車牌傾斜校正算法研究

劉 威

（廊坊市廣播電視大學，廊坊 065000）

0 引言

車牌識別作為智能交通系統關鍵組成部分，占有重要的作用。通過車牌識別技術，可以準確獲得路面上車輛的車牌信息，為實時交通監控、安全防盜等提供重要依據。車牌識別[1]是利用計算機視覺、圖像處理和模式識別等技術，對攝像機拍攝的車輛圖經由計算機的識別軟件進行分析處理識別車牌上字符的一種技術。通常，由于拍攝角度與位置關系，會出現攝像機拍攝的車輛圖片傾斜的現象，導致車牌分割錯誤，進而降低字符識別率。因此，傾斜車牌的校正就成為車牌識別過程中重要環節，通過對傾斜車牌校正，進一步正確分割車牌。

車牌傾斜主要有三種模式[2]，即水平方向、垂直方向和混合方向上(水平和垂直方向上的綜合)的車牌傾斜。水平傾斜指車牌在垂直方向上的扭曲造成的，邊框為一個平行四邊形；垂直傾斜是由于車牌旋轉一定的角度造成的，邊框仍為矩形?，F在采集的圖像大多是混合傾斜的車牌圖像，因此在校正過程中，需對兩個方向上的傾斜同時進行校正。

現有的車牌傾斜校正算法主要有以下三種：1)Hough變換法；2)旋轉投影變換法；3)基于主元分析的車牌傾斜校正方法[3～7]。以上方法盡管在實際應用中都取得一定效果，但還存在一些不足。例如，Hough變換通過求取車牌邊框來確定傾斜角，當車牌邊框存在一些邊框不明顯、噪聲等干擾因素影響時，該方法效果不理想；旋轉投影變換法，需要在各個方向上進行投影計算，因而計算量大。基于此，本文提出一種新的車牌傾斜校正方法，即利用Sobel算子對車牌圖像進行邊緣檢測，接著對其進行Radon變換，確定出車牌在水平和垂直方向上的傾斜角度，結合不同方向上傾斜角度分別對水平傾斜、垂直傾斜的車牌進行雙線性插值旋轉校正和錯位偏移校正，使得車牌正確分割。

1 邊緣檢測與Radon變換

1.1 邊緣檢測

為了標識圖像中亮度變化明顯的點需要對其進行邊緣檢測，還大大減少了數據量，檢測出邊緣圖像就可以進一步分析和提取特征?，F在已有很多算法和算子的改進用于邊緣檢測，但各有優缺點，應用領域不同。本文采用Sobel邊緣檢測算子[8～10]，它是離散性差分算子，由兩個卷積核對原圖像進行卷積，可得到橫向與縱向亮度差分近似值。先對某一像素點(x ,y) 周圍像素值進行加權平均，判斷該像素點是否處于極值，若是，則認為是邊緣點。該算法具有計算簡單有效，速度快對噪聲具有平滑作用等優點。

對于一個連續圖像函數 f (x, y)，在水平和垂直方向上的梯度分別用GX，GY表示，GX則用來檢測垂直邊緣，GY用來檢測水平邊緣。GX，GY可通過如下式來計算。

設定一閾值TH對圖像進行二值化處理，通過與圖像像素點的梯度值進行比較大小確定是否為邊緣點。邊緣點即為梯度值等于或大于TH的點，小于TH的點則不是邊緣點，以此實現邊緣檢測。具體算法步驟如下所示[11]：

Step1：分別按水平和垂直方向從左到右，從下到上遍歷圖像的每個像素點；

Step2：對圖像中的像素值與水平、垂直梯度系數的乘積作累加和；

Step4：比較新像素值與TH大小，判斷出圖像的邊緣點。

1.2 Radon變換

Radon變換是指圖像矩陣沿著某一角度進行投影，投影后對數據進行一階導數絕對值相加，得到一極值時的角度即為傾斜角。二維圖像f(x,y)的投影即某一方向上的線積分，如f(x,y)在x軸、y軸上的投影分別表示在垂直和水平方向上的線積分。f(x,y)在任意角度θ計算投影亦即圖像的Radon變換。Radon變換的定義如下：

其中：

其幾何關系如圖1所示。

2 車牌傾斜校正算法

車牌傾斜校正算法如下：首先對車牌圖像轉化為灰度圖像，接著進行水平和垂直方向上邊緣檢測，然后利用Radon變換計算出車牌在水平和垂直方向上的傾斜角度，根據傾斜角度進行雙線性插值旋轉校正和錯位偏移校正。其流程如圖2所示。

2.1 車牌邊框、鉚釘等去除

圖1 Radon變換的幾何對應關系

圖2 傾斜車牌校正的流程序

車牌邊框以及釘在車牌上的鉚釘會對字符切割產生一定影響，因此，在進行車牌傾斜校正前需對其去除。對二值化圖像進行水平和垂直方向上邊緣檢測，就可去掉車牌邊框；車牌字符區域投影值較大，且縱向掃描車牌時鉚釘等黑白跳變次數不頻繁，根據黑白跳變次數來判斷是否為字符，設定一閾值，若黑白跳變次數大于T，則投影區域為字符。

