基于形态学和Radon 变换处理的车牌定位技术

白 茹，裴东兴，谢 锐，陆 真

(1.中北大学 电子测试技术国家重点实验室，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)

车牌识别(LPR)技术是现代智能交通系统(ITS)中的核心技术之一，它以自动定位并提取当前车牌信息的优势，特别适合于高效处理车流量较大、车速快和人工观测难以适应的环境中［1，2］。车牌自动识别系统主要包括车牌定位和字符识别两个部分。车牌定位是车牌识别系统的关键部分，定位将直接影响后续的字符分割和识别。由于在自然环境下，采集的汽车图像背景复杂、光照不均匀等原因，准确地确定车牌区域是整个识别过程的关键。常见的车牌定位算法为基于霍夫变换投影算法［3］、基于模板匹配的算法［4］和区域增长法［5］等。

然而在实际使用中，这些算法存在一定的局限性。前者假设车牌边缘性明显，通过投影后的车牌区域能明显区别于其它背景区域，而实际上，处理后的图像会出现多个规则的边缘特性的候选区域。后者采用模板卷积，运算量较大，而且模板方向和尺寸的选择会对车牌定位的结果造成严重的影响。

1 车牌预处理

车牌是机动车的“身份证”。目前，国内车牌标准为GA 36-2014《中华人民共和国机动车号牌》，该标准对各种车型所属车牌的几何尺寸、背景色等进行了规定。本文主要以普通车辆号牌为例进行讨论。车牌识别系统的车牌图像的预处理主要包括灰度化、灰度反色、边缘检测等。本文重点介绍边缘检测算法。

1.1 车牌特征

标准GA 36-2014 规定的普通车辆号牌样式［6］如图1所示。

图1 普通车牌样式(单位:mm)

从图1 可以看出，普通车牌是尺寸为440 ×140(mm)的矩形车牌。共由7 个字符组成，除字符“1”外，单个字符尺寸为45 ×90(mm)。颜色背景色为蓝色。边缘特性比较明显，灰度化或二值化后的车牌区域会有明显的纹理特征。

1.2 边缘检测

边缘是指其周围像素灰度有阶跃变化或屋顶变化像素的集合。它不同于物体间的边界，因为现实世界的物体是三维的，而图像只是二维信息。不同的图像灰度不同，边界处一般会有明显的边缘特征，这些特征不可避免地会受到光照和噪声的影响。所以，一般先对图像进行平滑处理，再进行边缘检测。边缘检测算子是一种在计算过程中可以直接使用的计算单位，主要包括Laplacian 算子、Canny 算子、Prewitt算子、Roberts 算子、Sobel 算子等。

Laplacian 算子是一个二阶微分算子，其只注重边缘位置而不考虑其周围的像素灰度差值，对孤立的像素的响应要比边缘或线的响应要更强烈，只适用于无噪声图像［7］。Canny算子是一种具有滤波、增强和检测多阶段的优化算子［8］，但其实现起来比较麻烦。Sobel 算子对像素位置的影响做了加权，与Prewitt 算子和Roberts 算子相比，效果更好［9］。综合考虑，本文采用Sobel 算子来进行边缘检测。

Sobel 算子是以离散型的差分算子，用来运算图像亮度函数梯度的近似值。它是一种典型的基于一阶导数的边缘检测算子，由于算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能够很好地消除噪声对图像的影响［10］。对于一个函数f(x，y)，它的一个梯度向量可表示为:

过了大约有10分钟，门铃响起。思雨打开门，进来一位年轻女孩。她的身高、年龄和电话里说的差不多。只是身上的吊带装和短裙覆盖之外的皮肤，黝黑黝黑，像用墨汁染过的油条。再看她那一头所谓的美丽的栗红色长发，在灯光下就像一簇蔫巴了多时的韭菜。思雨突然有什么东西从胃里往上返，如果他不是努力克制自己，就会呕吐出来。

矢量大小和方向角分别为:

