基于特征多样性的车牌定位方法

叶必锭 李霆

（五邑大学信息学院）

1 引言

近年来，智能交通系统已经成为交通管理发展的重要方向，而车牌识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的一项重要研究课题，也是实现交通管理智能化的一项关键技术。车牌识别系统包括车牌定位、字符分割和字符识别三部分，其中，车牌定位是一个难点，定位的准确度直接关系到系统整体性能。

车牌定位的实质是从图像中分割出车牌区域。目前已有很多国内外的学者对定位方法进行了研究，并提出了多种算法，归纳起来主要有两类：① 基于颜色空间的彩色图像定位方法[1～4]。这类算法主要是基于RGB或者HSV色彩空间来定位车牌，其优点是利用车牌颜色特征进行定位，符合人的视觉感受。但是当车牌颜色与车体颜色较接近时定位率不高，并且这类算法受光照影响较大；② 基于灰度空间特征的方法[5～10]。这类算法一般采用各类边缘检测算子，如Roberts算子、Prewitt算子、Sobel算子等提取车牌的边缘特征，并运用扫描线法定位车牌区域。这类方法具有快速、高效的特点，但是对于背景复杂，噪声污染等情况，定位率不高。

针对上述各种方法的不足，本文提出了一种综合多种车牌特征的定位方法。该方法充分利用了车牌的结构特征和纹理特征，首先对原始彩色图像作预处理，结合车牌图像的结构特征和数学形态学操作对车牌区域进行粗定位；然后，提取车牌图像的多种纹理特征，利用贝叶斯分类器对候选区域分类，实现车牌的精确定位。

2 图像预处理

图像预处理可以有效地突出目标区域，减少非目标区域和噪声的干扰。车牌定位是从复杂环境中提取车牌区域，并对原始图像作预处理。本文图像预处理算法有以下4步骤：

① 图像灰度化

摄像机采集的图像通常是 RGB格式的彩色图像，包含了大量信息，但其中大部分信息与车牌无关，这些信息的存在会干扰车牌定位的准确性。同时，车牌的颜色受天气和光照的影响较大，稳定性不高。因此，需要将彩色图像灰度化，灰度变换公式如下：

式(1)中：Gray为灰度变换后的灰度值；R、G、B分别对应彩色图像的红、绿、蓝三分量。彩色图像灰度化的效果如图1(a)。

② 垂直边缘检测

物体边缘是灰度不连续性反映的，经典的边缘检测方法是根据像素在其领域内的灰度变化，结合一阶或二阶方向导数来提取。车身前面的散热器、车体等具有较多的水平边缘，如果直接对原始图像进行边缘提取，则这些水平边缘的存在会影响车牌定位，并且车牌在垂直方向上的边缘非常丰富，所以本文选用经典的Sobel垂直边缘检测算子（如式（2））来凸显车牌的垂直边缘。对图1(a)进行垂直边缘检测，结果如图1(b)所示。

③ 图像的平滑

图像经过边缘检测后，边缘纹理清晰可见，但同时也产生大量的噪声，影响后续定位的准确性，需要先去除噪声。目前常用的去噪方法有均值滤波和中值滤波。均值滤波算法简单、计算速度快，但它在滤除噪声的同时会模糊图像，特别在边缘和细节处；中值滤波是非线性的滤波，去除噪声的同时不会模糊目标的边缘，尤其在椒盐噪声污染严重的情况下，中值滤波有非常好的处理效果。因此，本文选用中值滤波对边缘图像进行处理，滤波掩膜采用5×5的矩形窗口。对图1(b)作中值滤波，效果如图1(c)所示。

④ 边缘图像二值化

图像二值化的关键在于阈值的选取，常用的阈值选择法有局部阈值法和全局阈值法。局部阈值法根据像素灰度值及其邻域内像素的局部灰度特征来确定阈值。全局阈值法，根据图像直方图或灰度空间的分布来确定阈值，算法简单。本文采用最大类间方差法(Otsu)对图像作二值化，该方法属于全局阈值法。其基本思想是用某一灰度值将直方图分割成两组，被分割的两组间方差最大时确定阈值。该方法不论图像的直方图有无显著的双峰，都能得到较为满意的分割结果。对边缘灰度图像（图1(c)）作二值化，结果如图1(d)所示。

