紋理分析車牌定位方法的研究現狀及展望

摘要：作為智能交通系統的核心技術之一，基于機器視覺的車牌識別一直受到廣泛的關注。車牌定位是車牌識別的重要步驟，其目的是確定車牌在圖像中的坐標位置，從而剔除大部分的噪聲區域，僅保留包含車牌的子區域。目前，紋理分析是車牌定位最基本也是最重要的手段。該文首先介紹了紋理分析車牌定位方法的研究成果，然后總結這些方法的不足，展望了下一步的研究方向。

關鍵詞：智能交通 車牌識別 車牌定位

中圖分類號：TP3 文獻標識碼：A 文章編號：1674-098X（2013）01（b）-00-03

基于機器視覺的車牌識別是智能交通系統的核心技術之一，可廣泛應用于高速公路自助繳費、城市交通監控、違章或犯罪監控以及智能停車場管理等方面，它主要包括圖像獲取、車牌定位、傾斜校正、字符分隔、字符識別五個部分。車牌定位即確定車牌在圖像中的坐標位置，從而剔除大部分的噪聲區域，僅保留包含車牌的子區域。定位效果直接制約著傾斜校正、字符分割以及識別效能的發揮。具有豐富的紋理是車牌區別于諸多背景的最基本特征。通過分析這些紋理特征進行車牌定位的方法稱為紋理分析車牌定位法，簡稱紋理定位法。按照紋理特征的類型可以將紋理定位法分為邊緣跳變、邊緣密度、邊緣相關性、灰度梯度、連通性、角信息六類。該文首先分別介紹了這六類方法的研究成果，然后總結了現有紋理定位法存在的不足，展望了下一步的研究方向。

1 邊緣跳變

車牌字符和車牌底之間的顏色分立特征導致從字符到底色或是從底色到字符均存在顯著的邊緣跳變，統計這種跳變特征即可找到感興趣的區域。文獻[1]首先提取二值邊緣，然后采用行掃描記錄邊緣跳變點數，從而實現候選區定位。劉慶祥[2]等進一步將這種跳變特征模板化，然后利用該模板進行掃描匹配，從而實現車牌定位。投影則是另一種常用的統計方法，它通過二值邊緣圖像的水平和垂直投影統計邊緣跳變點的分布，分別確定車牌在水平和垂直方向的位置。其中，一些學者還針對投影曲線的特征分析進行了大量的改進。為了克服傳統投影法關于多峰值的缺點，馮國進等[3]提出一種自適應投影法，自動獲取投影最大值變化點，僅保留少數顯著的峰值區域，減少分析的難度以及提高定位準確性。為了達到相同的目的，Z.X.Chen等[4]利用字符的高度去除不滿足條件的峰值區域。此外，X.F.Chen等[5]首先通過投影曲線形狀的平滑分析將車牌圖像分為白天和夜晚兩種類型；對于前者，使用垂直投影確定車身的范圍，縮小搜索區域；然后，通過投影曲線平滑、放大、分割特征分析等實現夜晚類型圖像和處理過后的白天類型圖像的車牌定位。

2 邊緣密度

車牌可以看成是邊緣豐富的類矩形區域，因此邊緣密度經常被應用于車牌的候選區定位。邊緣密度的計算方式可分為固定矩形、外接矩形和分塊合并三種。文獻[6]根據先驗知識設計一個與車牌尺寸相比擬的矩形窗口，并使用該窗口在圖像中進行滑動掃描，計算當前窗口的邊緣密度，將滿足一定條件的窗口區域作為車牌候選區。為了提高掃描的魯棒性，文獻[7]進一步將掃描窗口設定為邊緣外接矩形，這樣有利于適應車牌區域的尺寸變化。但是，無論固定矩形和外接矩形窗口掃描都是按照一定行列步進進行的，掃描速度較慢。為了提高掃描速度，文獻[8]首先將圖像劃分為若干個子塊，分別計算其邊緣密度，若滿足一定條件就判定當前子塊屬于車牌候選區域；然后，對挑選出來的子塊進行合并、再分割等操作，從而實現候選區定位。

