車牌定位技術的比較與研究

摘 要：在智能交通系統中，車牌定位和識別是重要環節之一，本文對目前已有的車牌定位技術進行比較和研究，以更好的研究高速、準確的定位方法。

關鍵詞：車牌定位；紋理特征；神經網絡；邊緣檢測

1 引言

目前，一些車牌識別產品的識別率和識別的速度還不是很理想，特別是車牌定位方面，其定位具有一定的環境變化的不適應性，還沒有一種通用合適的定位和識別方法。因此，研究高速、準確的定位識別算法仍然是當前智能交通系統中需要解決的一個研究方向。

2 車牌定位方法的原理介紹

2.1 基于紋理特征的車牌定位法

紋理特征是圖像的一個重要特征，監控系統拍攝到的車輛圖像因拍攝環境的變化而不同，然而車輛牌照特征不因外部條件變化而改變。車牌內有多個基本成水平排列的字符，字符和牌照底在灰度值上存在跳變，因而車牌這個矩形區域（包括邊緣）有豐富的邊緣存在，呈現出規則的紋理特征。在傳統的基于灰度分割技術上，這些特征為車牌定位研究提供了切實可行的依據。基于紋理分析的方法利用車牌區域內字符紋理豐富的特征定位車牌，它對于光照偏弱、偏強、不均勻性、牌照傾斜和變形等情況不敏感。

該方法存在一個缺陷，當應用于背景復雜的圖像時，容易把一些紋理分布較豐富的非車牌區域定位進來，產生包含車牌在內的車牌候選區域。

2.2 基于神經網絡的定位算法的原理和優缺點

利用神經網絡來定位車牌是一類較為常見的方法。從車牌區域特征來判別牌照，在搜索時會重點考慮一些表面特征，如邊緣、對比度、紋理等，而忽視圖像區域的內容。但有用信號的特征有時會誤導搜索，如果因為定位模塊忽視了非牌照區域包含的車牌特征信號點，將這些區域送入后續步驟將會影響車牌字符識別。

本算法主要包括：（1）神經網絡訓練：收集一定數量的車牌圖像樣本，歸一化后輸入至BP神經網絡進行訓練，達到預定的正確率后，訓練結束。該過程將獲得一個對車牌敏感的BP神經網絡。（2）圖像預處理：提取車牌前，對圖像進行預處理；抑制噪聲，提高圖片質量。（3）車牌定位：利用訓練好的神經網絡在圖像中搜索車牌區域，定位車牌。

2.3 基于特征統計的車牌定位

基于特征統計的車牌定位利用車牌區域的結構特征和字符紋理特征。車牌區域字符筆劃變化含有豐富的邊緣信息。對整幅汽車圖像進行邊緣檢測，車牌區域相對于其它非車牌區域含有更多的細節信息。對邊緣圖像進行行或列掃描，該行或列灰度值跳變的次數明顯不同非車牌區域的行或列，即基于特征統計的車牌定位方法。

2.4 基于數學形態學的定位方法

基于數學形態學的車牌定位算法是利用開啟和閉合這兩種運算在圖像中進行定位。數學形態學中的開閉運算具有以下特點：（1）開運算可以擦除圖像中的像素。從而能夠去除孤立的小點、毛刺，保持總的位置和形狀不變。（2）閉運算可以使圖像中的像素粘連。這一特點可用于填平小孔、彌合小裂縫，保持總的位置和形狀不變。

利用數學形態學中的開閉運算對圖像處理，得到多個車牌可能區域，然后用多區域判別法在圖像的多個車牌可能區域中找到車牌的正確位置。此算法中結構元素大小的選取至關重要。結構元素過大，會使非車牌區域的邊緣點粘連在一起，可能的車牌區域增多，給隨后的多區域判別算法帶來困難；結構元素過小，車牌區域無法粘連在一起，可能使真正的車牌區域不包含在可能車牌區域集合中。

2.5 基于改進Sobel算子邊緣檢測法[1]

傳統Sobel算子只有水平和垂直兩個方向模板，其中水平模板對水平邊緣的響應最大，垂直模板對垂直邊緣響應最大。模板的方向表示灰度由低到高或由高到低的變化方向，而不是圖像的實際邊緣方向。通過對車牌字符的垂直方向和斜線方向進行劃分，本文采用六方向模板，算法實現的基本思想：構造六方向模板，對圖像進行逐點計算，取最大值作為該點的新灰度值，該最大值對應模板的方向為該像素點的邊緣方向。車牌圖像提取特征后，采用迭代求圖像最佳分割閾值的算法進行二值化；大多數車牌圖像上噪聲點較多，經過二值化后的圖像如果直接進行水平投影定位，可能出現偽特征信息，所以應先進行去除噪聲。本文采用模板大小為l×3的腐蝕運算，去除一些較小噪聲點，保留圖像車牌部位的主要信息。得到腐蝕后的車牌圖像后，對圖像的像素沿水平方向累加產生一個投影圖，在車牌對應的水平位置會出現一段峰值。判斷峰值對應的位置是否為車牌區域方法如下：1）波峰和波谷之間具有一定的落差，當一個局部最大值和它鄰近的局部最小值的差大于某一閾值時，該局部最小值為波谷，反之為干擾值。2）波峰的兩個臨近波谷之間具有一定寬度，該寬度值由車牌寬度特征決定。3）波谷所占整個圖像的高度在一個范圍之內，由車牌處于車身較低位置的特點決定。

在光照均勻和背景不復雜的圖像中，車牌的峰值特性十分明顯，很容易定位出車牌區域的水平位置。當光照不均勻或者背景復雜的圖像中峰值特性不明顯，需要選擇合理的閾值來準確確定局部最小值是否為谷底問題。

[參考文獻]

[1]李白燕，等.基于邊界邊緣檢測的在線產品輪廓跟蹤[J].電視技術，2012，3（21）.