一種基于小波變換和Tophat變換的車牌定位算法

馬飛

（無錫工藝職業技術學院 電子信息系，江蘇 宜興214206）

一種基于小波變換和Tophat變換的車牌定位算法

馬飛

（無錫工藝職業技術學院 電子信息系，江蘇 宜興214206）

針對現有車牌定位系統中采集到的圖像質量較低的特點，提出了一種基于小波變換和Tophat變換的車牌定位算法來增強圖像對比度、抑制背景以提高車牌識別的準確率。首先，以小波變換為工具，結合反銳化掩模（UM）方法，使得車牌圖像的整體對比度得到有效增強；其次，對圖像進行二值化操作和連通域分析；接著，利用中低頻描繪子重構VPM；最后，結合部分中低頻描繪子和統計量組成描述區域紋理的模式向量，輸入支持向量機歸類。從實驗和數據分析得出，這種新的算法不僅使車牌圖像的對比度得到了有效增強，而且使圖像的噪聲得到了明顯的抑制，適用于自然場景中的車牌識別。

車牌定位；小波變換；Tophat變換；圖像對比度；抑制背景

車牌自動識別[1-2]是計算機視覺、圖像處理和模式識別技術在智能交通領域應用的一項重要研究課題，是實現交通管理智能化的關鍵環節。車牌識別過程涵蓋了車牌定位[3-8]、字符分割和字符識別等關鍵技術，車牌定位是其難點和重點之一，車牌定位是否準確，直接影響到最終能否正確識別車牌號碼，文中對車牌定位技術展開了深入的研究。

車牌定位算法[9-13]一般可以劃分為3類：1）基于灰度圖像的算法，該算法主要利用邊緣特征，當車牌圖像光照不均勻，對比度不高時，很難準確定位，誤識別率較高；2）基于彩色圖像的算法，該算法主要利用顏色特征，當車身顏色與車牌區域顏色接近或車牌褪色時，需要附加較多判別，你準確定位，同時處理速度較灰度圖像慢；3）融合定位算法，該算法綜合利用邊緣、顏色、紋理特征，增加了系統的可靠性，但算法較復雜。由于基于灰度圖像的方法具有算法簡單，技術發展較成熟等特點，是目前在車牌定位中應用[14-15]較為廣泛的算法之一。圖像紋理特征分析是這類算法的主流，典型方法是邊緣分析，模板匹配，直方圖分析和神經網絡。這些發方法只有在良好的外部條件下才能獲得較好的檢測結果，而一個成功的識別系統應該能夠在光照變化、視點和距離變化、車輛運動、復雜背景燈情況下繼續工作。為了使算法具有更好的適應性，關鍵在于：1）增強車牌文字和背景的對比度、抑制噪聲和背景目標；2）找到一組能描繪車牌區域文字紋理特征的模式向量。另外，文獻[1]中提到的車牌定位方法雖在一定程度上提升了車牌識別的效率，但是在光照變化、視角和距離變化、車輛運動、復雜背景等情況下采集到質量較差的車牌圖像時，該算法的識別效率顯著降低。據此，提出了利用小波變換來增強車牌圖像對比度，利用Tophat變換來抑制背景，利用支持向量機定位車牌區域的算法。該算法在低圖像對比度、多視角和復雜場景的車牌定位中，取得了良好的效果。

1　提出的算法

文中提出的車牌定位算法的主要改進和創新在于圖像預處理和掃描定位這兩個環節。圖像預處理分為以下幾個步驟：小波變換、Tophat變換、二值化和連通域濾波；掃描定位包括：模式特征向量計算和分類器歸類。算法的流程圖如圖1所示。

圖1　算法流程圖

1.1圖像預處理

1）對比度增強

小波變換的主要著眼點在于設計出一種統計量，使其更加符合圖像對對比度增強的要求，可以把該統計量可分成兩個部分，分別表示圖像的有效信息和噪聲信息。此算法應用小波變換，借助反銳化掩模算法來得到最終的統計量用于圖像對比度增強。

圖像中某一個灰度值所表達的信息應該由兩部分組成，如式

g為灰度值，I′（g）表示總信息，I（g）表示圖像中的有效信息，N（g）則表示噪聲信息。如果要通過重新分配灰度級空間的方法來達到對比度增強的目的，灰度值g所分配的灰度級空間應該與I（g）成正比，與N（g）成反比，這樣才能達到既增強圖像對比度，又抑制噪聲，從而提高圖像質量的目的。在具體的統計過程中，如果該灰度值的信息量越大，且局部的信噪比越高，就應該被賦予越大的統計量。反之，如果該灰度值的信息量越小，且局部的信噪比越低，就應該被賦予越小的統計量。

