基于HSV的夜間車牌識別算法

摘要：本算法利用HSV 顏色模型能根據(jù)夜間車輛圖像特征，很好地將車牌區(qū)域與車燈及其形成的光束和道路上的車道線等大量噪聲分離開來，將飽和度較高但不符合車牌顏色特征的區(qū)域剔除；將傳統(tǒng)算法中字符分割采用的最大最小優(yōu)化熵[1]閾值分割法以及字符區(qū)域的前景、背景分布等方面提出了改進。實驗結(jié)果證明該方法實現(xiàn)簡單快捷， 對于包含車頭燈或車尾燈的夜間圖像， 定位方法均有效，有效降低了單個字符之間的粘連和孤立噪聲點，系統(tǒng)的識別準確率高。

關(guān)鍵詞：夜間圖像； 最大最小分割； 飽和度分量； 色彩分量

中圖分類號：TP391.4 文獻標識碼：A文章編號：2095-2163（2013）02-0086-03

0引言

在交通狀況日益繁復(fù)、交通研究不斷深入的現(xiàn)在，車牌識別已經(jīng)引起人們的廣泛重視和關(guān)注。其車牌識別關(guān)鍵技術(shù)包括圖像獲取、車牌區(qū)域定位、字符分割以及字符識別。尤其當夜間汽車前燈開放引起車牌信息丟失的情況下，車牌識別難度更相應(yīng)增大。由此，針對受光線、噪聲諸因素影響的夜間低照度的車牌圖像，本文給出一種提高夜間牌照定位識別精度的圖像處理方法。目前常采用的算法[2]有：

（1）利用Sobel邊緣算子，檢測垂直邊緣，進行車牌定位；

（2）使用數(shù)學(xué)形態(tài)學(xué)，對相鄰兩幀圖像進行差分操作，從而消除車輛大燈的影響；

（3）利用顏色和運動信息進行車牌定位的方法等。

由于車牌多使用特殊材料制成，在車牌反光時，圖像較易識別，在此主要考慮夜間非反光狀態(tài)下的車牌而提出一種有效識別技術(shù)。在以上方法中，方法（1）對外部硬件設(shè)置要求較高，實現(xiàn)起來仍有一定困難；方法（2）、（ 3）則適于視頻圖像， 而目標定位與識別的原始圖像卻僅是針對單張?zhí)貙懙能囕v圖像，而且也不具備消除各類噪聲影響的能力。基于此，本文選用HSV 顏色模型，能根據(jù)夜間車輛圖像特征， 定位得到車牌區(qū)域。飽和度分量可有效地去除車燈造成的各類噪聲， 成功突顯車牌區(qū)域； 而色彩分量H 則可標識與車牌背景顏色有關(guān)的區(qū)域，從而準確定位車牌目標。

為了提高系統(tǒng)識別率，文中在字符分割方面提出了新的實現(xiàn)設(shè)計，將原有的最大最小優(yōu)化熵閾值分割法進行了適當?shù)母倪M，結(jié)合車牌字符區(qū)域的前景及背景分布，將原來的前景背景統(tǒng)一處理改變成為加權(quán)標定。實驗結(jié)果證明，單個字符間的粘連有所降低，噪聲點也隨之得到了孤立，系統(tǒng)識別的準確率大為提高。

1夜間車牌定位算法

由于夜間拍攝的圖像背景較暗，且車輛周身及地面斑馬線等處均有反光現(xiàn)象，但車牌區(qū)域的顏色特征卻穩(wěn)定良好，因此可作為車牌與噪聲區(qū)分的有效依據(jù)。車牌區(qū)域的圖像特征是，具有固定的字符與背景顏色搭配，其顏色較其他區(qū)域更為飽滿。由圖像處理技術(shù)可知，RGB適用于硬件顯示， HSV更適用于人類視覺特點。HSV中，H代表色調(diào)，S代表飽和度，V代表明度。飽和度S反映顏色的純度，只有在接近一定亮度和飽和度時，某種色彩才有實體意義；而明度V則與環(huán)境的亮度有關(guān)。現(xiàn)在選取RGB 和HSV彩色各分量對夜間車輛圖像進行比較，對比效果如圖1所示。

