基于顏色與結構特征的車牌定位算法

高一文，龔 劬

(1.重慶大學數學與統計學院，重慶 沙坪壩 400030;2.重慶文理學院教務處，重慶 永川 402160)

經過廣大研究者多年的努力，已經提出了很多車牌定位的方法.主要有依據車牌灰度特性、投影特性、幾何特性以及顏色特性等進行定位的方法和利用遺傳算法、神經網絡算法進行定位的方法.這些算法處理的車牌圖像數據量大，耗時長，降低了整個車牌定位的效率，在實際運用中遇到了很大的困難;基于邊緣檢測的車牌定位算法雖然不依賴車牌的外邊框是否清晰，實現起來效率比較高，主要是對車牌灰度變化劇烈的區域進行提取，但是對于一些多余的邊緣也很敏感，這在一定程度上限制了這種方法的使用;掃描統計車牌定位方法對邊緣檢測后的二值化圖像進行邊緣點的累加，構成分割曲線定位車牌，但是這種方法適用于高階干擾較少的車牌，對于復雜的車牌很難定位.

車牌是機動車的重要標志，各國都制定了一系列標準來規范車牌.在我國，有關法規對車牌的顏色和形狀都有規定.大型汽車牌照為黃底黑字，小型車牌照為藍底白字，公安專用汽車牌照為白底紅“警”字后面黑字，大使、領事館汽車牌照為黑底白字及紅色“使”、“領”字標志，外藉汽車牌照為黑底白字，臨時行駛車牌照為白底藍色暗紋黑字.由此可見，我國的車牌具有穩定的顏色特征和形狀特征，這對于車牌識別系統來說都是可以利用的穩定的先驗特征.本文就是利用顏色和結構特征來對車牌進行定位.

1 車牌灰度化算法

在RGB模型中，如果R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值.因此，灰度圖像每個像素只需一個字節存放灰度值(又稱強度值、亮度值)，灰度范圍為0～255.彩色圖像轉化為灰度圖像，關鍵是根據R、G、B分量來計算灰度值.不同的計算方法，其結果也有所不同，一般有4種方法對彩色圖像進行灰度化.

1.1 分量法

將彩色圖像中的3分量的亮度作為3個灰度圖像的灰度值，可根據應用需要，選取一種灰度圖像.

其中fk(i，j)(k=1，2，3)為轉換后的灰度圖像在(i，j)處的灰度值.

1.2 最大值法

將彩色圖像中的3分量亮度的最大值作為灰度圖像的灰度值.

f(i，j)=max(R(i，j)，G(i，j)，B(i，j)).

1.3 平均值法

將彩色圖像中的3分量亮度求平均得到一個灰度圖像.

1.4 加權平均法

根據重要性及其它指標，將3個分量以不同的權值進行加權平均.由于人眼對綠色的敏感最高，對藍色敏感最低，因此按下式對RGB 3分量進行加權平均能得到較合理的灰度圖像.

f(i，j)=0.11R(i，j)+0.59G(i，j)+0.3B(i，j).

本文采用R、G、B分量的加權平均值，結果如圖1所示.

圖1 彩色圖像灰度化

2 車牌閾值化處理

圖像閾值化分割是一種最常用同時也是最簡單的圖像分割方法，它特別適用于目標和背景占據不同灰度級范圍的圖像.它不僅可以極大地壓縮數據量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特征提取與模式識別之前的必要的圖像預處理過程.圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，得到的每個子集形成一個與現實景物相對應的區域，各個區域內部具有一致的屬性，而相鄰區域布局有這種一致屬性.這樣的劃分可以通過從灰度級出發選取一個或多個閾值來實現.如圖2所示，利用多閾值法對車牌圖像進行處理，可見用多閾值法對車牌的處理效果不好［2］.所以，本文運用自動閾值分割算法最終獲得理想的閾值化效果.

圖2 多閾值分割

2.1 OTSU自動閾值分割算法(大津法自動閾值分割技術)

OTSU方法于1980年由日本大津展之提出，它是在最小二乘法原理基礎上推導出來的，其基本思路是將直方圖在某一閾值處理分割成兩組，當被分成的兩組的方差為最大時決定閾值.①選取的最佳閾值應當使得用該閾值分割得到的兩類間具有最好的分離性;②類間分離性能最好的判據是統計意義上的類間特征差最大或類間特性差最小.

設X是一幅具有L灰度級的圖像，其中第i級像素為Ni個，圖像總的像素點個數為N=∑Ni，第i級像素出現的概率為.選定一個閾值K將所有的像素分為C0和C1(目標和背景)兩類.其中C0類的像素灰度級為0～K，C1類的像素灰度級為(K+1)～L-1.

圖像的總平均灰度級為μ=∑iPi，C0類的平均灰度級為類的像素平均灰度級為μ(1)=μ-μ(k).兩部分圖像所占的面積的比例分別為ω0=∑Pi與ω1=1-ω0.

