快速定位车牌的方法研究

牟玉芬

（长春市第八中学，吉林 长春130022）

1 引 言

随着智能交通系统的发展，车牌自动识别系统在实际应用，特别是交通监控系统中发挥越来越大的作用．通常，车牌识别系统由3部分组成：车牌定位、字符分割和字符识别．其中，车牌定位是第一步，也是最关键的一步，它的结果将影响整个系统的准确率．

很多方法都已经应用在车牌定位中，如数学形态 学 操 作［1－6］、基 于 字 符 的 定 位［7］、边 缘 检测［3，8］、人工神经网络［9］、模板匹配［10］、支持向量机［11］、基于颜色的分析［5，12］．但这些方法都有一定的限制．基于字符的定位是当边缘检测后直接对字符进行定位，然后利用遗传算法来确定车牌．但是当背景复杂时，这种方法可能产生较多候选区．而边缘检测对噪声十分敏感，当噪声较多时边缘断裂或不完整时，可能使定位失败．模板匹配是计算输入图像和模板图像的相似性，然后选择相似性最高的图像作为输出．这种方法易于实现，但需要较多的计算时间．对于基于颜色的分析，当车牌与车身颜色相似时，很难找到车牌区域．数学形态学操作是一种很好的方法，但 文献［2］使用了多次的开运算和闭运算，影响了处理速度，不能实时应用，并且当光照条件改变时，容易将车灯、散热器误检为车牌．

针对上述问题，本文提出了一种基于数学形态学和纹理特征的车牌快速定位方法．这种方法和文献［4］的区别在于本文只用了2次形态学操作，并结合了纹理特征，节约了大量时间．车牌定位方法主要包含以下4步骤：

1）预处理，包含灰度转换、图像增强．

2）利用Sobel算子进行垂直边缘检测，然后利用Otsu方法对边缘进行二值化．

3）对图像进行形态学开运算和闭运算，得到连通域．

4）根据车牌的纹理和字符特征最终实现车牌定位．

对1 144张现场拍摄的汽车图片组成的图片库进行了测试，1 102幅图片定位成功，正确识别率为96．3%，处理时间为160～200 ms．能够满足车牌实时识别系统的需要．

2 图像预处理

首先利用式（1）将彩色图片转换为灰度级，消除冗余的彩色信息：

图1（a）为灰度转化后的图片，以下的操作均以这幅图片为基础．然后对图片进行中值滤波（选3×3模板）．这样既消除了噪声，又保持了图像的边缘信息．接下来对图片进行灰度拉伸．图片在拍摄时，由于摄像头曝光不足容易造成图像的灰度变化范围很窄．这时可以用灰度拉伸的方法来增强图像的变化，提高图像的对比度．假设图像的初始灰度r变化为r∈［rmin，rmax］，灰度拉伸后灰度s满足s∈［smin，smax］，如图2所示．

图1 经灰度转换和拉伸处理后的图片

图2 灰度拉伸变换

变换公式为：

在实际应用中，取s∈［0，255］．处理后的图像如图1（b）所示．

3 垂直边缘检测

边缘检测的方法有很多种，如Kirsh算子、Laplacian算子、Robert算子、Sobel算子、Canny算子．Sobel算子对抑制噪声效果较好，因此本文选用Sobel算子进行边缘检测，其水平和垂直边缘利用下式得到：其中，z1～z9分别代表3×3区域里的每个像素点，中心点为z5，Gx和Gy分别代表水平和垂直边缘．由于垂直边缘突出了车牌区域的字符边缘，同时抑制了一些无用的边缘，因此选用垂直边缘检测，用垂直方向上的偏导数来处理图片，模板如图3所示．然后对图片进行二值化，选用经典的Otsu算法，这样对每幅图片都能获得最佳阈值，效果如图4所示．

图3 Sobel模板

图4 二值化后的边缘图像

4 数学形态学操作

数学形态学［6］在图像分析领域是一个强有力的工具，在一定的邻域内对图像进行非线性操作，用于进行邻域操作的掩膜称为结构元素．它是一个非线性滤波器，能够抑制噪声，提取特征，分割图像等．基本的形态学运算为膨胀和腐蚀，膨胀的定义为

腐蚀的定义为

这里A为输入图像，B代表结构元素．通常，膨胀和腐蚀可以构成开运算和闭运算，开运算和闭运算分别为

开运算能够消除小于结构元素的小目标，平滑大目标的边缘．闭运算能够填充目标内的小洞，将邻域内的目标连接．本文对二值化的边缘图像进行闭运算及开运算，获取若干个连通域，去除一些无关的细节．

