基于颜色定位和边缘检测的车牌定位方法

吴雷++汪小飞++李艳

摘要：车牌识别技术是智能交通管理系统的关键技术之一，而车牌定位则是车牌识别的实现基础。快速，准确，高鲁棒性的车牌定位技术可以给车牌识别带来极大的辅助。针对车牌定位的问题，研究提出了基于HSV颜色模型的颜色定位方法和通过垂直边缘检测的边缘检测定位这两种方法。两种方法的结合使用不仅实现了车牌快速，准确的定位，更为车牌识别后续的字符分割，字符定位等步骤奠定了坚实的基础。

关键词： 车牌定位；图像处理；HSV颜色模型；边缘检测；数学形态学

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）32-0184-03

Vehicle License Plate Locating Method Based On Color Positioning and Edge Detection

WU Lei， WANG Xiao-fei， LI Yan*

（School of Information Engineering，Hubei University for Nationalities， Enshi 445000， China）

Abstract：License plate recognition technology is one of the key technologies of intelligent traffic management system， license plate location is the basis for the realization of license plate recognition. Fast， accurate and robust license plate location technology can give a great help to the license plate recognition. In view of the problem of license plate location， this paper proposes a color location method based on HSV color model and the edge detection method based on vertical edge detection. Combined with the use of the two methods not only to achieve a fast， accurate positioning， but also for the license plate recognition follow the character segmentation， character positioning and other steps to lay a solid foundation.

Key words：vehicle license plate recognition； image processing； HSV color model；edge detection； mathematical morphology

1 引言

隨着当今社会经济的飞速发展，车辆的数量也变得与日聚增起来。高速增长的汽车数量和落后的停车场管理模式形成了鲜明的矛盾冲突。于是，智能车辆管理系统的实现变得尤为重要。实现智能车辆管理系统的核心内容就是能够自动化识别车辆车牌，而作为车牌识别核心技术的第一步——车牌定位技术的好坏极大程度上决定了车牌识别的性能。

目前车牌定位的实现方法大体分为两类，一类是基于灰度图像的车牌区域定位方法，另一类是基于彩色图像的车牌区域定位方法。前者主要有基于纹理特征法、基于数学形态学法、基于小波分析法等方法。后者主要有基于RGB颜色法、基于神经网络法等。本文结合两类不同的方法，先采用改良的RGB颜色法——HSV颜色模型来识别车牌，可以定位出大部分颜色鲜明的车牌，由于此方法受图片质量影响较大，我们在颜色法后采用边缘检测定位法，通过垂直边缘检测，将图片中垂直边缘较多的区域定位出来，两种方法的结合可以获得车辆图片中车牌所在的区域，判断出真正的车牌位置。

2 颜色定位

采用RGB颜色定位方法需要RGB的3个分量（Red分量--红色，Green分量--绿色，Blue分量--蓝色）共同确定一个颜色标准，我国大部分车牌都是蓝色，我们要从Blue分量中找到分量的阈值确定蓝色的范围，这本就不是一件容易的事。但是我们往往不只有3原色构成的车牌，遇到像黄色的车牌时情况会更加复杂，需要考虑Red分量和Green分量的配比问题。这些问题让单纯选择RGB颜色定位变得分外困难。

为了解决这些问题我们采用HSV颜色模型，如图1所示。HSV模型是根据颜色的直观特性创建的一种圆锥模型。与RGB颜色模型中的每个分量都代表一种颜色不同的是，HSV模型中每个分量并不代表一种颜色，而分别是：色调（H），饱和度（S），亮度（V）。

H分量是代表颜色特性的分量，用角度度量，取值范围为0～360，从红色开始按逆时针方向计算，红色为0，绿色为120，蓝色为240。S分量代表颜色的饱和信息，取值范围为0.0～1.0，值越大，颜色越饱和。V分量代表明暗信息，取值范围为0.0～1.0，值越大，色彩越明亮。我们可以从一种纯色彩开始，即指定色彩角H，并让V=S=1，然后我们可以通过向其中加入黑色和白色来得到我们需要的颜色。增加黑色可以减小V而S不变，同样增加白色可以减小S而V不变。这就意味着通过保持V，S不变来找表示颜色的H的范围，再反过来通过H的范围确定V，S的取值范围，从而可以确定出我们需要的颜色范围，如图2所示。

采用颜色定位我们首先需要将图像颜色空间从RGB转换为HSV，再遍历图像的所有像素，将满足HSV范围内的像素点标记为白色，其余部分标记为黑色。所得图片中白色部分为车牌位置。再采用闭操作，取轮廓等操作获取目标车牌。

3 边缘检测定位

边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。而本文采用的是基于垂直边缘的检测方法。因为一般的车牌图片在没经过一定的处理之前车牌边缘都有很多垂直边缘，那么就可以以此来判定车牌的位置。

车牌定位准确率的高低与图片的好坏有着密不可分的关系，如图片的天气，环境等外界环境因素直接影响图片的识别率。所以在进行识别之前必须对车辆图片进行预处理，消除干扰并突出车牌特征。

这里对车辆图片进行车牌边缘检测定位的流程如图3所示：

3.1 高斯模糊

对车辆图片先进行高斯模糊就是把图片中某一点周围的像素色值按高斯曲线统计起来，采用数学上加权平均的计算方法得到这条曲线的色值，最后能够留下物体的轮廓。高斯模糊使图片变得更平滑，去除了干扰的噪声对后面车牌的判断打下了坚实的基础。