上式需要计算每个像素点的偏导数。实际应用中，我们经常使用小面积内核卷积来近似，Gx和Gy各需要一个内核，图2(a)和图2(b)即为Sobel 提出的两个内核［11］。图2(a)可以检测出图像中的水平方向的边缘，而图2(b)可以检测出垂直方向的边缘。图像中的每一个像素点都可用这两个卷积核进行卷积运算，取其最大值作为输出，数学表达式为式(4)，运算结果即为一幅体现边缘幅度的图像。

式中，M、N 为图像矩阵大小，i、j 分别表示内核矩阵大小。从定义可以看出Sobel 边缘算子所采用的算法是先进行加权平均，然后再进行微分运算。

图2 两个卷积核

2 基于形态学的车牌定位

数学形态学是以形态结构元素为基础对图像进行分析的数学工具。基本思想是用具有一定形态的结构元素去度量和提取图像中的对应状态以达到对图像分析和识别的目的。数学形态学有4 个基本运算:膨胀、腐蚀、开启和闭合。基于以上基本运算可以推导和组合成各种数学形态学实用算法。

2.1 灰度数学形态学

二值图像的形态变换是一种针对集合的处理过程。而灰度数学形态学运算不是集合，而是图像函数［12］。

f(x，y)为输入的图像，b(x，y)是结构元素。用结构元素b 对输入图像进行膨胀和腐蚀的运算定义分别为:

通过膨胀处理的图像效果主要表现为:

1)若结构元素的值都为正，则输出图像会比输入图像亮;

2)根据输入图像中暗细节的灰度值以及它们的形状相对于结构元素的关系，他们在运算中被消减或除掉。

用b 对f 进行开启和闭合运算的定义为:

由定义可知，开启与闭合运算只是膨胀和腐蚀的先后顺序不一样。开运算是先腐蚀后膨胀，其结果是完全删除了不能包含结果元素的对象区域，平滑了对象的轮廓，断开了狭窄的连接，去掉了细小的突出部分;而闭运算恰恰与开运算相反。

2.2 车牌定位

由于车牌的背景复杂，经过灰度化后，需要对车牌进行相关操作，以得到更好的车牌连通域。首先对车牌背景图像进行闭运算，使得包括车牌字符在内的小字符区域连通，而后再对图像进行开运算，以便消除图像中的噪声，得到含有明亮的车牌区域连通域图像，之后再对特别小明显不符合车牌连通域的干扰连通域进行删除，从而得到个数较少的连通域图像。

从图1 可以看出，国内普通车牌的具有明显的特征，其长宽比为约为3.14，面积和周长平方存在固定比例为:

故以此为特征，求得经过处理后图像中各个连通域的面积和周长比例关系式:

式中，n 为图像中连通域的总个数，S 为连通域的面积，C 为连通域的面积。

在数集ζ 中，设定范围为［0.9，1.1］，落在此区间的连通域即为车牌所在的区域。标记此区域，在最原始的图像中找到该坐标区域，即为车牌所在区域。

3 基于Radon 变换的车牌校正

虽然通过形态学定位技术找到了车牌所在区域，但在实际应用中，由于摄像头的位置和车辆的移动，导致车牌不规则的倾斜，将严重影响字符的准确分割，从而造成字符的误分割和车牌的识别率严重下降。故在字符分割前必须要对车牌进行倾斜纠正。本文采用拉东变换(Radon Transform)对车牌进行倾斜校正［13］。

Radon 变换是指图像在某一指定角度射线方向上的投影方法［14］。该投影法对车牌上的字符特征影响相对较小，车牌投影的原理实质上是将一个平行四边形拉伸成一个矩形。具体过程分为两步:

Step1:确定车牌左边界，并且将每一行的第一个像素平移至垂直的边上;

Step2:把该行的元素依次向左平移。

用二维函数f(x，y)表示车牌图像在(x，y)的像素值，车牌图像沿着某个方向上的投影就是在该方向上积分。为了计算图像在任意方向上的投影，只需对坐标轴进行旋转。使得y'与该方向重合，在y'上的投影是沿着该方向上的线积分。积分公式如下:

式中，坐标变换公式为:

Radon 变换检测的直线对应于R(θ，x')在坐标(θ，x')处的峰值，可根据θ 和x'确定出一条直线。从式(11)可以看出函数具有周期性，范围可限制为［－90°，90°］。