由圖1可以看出， H，S 分量對車牌區(qū)域的識別明顯好于RGB 各分量， 故在此選取HSV 顏色模型用于夜間車牌定位研究。在HSV空間中， V分量與顏色無關(guān)， 對車牌區(qū)域最圖1 夜間圖像的RGB和HSV各分量圖示

Fig.1 Night-time image of the RGB and HSV components icon為敏感的是S 分量，字符區(qū)域跳變頻繁。S分量，即飽和度分量能夠?qū)④嚺婆c大量噪聲， 包括車前大燈及其反射光束和路面車道線，連同其它噪聲區(qū)域做以清晰劃分，有利于車牌目標的提取。H 分量分布相對發(fā)散，但對于含有車尾燈的車輛圖像， 由于車尾燈呈現(xiàn)偏紅色， 且飽和度較高， 可由色彩分量將其與車牌區(qū)域區(qū)別開來。也可提取符合車牌背景顏色部分。

從卡口獲取的實測圖像為RGB 模型， 首先需將其轉(zhuǎn)化為HSV 模型。轉(zhuǎn)換表達式為：R=R/255，G=G/255，B=B/255，則：第2期王洪亞：基于HSV的夜間車牌識別算法智能計算機與應(yīng)用第3卷

1.1H 和S 分量提取的車牌區(qū)域與AOI 區(qū)域融合算法

夜間在車燈照射下， 車牌區(qū)域具有飽和度較高且顏色恒定不變的特點， 呈現(xiàn)在HSV顏色模型中的S 分量較高， 而H分量則可將與車牌相關(guān)區(qū)域一并提取， 目標區(qū)域具備了這兩方面特點， 將二者相“與”獲得融合的最小結(jié)果，再利用數(shù)學(xué)形態(tài)學(xué)[3]去除小面積， 得到的結(jié)果即為車牌目標。

目前，國內(nèi)共有4類車牌，分別是：藍底白字、黃底黑字、白底黑字、黑底白字。按其出現(xiàn)的概率，由大至小依次為藍色、黃色、白色、黑色，若再有出現(xiàn)在圖像中的其他顏色，則與車牌無關(guān)。若對原始完整圖像提取以上4 類顏色區(qū)域，可知車牌必定位于其中，可將其稱為感興趣區(qū)域（AOI）。現(xiàn)采用顏色量化方式將AOI在同一灰度圖像中表示出來。表示過程如下。

假設(shè)C（x，y）為原始圖像X中（x，y）點上在HSV 顏色模型中的H， S， V 維顏色分量值， Ci（x，y）（i∈R，i∈[0，4]）為（x，y）點上選中顏色分量中的H， S， V 維度值， 選中的顏色為藍色（i=4）、黃色（i=3）、白色（i=2）、黑色（i=1）、其它（i=0），若C（x，y）∈X，對于Cr（x，y）∈C（x，y）。

其中，T為選中顏色的寬容度，M為灰度量化的跨度，結(jié)果值域g（x，y）∈[0，255]。

1.2形態(tài)學(xué)處理

在得到更進一步的處理之前，還需進行形態(tài)學(xué)處理。通過形態(tài)學(xué)的一系列運算，可以使圖像更適合于車牌區(qū)的定位。形態(tài)學(xué)的處理過程是：先膨脹，再開運算，然后腐蝕。其中各步的數(shù)學(xué)定義分列如下：

膨脹的數(shù)學(xué)定義：

AB={Z|（B^Vn）Z∩AA}（4）

該式的含義為：B的反射進行平移與A的交集是A的子集。膨脹的實現(xiàn)效果是使圖像擴大，橋接縫隙，避免車牌字符的斷裂。

腐蝕的數(shù)學(xué)定義是：

AΘB={z|（B）ZA}（5）

腐蝕的過程如同濾波器，其作用是消除圖像的細節(jié)部分，以及偏小的待選區(qū)域，使圖像趨于平滑。

開運算的數(shù)學(xué)定義是：

AB=（AΘB）B（6）

開運算的含義為：先用B對A進行腐蝕，再用B對結(jié)果進行膨脹。經(jīng)過如此操作，最終效果是使圖像的輪廓變得光滑，斷開狹窄的間斷，并消除偏細的突出物。