3 数学形态学处理

数学形态学是分析几何形状和结构的数学方法，其基本思想是用具有一定形状的结构元素去度量和提取图像中的对应目标。它可以简化图像数据，突出有用的信息，剔除不相关的结构。腐蚀、膨胀、开运算和闭运算是数学形态学的四种基本操作。

图1 车辆图像预处理

① 腐蚀

利用元素B对集合A进行腐蚀，定义如下：

腐蚀运算主要用来消除物体边界上的一些突出部分，将小于结构元素的物体剔除，切断两个物体间的细小连接。

② 膨胀

利用元素B对集合A进行膨胀，定义如下：

膨胀运算能将目标物体周围的背景点合并到物体中，扩展目标区域，缩小连通区域内的孔洞。

③ 开运算

使用元素B对集合A进行开运算，定义如下：

开运算是用B对A腐蚀，再利用B对结果进行膨胀。开运算能剔除细小物体，断开物体间的细微连接，削弱狭窄的部分以及平滑物体的边界。

④ 闭运算

使用元素B对集合A进行闭运算，定义如下：

闭运算是用B对A膨胀，再利用B对结果进行腐蚀。闭运算可以用来填充连通区域内的孔洞，融合狭窄的缺口，连接相邻区域。

经过图像预处理得到的二值边缘图像，如图1(d)，其车牌区域的边缘密度大，其它区域密度小，本文利用前面所述的形态学操作，使车牌区域形成一个连通整体，从而确定候选区域。首先采用合适大小的矩形结构元素对该二值边缘图像作形态学闭运算，得到了包含车牌的几个连通区域，结果如图2 (a)。再采用合适大小的矩形结构元素对图2 (a)作形态学开运算，剔除不相关的边缘和一些孤立的小区域，效果如图2 (b)。经过形态学开闭运算后，图中的几个车牌候选区表现得很明显。

4 车牌区域的定位

4.1 利用结构特征定位车牌区域

经过上述的形态学运算处理后，得到若干个候选车牌连通区域，这些区域中除车牌以外，还包括车灯、散热片等非车牌区域。要从这些区域中选出车牌，必须寻找用来区分车牌区域和非车牌区域的特征信息。

普通车牌的规格为 440mm×140mm，整个车牌的宽高比近似为 3:1，考虑形态学运算和车牌倾斜的影响，本文设定车牌宽高比为2～5。车牌的另一个结构特征是占空比，指连通区域实际的面积与其坐标所围成的面积的比值，通常车牌区域的占空比较大。利用上述的两个结构特征，剔除图2 (b)中不符合要求的连通域，此时若只有一个连通区域，则可确认是车牌区域，否则再利用纹理特征定位车牌区域。

图2 形态学运算效果图

4.2 利用纹理特征定位车牌区域

车牌区域内均匀地排列着 7个字符，呈水平排列，形成有规则的灰度跳变，使车牌区域有丰富的纹理特性。利用Otsu对候选区域的灰度图作二值化（见图3 (a)），并进行垂直方向的投影，投影曲线见图3 (b)。该投影曲线呈现多锯齿状，出现有规律的峰谷交替，但同时，该曲线中也存在一些尖峰噪声，这些噪声的存在会影响后续纹理特征的提取，所以对投影曲线进行高斯滤波，消除噪声干扰，效果如图3 (c)。

根据车牌的纹理及候选区垂直方向的投影曲线，提取下列纹理特征：

① 平均投影值m

式(7)中： f (i)为投影曲线的幅值；w为候选区域的宽度。

图3 车牌的垂直投影及高斯滤波效果图

② 投影标准差σ

式(8)中： f (i)为投影曲线的幅值；w为候选区域的宽度；m为平均投影值。

③ 峰谷距离和L

式(9)中： La为垂直投影曲线中所有从波谷到波峰的距离和； Lb为垂直投影曲线中所有从波峰到波谷的距离和；w为图像的宽度，用来归一化特征值。

④ 峰谷跳变数p

车牌区域内均匀地排列着7个字符，作垂直方向的投影后，投影曲线中有明显的峰谷跳变，标准车牌一般有14个跳变，通常跳变数比较固定，可以作为一个纹理特征。

⑤ 候选区域边缘密度

车牌的边缘纹理通常均匀分布在车牌区域内，可以利用Canny变换来提取区域内的边缘，再将Canny边缘图像划分为若干个小区域，统计每个小区域内边缘像素点所占的比例，作为纹理特征。在Canny变换前，先将候选区域灰度图像统一缩放为 200×50。本文将Canny边缘图像等分为50个子区域，每个子区域的大小均为20×10，计算每个子区域内的白色像素所占的比例，得到50个特征值N1，N2，…，N50。

