車牌識別系統中定位方法的研究

李怡珍

摘要：車牌定位是車牌識別系統的重要環節。針對單一定位方法的局限性，本文提出了一種將數學形態學和紋理特征相結合的定位方法，基于MATLAB平臺對圖像進行處理，實現了車輛照片中牌照區域的精確定位，為后續字符切割及識別提供支持。

關鍵詞：車牌定位;圖像處理;數學形態學

中圖分類號：TP18? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）26-0178-02

引言

智能交通系統廣泛應用于道路交通監控、違章車輛記錄、停車場智能管理等多個領域，在城市交通網絡中發揮重要作用。車牌作為車輛的重要標識，準確高效的識別車牌信息為智能交通系統提供支持和保障。

車牌識別系統基于模式識別和數字圖像處理技術，對車牌中的字符信息進行提取和識別。系統主要分為圖像預處理、車牌定位、字符分割、字符識別四個部分。預處理作為系統第一個環節，是后續所有處理的基礎。而車牌定位是車牌識別的前提，定位的精確性直接影響字符識別的準確率，是車牌識別系統中的重要組成部分。

本文針對車牌識別系統中圖像預處理和車牌定位的環節進行分析研究，提出了將兩種算法結合的定位方法。基于MATLAB實驗平臺，通過圖像灰度化、灰度拉伸、平滑處理的步驟得到亮度和對比度足夠的車牌灰度圖，利用Roberts算子提取圖像邊界，基于數學形態學對輪廓進行開閉運算，排除背景干擾，粗略定位牌照區域，再通過投影法進行水平和垂直掃描，實現車牌區域的精確定位。

1 圖像預處理

由于復雜場景及惡劣天氣的影響，采集的車牌圖像往往存在對比度低、清晰度差、角度傾斜、尺寸不一等問題，因此需要先對車牌照片進行預處理，改善圖像質量，增強車牌中顏色和紋理信息，去除牌照區域的干擾噪點，以獲得清晰的車牌圖像，提高車牌定位的可靠性，并降低系統儲存空間，提高處理效率，為牌照區域的準確定位打好基礎。

1.1圖像灰度化

通常我們采集到的車牌彩色圖像中，每個像素點可提供[224]種信息，數據量過大。為了加快處理速度，可以去除車牌中的顏色信息，得到車輛的灰度圖像。灰度圖需要的儲存空間僅為彩色圖像的1/3，可有效降低彩色圖像中每個像素點的儲存量，提高執行速度。

本文中圖像的灰度化處理采用加權平均值法，計算公式為：[Gray=（ωR*R+ωG*G+ωB*B）/3]。其中，分別為R、G、B對應的權值，對三個分量進行加權后再取算術平均值[1]。所取權值不同，會形成不同的灰度圖像。由于人眼對不同顏色的感知程度不同，通常使[ωG?ωR?ωB]時能得到易于識別的灰度圖。根據經驗、實驗和視覺特性分析，一般情況下，取[ωR=0.587，ωG=0.299，ωB=0.114]時，得到的灰度圖效果較為理想。

1.2灰度拉伸

在圖像采集時，光照強度過高或不足的情況下，灰度化處理后的灰度圖整體顏色單一，牌照區域和背景區域界限不明晰、對比度低，在直方圖中呈現為灰度等級集中在某一范圍內。選擇該范圍內的灰度等級，通過映射拉伸至整個灰度等級（0-255之間），以增強圖像對比度，便于邊緣提取和定位。

1.3圖像平滑

采集到的車牌圖像往往存在一些噪點，在預處理階段需要抑制或消除這些干擾，使圖像質量得到進一步增強。

本文采用一種非線性濾波技術，即空間域中中值濾波的方法，構建一個3*3的二維滑動模板，該模板以目標像素為中心，周圍8個像素點作為鄰域。將模板內9個點依據像素值大小進行排序，生成序列[Fjk]，取中位像素點代替目標像素點，輸出[G（x，y）=med{Fjk}]。中值濾波能夠在保護圖像輪廓的同時，有效消除孤立的噪聲點。

1.4邊緣檢測

邊緣檢測是車牌定位前的關鍵一步，通過提取圖像中灰度值變化明顯的點，剔除干擾信息，僅保留結構屬性。常見的邊緣檢測算子有：Roberts算子、Laplacian算子、Sobel算子、Canny算子等。本文使用Roberts算子對圖像進行邊緣檢測。

Roberts算子基于局部差分法提取邊緣，通過求2*2范圍內對角像素點的差值作為近似梯度幅值來提取邊緣，運算速度快，但是對噪聲敏感度高。由于在上一節已經進行噪聲平滑處理，故使用Roberts算子可以快速提取到精確的圖像邊緣。本文設置閾值為0.18，圖1為通過Roberts算子進行邊緣檢測后的車牌圖像。

2 常見車牌定位方法

2.1 基于邊緣的車牌定位方法

結合公安部GA36-2007規定的車牌特征，我國機動車車輛牌照標準尺寸為440*140的矩形，縱橫比大約為1：3。基于這一特征，在通過Roberts算子提取到的圖像邊緣信息中搜索具有連續直線的矩形區域，并檢測其縱橫比與車牌一致的區域作為疑似牌照區域[2]。基于邊緣的車牌定位方法運算速度快、復雜度低，但是車牌周圍的格柵結構可能會造成誤判。