形態(tài)學(xué)處理后的圖像效果如圖2所示。

2 字符分割及單個字符切分模塊功能設(shè)計

本系統(tǒng)使用最大最小優(yōu)化熵的原理來進行圖像分割，并實現(xiàn)了一定的改進。設(shè)一幅灰度圖像的灰度級數(shù)為L，fi表示灰度值為i的像素個數(shù)，圖像的總像素數(shù)為M×N，Pi=fi/（M×N）表示的是灰度值為i的像素點占整幅圖像的比例。閾值S將圖像分為兩類，分別是物體與背景[4]，即C0={1，2，…，S}和C1={S+1，S+2，…，L}。則C0和C1的信息熵H0（S）和H1（S）定義為：

由以上過程得到的最優(yōu)閾值介于OTSU閾值與最大熵閾值之間，這個結(jié)果說明最大最小閾值分割的效果要好于最大熵閾值分割。最大最小優(yōu)化熵閾值分割受前景和背景分布的影響比較大。而以上算法的前提是假設(shè)前景和背景具有相似的分布（均為正態(tài)分布），兩者只是均值不同。而這種假設(shè)對于車牌字符分割顯然并不合適，因此，需要對有關(guān)系數(shù)做相應(yīng)調(diào)整。調(diào)整過程是基于車牌字符像素灰度分布的統(tǒng)計特征以及大量實驗仿真之上的。但是對于車牌字符分割來說，這樣的系數(shù)卻是與實際高度吻合的。調(diào)整后的信息熵計算公式可分別參照式（11）和式（12）。

其他的后續(xù)計算仍舊使用式（7）和式（8）。實驗結(jié)果表明，不但較好地實現(xiàn)了字符分割，而且有效減少了粘連字符和孤立點的影響。

字符分割過后，本系統(tǒng)將使用水平投影法來完成單個字符的切分。同時，使用是否連通的判定方法來進行字符判別。然后送交字符識別模塊，求得識別結(jié)果。

3實驗結(jié)果

測試使用的機器為PIV，cpu 2.0G，1G內(nèi)存，利用 matlab軟件使用1 000幅圖片進行了測試。測試中，分別針對車牌定位的準確性、字符分割的準確性和字符識別的準確性，將本文算法與傳統(tǒng)算法進行比較。比較測試結(jié)果如表1所示，其中的一幅圖片運行效果如圖3所示。

4結(jié)束語

在車牌定位階段，利用H 和S 分量提取的車牌區(qū)域與AOI 區(qū)域融合算法，飽和度分量可去除夜間車牌圖像由于車燈造成的大量噪聲影響，而色彩分量則能剔除飽和度較高但不符合車牌背景顏色的區(qū)域；將該方法應(yīng)用在夜間圖像實際測試表明， 該方法具有很高的工程實用性。并在字符分割方面結(jié)合車牌區(qū)域的前景和背景分布，將最大熵判別分割進化而來的最大最小分割做了進一步修改，使之更適于車牌區(qū)域的二值化，有效降低了字符的粘連和孤立點的影響。

參考文獻：

[1]張家樹. 灰度圖像的最大最小優(yōu)化熵閾值分割[J]. 電訊技術(shù)，1995（12）：527-536.

[2]林蔚天. 圖像處理與汽車牌照識別[J]. 山東理工大學(xué)學(xué)報（自然科學(xué)版），2003（11）：123-127.

[3]左奇， 史忠科. 一種基于數(shù)學(xué)形態(tài)學(xué)的實時車牌圖象分割方法[J]. 中國圖像圖形學(xué)報， 2003（3） ：1975-1986.

[4]胡金蓉，王玲. 基于閾值分割的運礦車輛車牌精確定位[J]. 計算機工程與設(shè)計，2009（8）：423-426.