基于FCM的彩色车牌图像快速分割方法

蒋欣欣，钱盛友

(湖南师范大学 物理与信息科学学院，湖南 长沙 410081)

0 引言

交通智能化的迅速发展，为交通部门快速、高效对车辆进行管理提供了便利。另外，准确有效地提取车牌信息也能为公安执法等部门提供服务。FCM[1]算法有效利用样本的颜色信息和空间信息，能够较好地解决模糊和不确定性问题，达到很好的分割效果，但FCM算法聚类速度依赖于样本数目的多少[2-6]。目前，中国的车牌主要可分为四类：蓝底白字、黑底白字、黄底黑字、白底红(黑)字。这里根据彩色车牌的颜色特征提出基于HSI空间的FCM快速分割算法，并将此算法应用于彩色车牌的背景和字符区域分割。

1 基本理论与算法

1.1 颜色空间选取

HSI 颜色空间[7]通过 H(色度)、S(饱和度)、I(亮度)描述颜色。车牌中可能存在蓝、红、黄、白、黑5种颜色区域，字符区域的颜色可能为白色、黑色、红色中的一种或者多种，车牌背景区域的颜色可能为蓝、黄、白中的一种。为了分割不同彩色车牌的背景和字符区域，这里使用H（色度）分量特征鉴别蓝色、红色、黄色区域，I（亮度）分量的特征鉴别白色和黑色区域。另外，HSI空间相比其他颜色空间更符合人眼特性，因此选择HSI颜色空间作为彩色车牌字符分割的颜色空间模型。

1.2 有效样本及有效权系数

在交通智能系统中，能对采集到的车牌图像进行快速处理和分析是其必备条件之一。为减少聚类数目，提出将具有相同值(H,I)的像素点归为一个有效样本点，并将有效样本点的出现频率作为权值。获取有效值和有效权系数过程如下：

①初始化大小为(361，361)的矩阵 matrix(hue，light)，初始化大小矩阵validdata(361×361，2)用来存储有效值，初始化大小为(1，361×361)的数组hweight用来存储有效值权系数；

②扫描输入彩色图像像素点N×M个，统计(H,I)的分布，将I的值乘以360后取整，量化至范围[0,360]；

③统计不同特征值(Hx, Ix)在图像中出现的次数，将其出现的次数放入matrix的(Hx, Ix)位置；

④选取矩阵matrix中出现次数大于0的点，将其对应的特征值作为有效样本点放入矩阵validdata中，并将其出现的频率q作为有效权系数存放进数组hweight中。

通过上述步骤，可获得有效样本xk(xkH,xkI)和有效权系数qk，且 k=1,2,…,n。

1.3 距离计算公式

在HSI空间模型中，H分量沿着圆周分布，其取值范围为0°～360°，且I的范围量化到[0,360],利用二维欧式距离公式，样本点xk(xkH,xkI)到聚类中心pi(piH,piI)的距离为：

其中xkH，piH分别为样本点和聚类中心的H分量，xkI，piI分别为样本点和聚类中心的I分量。但是当样本点的H分量与聚类中心的H分量的关系满足： piH−xkH＞ π 时，式（1）中(piH−xkH)2部分不适用于计算样本点到聚类中心的距离。因此根据H分量圆周分布的特点，对距离公式进行修正。假设样本点和聚类中心对应的xkH，piH分别为a1，a2。

1.4 算法流程

基于 HSI和 FCM 算法的彩色车牌图像分割主要过程如下：

①颜色空间转换：将原始彩色车牌图像从RGB空间转换到HSI空间；

②预处理：通过仿真分析，选取约束条件 S ＞ 0.08，且0.05＜I＜0.95 消除噪声影响；

③统计有效样本点：将具有相同值(H,I)归为一个有效样本点，获取其对应的有效权系数；

⑤聚类：对样本xk(xkH,xkI)的2维分量进行加权聚类。由于车牌背景与字符包含2种颜色区域，因此随机选取2个初始聚类中心。迭代过程中隶属度矩阵Uik、目标函数Jm和聚类中心pi的计算公式如下[8]：

该实验设置最大迭代次数b= 100，m= 2，迭代停止阈值a= 0.000 01。如果Jm收敛，算法结束，输出隶属度函数矩阵Uik和聚类中心pi，表示某样本点的颜色属于参考聚类中心的颜色范围；若不收敛，则继续返回迭代；

⑥根据隶属度最大原则将样本映射到灰度空间，获得聚类后的分割结果。

2 仿真结果及分析

实验结果如图所示，图1(a)、图 2(a)、图 3(a)为原图，图1(b)、图2(b)、图2(c)为这里改进FCM算法的分割结果，图1(c)、图2(c)、图3(c)为标准FCM算法的分割结果。表1列出了3幅车牌的彩色信息及两种算法聚类样本数。通过表1可看出，改进后的FCM算法的聚类样本数相对于标准FCM有了明显的减少。表2对两种算法的平均迭代时间进行了比较。由于初始化聚类中心选取是随机的，每次实验收敛的速度不同，因此该实验采用分别对每幅图像随机做6次实验，采用6次实验迭代时间的平均值。实验结果表明，在未改变模糊聚类分割效果的前提下这里提出的算法收敛速度相对标准FCM算法有显著的提高。

表1 基本信息及聚类样本数表

表2 两种算法平均迭代时间的比较

图1 蓝底白色车牌分割结果

图2 白底黑字或红字车牌分割结果

图3 黄底黑字车牌分割结果

3 结语

考虑到只采用一维特征[8]计算距离时包含的信息量过少，会导致某些颜色分量无法准确辨别，结合车牌颜色特征，这里提出对H和I二维特征进行模糊聚类运算，实验结果表明，针对不同种类的彩色车牌，该算法先对样本进行分类处理，使其数量明显减少，在保证良好分割效果的前提下，可实现快速分割。

[1] 刘晓薇.基于聚类分析的车牌定位算法的研究[J].通信技术, 2008,41(12):265-267.

[2] 林开颜,吴军辉,徐立鸿.彩色图像分割方法综述[J].中国图象图形学报,2005,10(01):1-10.

[3] Navon E,Miller O,Averbuch A.Color Image Segmentation based on Adaptive Local Thresholds[J].Image and Vision Computing,2005(23):69-85.

[4] 杜海顺,汪凤泉.一种快速的模糊 C 均值聚类彩色图像分割方法[J].计算机工程与应用,2009,45(33):138-140.

[5] 葛琦,张建伟,陈允杰,等.基于快速 FCM算法的多目标分割 CV模型[J].计算机工程.2009,23(35):217-219.

[6] 林开颜,徐立鸿,吴军辉.快速模糊C均值聚类彩色图像分割方法[J].中国图象图形学报,2004,9(02):159-163.

[7] 冈萨雷斯.数字图象处理[M].北京:电子工业出版社,2007.

[8] 杜建强,卢炎生.一种彩色图像快速分割方法[J].小型微型计算机系统,2009,7(30):1412-1415.