霧霾環境下車牌定位

文章巖

摘 要：為實現霧霾環境下車牌的定位，采用暗原色先驗去霧算法對圖像進行清晰化復原，通過Roberts算法和車牌顏色紋理對去霧后的圖像進行一系列的處理，能夠使得圖像達到去霧去霾的效果，同時能夠準確高效的定位車輛車牌位置。該方法對霧霾環境下車牌的定位具有較高的識別率。

關鍵詞：霧霾;暗原色先驗;Roberts;車牌;定位

1 引言

車牌定位識別系統（Vehicle License Plate Recognition，VLPR）在智能交通系統中充當著重要的角色，發揮重要的作用，應用十分廣泛，得到了各個科研機構及高校的關注與重視。近年來，全國的霧霾天數正在逐漸增長，霧霾天氣已經對智能交通系統產生了不良的影響，現在的車牌定位識別系統在良好的天氣下已經非常的完善，識別率很高，魯棒性很好。但是在霧霾環境下的車牌定位國內的研究還相對較少，在霧霾環境下能夠對車牌進行定位，同時保證車牌的正確識別率，會對智能交通系統的升級起到極大的作用。同時，在智能汽車以及無人駕駛等方面能夠提供幫助，同時對于在道路上行駛的車輛檢測識別也是一種可靠的特征提取方法。

圖像的采集環境為非可控，拍攝的光照條件，拍攝的角度不同，車輛的行駛路況，雨天及其霧霾天氣，都會對圖像的采集造成一定的困擾。霧霾天氣會使拍攝的圖像出現對比度低、顏色失真、圖形模糊等現象，這些現象會嚴重影響車牌識別系統的準確性和實時性[1]。所以對霧霾環境下所拍攝到的視頻圖像進行去霧去霾處理，對車牌的精確定位能夠起到非常大的作用。

3 車牌定位

3.1 圖像預處理

3.1.1 圖像灰度化

在霧霾環境下采集到的都是彩色視頻圖像樣本，彩色圖像的每個像素都是由R、G、B分量構成的，R、G、B則代表了紅、綠、藍3種不同的顏色，所以彩色圖像又被稱為RGB圖像。在對圖像進行車牌定位識別之前需要對圖像進行預處理，彩色圖像包含很多對車牌定位識別無用的顏色信息，而這些無用的信息還會增加計算量，使識別速度降低。在圖像識別領域一般會把彩色圖像轉換成灰度圖像，圖像灰度化是通過對圖像進行變換將RGB彩色圖像轉化為灰度圖像，灰度圖像同樣是包含圖像的亮度以及色度等級等信息的。圖像進行灰度化處理并不會影響車牌定位識別的效果，同時會減少計算量，提高識別效率，能夠保證實時性和準確性。

3.1.2 圖像濾波

在圖像信息的采集中，車載攝像機會產生抖動，同時周圍的環境會不可控的發生變化，會給圖像的采集帶來外界的干擾。采集到的圖像中就會存在一些高頻信號，這些高頻信號會使采集到的圖像的質量下降，在經過圖像的預處理以及復雜的除霧處理后會使對比度不能滿足要求，使分析的過程中出現麻煩。當有這些高頻信號的噪聲存在時會使圖像中的車輛信息不明顯，車牌的特征模糊，同時會增加計算量，嚴重影響車牌定位識別的準確率。中值濾波能夠很好的保護圖像中的邊緣信息，還能夠消除因外界環境產生的高頻噪聲，對進行了灰度化的圖像進行中值濾波，能夠消除圖像中的噪聲，保證邊緣檢測的進行。

3.2 圖像邊緣檢測

通過對汽車尾部以及車牌所具有的直線特征與形狀特征進行檢測，運用Roberts算子對圖像中的車牌進行定位，能夠定位到圖像中的車牌區域。

Roberts算子，在圖像中通過局部差分算子來定位邊緣。該算子在水平和垂直兩個方向上的定位效果較好，檢測垂直邊緣的效果好于斜向邊緣，對于車牌的檢測效果較好，定位精度高，適合于圖像的車牌檢測定位[5]。

Roberts算子定義為：

R（x，y）=max{|f（x，y）-f（x+1，y+1）|，|f（x+1，y）-f（x，y+1）|}

其模板形式為：

3.3 圖像開閉運算

經過處理后的二值圖像通過運用Roberts算子進行邊緣檢測后能夠得到汽車的輪廓以及車牌的輪廓，通過先腐蝕再膨脹的開運算處理，能夠除去孤立的小點、小顆粒噪聲、毛刺和小橋，斷開目標物之間的粘連，平滑圖像中大物體邊界，同時總的位置和形狀不變使得經過濾波以及形態學處理后的圖像更為平滑，移除圖像中的小對象能夠得到輪廓明顯的目標圖像。

經過圖像的開閉運算后，圖8中車牌的位置已經確定，進而對車牌進行定位剪切。

4 總結

本文詳細介紹了去霧的理論依據，通過使用大氣散射模型對霧霾形成的過程進行分析，運用暗原色先驗去霧算法對霧霾環境下拍攝到的視頻圖像進行去霧處理，得到的去霧效果較好。對去霧的圖像進行灰度化處理，通過算法對圖像中的車牌進行定位，將定位過程中出現的問題進行處理，結果表明定位的效果較好，車牌識別率較高。對智能交通系統的完善以及車輛檢測特質提取具有很大的幫助。

參考文獻：

[1]鞠麗麗.基于暗原色原理和B樣條小波的霧霾車牌定位的研究[D].青島：青島大學，2016.

[2]代永珍.單幅有霧圖像去霧算法研究[D]. 長沙：國防科技大學，2014.

[3]劉創舉.霧天條件下的車牌信息識別技術研究[D].蘭州：西北師范大學，2015.

[4]Jiaxi He，Cishen Zhang， Ran Yang， Kai Zhu. CONVEX OPTIMIZATION FOR FAST IMAGE DEHAZING [C]. USA：IEEE International Conference on Image Processing（ICIP），2016.

[5]金炎.基于計算機視覺的車型識別研究[D]. 南京：南京信息工程大學，2016.