基于邊緣檢測(cè)Sobel算子車牌定位算法研究

何婧 長(zhǎng)沙理工大學(xué)/永州職業(yè)技術(shù)學(xué)院

1.引言

智能停車場(chǎng)管理系統(tǒng)的核心是車牌識(shí)別技術(shù)，車牌識(shí)別技術(shù)是一項(xiàng)新興的非接觸的自動(dòng)識(shí)別技術(shù)，它是計(jì)算機(jī)視頻圖像識(shí)別技術(shù)在車輛牌照識(shí)別的應(yīng)用，通過(guò)將車輛牌照信息從復(fù)雜的背景中提取并識(shí)別實(shí)現(xiàn)對(duì)停車場(chǎng)車輛的管理，相對(duì)于其他自動(dòng)識(shí)別技術(shù)，該技術(shù)具有遠(yuǎn)程識(shí)別、快速識(shí)別、效果良好、抗干擾能力強(qiáng)等優(yōu)點(diǎn)。國(guó)內(nèi)車牌識(shí)別技術(shù)面臨的難點(diǎn)主要包括以下幾個(gè)方面。環(huán)境因素：國(guó)內(nèi)停車場(chǎng)往往設(shè)置在市區(qū)繁華地段或建筑物的地下層，這些地方往往周邊環(huán)境較為復(fù)雜，收到光線、天氣、行人、車輛等客觀因素的影響較大，同時(shí)，由于車輛的差別性，車牌位置也不盡相同，容易影響到車牌的識(shí)別效果。圖像因素：車牌的干凈程度也對(duì)車牌的正確識(shí)別起到了關(guān)鍵作用，由于國(guó)內(nèi)環(huán)境以及道路的復(fù)雜性，有些車牌容易沾染到污漬，車牌出現(xiàn)彎曲變形等現(xiàn)象，從而造成車牌單個(gè)字符間距，樣式出現(xiàn)改變，嚴(yán)重的甚至?xí)斐绍嚺茻o(wú)法識(shí)別等現(xiàn)象。算法因素：車牌是通過(guò)高清攝像設(shè)備對(duì)圖像進(jìn)行采集，在通過(guò)預(yù)先設(shè)置的算法對(duì)車牌進(jìn)行定位與識(shí)別，因此，算法的優(yōu)劣直接決定了車牌識(shí)別的準(zhǔn)確率和效果，識(shí)別的圖像模糊、字符失真、位置傾斜等都會(huì)影響到算法的執(zhí)行效率，尤其是對(duì)于停車場(chǎng)管理而言，快速而準(zhǔn)確的識(shí)別對(duì)提高停車場(chǎng)的管理水平起到了至關(guān)重要的作用。國(guó)情因素：國(guó)內(nèi)車牌由于特殊性包含了中文這種特殊字符，中文字符結(jié)構(gòu)復(fù)雜，同字母和數(shù)字相比，識(shí)別難度大，同時(shí)，我國(guó)車牌種類眾多，車牌結(jié)構(gòu)與背景色都存在差異，對(duì)車牌識(shí)別提出了更高要求。

基于此，針對(duì)我國(guó)中文車牌特性對(duì)車牌定位算法進(jìn)行了改進(jìn)，其設(shè)計(jì)思想是利用邊緣檢測(cè)算子提取邊緣，通過(guò)對(duì)比分析 Laplace算子、Scharr算子和 Sobel算子得出，Sobel算子具有更加優(yōu)越的邊緣檢測(cè)性能，再利用圖像形態(tài)學(xué)開閉運(yùn)算完成車牌的定位。

2.車牌識(shí)別總體流程

車牌識(shí)別技術(shù)是對(duì)采集的圖像信息進(jìn)行處理，定位出車牌位置，再將車牌中的字符分割出來(lái)進(jìn)行識(shí)別，最后組成車牌號(hào)碼輸出。車牌識(shí)別技術(shù)的核心包括有：車牌定位算法、車牌字符分割算法和車牌字符識(shí)別算法等。

2.1 車牌定位：從拍攝識(shí)別出的圖像中根據(jù)車牌定位算法找到汽車牌照所在的位置圖塊及相似圖塊，并對(duì)圖塊進(jìn)行判斷，保留僅為車牌的圖塊，并從中準(zhǔn)確的將車牌圖塊分割出來(lái)。