3 邊緣相關性

車牌的字符筆畫具有一定的寬度，使得字符尤其是英文字母和數字具有對稱性較好的的邊緣對。朱風云等[9-10]提出一種基于互相關矢量圖的車牌定位算法，有效地提取了這種特征，從而結合先驗知識實現車牌定位。該算法首先利用水平差分得到差分為正和負的兩幅圖像，并進行閾值化；然后，利用粒子圖像測速互相關算法對這兩幅圖像進行分析，得到車牌圖像的互相關矢量圖；最后在矢量圖中確定車牌的位置。

4 灰度梯度

灰度梯度特征是邊緣跳變特征的初級階段，一旦經過二值化，前者就轉化為后者。然而，二值化過程對噪聲比較敏感，因此一些學者直接利用灰度梯度特征進行車牌定位。這些研究的重點主要集中在車牌區域的灰度梯度增強和灰度梯度特征提取兩個方面。張玉姣等[11]提出一種基于模糊邊緣檢測的定位方法。模糊邊緣檢測需要根據灰度梯度直方圖確定廣義渡越點，進而對感興趣的灰度邊緣進行增強。該方法對目標區域的灰度梯度增強效果較好，且具有一定的噪聲抑制功能。但是，模糊邊緣檢測過程中的多次迭代會顯著降低定位過程的實時性。因此，作者僅將該方法應用于候選區篩選，而非候選區定位，取得了較好效果。李宇成等[12]通過構造卷積能量圖，實現目標區域的灰度梯度增強。首先，通過像素極值處理和差分構造對比度圖；然后，根據卷積長度對該圖像進行像素延拓，最終得到卷積能量圖。灰度跳變劇烈的區域在卷積能圖中將得到進一步的增強。此外，等級濾波也能獲得卷積能量圖類似的增強效果[13]。另一方面，Q.Wu等[14]定義梯度密度和梯度密度差異兩個統計量實現灰度梯度特征提取。他們認為車牌區域的梯度密度明顯大于非車牌區域，同時梯度密度差異明顯小于非車牌區域；利用這兩個統計特征即可實現車牌定位。類似地，B.Chen等[15]定義一種不規則尺度來描述車牌區域的灰度梯度特征。他們首先將圖像劃分為若干個子塊，通過大量統計實驗研究子塊的不規則尺度；實驗結果表明：至少存在一個車牌區域附近的子塊，其不規則尺度在一個特定的范圍內；然后，根據這一閾值范圍搜索不規則尺度滿足要求的子塊，從而實現車牌定位。

5 連通性

車牌具有若干水平排列的規則字符，即使考慮傾斜的情況下也可以看成是具有規則排列結構的若干連通區域，因此連通性也成為車牌定位常用的紋理特征。C.N.E.Anagnostopoulos等[16]將車牌圖像歸一化為黑色字符和白色背景，將字符看成是背景中水平排列的小孔，然后通過窗口掃描實現定位。考慮到單一的閾值可能造成字符筆畫的斷裂，甚至遺漏部分車牌區域，文獻[17]和[18]均采用多個閾值進行連通區域提取，然后根據相似特征對候選區域進行合并，從而提高車牌閾值分割的完整性；然后再根據字符排列結構進行定位。其中，D.Llorens 等[17]利用字符相近的幾何尺寸以及字符中心在一條直線附近等特征對掃描區域中連通區域數量、外接矩形框的重疊以及傾斜來進行打分，根據分值實現車牌區域的判別。D.J.Kang等[18]將上述幾何尺寸和排列特征描述為一種幾何約束函數，并利用動態編程的方法進行實現，從而利用函數的最小化查找車牌區域。J.I.Yamaguchi等[19]進一步將字符幾何尺寸、排列結構按照傾斜角度設計成不同的模板，直接在圖像中進行匹配定位。此外，B.F.Wu等[20]還對連通區域標記和字符缺損補償進行了研究。

6 角信息

角點比較豐富是車牌字符的另一個顯著特征。Harris角檢測算法為車牌角信息的提取提供了有力的工具。H.B.Huang等[21]首先利用該算法探測整幅圖像的角點，然后通過區域角點密度實現車牌的粗定位；最后，根據字符的尺寸對角點進行濾波，從而實現精定位。Z.Qin等[22]認為角點處灰度等級變化比普通區域和傾斜邊緣處更為劇烈，對應Harris矩陣的特征值明顯增大，為此對角檢測算法進行了改進。此外，在車牌候選區定位過程中采用較高的閾值進行角點檢測；然后采用較低的閾值對候選區進行角檢測，結合先驗知識擴大定位區域，防止字符丟失。