2.2 車牌傾斜角獲取

車牌傾斜角求取分為水平傾斜角和垂直傾斜角，原始車牌圖像進行轉換后，對其進行Radon變換分別獲取車輛傾斜角。利用Radon變換計算車牌傾斜角原理如下：

Step1：通常車牌傾斜角度范圍[-45°，+45°]，對車牌進行-45°,+45°的Radon變換；

Step2：針對Step1中結果進行一階導數絕對值求和；

Step3：當計算到最大累加和時對應的角度，即為傾斜角度。

2.3 車牌校正

傾斜車牌校正同樣分為水平方向校正和垂直方向校正。利用上節提到的車牌傾斜角度獲取方法，計算得到車牌在水平方向的傾斜角度α 和垂直方向上的傾斜角度β。對于水平傾斜校正來說，根據α 大小進行雙線性插值旋轉，若α ＞0，則進行順時針旋轉，否則反之，然后進行轉置，就可以校正水平傾斜的車牌圖像；對于垂直傾斜校正，即位于同一行間像素錯位偏移，需要對其進行移位來確定校正后像素坐標點。具體過程如下：

計算得到校正后像素點坐標后，接著利用雙線性插值運算其灰度值。

3 實驗結果

為了驗證本文校正算法性能，利用本文提出的算法對拍攝圖像進行測試，其中傾斜角度獲取有兩種方式，主要包括利用本文算法求得傾斜車牌的傾斜角度以及人工方式測得其傾斜角度。傾斜車牌校正過程如圖3所示。

圖3 傾斜車牌校正過程

本文算法對圖3中的傾斜車牌進行Radon變換，然后對其結果進行求一階導數絕對值累加和，計算得到一極值，所對應角度即為傾斜角度，計算傾斜車牌的水平角度為25°，垂直角度為40°。為了和本文車牌傾斜校正算法得到的校正后的圖片進行對照，進行人工測量傾斜車牌的傾斜角度，人工測得圖3中傾斜車牌的水平傾斜和垂直傾斜角度分別為：23°和41°。將人工測得車牌傾斜角度代入到算法中進行車牌校正，得到校正結果如圖4所示。

圖4 車牌校正結果

對于有污跡的車牌，采用本文算法進行傾斜校正后結果如圖5所示。

圖5 污跡傾斜車牌的校正過程

圖6 本文算法和文獻算法校正結果比較

將本文算法分別與采用文獻[12]中基于子區域投影分析的車牌傾斜校正算法和文獻[13]中基于Radon變換的車牌傾斜校正算法進行比較，比較結果如圖6所示。

由圖3、圖4和圖5可以看出，本文算法進行車牌傾斜校正取得了較好的效果。校正后圖片清晰，表明采用該算法進行車牌傾斜校正的可行性，且操作簡單，對有污點、光照等影響不敏感。通過本文算法和文獻提出的算法進行車牌傾斜校正實驗，進一步分析得出，本文算法比文獻中提出的兩種算法校正效果更明顯，并能有效去除鉚釘等，運算效率高。

4 結束語

本文在分析Sobel算子和Radon變換的基礎上，提出一種新的傾斜車牌校正方法。該方法采用Sobel算子進行圖像邊緣檢測，利用傾斜車牌的Radon變換，對變換結果求取一階導數絕對值累加和，得到極值所對應的角度來確定傾斜車牌的水平和垂直傾斜角度。然后對車牌進行旋轉校正。通過與文獻算法比較實驗結果表明，該方法進行車牌傾斜校正的可行性，操作簡便，運行速度快，并對污跡、光照等影響時的傾斜車牌校正仍然可以取得令人滿意的結果。因此，具有一定的應用前景。

[1]王曉雪,蘇杏麗.數字圖像處理在車牌識別中的應用[J].自動化儀表,2010,31(7)：22-25,28.

[2]薛迎衛.基于小波變換與支持向量機的車牌識別[D].北京化工大學,2009.

[3]許智榜,石曉瑛.基于RBF神經網絡的車牌自動識別系統設計與實現[J].南昌大學學報(工科版),2009,31(2)：147-150.

[4]朱夢哲,陳志華,趙鐘,尤越.基于OpenCV的車牌定位和校正方法[J].計算機應用.2013,33(S1)：223-226,225。

[5]馬騰飛,鄭永果,趙衛東.基于邊緣檢測與Hough變換的車牌字符分割算法[J].系統仿真學報,2006,18(Z1)391-392

[6]申繼龍,車牌定位和傾斜校正的關鍵技術研究[D].南京郵電大學,2013.

[7]朱程輝,吳德會.基于主元分析的傾斜車牌圖像校正方法研究[J].微電子學與計算機,2006,23(1)：177-180.

[8]袁春蘭,熊宗龍,周雪花,等.基于Sobel算子的圖像邊緣檢測研究[J].激光與紅外,2009,39(1)：85-87.

[9]Health A,Sarkar S,Sanocki T,et al.Comparision of edge detections.A methodology and initial study[J].Computer Vision and Image Undersstanding.1998,69(1)：38-54.

[10]沈峰亭,魏紅.基于改進Sobel算子的螺紋邊緣檢測[J].微計算機信息,2008,24(1-1)：261-262.

[11]陳含,呂行軍,田鳳珍,等.基于Sobel算子邊緣檢測的麥穗圖像分割[J].農機化研究,2013,35(3)：33-36.

[12]馬洪霞.基于子區域投影分析的車牌傾斜校正[J].計算機應用與軟件,2012,29(6)：253-255,293.

[13]賈曉丹,李文舉,王海姣.一種新的基于Radon變換的車牌傾斜校正方法[J].計算機工程與應用,2008,44(3)：245-248.