基于特征的车牌定位算法

2010-06-20孙运强姚爱琴

电子测试 2010年8期

张华，孙运强，姚爱琴

（1 中北大学信息与通信工程学院山西太原 030051；2 中北大学仪器科学与动态测试教育部重点实验室山西太原 030051）

0 引言

一般来说，完整的车牌识别系统由车辆图像获取、车牌定位、字符分割和字符识别4个部分组成，其中车牌定位技术是整个车牌识别系统的基础。车牌定位是指利用车牌特征把图像中含车牌的区域从复杂的背景中提取出来，所以车牌定位的关键是寻找到可有效利用车牌特征的方法。车牌的特征包括其独特的纹理特征、灰度特征、颜色特征、特定的几何形状特征等。目前关于车牌定位的算法众多，从利用特征方面可分为基于纹理特征的定位算法和基于颜色特征的定位算法;从采用的技术方面，传统的定位算法有边缘检测法、阈值法、直方图投影法、区域增长法、颜色特征提取法等，还有近来的运用数学形态学、神经网络、小波分析等来分析车牌图像。传统的边缘检测法、阈值法和直方图投影法具有算法简单、运算速度快等优点，现有的很多算法也是在其基础上发展起来的，但是对包含边缘特征较多的复杂图像无法准确定位。区域增长法能够同时直接利用车牌图像的多个特性来定位，具有较高的准确率，但是区域增长法是一个迭代过程，其算法的运算量大，速度慢。基于颜色特征提取的算法具有较明显的局限性，因为车辆本身和背景的颜色非常丰富，其颜色经常与车牌颜色十分接近，所以难以有效区分。小波变换的多分辨率的特性和方向特性使得其成为图像分析的一个有效工具，但是其算法较为复杂，运算量较大，不太适合于对实时性要求较高的系统。由上可知，目前车牌定位算法要么只利用车牌的单一特征对其定位，速度快但对一些复杂的或质量不好的车牌图像定位效果不好，要么综合利用了车牌数个特征，准确度高但实用性差。

数学形态学己经成为一种有效的图像处理理论和方法，涉及图像增强、图像分割、图像恢复、边缘检测、纹理分析等诸多领域。针对目前定位算法存在的问题，本文提出一种基于数学形态学和颜色特征的新型快速定位算法。它充分利用了车牌的纹理特征、几何特征和颜色特征，具有定位准确、速度快、实用性强等特点。实验分析结果充分说明了算法的有效性。

1 图像预处理

在预处理阶段，首先将彩色图像转换为灰度图像，得到灰度图像的句柄的同时，保留原彩色图像的句柄以利用车牌颜色特征。彩色图像转换为灰度图像的公式如下:

其中，R，G，B分别为图像中每个像素点的三原色红、绿、蓝分量，I为转换后该像素点的灰度值。

由于天气变化、光线强弱、车辆整洁度等室外条件影响，摄像头拍摄的车辆图像都会有噪声存在。为了消除这些噪声对后续算法的影响，应对图像进行去除噪声处理。先采用直方图均衡来消除由于光线强弱对照相的影响产生的图像暗淡、过亮或者低对比度等问题，然后采用3×3大小的掩模对图像进行中值滤波，消除噪声影响。直方图均衡公式和中值滤波掩模公式分别如下:

其中，rk为输入图像灰度级，sk为输出图像灰度级，n为输入图像中像素的总和，nk为输入图像中灰度级为rk的像素个数，L为输入图像中灰度级总数; xi-1,j-1,…,xi+1,j+1分别是以输入像素为中心的3×3大小方格内像素的灰度值，yi,j为愉入像素经中值滤波后的输出灰度值。

2 车牌区域定位

2.1 车牌灰度纹理特征提取

本文采用一种数学形态学的方法提取图像纹理特征，称为形态学梯度。其定义为：

其中，f为输入图像，g为以原点为中心的扁平结构元素，f⊕g表示f被g膨胀，实质上就是把f平移二分之一结构元素g的长度，表示f被g腐蚀，实质上，就是把f向反方向平移二分之一结构元素g的长度，GRAD(f)为梯度函数，即梯度值。

在梯度特征提取之后，我们采用一种根据每幅图像的灰度级情况设定阈值的动态阈值技术把灰度图像转化为二值图像，即把梯度图像转化为边缘图像。灰度图像转化为二值图像之后，我们继续利用数学形态学来处理二值图像，对二值图像进行若干次膨胀和腐蚀运算。膨胀和腐蚀是数学形态学的基本形态运算。膨胀具有填充、缩小图像中的孔洞，扩大图像，形成联通域的作用;腐蚀具有扩大图像中的孔洞，收缩图像，消除孤立噪声点的作用。

2.2 车牌颜色特征提取

由于本文只考虑最常见的蓝色车牌，所以只过滤蓝、白两色。考虑到不同光照条件下产生的偏色以及不同车牌本身存在的偏色，我们允许色调存在一定的偏差，例如色调在60o±15o。基本可视为黄色，色调在240o±15o基本可视为蓝色等。建立零初值矩阵B[i],i= 0,1,……，X与W[i],i= 0,1,……，X，其中x为矩阵TOF[i][j]值为真的子区域的个数。扫描图像中所有子区域，对每个子区域进行以下操作步骤。

步骤1:遍历该子区域各个像素点，如符合色调H在蓝色范围内，则该子区域对应矩阵值B[i]加1;如符合亮度I大于150即基本属于白色范围内，则该子区域对应矩阵砰值W[i]加1。

步骤2:若该子区域矩阵B[i]值与矩阵W[i]值之和占该子区域所有像素数的比例值大于阈值Thrcolor，则其对应矩阵TOF[i][j]值加1;否则其对应矩阵TOF[i][j]值保持不变。

2.3 分割区域的融合及筛选

经过以上的纹理特征筛选和颜色特征筛选，我们把图像中所有的分割子区域按照矩阵TOF[i][j]取值分为3类，即不符合车牌区域条件、符合车牌区域弱条件和符合车牌区域强条件。我们按照子区域的分类和距离来对这些子区域进行聚类，融合为二级子区域。融合步骤为:

步骤1:设定强欧式距离阈值Disstr，遍历所有符合强条件的子区域，按照聚集法聚合为数个类。

步骤2:设定弱欧式距离阈值Disweak，遍历所有符合弱条件的子区域，计算其与最近的类的欧式距离，如果小于Disweak，则并入该类。

步骤3:再按照去中心的欧式距离进行聚类。如果聚类后形成的区域过小，则标记为无效区域不予考虑。符合面积条件的聚类结果以上下左右最远处的子区域所形成的矩形框为边界，融合边界内所有子区域，定义为二级子区域。

步骤4:聚合完成后考察图像，如果子区域融合为一个单一的二级子区域，则该二级子区域即为初步定位结果，进行下一步车牌区域的精确定位。如果子区域融合为不止一个二级子区域，则提取这些二级子区域的长宽比、颜色交叉变换数等文章开头所诉4个可用于定位的特征，综合判断这些二级子区域的特征值，选出一个特征值最符合车牌区域的

二级子区域作为初定定位结果，进行下一步车牌区域的精确定位。

图1为车牌初步定位结果图，(a)车辆原图像，(b)为初步定位结果。