7 結語

綜上所述，學者們對紋理定位法進行了比較全面的研究，取得了大量的研究成果，由于這些方法受光照影響較小，全天候定位率較穩定，實時性好，其中一些優秀的方法已被應用于實踐。然而，從實踐的角度我們卻發現，這些方法仍然存在以下缺陷，嚴重限制了定位率、實時性和魯棒性的提高：

(1)全增強機制嚴重降低了算法的實時性，也影響了算法的定位率。在預處理階段對輸入圖像進行圖像增強處理是提高定位率的有效途徑。現有算法幾乎無智能區分高、低對比度圖像的功能，為此它們對所有輸入圖像進行增強操作，即全增強機制。然而，被動成像條件下采集的車牌圖像中，絕大部分質量較好，對比度較高，不進行增強處理同樣可以得到較好的定位效果。因此，全增強方式必然浪費大量的系統資源，而且增強算法越復雜、工作量越大，這種浪費越嚴重，從而嚴重降低了系統的實時性。另一方面，對高對比度圖像進行增強處理，車牌區域的增強效果并不一定明顯，反而有可能急劇提高噪聲的復雜度，從而影響算法的執行效率和定位率。

(2)單一的紋理提取機制難以在較大的動態范圍內兼顧定位率和實時性。現有算法幾乎都是采用一種紋理提取方式處理所有輸入圖像，即單一的紋理提取機制。不同的紋理提取方式適用于不同的對比度范圍。例如，差分算子處理高對比度圖像時，圖像邊緣清晰、準確，然而處理低對比度圖像時輸出結果則不盡如人意，甚至出現大范圍的邊緣缺損。同時，車牌識別系統復雜的工作環境要求定位算法必須應對較大的動態范圍，因此單一的紋理提取方式難以在較大的動態范圍內兼顧定位率和實時性。

(3)定位準確性差。由于光照變化、污染以及紋理提取手段本身的缺點等導致不能完整地獲取車牌區域的紋理特征，從而出現字符丟失或殘缺。為了盡量避免這一情況，紋理定位法一般按經驗擴大候選區的范圍，缺乏有效的補償機制。另一方面，車牌附近的噪聲紋理也時常被納入候選區域，加之候選區的經驗擴大，導致包含車牌的候選區的面積過大，給字符分割和識別階段帶來較大的壓力，即使采用先驗知識進行約束也很難在字符完整性和恰當的候選區面積之間實現有效的平衡。

(4)候選區普遍較多，但缺乏有效的篩選手段。較好的魯棒性是車牌定位的目標之一，它要求紋理定位法對圖像紋理具有很強的敏感性，使之在光照變化和污染等情況下也能實現目標區域紋理的有效分析。然而，部分噪聲紋理也被凸顯出來，最終導致候選區數目增多。目前，紋理定位法普遍采用長寬比、幾何尺寸、字符排列結構等先驗知識對候選區進行篩選，以確定其是否為真實車牌。考慮到車牌傾斜、拍攝角度和距離的變化以及候選區的經驗擴大等情況，這些先驗知識的參數范圍需要進一步擴大，從而引起虛警率偏高。

(5)對雙層車牌的兼容性差。現有紋理定位法幾乎都是針對單層車牌設計的，相關研究很少涉及雙層車牌。由于雙層車牌在字符排列、幾何尺寸等方面與單層車牌相比具有顯著的區別，不采用一定的補償機制而直接應用這些方法顯然是不合理的。同時，雙層車牌的上層一般只有兩個小于標準尺寸的字符，如何判定它們是屬于車牌的一部分還是車身的噪聲是比較困難的，這就對補償機制提出了更高的要求。然而，目前這方面的研究是十分缺乏的。

通過以上分析，下一步的研究方向主要集中在解決全增強機制和單一的紋理提取機制對紋理定位的影響，同時提高定位準確性，研究更為有效的候選區篩選手段以及兼顧雙層車牌的定位等方面。

參考文獻

[1] J.M.Guo，Y.F.Liu.License Plate Localization and Character Segmentation With Feedback Self-Learning and Hybrid Binarization Techniques[J].IEEE Transactions on Vehicular Technology，2008，57(3)：1417-1424.