首先，在进行闭运算之前，必须先根据字符特征确定结构元素．选取结构元素为长方形，高度为字符的高度，宽度为字符间距的最大值．不同大小的汽车牌照，结构大小也不同．这里，取结构元素为20×5．进行闭运算后，轮廓上的缝隙被填补，车牌的字符区域连成一片，如图5所示．然后，对图5进行开运算，结构元素的宽度必须小于车牌宽度的最小值．这样将一些小噪声和不含车牌的区域去除，同时平滑了轮廓边缘，效果如图6所示．

图5 闭运算后的图像

图6 开运算后的图像

5 车牌定位

经过数学形态学的闭运算和开运算后得到了若干个连通的区域，现在需要根据车牌区域自身的特点来去除干扰区域．本文根据车牌区域的宽度、高度、面积等来排除一些干扰区域．但是，在一定条件下，候选区仍有非车牌区域．像车灯、散热器这些与车牌大小相似的区域将被误检为车牌．在这种情况下，就需要考虑车牌的纹理特征．具体来讲，车牌区域的空间变化比其他区域要频繁得多．对候选区的二值图像f（x，y），大小为nW×n H，其中，W 为宽度，H 为高度，按下式计算Sdiff：

然后根据Sdiff在车牌中的变化范围，最终实现车牌定位．流程如图7所示．

图7 车牌定位的流程图

这里，取 Wmin＝70，Hmin＝10，Smin＝550，Rmin＝3，Rmax＝9，Smin＝10×255，Smax＝40×255．因此，从最初的RGB图片中得到了车牌图像，如图8所示．

图8 车牌图像

6 实验结果与分析

将本文的方法应用于由1 144张汽车图片组成的图片库．这些RGB图片是从吉林长春的某收费站口拍摄的，图片大小为720×288．部分车牌有一定程度的倾斜、模糊、光照不均匀等．实验结果是1 102幅图像中的车牌被成功定位，成功率达96．3%．其中，在42幅定位失败的图片中，大多是因为光线较暗，对比度降低造成的．这样，在定位刚开始时，边缘检测已经失败．这个问题可以通过补光措施加以解决．同时，这种方法速度较快，可实时应用．实测中，在计算机（主频1．86 GHZ，512 MB内存）上用 VC＋＋6．0编程实现，处理时间为160～200 ms．

［1］ XU Zhigang，ZHU Honglei．An efficient method of locating vehicle license plate［C］∥The Third International Conference on Natural Computation （ICNC’07）．Washington：IEEE Computer Society，2007：180－183．

［2］ YANG Feng，MA Zheng．Vehicle license plate location based on histogramming and mathematical morphology［C］∥The Fourth IEEE Workshop on Automatic Identification Advanced Technologies（AUTOID’2005）．Washington：IEEE Computer Society，2005：89－94．

［3］ BAI Hongliang，LIU Changping．A hybrid license plate extraction method based on edge statistics and morphology［C］∥17th International Conference on Pattern Recognition （ICPR’2004）．Cambridge：IEEE Computer Society，2004：831－834．

［4］ Suryanarayana P V，Miltra S K，Banerjee A，et al．A morphology based approach for car license plate extraction ［C］∥An International Conference of IEEE India Council（INDICON’2005）．Piscataway：IEEE Computer Society，2005：24－27．

［5］ 崔屹．图像处理与分析——数学形态学方法及应用［M］．北京：科学出版社，2000．

［6］ Fletcher L A，Kasturi R．A robust algorithm for text string separation from mixed text／graphics images［J］．IEEE transactions on pattern analysis and machine intelligence，1988，10（6）：910－917．

［7］ Parker J R，Federl P．An approach to license plate recognition［R］．Computer Science Technical Report，1996．

［8］ LIN Chienchou，HUANG Wenhuei．Location license plate based on edge features of intensity and saturation subimages［C］∥The Second International Conference on Innovative Computing，Information and Control．Washington：IEEE Computer Society，2007：227．

［9］ LI Gang，ZENG Ruili，LIN Ling．Research on vehicle license plate location based on neural betworks［C］∥The First International Conference on Innovative Computing，2006：174－177．

［10］ Rovetta S，Zunino R．License－plate localization by using vector quantization［C］∥1999 International Conference on Acoustics，Speech and Signal Processing（ICASSP’99）．Washington：IEEE Computer Society，1999：1113－1116．

［11］ XU Jiangfeng，LI Shaofa，CHEN Zhibin．Color analysis for Chinese car plate recognition［C］∥Intelligence Systems and Signal Processing．Changsha：Institute of Electrical and Electronics Engineers，2003：1312－1316．

［12］ ZHU Weigang，HOU Guojinag，JIA Xing．A study of locating vehicle license plate based on color feature and mathematical morphology［C］∥2002 6th International Conference on Signal Processing．Beijing：Poses ＆ Telecom Press，2002：748－751．