一种基于小波变换和Tophat变换的车牌定位算法

马飞

（无锡工艺职业技术学院 电子信息系，江苏 宜兴214206）

一种基于小波变换和Tophat变换的车牌定位算法

马飞

（无锡工艺职业技术学院 电子信息系，江苏 宜兴214206）

针对现有车牌定位系统中采集到的图像质量较低的特点，提出了一种基于小波变换和Tophat变换的车牌定位算法来增强图像对比度、抑制背景以提高车牌识别的准确率。首先，以小波变换为工具，结合反锐化掩模（UM）方法，使得车牌图像的整体对比度得到有效增强；其次，对图像进行二值化操作和连通域分析；接着，利用中低频描绘子重构VPM；最后，结合部分中低频描绘子和统计量组成描述区域纹理的模式向量，输入支持向量机归类。从实验和数据分析得出，这种新的算法不仅使车牌图像的对比度得到了有效增强，而且使图像的噪声得到了明显的抑制，适用于自然场景中的车牌识别。

车牌定位；小波变换；Tophat变换；图像对比度；抑制背景

车牌自动识别[1-2]是计算机视觉、图像处理和模式识别技术在智能交通领域应用的一项重要研究课题，是实现交通管理智能化的关键环节。车牌识别过程涵盖了车牌定位[3-8]、字符分割和字符识别等关键技术，车牌定位是其难点和重点之一，车牌定位是否准确，直接影响到最终能否正确识别车牌号码，文中对车牌定位技术展开了深入的研究。

车牌定位算法[9-13]一般可以划分为3类：1）基于灰度图像的算法，该算法主要利用边缘特征，当车牌图像光照不均匀，对比度不高时，很难准确定位，误识别率较高；2）基于彩色图像的算法，该算法主要利用颜色特征，当车身颜色与车牌区域颜色接近或车牌褪色时，需要附加较多判别，你准确定位，同时处理速度较灰度图像慢；3）融合定位算法，该算法综合利用边缘、颜色、纹理特征，增加了系统的可靠性，但算法较复杂。由于基于灰度图像的方法具有算法简单，技术发展较成熟等特点，是目前在车牌定位中应用[14-15]较为广泛的算法之一。图像纹理特征分析是这类算法的主流，典型方法是边缘分析，模板匹配，直方图分析和神经网络。这些发方法只有在良好的外部条件下才能获得较好的检测结果，而一个成功的识别系统应该能够在光照变化、视点和距离变化、车辆运动、复杂背景灯情况下继续工作。为了使算法具有更好的适应性，关键在于：1）增强车牌文字和背景的对比度、抑制噪声和背景目标；2）找到一组能描绘车牌区域文字纹理特征的模式向量。另外，文献[1]中提到的车牌定位方法虽在一定程度上提升了车牌识别的效率，但是在光照变化、视角和距离变化、车辆运动、复杂背景等情况下采集到质量较差的车牌图像时，该算法的识别效率显著降低。据此，提出了利用小波变换来增强车牌图像对比度，利用Tophat变换来抑制背景，利用支持向量机定位车牌区域的算法。该算法在低图像对比度、多视角和复杂场景的车牌定位中，取得了良好的效果。

1　提出的算法

文中提出的车牌定位算法的主要改进和创新在于图像预处理和扫描定位这两个环节。图像预处理分为以下几个步骤：小波变换、Tophat变换、二值化和连通域滤波；扫描定位包括：模式特征向量计算和分类器归类。算法的流程图如图1所示。

图1　算法流程图

1.1图像预处理

1）对比度增强

小波变换的主要着眼点在于设计出一种统计量，使其更加符合图像对对比度增强的要求，可以把该统计量可分成两个部分，分别表示图像的有效信息和噪声信息。此算法应用小波变换，借助反锐化掩模算法来得到最终的统计量用于图像对比度增强。

图像中某一个灰度值所表达的信息应该由两部分组成，如式

g为灰度值，I′（g）表示总信息，I（g）表示图像中的有效信息，N（g）则表示噪声信息。如果要通过重新分配灰度级空间的方法来达到对比度增强的目的，灰度值g所分配的灰度级空间应该与I（g）成正比，与N（g）成反比，这样才能达到既增强图像对比度，又抑制噪声，从而提高图像质量的目的。在具体的统计过程中，如果该灰度值的信息量越大，且局部的信噪比越高，就应该被赋予越大的统计量。反之，如果该灰度值的信息量越小，且局部的信噪比越低，就应该被赋予越小的统计量。