[2] 劉慶祥，蔣天發.車牌圖像定位方法的研究與應用[J].計算機工程與應用，2007，43(24)：233-234.

[3] 馮國進，顧國華，鄭瑞紅.基于自適應投影方法的快速車牌定位[J].紅外與激光工程，2003，32(3)：285-287.

[4] Z.X.Chen，C.Y.Liu，G.Y.Wang，et al.Automatic license plate location and recognition[J].Indian Journal of Engineering and Materials Sciences，2007，14(5)：337-345.

[5] X.F.Chen，B.C.Pan，S.L.Zhang.A License Plate Localization Method Based on Region Narrowing[C]//Proceedings of the Seventh International Conference on Machine Learning and Cybernetics.2008：2700-2705.

[6] 苑瑋琦，張亮.基于分塊思想的汽車牌照定位算法研究[J].自動化學報，2007，33(7)：768-770.

[7] H.Y.Tseng，C.H.Lai，S.S.Yu.An effective license-plate detection method for overexposure and complex vehicle images [C]//Proceedings of the ICHIT，2008：176-181.

[8] C.Muhammed，U.Aybars， T.Turhan.Automatic number plate information extraction and recognition for intelligent transportation system[J].The Imaging Science Journal，2007，55(2)：102-113.

[9] 朱風云，曹曉光，Ahmed Hassanien，等.機動車車牌自動識別系統與VMLA定位算法[J].中國圖象圖形學報，2003，8(6)：679-682.

[10] 曹曉光，朱風云，Ahmed Hassanien.基于互相關矢量圖的車牌定位新算法[J].北京航空航天大學學報，2004，30(3)：240-243.

[11] 張玉姣，史忠科.車牌提取方法研究[J].西北工業大學學報，2003，21(1)：34-37.

[12] 李宇成，覃妮，王目樹.一種新的車牌定位方法及應用[J].計算機工程與應用，2009，45(17)：148-150.

[13] Vladimir Shapiro，Georgi Gluhchev，Dimo Dimov.Towards a multinational car license plate recognition system [J].Machine Vision and Applications，2006，17(3)：173-183.

[14] Q.Wu，H.F.Zhang，W.J.Jia，et al.Car Plate Detection Using Cascaded Tree-Style Learner Based on Hybrid Object Features [C]//Proceedings of IEEE AVSS.2006：15-15.

[15] B.Chen，W.L.Cao，H.C.Zhang.An Efficient Algorithm on Vehicle License Plate Location [C]//Proceedings of the IEEE International Conference on Automation and Logistics.2008：1386-1389.

[16] C.N.E.Anagnostopoulos，I.E.Anagnostopoulos，I.D.Psporoulas，et al.A License Plate-Recognition Algorithm for Intelligent Transportation System Applications[J].IEEE Transactions on Intelligent Transportation Systems，2006，7(3)：377-392.

[17] D.Llorens，A.Marzal，V.Palazon，et al.Car License Plates Extraction and Recognition Based on Connected Components Analysis and HMM Decoding [J].Pattern Recognition and Image Analysis，2005，35(22)：571-578.

[18] D.J.Kang.Dynamic Programming-based Method for Extraction of License Plate Numbers of Speeding Vehicles on The Highway[J].International Journal of Automotive Technology，2009，10(2)：205-210.

[19] J.I.Yamaguchi，T.Kita，Y.Ishihara.Detection of License Plate Using Matched Filter[J].Electronics and Communications in Japan，2008，91(9)：20-27.

[20] B.F.Wu，S.P.Lin，C.C.Chiu.Extracting characters from real vehicle license plates out-of-doors[J].IET Computer Vision，2007，1(1)：2-10.

[21] H.B.Huang，G.F.Ma，Y.F.Zhuang.Vehicle License Plate Location Based on Harris Corner Detection[C]//Proceedings of IJCNN，2008：352-355.

[22] Z.Qin，S.L.Shi，J.M.Xu，et al.Method of License Plate Location Based on Corner Feature[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation，2006：8645-8659.