點(x′，y′)進 行掃描，然后將 每 個 θ的 離 散 值 取 值 θ′計 算 r′=x′cosθ′+y′sinθ′， 并 在 相應 累 加 器 元 素 A(r′，θ′)上 加 1；

(4)在 累 加 器 A(r，θ)中 搜 索 峰 值 A(rh，θh)， 則 rh、θh就 是圖像中在一行上字符組的中心線的參數。

由于進行Hough變換時，只是對初步濾除后得到的連通區域的中心點感興趣，因此需要先將連通成分的中心點提取出來，再進行Hough變換。通過Hough變換找到峰值后，就能夠找到車牌文本區域在一行上字符組的中心線，那么所有中心點在這條直線上或者在這條直線附近的連通域，就可以認為它們在一條直線上，并且把它們連通起來形成一個大的連通域。

圖3 Hough變換后篩選的連通域

3.2.2 車牌區域定位

利用Hough變換篩選后的連通區域仍然含有小部分非車牌區域，因此需要根據車輛牌照區域更加突出的特征來去除偽文本區域。首先計算當前每個連通域的外接矩形框的寬高比，以確定車牌字符區域的位置。設第i個連通域的寬高比為：

其中，Width(i)、Height(i)分別為第 i個連通區域外界矩形框的寬度和高度。

根據車牌的先驗知識，國內車牌每個字符的寬高比為0.5，在本文中采用的車牌字符區域的判定式為：

滿足式(3)的連通區域保留下來，就可以檢測到車牌的字符區域，如圖4(a)所示。

為了定位出整個車牌，需要將檢測到的車牌文本所有的字符區域連通起來形成一個大的連通域，并適當向外擴展。定位出的車牌區域如圖4(b)所示。為了避免在上個步驟中出現牌照內的某個字符未被檢測到或者仍然留有偽文本區域未去除的情況，從而影響最后的定位結果，因此還需要利用整個車牌的寬高比來檢測出最后的牌照區域。選用牌照寬高比為44：14作為判定標準，以此來定位出最后的車牌區域，最后精確提取出的車牌區域如圖4(c)所示。

4 實驗結果及分析

該算法所需的開發工具為Matlab7.0，實驗所采用的車牌圖像是在實際環境中隨機拍攝的，對汽車的背景沒有特殊限制。圖5所示的是對4幅不同場景下的汽車牌照進行定位的結果，圖5(a)的車牌有些傾斜和變形；圖5(b)是在車窗存在反光的情況下拍攝的；圖5(c)的車窗存在部分反光的情況，并且背景比較復雜，車身存在很多污跡；圖5(d)是在光線較暗的情況下拍攝的，并且車窗上存在其他物體的投影；圖5(e)為這四種場景的定位結果，雖然這四幅圖像的車牌背景比較復雜，但仍能準確定位出車牌的位置。實驗測試結果表明，這種方法對于光照不均、噪聲較強、環境背景復雜的圖像均能成功定位，并提取出車牌區域，而且算法比較簡單，定位速度快，具有很強的魯棒性。

圖4 車牌區域的精定位

圖5 不同場景下的車牌定位

另外，利用本文提出的方法對隨機采集到的400幅不同場景下的車牌圖像分別進行檢測，圖像大小為600×450，實驗結果如表1所示。可以看到，該方法對于大多數的圖像都得到了比較好的效果，定位準確率達97.3%，算法平均用時1.64s，滿足了車牌定位系統對實時性的要求。

表1 實驗測試結果

本文提出了一種基于數學形態學和Hough變換的車牌綜合定位算法。其利用了國內車牌字符的特征，經過高帽變換突出感興趣區域，然后利用邊緣信息通過Hough變換檢測車牌字符的中心線，能夠提高定位結果的準確性。實驗結果表明，對于自然場景下的車牌定位，該算法具有較強的適用性。但復雜背景下的車牌定位比簡單背景下的定位準確率低，主要原因是復雜環境的背景信息復雜，干擾較多，使得利用Hough變換檢測字符組的中心線時出現誤差，特別是對于傾斜嚴重的車牌，本算法的定位率較低，這是下一步的研究方向。

[1]BARROSO J， RAFAEL A， DAGLESS E L， et al.Number plate reading using computer vision[C].Proceedings of IEEE International Symposium on Industrial Electronics， 1997：761-766.

[2]閆青.常用車牌定位算法淺析[J].微型機與應用，2010(2)：1-3.

[3]周開軍，陳三寶，徐江陵.復雜背景下的車牌定位和字符分割研究[J].計算機工程， 2007，33(4)：198-200.

[4]ABDULLAH S N H S， KHALID M， YUSOF R， et al.License plate recognition using multi-cluster and multilayer Neural Networks[J].Information and Communication Technologies， 2006(1)：1818-1823.

[5]MEGALINGAM R K， KRISHNA P， SOMARAJAN P， et al.Extraction of license plate region in Automatic License Plate Recognition[C].The 2010 2nd International Conference on Mechanical and Electrical Technology， 2010，496-501.

[6]KAUSHIK DEB，KANG-HYUN JO.HSIcolorbased vehicle license plate detection[C].International Conference on Control Automation and Systems， 2008， 687-691.

[7]片兆宇，孟祥萍，張紅.多階段車牌定位算法[J].計算機科學，2009，36(8)：296-299.

[8]GONZALEZ R C， WOODS R E.Digital image processing(3rd Edition)[M].London： Prentice Hall Press，2007.

[9]郭航宇，景曉軍，尚勇.基于小波變換和數學形態法的車牌定位方法研究[J].計算機技術與發展，2010(5)：13-16.

[10]柴曉榮，劉錦高.基于紋理分析的精確車牌定位算法[J].計算機系統應用，2010，19(2)：160-163.

[11]KAMAT V，GANESAN S.An efficient implementation of the Hough transform for detecting vehicle license plate using DSP’S[C].Proceedings of the Real Time Technology and Applications， 1995， 58-59.