2.2 基于顏色的車牌定位方法

我國標準車牌底色及字符顏色是固定的，在車輛照片中，背景區域顏色雜亂且稀疏，車牌區域顏色單一且密集。利用車牌的顏色特性，設置不同的特征函數，削減車牌以外的顏色特征，突出牌照顏色，將車牌區域從圖像中提取出來。

除一般小型汽車牌照藍底白字外，軍用及警用牌照、港澳地區牌照、新能源汽車牌照等車牌底色與字符顏色均有不同的組合，需要針對不同類型的車輛設置不同的特征函數。另外，光照變化或光線不足會導致顏色亮度發生變化，如果選擇了對光照敏感的顏色模型，會降低算法的穩定性。

2.3 基于形態學的車牌定位方法

在圖像處理和模式識別中應用數學工具可以提高運算精度，降低后續識別運算的復雜性。數學形態學通常被用于車牌識別中，應用對象是像素的集合，利用圖像中某種特定結構來進行區域定位。數學形態學的基本操作是腐蝕和膨脹，開運算為先腐蝕再膨脹，用于消除圖中細小的毛刺和突出;反之，閉運算為膨脹后再腐蝕，用于填補圖像內部的細小間隙和空洞[3]。該方法能夠完整地保留圖像特征，但只能粗略的檢測車牌位置，定位精度不高。

2.4 基于紋理特征的車牌定位方法

通過紋理特征進行車牌定位時，通常結合投影法在水平及垂直方向投影。對圖像進行水平掃描時，預先設定一個跳變的閾值，當跳變次數高于這個閾值時，初步判斷該水平線上存在車牌信息，多次掃描后得到圖像中可能的車牌區域，得到車牌水平方向的上下限，確定車牌高度。車牌寬度通過垂直方向掃描，尋找垂直投影灰度直方圖的灰度跳變，進一步確定車牌寬度。

基于紋理特征的方法操作簡單，運算速度快，定位精準，但是不適用于背景雜亂及噪點較多的圖像。

3 基于數學形態學和紋理特征相結合的車牌定位方法

通過對以上四種車牌定位方法的分析比較可以看出，每種定位方式都有其適用的范圍，選取某種單一方法操作具有局限性，影響定位結果的準確性，無法得到理想效果。本文將基于數學形態學的定位方法和基于紋理特征的定位方法結合，通過數學形態學中的開閉運算排除背景干擾，得到牌照區域連通域，再通過基于紋理特征的投影法對圖像進行水平和垂直方向的掃描，精確定位出牌照位置。

在通過Roberts算子提取到的邊緣圖像中，除了目標車牌的邊緣外，還存在背景中的雜亂邊緣。在初步定位時應將車牌與背景區域的干擾分離，使目標成為獨立的區域。

首先對圖像進行腐蝕運算，使輪廓邊界向內收縮，同時消除細小且無意義的干擾斑塊。腐蝕操作前需要先確定結構元素矩陣，其形式決定了腐蝕操作能否在保留目標車牌邊界的同時腐蝕掉細小雜亂的斑塊。本文使用MATLAB中的imerode（）函數，取3*1的線性陣列[Se=[1;1;1]]用于測試圖像。

腐蝕后的車牌周圍的雜亂邊緣被消除，但同時車牌區域的邊界也出現了部分斷續，需要使用imclose（）函數對圖像進行閉運算操作，即對目標依次進行膨脹和腐蝕，填補輪廓線上的間隙，消除邊界的小顆粒噪聲，進行區域融合，得到趨于平滑的連通域。

此時得到的圖像中含有多個閉合區域，其中包含車牌區域和上一步閉運算無法消除的干擾斑塊。移除車牌外的小對象可以通過bwareaopen（）函數，設定閾值為2000，刪除圖像中斑塊面積小于該閾值的區域。

腐蝕和移除小對象后得到的初步定位結果如圖2所示。

經過處理后的車牌區域已消除干擾信息，對圖像自上向下掃描搜索，查找到第一個非零點即車牌的上邊緣，再自下向上掃描搜索，將第一個非零點作為車牌的下邊緣，得到車牌上下邊界。

采用與水平定位相同的方法對車牌進行垂直定位，對圖像做垂直一階差分運算后做平滑處理。由于車牌中字符是橫向排列的，字符之間的距離使縱向投影圖中含有多個波峰，通過設置閾值0.6，找到首尾兩個大于閾值的波峰，即車牌上的首尾字符，分別由首波峰向左搜索，尾波峰向右搜索，得到的第一個非零點分別為車牌的左右邊界。

4 結論

采用以上將數學形態學與圖像紋理特征相結合的定位方法，在MATLAB實驗平臺下對100幅車輛照片進行實驗，準確率達到93%，取得了良好效果，提出的定位方法切實可行，為后續字符分割及識別提供便利，具有一定的實用價值。

參考文獻：

[1] 李俊山，李旭輝. 數字圖像處理[M].北京：清華大學出版社， 2007.

[2] 盛詡智.基于邊緣檢測的車牌圖像分割技術[J].自動化技術與應用，2004，23（3）：24-26.

[3] 左奇，史忠科. 一種基于數學形態學的實時車牌圖像分割方法[J].中國圖像圖形學報，2003，8（3）： 281-285.

【通聯編輯：唐一東】