2.2 車牌字符分割：對(duì)定位出來(lái)的車牌區(qū)域，根據(jù)字符尺寸特征對(duì)車牌進(jìn)行字符分割處理。

2.3 車牌字符識(shí)別：對(duì)分割后的字符進(jìn)行縮放、特征提取，并通過(guò)與字符數(shù)據(jù)庫(kù)模板中的標(biāo)準(zhǔn)字符表達(dá)式進(jìn)行匹配判斷，并將識(shí)別后的結(jié)果以文本形式輸出。

車牌識(shí)別總體流程圖如圖1所示。

圖1 車牌識(shí)別總體流程圖

3.基于邊緣檢測(cè)Sobel算子車牌定位算法研究

車牌定位結(jié)果對(duì)于后續(xù)車牌識(shí)別的成功起決定性作用。目前，車牌定位學(xué)術(shù)界有許多方法，大體上可以劃分為三大類：1、基于顏色定位算法，2、基于邊緣定位算法，3、基于機(jī)器學(xué)習(xí)算法，具體而言比如基于顏色和紋理分析的方法、基于數(shù)學(xué)形態(tài)學(xué)的方法、基于特征顏色邊緣的方法、基于投影圖像分布特征的方法、基于神經(jīng)網(wǎng)絡(luò)的方法等。

考慮到車牌定位的時(shí)間性要求，本文選擇了時(shí)間復(fù)雜度低、效果好的基于邊緣特征的車牌定位方法。邊緣檢測(cè)的基本思想是通過(guò)檢測(cè)每個(gè)像元是否位于一個(gè)物體的邊界上。如果每個(gè)像元位于一個(gè)物體的邊界上，則其領(lǐng)域像元灰度值變化比較大。通過(guò)對(duì)比分析Laplace算子、Scharr算子和 Sobel算子得出，Sobel算子具有更加優(yōu)越的邊緣檢測(cè)性能，再利用圖像形態(tài)學(xué)開閉運(yùn)算完成車牌的定位。

基于邊緣檢測(cè)Sobel算子車牌定位算法流程圖如圖2所示。

圖2 基于邊緣檢測(cè)Sobel算子車牌定位方法流程圖

3.1 基于邊緣特征的車牌定位方法

根據(jù)所采用的模版不同，有不同邊緣提取算子，下面將主要對(duì)Laplace算子、Scharr算子和 Sobel算子進(jìn)行車牌圖像提取的比較。

3.1.1 Sobel算子

Sobel算子是一種基于一階導(dǎo)數(shù)的邊緣檢測(cè)算子，針對(duì)車牌定位主要用于監(jiān)測(cè)圖像中的垂直邊緣，便于實(shí)現(xiàn)對(duì)車牌的區(qū)分。其計(jì)算原理是通過(guò)對(duì)圖像求一階的水平與垂直方向?qū)?shù)，根據(jù)導(dǎo)數(shù)值的大小來(lái)判斷是否是邊緣。Sobel算子包含兩組3x3的矩陣，分別為橫向及縱向模板，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。

Sobel算子的卷積模版如下：

橫向模板：Gx 縱向模板：Gy 圖像的每一個(gè)像素的橫向及縱向梯度近似值可用以下的公式結(jié)合，來(lái)計(jì)算梯度的大小。再利用以下公式計(jì)算梯度方向

若梯度方向計(jì)算為0，則表示圖片具有縱向邊緣，圖片的左邊要比有變暗。

3.1.2 Laplace算子

Laplace算子同Sobel算子一樣也是一種邊緣檢測(cè)算子，不同于Sobel算子的一階導(dǎo)數(shù)，Laplace算子通過(guò)對(duì)圖像的二階倒數(shù)的零交叉點(diǎn)來(lái)實(shí)現(xiàn)邊緣的檢測(cè)。

Laplace算子的公式定義：

一般情況下，Laplace算子檢測(cè)不分水平和垂直，同時(shí)，不能提供邊界方向信息，對(duì)噪聲也比較敏感。

3.1.3 Scharr算子

Scharr算子其實(shí)只是Sobel算子的一個(gè)變種，由于Sobel算子在3*3的卷積模板上計(jì)算往往不太精確，因此有一個(gè)特殊的Sobel算子，其權(quán)值按照如下公式來(lái)表達(dá)，稱之為Scharr算子。

