基于数学形态学和颜色统计的车牌定位方法

李忠海 梁书浩 杨超

摘 要：车牌是车辆的重要信息，是确定车主身份的关键。准确定位车牌是车牌识别的关键步骤，本文提出一种数学形态学和颜色特征结合的车牌定位算法。首先，通过数学形态学处理对车牌粗定位，再结合车牌的颜色像素进行行列搜索，达到车牌的精确定位。实验表明，该算法简单实用，可以有效定位出车牌位置。

关键词：车牌定位；数学形态学；边缘提取；颜色统计

中图分类号：TP273+.5 文献标识码：A

随着社会经济的高速发展，汽车已经成为人们生活的必备品，车牌作为汽车的“身份证”是确认汽车的身份的重要信息。随计算视觉技术的飞速发展，通过图像信息提取识别车牌已经成为一种趋势，在交通、安防等领域都有广泛的应用。要准确识别车牌，关键的一步就是定位车牌的位置。

在车牌定位算法中，输入的一般为彩色图像，基于彩色图像的车牌定位算法[1-2]就是根据彩色图像的颜色信息来定位车牌，但由于彩色图像含有大量彩色信息，运算比较复杂。将图像从彩色图像转为灰度图像是基于灰度图像的车牌定位算法[3-4]，但有由于车牌本身的存在干扰（破旧、倾斜）和环境干扰（光线、天气），导致基于灰度的车牌定位算法不准确。[5-6]

本文综合考虑了车牌的灰度和彩色图像特点，采用数学形态学和边缘检测对车牌进行粗定位，再利用车牌的颜色信息对车辆精确定位，找到车牌的上下左右边界，完成车牌定位。本算法能在复杂环境下对车牌进行定位，定位准确，具有广泛的实用性。

1 基于数学形态学的车牌粗定位

1.1 数学形态学

数学形态学[7]是一种非线性滤波运算，其特点是不影响图像的细节和边缘，抗噪性好，简化形状结构。主要的运算方式有：膨胀、腐蚀以及开、闭运算。

输入一幅车辆图像，得到进过上述预处理操作后的车牌图像，如下图2所示：

1.3 车牌粗定位

经过Canny算子处理后，得到车牌及字符的大致轮廓，开始进行数学形态学处理，通过开、闭运算，消除图像中的噪声，连通空洞区域，得到粗定位的车牌。粗定位车牌的步骤为：

（1）对经Canny算子边缘提取得到图像f4作闭运算，首先用大小为[5，19]的矩形模板对f4进行膨胀运算，填补图像中的孔洞，连通车牌区域；再用相同的大小的模板进行腐蚀，消除图像中的非车牌区域的小区域、杂点，经上述处理后的图像为f5。

（2）对得到的图像f5作开运算，采用上面相同大小矩阵模板，先进行腐蚀后进行膨胀，处理得到消除大部分噪声的图像f6。（3）对得到图像f6重复步骤（2），矩形模板取[11，5]，进一步消除噪声得到只有车牌区域的二值图像f7，完成车牌的粗定位。

进过上述操作，得到的车牌定位效果图，如下图3所示：

2 基于颜色统计的车牌精定位

通过上面的方法，我们可以粗略的得到车牌的区域，但是精度不高，不能精确定位车牌，因此我们还需要进一步对车辆进行精确定位。

我国车辆的车牌大小、颜色都有固定的标准，本文以普通家用小轿车进行车牌的定位识别为例，这类汽车的车牌为蓝底白字，车牌大部分为蓝色像素集合，因此我们可以采用搜索统计粗定位车牌区域的蓝色像素，从水平和垂直两个方向进行搜索，这样就可以确定车牌的上下左右边界，精确定位车牌[10]。

首先，给粗定位车牌设定坐标，如下图4：

在水平方向上进行像素搜索统计，车牌的蓝色像素在实际二值图像中为白色像素，这里我们设定一个像素的阈值Th1=5。统计蓝色像素点在阈值范围的区域，从而得到车牌上下边界PY1和PY2；在已经得到车牌上下边界的区域内，进行垂直方向上的像素搜索统计，设定像素阈值为Th2=3，得到车牌的左右边界PX1和PX2。最后，根据得到四个边界，确定出车牌的位置。

水平搜索进行车牌水平方向定位如下图5所示，首先进行行扫描，统计每行蓝色像素点的个数，以蓝色像素点最多的那一行为基准，向上搜索，找出车牌的上边界PY1，然后在向下搜索，找到车牌的下边界PY2，因为车牌还有车框，所以在得到上下边界各加两个像素，做加框处理，最终精确定位到车牌的水平区域FY。

垂直搜索进行车牌垂直方向定位如下图6，在前面水平搜索得到车牌区域的基础上，首先创建一个空间向量Bule_x，用来记录每列的蓝色像素数，然后对已经得到水平区域FY进行列扫描，将得到的每列的蓝色像素数记录在空间向量Bule_x中，从第一列PX=1开始，设定一个阈值Th2，然后向右搜索，得到车牌的右边界PX1，然后从最后一列PX=x开始向左搜索，阈值还是前面的Th2，得到车牌的左边界PX2，最后精确定位到车牌的垂直区域FX。

通过行列搜索，得到车牌的水平区域FY和垂直区域FX后，要将定位出的汽车牌照分割出来，为车牌字符分割做基础。方法是：记录它们像素点个数矩阵分别为Im1和Im2，将这两个矩阵做加法运算，再取两者的交集，就可以得到精确定位并分割出来的车牌。

下图为精确定位车牌的效果图：

3 实验验证

通过实验对本文的车牌定位算法效果进行验证，在MATLAB2010实验平台下，输入一组不同的彩色车辆图像，这些图像包括不同的汽车颜色，车牌颜色、不同的光照条件，车牌图像的倾斜程度。通过本文的方法来验证在这些条件下，车牌定位是否准确，实验定位结果如果下图：

从上图可以看出，本文算法可以有效克服光线、车牌倾斜以及车牌上有污垢干扰影响，可以准确定位到车牌。例如图（c）环境中光线变化大，图（d）和（f）车辆图像倾斜并且车牌上有干扰，都可以较准确的定位到车牌。

4 结论

车牌定位作为车牌识别的关键步骤，会直接影响车牌识别的准确性。本文结合数学形态学和车牌颜色特征对车牌进行准确定位，这种方法可以克服车牌本身和周围环境的干扰，精确的定位到车牌位置。算法简单，通用性好，具有较强的实用性。

参考文献：

[1]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.

[2]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.

[3]王枚，苏光大，土国宏.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.

[4]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.

[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，土蒙军.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]陈思.基于Otsu算法的车牌图像二值化及其Matlab实现[J].长春师范学院学报，2012，31（03）：33-35.

[9]郭忠峰，唐晓晓，任仲伟，等.基于Canny算子改进的图像边缘检测算法研究[J].机械研究与应用，2017，148（30）：123-124.

[10]李青林，彭进业.基于邊缘分析和颜色统计的车牌精确定位新方法[J].计算机应用研究，2012，29（01：336-339+343.

作者简介：李忠海（1962-），男，辽宁沈阳人，教授，主要研究方向：计算机视觉、模式识别。