基于数学形态学和颜色特征的车牌定位方法

廉 宁， 徐艳蕾

(吉林农业大学信息技术学院，吉林 长春 130118)

基于数学形态学和颜色特征的车牌定位方法

廉 宁， 徐艳蕾

(吉林农业大学信息技术学院，吉林 长春 130118)

为了解决单一车牌定位算法在复杂背景中定位效果不理想的现状，提出一种数学形态学和颜色特征相结合的算法对车牌进行定位。首先利用最大类间方差法(Ostu算法)找到一个最佳的阈值，根据所得阈值把得到的灰度图像二值化，然后采用一种改进的数学形态学算法对图像进行边缘检测，最终结合数学形态学和车牌颜色特征进行准确定位。实验表明该算法明显优于传统或单一的车牌定位方法，定位准确率高，对背景限制少，应用范围广。

车牌定位；最大类间方差法；图像二值化；数学形态学；颜色特征

随着社会经济的迅猛发展，人们生活水平的提高，机动车辆的数量越来越多。作为汽车“身份证”的汽车车牌是在公共场合能够唯一确定汽车身份的凭证。车辆牌照定位与识别已成为计算机视觉与模式识别技术在智能交通领域应用的重要研究课题之一，而车牌定位是车牌识别系统的重要前提。

常用的车牌定位方法主要分为基于灰色图像和基于彩色图像的车牌定位方法。但因车牌自身因素(新旧、污渍、倾斜)及环境因素(光照、天气)，基于灰度图像的定位算法存在一定的缺陷[1-2]。基于彩色图像的车牌定位算法主要是考虑到彩色图像具有丰富的信息，但是这类算法的过程比较复

杂[3-4]。近年来，形态学图像处理这门特殊的学科已经发展成为图像处理的一个主要研究领域，而且国内外很多学者已经将其应用到车牌识别[5-6]。本文综合考虑数学形态学和车牌本身的颜色特征，提出一种数学形态学和颜色特征相结合的精确车牌定位方法。本算法克服了单一算法识别率低的缺点，定位准确性高，对不同光照程度和车牌倾斜的情况不敏感，且能在复杂背景下准确定位，有很强的适应性和广泛的应用性，同时，定位分割的时间也能满足实际应用的需求。

1 图像预处理

1.1 图像灰度化

从图像采集器中得到的RGB彩色图像不利于图像处理，为了提高系统的实时处理性能，对彩色图像进行灰度转换。本文采用加权平均法按式(1)对RGB三分量进行加权平均得到合理的灰度图像IG。

1.2 Ostu算法二值化

将得到的彩色图像转换为灰度图像后，为了方便后面的处理，还需要把灰度图像转换为二值图像。本文选择目前最优的全局门限方法——Ostu算法(又称最大类间方差法)。使用Ostu算法进行阈值分割，不论图像的直方图有无明显的双峰，都能得到较为满意的结果。基本思想是：将直方图在某一阈值处分割成两组，其中一组对应背景部分，另外一组对应于前景部分，当被分成的两组的组内方差最小，组间方差最大时，确定阈值。

假定图像灰度级为L，灰度级为i的像素点数为ni，则图像的全部像素数为：

第i个灰度级的概率Pi为：

设灰度门限值为K，则图像像素按照灰度级可分为两类，即M0和M1，灰度等级范围分别为[1,2,···,k]和[k+1,···,L]。因此，M0和 M1的出现概率分别用w0，w1表示。且有：

图像总像素、M0像素的平均灰度级可分别表示为：

M0和M1像素的均值分别由u0和u1表示：

图像总的均值可化为：

M0和M1的间类方差为：

因此可以得到关于K值的函数：

K值为该方差最大的值。方差反映的是一个变量对应一组数值的均衡性的大小，方差越大说明其均衡性越低；反之，均衡性就越高。对于一幅图像而言，可以分为背景和目标两部分，在目标和背景的临界点上，灰度的变化最大，此时的灰度值为最佳阈值。

运用 Ostu算法求出灰度图像背景与目标的阈值设为T，从最小灰度值到最大灰度值遍历T，当T使得间类方差最大时，T即为分割的最佳阈值。然后利用这个阈值二值化灰度图像。即有：

原始图和二值化后的效果图分别如图1和图2所示。

图1 原始图

图2 二值化后效果图

2 基于改进的数学形态学边缘检测算法

常用的边缘检测算子有Robert算子、Sobel算子、Prewitt算子以及Canny算子，而数学形态学也是提取图像分量的一种工具，对于图像边缘检测有很好的效果[7]。本文采用一种改进的数学形态学算法对二值图像进行边缘检测，实验结果显示效果明显优于传统的边缘检测算子。