令 μ0= μ(k)ω0，μ1= μ(1)ω1，則類間方差定義為

σ2= ω0(μ0- μ)2+ ω1(μ1- μ)2.

如圖3所示，OTSU自動閾值化技術可以有效地表征并區分出感興趣的部分和背景.因此，本文選用OTSU自動閾值化方法可以獲得更加理想的閾值化效果.

圖3 OTSU自動閾值分割

2.2 閾值化后的濾波

將圖像采用OTSU方法閾值化后，可以有效表征并區分出感興趣的部分，而對于存在的一些無關的隨機噪點，這就需要對閾值化后的二值圖像進行濾波.常見的濾波方法可以分為:空域濾波方法(如中值濾波、均值濾波、形態學濾波等)和頻域濾波方法(如FFT濾波、DCT濾波、DWT濾波等).

在本文所研究的車牌二值化圖像中，由于噪點具有隨機性和不確定性，頻域特征不足夠明顯，因此采用基于空域的濾波方法.

圖4、圖5和圖6分別為采用中值濾波、均值濾波、形態學濾波的試驗圖像.由此可見，采用形態學濾波可以有效地去除無關信息，從而使車牌區域的特征更加明顯.因此，本文采用形態學濾波方法.

圖4 中值濾波

圖5 均值濾波

圖6 形態學濾波

采用形態學濾波其參數σ的選擇是十分重要的，這里的參數σ表示在車牌二值圖像中，連同區域小于σ的去除.參數的選擇經過圖6所示的對比實驗可以看出，采用σ=300較為合適，因此本文應用形態學濾波選擇的濾波參數σ=300.圖7為采用σ=300的形態學濾波后的車牌二值化圖像.

圖7 用σ=300的形態學濾波后的車牌二值圖像

2.3 基于結構特征的車牌粗定位

圖7為采用OTSU閾值化并用形態學濾波后的車牌二值化圖像.為了有效利用車牌的矩形結構特征，本文將此車牌二值化圖像反色，然后統計每一連通區域的形狀特征［4］，如圖8所示.

圖8 車牌二值化圖像反色后的連通區域

設width(i)為第i個連通區域的列數，height(i)為第i個連通區域的列數，則第i個連通區域的形狀特征識別參數ρ(i)為:

若第k個連通區域的形狀特征識別參數ρ(k)符合預先存儲的我國車牌的矩形形狀特征，則第k個連通區域為可能存在的車牌區域，如圖9所示為候選的車牌區域.

圖9 采用形狀特征選擇出的候選車牌區域

2.4 基于顏色特征的車牌二級定位

利用車牌自身的結構特征粗定位出了可能存在的車牌區域為候選的車牌區域.由于在一個汽車車牌圖像中一些無關隨機因素的干擾，可能存在一些類似的矩形區域，將有利于對由上一步中確定出來的候選的車牌區域進行基于顏色特征的細定位，從而從多個候選的車牌區域中選取真正的車牌.在本節的車牌定位二級細劃分的步驟中，就是對于候選的車牌區域進行基于顏色特征的細定位.對于候選區域，在原始采集到的彩色圖像的相應區域中，進行顏色的匹配，若匹配的顏色特征恰為我國車牌規定的顏色，則判定為車牌.圖10(a)為車牌定位二級細劃分的示意圖，圖10(b)為利用顏色特征定位出的車牌.

圖10 車牌定位二級細劃分

3 基于顏色與結構特征的車牌定位算法

通過上述的有關論述和對比實驗，本文最終確定出了基于顏色與結構特征的車牌定位算法，算法流程示意圖如圖11所示.

圖11 基于顏色與結構特征的車牌定位算法流程示意圖

對在不同背景、不同光照條件下拍攝的100幅含有各種顏色車牌的圖像應用本算法，有效定位率高達到94.7%，而現有的車牌定位算法有效定位率一般在90%左右.本實驗在Windows XP，內存為2G的平臺及VC++6.0的編程環境下進行.

4 結語

本文在總結現有車牌定位方法的基礎上，通過實驗說明了目前常見的車牌定位方法存在的缺陷，進而提出了基于顏色與結構特征的車牌定位算法.這種車牌定位的方法避免了運用Gabor濾波器參數設置復雜的問題，也避免了運用人工神經網絡數據處理龐大的缺點，并且對于圖像中存在大量噪聲、質量較差的圖片也能夠很好地定位，能夠達到很好的定位效果.

［1］趙春雪，戚飛虎.基于彩色分割的車牌自動識別技術［J］.上海交通大學學報，1998，32(10):4 －9.

［2］馬勝前，張光南，楊金龍，等.基于二維直方圖的otsu圖像分割算法改進［J］.西北師范大學學報:自然科學版，2009，45(1):57 －61.

［3］吳冰，秦志遠.自動確定圖像二值化最佳閾值的新方法［J］.測繪學院學報，2001，18(4):283－286.

［4］李文舉，梁德群，張旗，等.基于邊緣顏色對的車牌定位新方法［J］.計算機學報，2004，27(2):204－208.