4 仿真结果及分析

本文采用的软件环境是Matlab8.1，采集复杂背景的车牌图像并进行处理，图3 为其中处理的一幅图，依次对其进行的灰度化及二值化处理后如图4，先进行闭运算，将包含车牌字符在内相对较小的区域扩大，之后再进行开运算去掉狭窄细小的连通域。之后通过系统函数bwareaopen 去除掉与车牌面积相差较大的较小连通域。

将剩下的连通域进行如式(10)的计算，结果如图5 显示连通域的比例集合为ζ={0.95，0.62，0.34，0.12，0.11}，其中落在区域［0.9，1.1］之间的区域为0.95，图5 中质点显示的连通域即为车牌所在的位置，车牌定位如图6 上半部分所示，将车牌进行Radon 变换得到逆时针旋转4°后的车牌图，如图6 下半部分所示。图7 是先经过开运算和闭运算后，再进行边框切割的车牌。图8 为车牌字符的分割［15］图像。

图3 原始采集图像

图4 灰度二值化图像

图5 有限个连通域S 与C 比例关系

图6 定位的车牌和校正4°的车牌

图7 切割边框后的车牌

图8 车牌字符分割

5 结论

复杂背景下的车牌定位一直是LPR 技术中的研究热点。LPR 需要适应不同的应用环境，而导致去除车牌不相关的噪声难度加大。本文在普通车牌边缘特征的基础上，通过形态学和Radon 变换准确定位到了车牌的位子并将倾斜的车牌进行校正，为车牌字符的分割与识别打下良好的基础，克服了传统定位法依赖车牌颜色的问题。算法仿真结果表明:基于形态学和拉东变换算法对车牌的定位和校正效果明显，下一步需要将该算法移植到硬件系统进行验证。

［1］潘勇，赵佳乐，徐志刚，等.基于纹理特征的低照度环境下车牌定位与识别算法［J］.公路交通科技，2015(7) ：140－148.

［2］刘涛，潘福全，董云鹏，等.智能交通在信号交叉口应用研究综述［J］.青岛理工大学学报，2015(3) ：90－94.

［3］郑德键，沈英.基于图像处理的车牌定位算法研究［J］.机电技术，2014(1) ：10－12.

［4］呙润华，苏婷婷，马晓伟.BP 神经网络联合模板匹配的车牌识别系统［J］.清华大学学报(自然科学版)，2013(9) ：1221－1226.

［5］郭航宇，景晓军，尚勇.基于小波变换和数学形态法的车牌定位方法研究［J］.计算机技术与发展，2010(5) ：13－16.

［6］中华人民共和国公安部.GA 36-2014 中华人民共和国机动车号牌［M］.北京：中国标准出版社，2014，1：2－11.

［7］别路，张秀颀.Laplacian 算子对重力梯度张量边界定位效果的探讨［J］.工程地球物理学报，2013(5) ：706－713.

［8］贺强，晏立.基于LOG 和Canny 算子的边缘检测算法［J］.计算机工程，2011(3) ：210－212.

［9］夏清，胡振琪，许立江，等.一种改进Sobel 算子的热红外影像边缘检测方法［J］.红外技术，2015(6)：462－466.

［10］冈萨雷斯.数字图像处理(MATLAB 版) ［M］.阮秋琦等译.北京：电子工业出版社，2005.

［11］Shrivakshan GT.A Comparison of Vario-us Edge Detection Techniques Used in I-mage Processing［J］.International Journal of Computer Science Issues，v9，n55－1，269－276，September 2012.

［12］程军娜.基于形态学多尺度图像分析的海藻细胞图像分割及特征提取［D］.青岛：中国海洋大学，2010.

［13］陈玲，李熙莹，卢林.车牌倾斜校正算法研究及改进［J］.计算机与现代化，2013(12) ：91－97.

［14］刘桃丽，黎道武，万雄.基于光学层析技术的图像重建［J］.光电技术应用，2008(6) ：60－63.

［15］邓剑，陈峰，郭宝录.基于区域特征合并的分水岭图像分割［J］.光电技术用，2014(3) ：27－29，51.