2）背景抑制

Tophat算子是一種形態學算子，其定義在灰度圖像上。假設，f（x，y）為灰度圖像，b是結構算子，則b對f（x，y）的開運算可以定義為

其中Θ和⊕分別為腐蝕和膨脹算子，Tophat變換可以定義為

3）二值化和連通域去噪

圖2　預處理過程

Tophat濾波可以使得圖像背景、前景變得簡潔而均勻，文中采用的二值化方法是基于類間方差最大化的，該二值化方法可以獲得較好的結果。

車牌的面積、長度以及寬度是在相關法規中規定的，因此，可以計算連通域Ri的前景像素數Ai和最小外接矩形Bi的高寬（hi，wi），非車牌目標可以按照規則1以及規則2更好的消除：

按照上述方法原始圖像中可以濾除那些亮度不均勻以及尺寸較大的部分，然后，圖像背景變得較為簡單，而且可以更好的增強車牌區域的特征。如圖2所示，為預處理過程中濾波和連通域分析后的結果。

1.2車牌區域定位

1）紋理向量獲取

車牌號碼按照水平方向從左向右進行分布，并且車牌字符的組成較為規律，由漢字、英文字母以及數字組成。車牌進行圖像二值化后如圖3所示，黑色部分為車牌底部，白色部分則是字符部分。垂直投影圖（Verical Projection Map，VPM）是比較好的處理工具，該工具可以描述圖像的亮度等方面的整體特征，還可以通過波形特征描述圖像的細節。目前常見的使用垂直投影圖算法當中，都是利用波峰/波谷數和紋理統計量進行車牌區域判定的。但是，對于存在噪聲的情況，其處理效果不好。紋理向量獲取的重點是降低噪聲的影響：

圖3　車牌區域預處理

將VPM表示為坐標對 （0，y0），······，（1，y1），（K-1，yk-1），其中，K用于表示區域亮度，而VPM也可以表示為一個序列S（k）={yk}，其中，S（k）的離散余弦變換為

其中，B（u）稱為S（k）的頻域描繪子。上述系數的離散余弦變換是可逆的，即

假定只是使用前P個系數，而不使用所有的系數，相當于在上式中令B（u）=0，u＞p-1，結果得到S（k）的近似如下：

因為高頻分量可以決定細節部分，而低頻分量可以決定總體形狀，因此只需使用前P個頻域描繪子恢復S（k），重構的RVPM可以采用下面的統計量進行描述：

其三，選修課設計不合理。許多獨立學院法學專業由于受辦學條件的限制，一是選修課設計多以理論類課程為主，職業技能類課程偏少；二是選修課數量少，學分比重小，沒有體現出與其他普通高校的差異。

①均值m，平均投影值度量：

②標準偏差σ2，平均偏移度度量：

③平滑度R，投影值的相對平滑度度量：

④三階矩μ3，度量投影值的分布情況；

2）車牌區域定位

預處理后的圖像可以用兩個矩形窗口進行掃描，Window是大矩形窗，Kernel是小舉行窗，綜合考慮計算復雜度和精度，滑動步長的單位是4個像素。步驟如下：

①算出Window的VPM值；

③計算RVPM1的波峰數WT和波谷數WB，假如Wmin＜WT，WB＜Wmax，則計算VPM’的模式向量x，送入SVM分類器識別；Kernel并不一定能全部覆蓋大尺寸車牌的全部區域，Wmin為4，同時，考慮漢字中“甘”字等情形，會產生多個波峰和波谷，Wmax設定為10；

④如果Kernel1沒有到達Window右側，重復步驟2）；否則，如果Window沒有到達圖像底部，將Window向下移動4個像素，重復步驟1）；

⑤對SVM分類器識別為車牌的結果區域進行合并，得到車牌區域。

2　實驗結果

文中采集500幅車牌圖像進行仿真實驗，所采集的圖像尺寸為2861×2112。經過車牌定位系統準確定位493幅，準確率為98.6%。

2.1角度變化實驗

選取了3幅拍攝角度為0度、30度和60度的車牌圖像進行了仿真分析，如圖4所示為拍攝視角變化的情況下車牌圖像及檢測結果，根據仿真結果可以得知，在拍攝視角為0度的時候，可以清晰的看到仿真的結果“甘AK8583”，隨后在改變拍攝角度的情況下，后兩幅圖的仿真結果較0度視角的清晰度有所降低，但是仍然可以獲得清晰的仿真結果。

圖4　視角變化

2.2距離變化實驗

為了驗證距離變化對算法性能的影響，選取了3幅拍攝距離為1米、3米和9米的圖像進行仿真驗證，如圖5所示，為距離變化情況下拍攝的車牌圖像及檢測結果，從仿真對比結果中可以看出，在距離為1米的情況下，仿真結果非常良好，可以獲得“甘AH3728”的清晰字樣，在拍攝距離為3米和9米的情況下，仿真結果較1米的時候質量有所降低，但是變化不是很大，仿真效果較好。