根据上述所提取的54个纹理特征，构建一个特征向量 X=[m,σ,L,p,N1,N2,…,N50]，将该特征向量送入模式分类器来提取车牌区域，本文选用贝叶斯分类器解决这类问题。在训练贝叶斯分类器时，从候选区域中选取正负样本数各200构成训练集，其中正样本选用精确的车牌区域，负样本为非车牌区域，包括常见的车头散热器、车灯、路边围栏等。计算候选区域的纹理特征并进行量化，构建特征向量，送入训练好的贝叶斯分类器进行分类，精确定位车牌区域。

5 实验结果与分析

本文在Intel T4300 2.1GHz CPU，2G内存的设备环境下利用OpenCV实现本文提出的算法。选取1800幅由大恒DH-PD2000EC工业摄像机拍摄的真彩色图像对该算法进行测试，其中白天拍摄的图像有 1200幅，夜晚的有600幅，图像尺寸为1628×1236，测试结果如表1所示。白天和夜晚的车牌定位效果图分别为图4和图5。

表1 车牌定位测试结果

图4 白天车牌定位效果

图5 夜晚车牌定位效果

从表1可以看出，本文算法的定位准确率维持在97%以上，并且定位时间小于1s，满足实时性的要求。夜晚的定位准确率比白天高，定位时间也比白天短。分析原因：夜间的光照亮度比白天低，并且车牌颜色的特殊性，在闪关灯的照射下车牌对比度非常明显，容易提取车牌区域，同时非车牌区域的减少，也提高了定位率；对于白天采集的车辆图像，由于光线较强以及环境的影响，与车牌纹理类似的区域如车灯、散热器等都会影响定位结果，定位率会相对低一些。

6 结论

车牌定位是车牌识别系统的关键环节，直接关系到整个系统的稳定性。本文算法采用Sobel算子提取车牌垂直方向的边缘，利用数学形态学的开闭运算及区域填充等算法进行处理，消除车体以及环境因素给车牌定位造成的不利影响；针对车牌候选区图像，充分利用车牌的结构特征和纹理特征，结合贝叶斯分类器来精确定位车牌区域。通过对大量的车辆图像进行测试，定位准确率达到97%以上，定位时间短，并且该算法还适用于图像中有多个车牌的情况。

[1]聂洪印,周卫东,刘辉.多颜色模型和综合特征下的车牌定位新方法[J].计算机工程与应用,2010,46(12):221-223.

[2]CHENG Z F,CHEN R B. License plate location method based on modified HIS model of color image [C]. Proceedings of 9th International Conference on Electronic Measurement and Instruments,Beijing,China,2009:197-201.

[3]王枚,房培玉,王国宏.基于彩色分量垂直边缘检测的车牌定位新方法[J].计算机工程与应用,2007,43(12):177-179.

[4]李刚,闫河,汪钛铬,等.车牌定位中字符边缘色彩信息作用研究[J].计算机工程与设计,2009,30(22):5284-5286.

[5]SATADAL SAHA,SUBHADIP BASU,MITA NASIPURI,et al. License Plate Localization from Vehicle Images: An Edge Based Multi-stage Approach[J]. International Journal of Recent Trends in Engineering,2009,1 (1):284-288.

[6]ARTH C,LIMBERGER F,BISCHOF H. Real-time license plate recognition on an embedded DSP-platform[C].Minneapolis: Proceedings of the Computer Vision and Pattern Recognition (CVPR'07),2007:1-8.

[7]SHAPIRO V,GLUHCHEV G,DIMOV D. Towards a multinational car license plate recognition system[J].Mashine Vision and Applications,2006,17(3):173-183.

[8]LIN CHIEN-CHOU，HUANG WEN-HUEI. Locating license plate based on edge features of intensity and saturation subimages[J],IEEE,2007,227.

[9]潘巍,杨娜菲,安荣.基于梯度与形态学的低质量车牌定位[J].计算机工程,2011,37(13):144-146.

[10]庞茂群,邓开发.一种基于灰度图像的车牌定位方法[J].计算机工程与科学,2009.31(10):39-41.