数学形态学的基本运算有4个：膨胀、腐蚀、开启和闭合。

图像集合A用结构元素B来膨胀，记作Α Β⊕ ，其定义为：其中，Φ为空集，B为结构元素。

A被B的形态开运算是先腐蚀后再用B来膨胀腐蚀结果。表示为：

数学形态学提供了基本的边缘检测方法：集合A的边界记为β(A)，设B是一个合适的结构元素，首先令A被B腐蚀，然后使集合A与腐蚀后的图像作差，即同理：也可以用来表示图像边缘。

由于结构元素的灵活性，用单一的结构元素进行一次运算[8]，不能保证得到理想的效果。因此，本文采用了一种改进的数学形态学算法进行边缘检测。基本思想为：利用一个3×3或5×5的结构元素模板对二值图像进行膨胀，用膨胀后的图像减去原二值图像，结果记为A1，再用原二值图像减去腐蚀后的图像，结果记为A2，然后用膨胀后的图像与腐蚀后的图像做差，结果记为A3，最终取A1、A2、A3的平均值作为本文的边缘图像结果。即：

各种边缘检测算法效果对比图如图3所示。

图3中(a1)，(b1)；(a2)，(b2)；(a3)，(b3)；(a4)，(b4)分别为使用Robert算子、Sobel算子、数学形态学和本文改进算法得到的边缘图像。从两组对比图中可以看出Robert算子对噪声较敏感，图像中出现了孤立点；Sobel算子容易漏检，且不连续；数学形态学算法效果相对较好，但边缘细节不丰富；本文改进的边缘检测算法保留了完整的图像边缘，并去掉了一些虚假边缘，而且检测到的边缘连续平滑，轮廓清晰，更有利于下一步的车牌定位。

3 车牌定位

3.1 车牌粗定位

在车牌定位中为减少定位的复杂程度，首先要对包含有车牌的区域进行粗定位。本文将得到的边缘图像进行闭运算与开运算使牌照区域连通，得到牌照的候选区域。用数学形态学[9]进行车牌粗定位的过程如下：

(1) 对得到的边缘图像进行闭运算[10-11]。闭运算一般会将狭窄的缺口连接起来，平滑处理对象的轮廓，并填充比结构元素小的洞。结构元素的选取和处理图像相关，车牌区域的形状是长方形的，所以选取方形的结构元素来对车牌进行闭运算。处理结果如图4(a)和4(b)左侧图所示。

(2) 对图像进行开运算。从图4(a)和4(b)中左侧图可以看出，经闭运算之后，图像的部分相邻的边缘连接到了一起，形成了一个连通区域[12]。但是在车牌区域连通的同时，一些无关的背景影响因素也连通到了一起，因此还需要进行开运算，同样选择长方形结构元。效果图如图4(a)和4(b)右侧图所示。

(3) 移去小对象。经过对图像进行闭运算和开运算之后，从图4可以看出，得到了多个连通区域，这对车牌的精确定位有很大的干扰，从车牌总像素角度考虑，可以运用MATLAB中的bwareaopen函数去除图像中的小对象[13]。车牌的具体像素与拍摄的实际距离等有关系，本文经过试验，得到像素阈值为2000。效果如图5所示。

图3 各种边缘检测算法效果对比图

图4 闭、开运算后的结果

图5 除去小对象后的结果

3.2 车牌精准定位

车牌粗定位过程可缩小车牌定位的范围，但是仍然包含多余候选区域，留有多余的干扰信息，为了得到准确的车牌定位，本文利用车牌的彩色信息进行进一步分割，由此得到准确的车牌区域。

根据车牌底色等有关的先验知识，可知车牌底色有蓝、黑、黄和白底色的军车和武警车牌照等。彩色像素点统计的方法可以分割出合理的车牌区域。因为每种车牌底色颜色的RGB有一定的范围，从而可以确定车牌底色蓝色(黄色、黑色)RGB对应的各自灰度范围，然后统计行方向在此颜色范围内的像素点数量，设定合理的阈值，也就是取两个波谷的区域为边界，则可以确定车牌在行方向的区域。然后，在分割出的行区域内，用相同的方法统计列方向车牌底色像素点的数量，最终确定完整的车牌区域。

图6 车牌定位实验结果

从图6中可以看出，对于稍有倾斜、复杂背景下的汽车牌照或非常见蓝底色的牌照，本文方法都能准确定位；而对于上述复杂情况，单一算法有一定的局限性，不能准确定位，从而对后续的车牌分割与字符识别造成很大的影响。进一步证明了本算法的准确性。