圖5　距離變化

2.3光照強度實驗

在對拍攝角度變化和距離遠近這兩種因素進行仿真對比驗證之后，分別在強光照和若光照的環境下，采集兩幅圖像進行仿真處理，如圖6為光照變化情況下拍攝的車牌圖像及檢測結果，從對比圖中可以得知，算法性能在兩種光照情況下性能穩定。

圖6　光照變化

實驗結果表明文中提出的基于小波變換和Tophat變換的車牌定位算法能夠克服光照變化、視角變化和距離變化的影響，達到準確定位車牌區域的效果。

3　結　論

文中提出的算法以小波變換為工具，分別在中頻和高頻區域統計了車牌圖像中的有效信息和噪聲信息，使車牌圖像中細節信息豐富并且信噪比較高的灰度值的統計量增高，而使那些細節信息較少且信噪比較低的灰度值統計量降低，可以使車牌區域內部的圖像對比度得到增強，并且抑制了圖像噪聲；利用Tophat變換來抑制車牌圖像中的背景目標。通過對不同環境下拍攝的500余幅圖像進行試驗得知，該方法目標定位準確度超過98.8%，證明該方法的定位精度很高。

[1]朱成軍，蒲菊華，高磊，等.基于Tophat變換和文字紋理的車牌定位算法 [J].北京航空航天大學學報，2008，34（5）：541-545.

[2]羅有敢，楊德貴，莊釗文.時空域濾波方法在紅外弱小目標檢測系統中的應用 [J].紅外與激光工程，2010，39（3）：571-575.

[3]尚趙偉，國慶，朱貝貝，等.Top-hat變換在多車牌定位中的應用[J].計算機工程與應用，2011，47（29）：214-217.

[4]曹剛，游志勝，趙樹龍.基于小波隱性馬爾可夫樹模型的車牌定位[J].電子科技大學學報，2004，33（5）：515-518.

[5]陳方涵，苗華，陳宇，等.基于小波多尺度積的目標識別[J].光學學報，2009，29（5）：1223-1226.

[6]ZHENG D N，ZHAO Y N，WANG J X.An efficient method of license plate location[J].Pattern Recognition Letter，2005，26（15）；2431-2438.

[7]LIU Honghai，HOU Xianghua.The precise location algorithm of license plate based on gray image[C].2012 International Conference on Digital Object Identifier，2012:65-67.

[8]Hsieh C T，Juan Y S，Hung K M.Multiple license plate detection for complex background[C].19th Intnternational ConfferenceonAdvancedInformationNetworkingand Applications，2005:389-392.

[9]楊衛平.車牌目標的自動定位技術[J].中國圖像圖形學報，2002，7（8）:835-839.

[10]戚飛虎，趙雪春.基于彩色分割的車牌自動識別技術[J].上海交通大學學報，2008，32（10）:4-9.

[11]XIN Fan，GUO Linag-fan，Dequn Liang．Joint segmentation and recognition of license plate characters[C]．IEEE International Conference on Image Processing，2007．Volume 4，1 9 Oct．2007：353-356.

[12]CHENZhenXue，LIUChengYun．Anovelalgorithmof license plates automatic locationBased on texture feature[C]．IEEE International Conference on Automation and Logisties，2009．5-7Aug．2009：1360-1363.

[13]王鑒等.車牌字符識別技術[J].中國測試技術，2005（3）: 132-139.

[14]王冠，敖志剛，劉永躍.基于快速連通域標記的車牌字符分割[J].計算機與現代化，2007（6）:345-350.

[15]施鵬飛，郭捷.基于彩色和紋理分析的車牌定位方法[J].中國圖像圖形學報，2002，7（5）:472-476.

A license plate location algorithm based on wavelet transform and Tophat transform

MA Fei
（Department of Electronic Information，Wuxi Institute of Arts and Technology，Yixing 214206，China）

The quality of collected image of existing license plate positioning system is low.A new license plate location algorithm based on wavelet transform and Tophat transform is proposed，which can be used to enhance image contrast、suppress background and improve the accuracy of license plate recognition.Firstly，by means of wavelet transform，combined with the unsharp masking（UM）method，the overall contrast of the license plate image is enhanced effectively.Secondly，operate the image binarization and analyse connected domain.Again，using low frequency descriptors restructure VPM.Finally，combining with the part of low frequency to describe texture pattern and statistic description area vector，input support vector machine （SVM）classification.From the experiment and data analysis，the new algorithm not only makes the license plate image contrast enhanced effectively，but also makes the image noise relatively obvious inhibition，and is applicable to the license plate recognition in natural scene.

license plate location；wavelet transform；tophat transform；image contrast；inhibition of background

TN 91

A

1674－6236（2016）22-0118-04

2015-11-19稿件編號：201511187

2015年江蘇省高等學校大學生創新創業訓練計劃項目（15012Y）

馬飛（1985—），男，山西太原人，碩士，助教。研究方向：智能信息處理、RFID系統、智能交通系統、服務型移動機器人控制。