車牌定位算法研究分析

華顯立 連晗

【摘要】 車牌識別系統是智能交通系統的重要環節，車牌定位是車牌識別的前提和關鍵。車牌定位的準確率直接影響到后續字符識別效果，對車牌識別率的高低有重大影響。分析現有的車牌定位算法，比較不同算法的處理效果及其定位精確度等問題。

【關鍵詞】 車牌識別 車牌定位 字符識別

一、引言

隨著我國科學技術和交通現代化的快速發展，智能交通系統（ ITS）的研究越來越受到重視。車牌識別（LPR）作為智能交通系統的重要環節，主要是利用通信技術、圖像處理、模式識別或人工智能等技術，在無人干預的情況下實現車牌的自動識別。車牌識別系統主要由圖像采集、預處理、車牌定位、車牌字符分割和車牌字符識別等步驟組成。從車牌識別系統可以看出，車牌定位是車牌識別的前提和難點，車牌定位的準確率直接影響到后續處理和字符識別效果，對識別率的高低有重大影響。本文主要對幾種典型的車牌定位算法進行分析。

二、基于邊緣檢測的車牌定位算法

“邊緣”是指像素的灰度值有階躍變化的像素集合，“邊緣檢測”是圖像處理和計算機視覺中進行特征提取研究的基本問題。目的是標識數字圖像中亮度變化明顯的點，最終精確定位出邊緣，同時抑制噪聲。邊緣檢測主要采用合適的邊緣算子作用于圖像，通過特定算法提取出邊緣像素點，邊緣檢測的關鍵是尋找合適的算子進行邊界分析。研究者將一些檢測效果較好的檢測算子應用于車牌定位：（1）Roberts算子，利用局部差分算子尋找邊緣，采用2×2鄰域的對角方向兩像素之差近似作為梯度幅值檢測邊緣。任一對角方向上的差分都可用來估計梯度值。檢測垂直邊緣的效果好于斜向邊緣，定位精度高；但對噪聲敏感，無法抑制噪聲的影響。（2）Prewitt算子，利用梯度算子來計算原始圖像在橫向x和縱向y上的灰度變化率。按照所選的檢測方向（水平、垂直或雙向）進行檢測，計算前先設定閾值，低于該閾值的像素值將被忽略。Prewitt算子計算比較簡單，能平滑噪聲，但定位精度不夠高，可能產生偽邊緣。（3）Sobel算子，該算子包含橫向和縱向共兩個3x3矩陣，將之分別與圖像作卷積。該算子對噪聲有一定的抑制作用，但得到的邊緣寬度至少有兩個像素。

三、基于數學形態學的車牌定位算法

數學形態學主要由腐蝕、膨脹、開運算和閉運算四個基本運算組成。腐蝕是對圖像內部作處理，可消除圖像的細小部分和孤立的噪聲點；膨脹是對圖像外部作處理，能補全圖像中的小孔等，形成連通區域。對車牌圖像進行膨脹后可將車牌照的字符區域連成一片。但這種定位算法不能確定車牌邊界的準確位置，也可能會得到符合設定特征的多個定位區域（偽區域）。要求圖片背景也應該是比較簡單的，背景越復雜，處理干擾噪聲的效果就越差，速度和準確性也會受到影響。因此這種定位方法常常和其他定位方法一起運用。例如基于數學形態學和邊緣特征的車牌定位方法，先進行預處理，然后根據車牌整體特征采用腐蝕和閉合運算初步確定車牌位置，最后利用字符邊緣的微觀特征進一步精確定位車牌位置，提高了車牌定位的速度和準確度。

四、基于方向紋理特征的車牌定位算法

車牌區域有顯著的紋理特征：字符比較集中，字符間有固定的間隔，字符串的邊界密集，水平方向的灰度梯度變化較大。因此，可以利用這一特征來確定車牌區域的行或豎線段。先將灰度圖像轉化成二值圖像；然后采用行掃描來統計車牌區域中的直線段，并記錄其起始坐標；預設一閾值，若連續多行中的線段的個數大于閾值，就視這個區域為候選區域。同樣的方法再進行垂直掃描，最終確定候選車牌區域。這種方法查找速度快，但車輛圖像中可能存在與車牌區域特征相似的背景，定位區域可能不是唯一的，會產生多個候選區。此時，需要借助其他方法來最終確定惟一的車牌區域。

五、結語

車牌定位是車牌識別的前提，也是影響后續處理和識別效果的關鍵因素。本文研究分析了現有的車牌定位算法，比較了不同算法對噪聲的敏感度、處理效果及其定位精確度等問題，分析發現采用兩種或多種算法相結合的綜合方法能顯著提高定位的準確率。近年來，研究者逐漸探索將小波變換和神經網絡等新方法應用于是車牌定位，取得了一定的效果。隨著交通車輛快速增長，復雜背景下的車牌識別的高準確率、低拒識率對車牌定位算法提出了更高的要求和更嚴峻的挑戰，已成為車牌定位的主要研究方向。

參考文獻

[1]李波， 曾致遠，付祥勝.基于數學形態學和邊緣特征的車牌定位算法[J].電視技術，2005（07）：95-96

[2]馬永力，夏秋華.基于數學形態學的車牌精定位算法的研究[J].微計算機信息，2008（01），227-228

[3]李佩斌，石景波.基于紋理特征和彩色特征的車牌定位算法[J].交通與計算機，2006，（4）：80-82