2）背景抑制

Tophat算子是一种形态学算子，其定义在灰度图像上。假设，f（x，y）为灰度图像，b是结构算子，则b对f（x，y）的开运算可以定义为

其中Θ和⊕分别为腐蚀和膨胀算子，Tophat变换可以定义为

3）二值化和连通域去噪

图2　预处理过程

Tophat滤波可以使得图像背景、前景变得简洁而均匀，文中采用的二值化方法是基于类间方差最大化的，该二值化方法可以获得较好的结果。

车牌的面积、长度以及宽度是在相关法规中规定的，因此，可以计算连通域Ri的前景像素数Ai和最小外接矩形Bi的高宽（hi，wi），非车牌目标可以按照规则1以及规则2更好的消除：

按照上述方法原始图像中可以滤除那些亮度不均匀以及尺寸较大的部分，然后，图像背景变得较为简单，而且可以更好的增强车牌区域的特征。如图2所示，为预处理过程中滤波和连通域分析后的结果。

1.2车牌区域定位

1）纹理向量获取

车牌号码按照水平方向从左向右进行分布，并且车牌字符的组成较为规律，由汉字、英文字母以及数字组成。车牌进行图像二值化后如图3所示，黑色部分为车牌底部，白色部分则是字符部分。垂直投影图（Verical Projection Map，VPM）是比较好的处理工具，该工具可以描述图像的亮度等方面的整体特征，还可以通过波形特征描述图像的细节。目前常见的使用垂直投影图算法当中，都是利用波峰/波谷数和纹理统计量进行车牌区域判定的。但是，对于存在噪声的情况，其处理效果不好。纹理向量获取的重点是降低噪声的影响：

图3　车牌区域预处理

将VPM表示为坐标对 （0，y0），······，（1，y1），（K-1，yk-1），其中，K用于表示区域亮度，而VPM也可以表示为一个序列S（k）={yk}，其中，S（k）的离散余弦变换为

其中，B（u）称为S（k）的频域描绘子。上述系数的离散余弦变换是可逆的，即

假定只是使用前P个系数，而不使用所有的系数，相当于在上式中令B（u）=0，u＞p-1，结果得到S（k）的近似如下：

因为高频分量可以决定细节部分，而低频分量可以决定总体形状，因此只需使用前P个频域描绘子恢复S（k），重构的RVPM可以采用下面的统计量进行描述：

其三，选修课设计不合理。许多独立学院法学专业由于受办学条件的限制，一是选修课设计多以理论类课程为主，职业技能类课程偏少；二是选修课数量少，学分比重小，没有体现出与其他普通高校的差异。

①均值m，平均投影值度量：

②标准偏差σ2，平均偏移度度量：

③平滑度R，投影值的相对平滑度度量：

④三阶矩μ3，度量投影值的分布情况；

2）车牌区域定位

预处理后的图像可以用两个矩形窗口进行扫描，Window是大矩形窗，Kernel是小举行窗，综合考虑计算复杂度和精度，滑动步长的单位是4个像素。步骤如下：

①算出Window的VPM值；

③计算RVPM1的波峰数WT和波谷数WB，假如Wmin＜WT，WB＜Wmax，则计算VPM’的模式向量x，送入SVM分类器识别；Kernel并不一定能全部覆盖大尺寸车牌的全部区域，Wmin为4，同时，考虑汉字中“甘”字等情形，会产生多个波峰和波谷，Wmax设定为10；

④如果Kernel1没有到达Window右侧，重复步骤2）；否则，如果Window没有到达图像底部，将Window向下移动4个像素，重复步骤1）；

⑤对SVM分类器识别为车牌的结果区域进行合并，得到车牌区域。

2　实验结果

文中采集500幅车牌图像进行仿真实验，所采集的图像尺寸为2861×2112。经过车牌定位系统准确定位493幅，准确率为98.6%。

2.1角度变化实验

选取了3幅拍摄角度为0度、30度和60度的车牌图像进行了仿真分析，如图4所示为拍摄视角变化的情况下车牌图像及检测结果，根据仿真结果可以得知，在拍摄视角为0度的时候，可以清晰的看到仿真的结果“甘AK8583”，随后在改变拍摄角度的情况下，后两幅图的仿真结果较0度视角的清晰度有所降低，但是仍然可以获得清晰的仿真结果。

图4　视角变化

2.2距离变化实验

为了验证距离变化对算法性能的影响，选取了3幅拍摄距离为1米、3米和9米的图像进行仿真验证，如图5所示，为距离变化情况下拍摄的车牌图像及检测结果，从仿真对比结果中可以看出，在距离为1米的情况下，仿真结果非常良好，可以获得“甘AH3728”的清晰字样，在拍摄距离为3米和9米的情况下，仿真结果较1米的时候质量有所降低，但是变化不是很大，仿真效果较好。

