APP下载

基于数学形态学和颜色统计的车牌定位方法

2018-05-14李忠海梁书浩杨超

科技风 2018年7期

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。