基于最小錯誤決策的車牌定位方法研究

摘 要 針對車牌定位中的先驗知識使用，提出一種基于最小錯誤決策的融合算法，通過樣本學習構建決策模型進行像素分類，實現車牌區域定位。經實驗驗證算法有效，同時實現適合嵌入式系統移植。

關鍵詞 車牌識別;檢測;貝葉斯決策;形態學

引言

車牌自動識別系統主要分為車牌定位，字符分割和字符識別幾個環節，其中車牌定位是整個處理過程的關鍵點，如果無法準確地找到畫面中的車牌位置，就無從進行后續的識別處理。鑒于車牌定位的重要性，研究者已提出多種用于車牌定位的做法，如基于LBP紋理分析和伴生顏色特征方法等。但這些方法大多只利用了傳統圖像處理中的單一特征，在實際應用中易受干擾。我國車牌有較強的先驗信息，本文將這些先驗知識通過貝葉斯最小錯誤決策框架進行融合，提出一種新的車牌定位方法，同時算法計算量低，適合嵌入式系統實現[1]。

1車牌的先驗信息

根據《中華人民共和國機動車號牌》標準，我國車牌主要有如下三種顏色組合：藍底白字、黃底黑字和白底黑字，在顏色上有較強的視覺可區分性;在車牌區域中，集中存在7個字符，字符與底色有明顯的對比，邊緣成分較為集中;同時車牌作為一個矩形區域，有固定的寬高比例范圍。由以上分析，對車牌區域中的像素，其所在區域的顏色信息及邊緣強度是可靠的判定依據，同時區域寬高比可作為全局約束條件使用，用于過濾顏色紋理相似的干擾區域[2]。

2最小錯誤率決策

由貝葉斯決策理論，對于觀察到的特征值，設有決策集合， 可求取對于每個決策的后驗概率：

（1）

取各個后驗概率中的最大值，此時出錯概率最小，對應的決策即為最小錯誤決策。

3基于最小錯誤決策的車牌定位算法流程

車牌定位的目的是確定輸入圖像中某個區域是否存在車牌，從決策角度，即要將輸入圖像中的像素區分為車牌像素及背景像素，可通過構建決策模型進行。

3.1 決策模型生成

收集一定數量的車牌圖片及背景圖片， 轉換到HSV色彩空間，并使用Sobel算子計算邊緣圖。對樣本圖片中的像素點進行采樣，在HSV分量圖和邊緣圖上計算每個像素的鄰域均值，生成特征向量集合。分別對車牌及背景特征向量集合屬性值進行直方圖統計，并歸一化到（0，1）區間，得到兩個先驗概率模型：及，其中為樣本像素在各顏色分量及邊緣圖上的鄰域均值。在程序實現時，模型數據按查找表進行存儲，通過值索引可快速求取對應概率值[3]。

3.2 決策推理

對于給定的待處理圖片，轉換到HSV色彩空間并計算Sobel邊緣圖像，對其中每個像素計算鄰域均值向量，代入到生成的決策模型中，求取對應的后驗概率 及，根據概率值比較將其歸屬為車牌還是背景像素，在標記圖像上分別標記為1或0。

3.3 形態學處理

經過決策推理過程后，對得到的二值標記圖，先通過腐蝕膨脹操作，去除面積較小的干擾區域。對剩下的連通區域計算寬高比，保留滿足的區域作為定位輸出[4]。

4實驗結果及分析

為了驗證本文算法的有效性，選取了各200張車牌及背景圖像，按照4.1描述的過程訓練生成決策模型，其中鄰域大小按經驗值取為16。使用收費站采集的500張不同光照條件車頭圖像作為測試集，按4.2和4.3描述的過程進行車牌區域定位，部分實驗結果見圖1。

對實驗結果進行統計，定位成功率為99.2%。剩下定位錯誤的圖片，主要是受光照干擾出現過曝，車牌特征變化過大導致。經性能測試，在主頻為3.4G的I7臺式機上處理一張圖片耗時在100毫秒內，基本能達到實時處理。由于決策模型是以查找表方式實現，沒有過多的復雜計算，此算法可方便的部署到基于DSP的嵌入式平臺上[5]。

5結束語

車牌定位作為車牌識別應用的關鍵環節，對系統的魯棒性和處理性能起著決定性作用。本文基于貝葉斯決策理論對先驗知識進行融合，提出一種新的車牌定位方法，經實驗驗證能有效實現定位，并適合嵌入式平臺移植和部署。

參考文獻

[1] 張凡，景曉軍，孫松林.一種基于LBP紋理的車牌定位方法[EB/OL]. http：//www.paper.edu.cn/releasepaper/content/200810-628，2008-10-24.

[2] 王枚，王國宏.利用伴生與互補顏色特征的車牌定位新方法[J].計算機工程與應用，2007，43（1）：206-208.

[3] 言茂松.貝葉斯風險決策工程[M].北京：清華大學出版社，1989：89.

[4] 胡琛，秦實宏.基于色彩紋理的車牌定位系統設計[J].武漢工程大學學報，2017（3）：73-80.

[5] 錢月.基于MATLAB的圖像形態學處理技術與應用[J].內江師范學院學報，2019（10）：51-55.

作者簡介

廖原，男，廣西南寧人;畢業院校：浙江工商大學，專業：信息與電子工程，學歷：本科;現就職單位：北京信路威科技股份有限公司南寧分公司，研究方向：智能圖像處理。