3.2 灰度化

将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有255*255*255种颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，也正因为如此，对图像的灰度化处理存在的最大争议就是图像信息的丢失，图像信息的丢失可能使得对车牌的识别变得更加复杂。但对于计算机而言，处理灰度化图像相比于处理彩色图像要更加容易，同时，现在已研究的很多处理图像的算法和技术仅支持对灰度化图像的处理，在现今的科技状况下对图像灰度化处理使我们更便捷地获取所需要的信息。但无疑，对彩色图像直接进行判断更符合人眼识别的规律，更趋近人工智能的本质，也是今后研究的方向与趋势。一般有以下四种方法对彩色图像进行灰度化处理：分量法，最大值法，平均值法，加权平均法。

（1）分量法：将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。

f1（i，j） = R（i，j）f2（i，j） = G（i，j）f3（i，j） = B（i，j）

其中fk（i，j）（k=1，2，3）为转换后的灰度图像在（i，j）处的灰度值。

（2）最大值法：将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

f（i，j） = max（R（i，j）， G（i，j）， B（i，j））

（3）平均值法：將彩色图像中的三分量亮度求平均得到一个灰度值。

f（i，j） = （ R（i，j） + G（i，j） + B（i，j） ） /3

（4）加权平均法：根据重要性及其他指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

f（i，j） = 0.30 R（i，j） + 0.59 G（i，j） + 0.11 B（i，j））

3.3 Sobel算子

Sobel算子是边缘检测定位中的核心算法，用于检测图像的垂直边缘，便于区分车牌。

Sobel算子是一阶导数的边缘检测算子，在算法实现过程中，通过3×3模板作为核与图像中的每个像素点做卷积和运算，如下所示，其中A为原图像，然后选取合适的阈值以提取边缘。

许多学者已经提出了很多图像检测算子，如Sobel算子、Laplace算子、Canny算子等。比较常用的有Sobel算子和Laplace算子。Sobel算子求图像的一阶导数，Laplace算子则是求图像的二阶导数，在通常情况下，也能检测出边缘，不过Laplace算子的检测不分水平和垂直。

3.4 二值化

图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群，然后分别设置为黑白两种颜色，实现了整个图像的二值化。

3.5 闭操作

对二值化图像先进行膨胀运算，其次进行腐烛运算，此组合运算即为图像的闭运算。对二值化图像先进行腐烛运算，其次进行膨胀运算，此组合运算即为图像的开运算。闭操作可使轮廓线更光滑，但与开操作相反的是，闭操作通常消除狭窄的间断和长细的鸿沟，消除小的空洞，并填补轮廓线中的断裂。使用结构元素B对集合A进行闭操作，数学表达为：

这个公式表明，使用结构元素B对集合A的闭操作就是用B对A进行膨胀，然后用B对结果进行腐蚀。

3.6 取轮廓，筛选，角度与尺寸判断

经过上述一系列的图像操作我们可以得到一张包含许多独立图块的图像，取轮廓操作就是将图像中的所有独立的不与外界有交接的图块取出来。然后根据这些轮廓，求这些轮廓的最小外接矩形。尺寸判断操作是对外接矩形进行判断，以判断它们是否是可能的候选车牌的操作。经过尺寸和角度判断，会排除大量由轮廓生成的不合适尺寸的最小外接矩形。接下来需要对剩下的图块进行旋转操作，将倾斜的车牌调整为水平，为后面的车牌判断与字符识别提高成功率的关键环节。最后确定我们要识别的车牌的尺寸。

4 结论

本文提出了两种关于车牌识别中车牌定位的方法，采用改进的HSV颜色模型，准确，快速地对颜色鲜明的车牌进行定位，简化了车牌定位中一些图片处理和特征判断的过程。而另一种方法是边缘检测中垂直边缘定位的方法，垂直边缘的选择让此方法能获得更高的准确率，同时采用图像处理，数学形态学等多种算法强化了图片中的许多特征量，极大提高了垂直边缘的判断。

虽然采用两种定位方法的结合，极大提高了车牌定位的准确率，但仍然有不足之处，需要进一步完善。两种方法都需要较高的图片质量，大量的光暗区域和严重的雨雪天气都会对车牌定位的准确率产生较大的影响。还有如颜色定位中一旦车辆的颜色与车牌的颜色一致，那判断的准确率会大大降低。而第二种方法如果遇到大量垂直边缘的车辆也会造成较大的误差。

参考文献：

[1] 魏平顺.智能交通系统中车标图像识别技术研究[D].南京：南京理工大学，2013.16-25.

[2] 李侠.车标定位技术研究[D].大连：辽宁师范大学，2011，16-26.

[3] 张闯， 孙兴波， 陈瑶，等. 常用边缘检测技术的对比[J].传感器世界， 2013，19（11）：20-23.

[4] 刘毅， 赖晓风. 基于边缘检测的图像分割技术浅析[J].电子制作， 2013（16）：67-67.

[5] 罗辉武， 唐远炎， 王翊，等. 基于结构特征和灰度特征的车牌字符识别方法[J].计算机科学， 2011， 38（11）：267-270.