图5　距离变化

2.3光照强度实验

在对拍摄角度变化和距离远近这两种因素进行仿真对比验证之后，分别在强光照和若光照的环境下，采集两幅图像进行仿真处理，如图6为光照变化情况下拍摄的车牌图像及检测结果，从对比图中可以得知，算法性能在两种光照情况下性能稳定。

图6　光照变化

实验结果表明文中提出的基于小波变换和Tophat变换的车牌定位算法能够克服光照变化、视角变化和距离变化的影响，达到准确定位车牌区域的效果。

3　结　论

文中提出的算法以小波变换为工具，分别在中频和高频区域统计了车牌图像中的有效信息和噪声信息，使车牌图像中细节信息丰富并且信噪比较高的灰度值的统计量增高，而使那些细节信息较少且信噪比较低的灰度值统计量降低，可以使车牌区域内部的图像对比度得到增强，并且抑制了图像噪声；利用Tophat变换来抑制车牌图像中的背景目标。通过对不同环境下拍摄的500余幅图像进行试验得知，该方法目标定位准确度超过98.8%，证明该方法的定位精度很高。

[1]朱成军，蒲菊华，高磊，等.基于Tophat变换和文字纹理的车牌定位算法 [J].北京航空航天大学学报，2008，34（5）：541-545.

[2]罗有敢，杨德贵，庄钊文.时空域滤波方法在红外弱小目标检测系统中的应用 [J].红外与激光工程，2010，39（3）：571-575.

[3]尚赵伟，国庆，朱贝贝，等.Top-hat变换在多车牌定位中的应用[J].计算机工程与应用，2011，47（29）：214-217.

[4]曹刚，游志胜，赵树龙.基于小波隐性马尔可夫树模型的车牌定位[J].电子科技大学学报，2004，33（5）：515-518.

[5]陈方涵，苗华，陈宇，等.基于小波多尺度积的目标识别[J].光学学报，2009，29（5）：1223-1226.

[6]ZHENG D N，ZHAO Y N，WANG J X.An efficient method of license plate location[J].Pattern Recognition Letter，2005，26（15）；2431-2438.

[7]LIU Honghai，HOU Xianghua.The precise location algorithm of license plate based on gray image[C].2012 International Conference on Digital Object Identifier，2012:65-67.

[8]Hsieh C T，Juan Y S，Hung K M.Multiple license plate detection for complex background[C].19th Intnternational ConfferenceonAdvancedInformationNetworkingand Applications，2005:389-392.

[9]杨卫平.车牌目标的自动定位技术[J].中国图像图形学报，2002，7（8）:835-839.

[10]戚飞虎，赵雪春.基于彩色分割的车牌自动识别技术[J].上海交通大学学报，2008，32（10）:4-9.

[11]XIN Fan，GUO Linag-fan，Dequn Liang．Joint segmentation and recognition of license plate characters[C]．IEEE International Conference on Image Processing，2007．Volume 4，1 9 Oct．2007：353-356.

[12]CHENZhenXue，LIUChengYun．Anovelalgorithmof license plates automatic locationBased on texture feature[C]．IEEE International Conference on Automation and Logisties，2009．5-7Aug．2009：1360-1363.

[13]王鉴等.车牌字符识别技术[J].中国测试技术，2005（3）: 132-139.

[14]王冠，敖志刚，刘永跃.基于快速连通域标记的车牌字符分割[J].计算机与现代化，2007（6）:345-350.

[15]施鹏飞，郭捷.基于彩色和纹理分析的车牌定位方法[J].中国图像图形学报，2002，7（5）:472-476.

A license plate location algorithm based on wavelet transform and Tophat transform

MA Fei
（Department of Electronic Information，Wuxi Institute of Arts and Technology，Yixing 214206，China）

The quality of collected image of existing license plate positioning system is low.A new license plate location algorithm based on wavelet transform and Tophat transform is proposed，which can be used to enhance image contrast、suppress background and improve the accuracy of license plate recognition.Firstly，by means of wavelet transform，combined with the unsharp masking（UM）method，the overall contrast of the license plate image is enhanced effectively.Secondly，operate the image binarization and analyse connected domain.Again，using low frequency descriptors restructure VPM.Finally，combining with the part of low frequency to describe texture pattern and statistic description area vector，input support vector machine （SVM）classification.From the experiment and data analysis，the new algorithm not only makes the license plate image contrast enhanced effectively，but also makes the image noise relatively obvious inhibition，and is applicable to the license plate recognition in natural scene.

license plate location；wavelet transform；tophat transform；image contrast；inhibition of background

TN 91

A

1674－6236（2016）22-0118-04

2015-11-19稿件编号：201511187

2015年江苏省高等学校大学生创新创业训练计划项目（15012Y）

马飞（1985—），男，山西太原人，硕士，助教。研究方向：智能信息处理、RFID系统、智能交通系统、服务型移动机器人控制。