4 实验结果与分析

为了验证本文算法的有效性，基于以上算法分析，在MATLABR2008a实验平台下，对随机采集的130张真彩色车牌图像进行实验分析，这些图像包括不同的光照条件(晴天、阴天、白天和傍晚有灯光的情况下)，不同的汽车颜色(灰、白、红、黑等)，不同的车牌底色(蓝、黄、白、黑等)，不同车型(轿车、面包车、货车等)的车辆。如果只使用数学形态学对所采集的图像进行定位，正确识别的车牌图形为106幅，而通过文中数学形态学与颜色特征相结合的定位方法，准确定位123张，与单一数学形态学方法相比较提高了13.1%。

对实验结果进行分析可得到不同光照条件下：①相同条件(车型、车牌、拍摄角度、天气阴晴)下，白天对比傍晚(有灯光)，白天的定位效果比傍晚好；②同一时间相同条件(车型、车牌、拍摄角度)下，晴天对比阴天，晴天的定位准确率高。可知，不同光照条件对定位效果是有影响的。同时，针对比较倾斜的原始图像，文中算法也可以得到准确定位，所以，本算法适用范围较广。

5 结 论

车牌定位是车牌自动识别中的重要一步，直接影响到车牌自动识别的准确率。本文结合数学形态学和车牌本身的颜色特征对车牌进行准确定位，从实验结果和数据分析可以看出，本文算法定位准确性高，对车牌背景、光线和车牌倾斜等不利因素限制性较少，定位的时间也完全能达到实际应用的要求，有较好的通用性，并且本文算法对于图像分割方法的研究也有很大的借鉴意义。

[1] 王 枚, 苏光大, 王国宏. 复杂环境下的车牌定位及目标真实性验证[J]. 光学精密工程, 2009, 17(4): 886-894.

[2] 张浩鹏, 王宗义. 基于灰度方差和边缘密度的车牌定位算法[J]. 仪器仪表学报, 2011, 32(5): 1095-1102.

[3] 张 引, 潘云鹤. 彩色汽车图像牌照定位新方法[J].中国图象图形学报, 2001, 6A(4): 374-377.

[4] 樊孝宏, 戚飞虎. 一种基于纹理和颜色综合特征的车牌定位新方法[J]. 计算机工程, 2004, 30(13): 125-127.

[5] 王 怡. 基于数学形态学的车牌定位与分割[J]. 计算机应用与软件, 2010, 27(8): 255-256.

[6] Ukani N, Mehta H. An accurate method for license plate localization using morphological operations and edge processing [J]. Image and Signal Processing, 2010, 5(12): 2488-2491.

[7] 李 刚, 曾锐利, 林 凌, 王蒙军. 基于数学形态学的车牌定位算法[J]. 仪器仪表学报, 2007, 28(7): 1323-1327.

[8] 任明武. 数字图像处理[M]. 南京: 南京理工大学出版社, 2003: 56-78.

[9] Han Xiao, Xu Chengyang, Prince J L. A topology preserving level set method for geometric deformable models [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(6): 755-768.

[10] 陈恩庆, 李晓磊. 采用多结构元素模板的形态学边缘检测新算法[J]. 计算机工程与应用, 2013, 49(17): 146-149.

[11] 邹福辉, 李忠科. 图像边缘检测算法的对比分析[J].计算机应用, 2008, 28(5): 215-219.

[12] Rafael C G, Richard E W. 数字图像处理[M]. 阮秋琦, 阮宇智, 译. 北京: 电子工业出版社, 2005: 263-267.

[13] Caccia F, Marmot R, Lombardi L. License plate detection and character recognition [J]. Lecture Notes in Computer Science, 2009, (5716): 471-480.

Method of License Plate Location Based on Mathematical Morphology and Color Characteristics

Lian Ning, Xu Yanlei
(College of Information and Technology, Jilin Agriculture University, Changchun Jilin 130118, China)

In order to solve the problem that the situation of single license plate localization algorithm in complex background is not ideal. A license plate location algorithm based on mathematical morphology and color characteristics is proposed. Firstly, the new method uses Ostu algorithm to select an optimal threshold, and according to the threshold carries on binary processing, then by using a new method of mathematical morphology for image edge detection. Finally combined mathematical morphology with color characteristic to locate license plate. Experiments show that this new method with higher accuracy and fewer restrictions on background is superior to traditional or a single method and can be widely used.

license plate location; Ostu algorithm; image binarization; mathematical morphology; color characteristics

TP 317.4

A

2095-302X(2014)05-0774-06

2014-04-14；定稿日期：2014-05-22

廉 宁(1988–)，女，山东德州人，硕士研究生。主要研究方向为数字图像处理。E-mail：313048603@qq.com

徐艳蕾(1979–)，女，河北正定人，副教授，博士。主要研究方向为图像处理与传输、农业工程信息化。E-mail：yanleixu@163.com