其中，dst為計(jì)算結(jié)果，Src為原圖像，ddpeth為處理結(jié)果圖像深度，dx為X軸方向，dy為Y軸方向。

一般來(lái)說(shuō)，Shcarr算子能夠獲得比Sobel算子更加優(yōu)秀的邊緣檢測(cè)效果，但是，對(duì)于車牌識(shí)別場(chǎng)景而言，越精細(xì)的邊緣會(huì)影響到閉運(yùn)算處理效果。

通過(guò)對(duì)基于邊緣檢測(cè)方法的Sobel算子、Laplace算子和Scharr算子進(jìn)行闡述，對(duì)不同算子對(duì)于車牌定位方法進(jìn)行了圖像檢測(cè)，不同算子之間對(duì)比圖如圖3所示。

圖3 不同算子之間對(duì)比圖

綜上所述，在對(duì)圖像邊緣化檢測(cè)的過(guò)程中，Sobel算子對(duì)于車牌定位檢測(cè)的效果要好于Laplace算子與Scharr算子。

3.2 基于形態(tài)學(xué)定位方法

數(shù)學(xué)形態(tài)學(xué)是一門建立在格論和拓?fù)鋵W(xué)基礎(chǔ)之上的圖像分析學(xué)科，通過(guò)對(duì)各要素之間相互作用以及圖形結(jié)構(gòu)，進(jìn)一步獲取對(duì)象的本質(zhì)形態(tài)。形態(tài)學(xué)圖像處理基本的運(yùn)算包括：腐蝕、膨脹、開運(yùn)算、閉運(yùn)算等。通過(guò)引入形態(tài)學(xué)對(duì)車牌圖像進(jìn)行處理，進(jìn)一步對(duì)圖像質(zhì)量進(jìn)行改善，去除或降低噪點(diǎn)對(duì)圖像處理的影響，從而提高車牌定位的準(zhǔn)確性。

3.2.1 二值化

通過(guò)二值化處理將Sobel生成的灰度圖像轉(zhuǎn)變?yōu)槎祱D像，其目的為后續(xù)的形態(tài)學(xué)算子Morph等準(zhǔn)備二值化的圖像。二值化效果圖如圖4所示。

圖4 二值化后效果

3.2.2 閉操作

通過(guò)對(duì)圖像進(jìn)行閉操作處理（先膨脹然后腐蝕）可以實(shí)現(xiàn)對(duì)所有的字符小圖塊的連接，最終形成一個(gè)車牌的大致輪廓。閉操作后效果如圖5所示。

圖5 閉操作后效果圖

3.2.3 取輪廓

取輪廓是通過(guò)將連通域的外圍勾畫出來(lái)，并將圖像中獨(dú)立出來(lái)的圖塊全部提取出來(lái)，進(jìn)一步形成最小外接矩形。取輪廓效果如圖6所示。

圖6 取輪廓圖

上圖紅色線條為輪廓，然后根據(jù)這些輪廓，求這些輪廓的最小外接矩形，可以看出共識(shí)別出6個(gè)矩形塊。

3.2.4 車牌定位

通過(guò)取輪廓操作識(shí)別出來(lái)的許多大小不同矩形塊，考慮到中國(guó)車牌寬、高具有固定規(guī)格，寬高比為3.14，同時(shí)，車牌圖像傾斜角不會(huì)太高。因此，可以從矩形塊特征中識(shí)別出車牌信息，如圖塊傾斜角度大于某個(gè)設(shè)定閥值時(shí)（30度），我們就判定該圖塊不是車牌。車牌最終定位圖如圖7所示。

圖7 車牌定位圖

4.結(jié)束語(yǔ)

本文基于邊緣檢測(cè)Sobel算子和圖像形態(tài)學(xué)閉運(yùn)算完成車牌的定位。該算法能夠有效降低車牌圖像噪聲的干擾，快速的定位出車牌區(qū)域，具有一定的工業(yè)應(yīng)用價(jià)值。