摘? 要: 提出一套圖像處理" title="圖像處理">圖像處理的新組合和新策略,，在特定的環(huán)境中可以實現(xiàn)二值化" title="二值化">二值化閾值的自適應調(diào)整,，將車牌識別提高到工程應用" title="工程應用">工程應用的水平。
關(guān)鍵詞: 電子警察? 邊緣提取? 車牌定位" title="車牌定位">車牌定位? 識別
?
近年來,，我國在城市和交通建設(shè)方面取得了巨大的進步,。然而，面對越來越多的交通路口,、收費站以及治安卡口,，傳統(tǒng)的人工值守顯然已經(jīng)滿足不了要求。為解決這種現(xiàn)狀,，出現(xiàn)了適應信息化時代的計算機集成產(chǎn)品,，即電子警察，并已經(jīng)得到了廣泛的應用,。
電子警察采用視頻圖像的識別技術(shù),，全天候進行車輛及道路的監(jiān)控，對違規(guī)車輛進行抓拍,，實現(xiàn)了城市道路交通的智能化管理,，達到無人化值守。利用該系統(tǒng)可以迅速查明違章車輛,、分析交通事故,，為進一步整頓交通環(huán)境,，交通管理科學化提供高效可靠的技術(shù)依據(jù)。
1 抓拍照片分析
出于性價比的原因,，目前國內(nèi)電子警察系統(tǒng)的圖像獲取單元一般都采用CCD工業(yè)電視攝像機,，而且被架設(shè)在室外。現(xiàn)以闖紅燈違章抓拍系統(tǒng)為例來分析抓拍的圖像數(shù)據(jù),。
(1) 由于紅燈的停車線靠近行人通道,，造成圖像背景特別復雜;
(2) 機動車的車型較多，車牌的位置各不相同;
(3) 拍攝圖像時受天氣,、照明以及運動等因素的影響很大;
(4) 攝像機受路口實際條件的限制,，可能距離較遠，并有一定角度;
(5) 臟,、舊車牌比較模糊,，還有不少故意作弊的車牌。
這種圖像數(shù)據(jù)要比在實驗室所用的數(shù)據(jù)惡劣得多,，而且意想不到的情況也時有發(fā)生,，這就給圖像識別帶來了極大的困難。
2 圖像處理方案
通過多次實驗檢測,，最終選用了圖1所示的圖像處理方案,。
?
?
對圖像數(shù)據(jù)的灰度化、平滑,、邊緣檢測" title="邊緣檢測">邊緣檢測,、二值化以及旋轉(zhuǎn)都屬于圖像的預處理部分。判定就是準確地定位車牌位置,，接下來先對車牌進行字符分割,，然后逐字提取特征，形成該字符的特征向量,，將這個特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，以便于字符識別,。所以字符識別部分用了一個三層的神經(jīng)網(wǎng)絡(luò),，先進行學習訓練，得到收斂的一組權(quán)值,。
限于篇幅,，本文只介紹圖像預處理和判定部分，識別應用部分這里就不討論了,。
2.1 灰度化與平滑
為了便于處理后的傳輸和存儲,，由CCD攝象機獲取的圖像通過圖像采集卡采集到工控機或圖像處理器件后，一般會轉(zhuǎn)換成JPEG格式,。這樣處理的對象也就是JPEG文件,，要進行灰度化,，以去掉彩色信息，加快處理速度,?；叶然墓娇梢圆捎檬?1)。
其中,，g(i,，j)為點(i，j)處的灰度值,，R,，G，B分別為該點的三基色值,。但是,，定位車牌時亮度信息并不重要。鑒于在這個式子中,，G基色占的比重最大,，所以有理由在灰度化時只取綠色信息就可以了。
圖像平滑的目的是為了消除噪聲,。噪聲并不限于人眼所能看到的失真或變形,，有些噪聲只有在進行圖像處理時才能發(fā)現(xiàn)。一般來說,，圖像的能量主要集中在其低頻部分,，而車牌的信息主要在高頻部分，為了去掉高頻干擾,，有必要進行圖像平滑,。可以采用低通濾波的方法來去除噪聲,，為此要設(shè)計空間域系統(tǒng)的單位沖激響應矩陣,。
2.2 邊緣檢測與二值化
與平滑過程相反，邊緣檢測相當于高通濾波器,，是為了提取圖像中的高頻部分,。因為車牌上字符較密，所以這一部分的圖像變化必然比其它區(qū)域高,，這對于車牌定位是很重要的信息,。邊緣增強的方法很多，常用的增強算子有拉普拉斯算子,、Sobel算子,、Prewitt算子等。本文采用了一種Kirsch算子的改進形式,。Kirsch算子是一種象素鄰點順時針循環(huán)平均求梯度的方法,，它取如下的梯度圖像作為檢測結(jié)果:
分別表示f(i,，j)的八鄰象素中順時針排列的相鄰三個象素和五個象素之和。規(guī)定A0為f(i,，j)左上角的鄰域,。A的下標按模8計算，如圖2所示,。
?
?
式(3)中大括號內(nèi)的取極大值運算,，其實就是求f(i，j)在8個方向上的平均差分之最大值,，也就是f(i,，j)梯度幅度的近似值[1]。
通過這種運算后,，圖像中每象素點的值代表了該點的高頻信息,，從這些信息中要定位出車牌的位置，就必須進行二值化處理,。二值化的方法有很多,，但應用于工程上時，一個最大的問題就是閾值的選取,，將它取為固定值顯然是不合理的,，因為環(huán)境總是變化的;可是將它放開后，又不能很好地跟蹤圖像的細微變化,。針對這個問題,，本文提出了一種反向積分求象素點的方法，使得二值化能自適應選擇適當?shù)拈撝怠?/P>
其中:n(k)為圖像中所有取值為k的象素點個數(shù),，n為圖像總象素數(shù),。通過大量的實驗，發(fā)現(xiàn)這個象素值-概率關(guān)系曲線無外乎兩種情況,，即圖3和圖4所示,。要使定位效果達到最佳，閾值一定在曲線趨于平坦的點附近,。
?
這時會發(fā)現(xiàn)不管是白天還是夜間,，S總是在一常數(shù)附近，而這個差別對于象768×288這樣的圖像來說是微不足道的,，完全可以將它定為一個常數(shù)來處理。雖然它也與圖像的復雜程度有關(guān),，但這只會影響二值化后點的分布,。車牌位置總是處于高頻部分，對它的影響較小,。這個現(xiàn)象也同時說明,，要準確定位并不是二值化后保留的信息越多越好,。
既然將S取為常數(shù)，那么從gmax開始反向積分(求和),，就可以得出th,，而且th會隨著圖像的亮暗程度、對比度自適應變化,。
2.3? 圖像旋轉(zhuǎn)與車牌定位
在實際施工中,，鏡頭的架設(shè)常受到條件的限制，圖像的傾斜程度特別大,。這時,，用圖像的旋轉(zhuǎn)不變距顯然難以湊效，只有對圖像進行旋轉(zhuǎn),。而且這個角度的設(shè)定對具體的環(huán)境不再發(fā)生變化,，知道了這個角度，也有利于汽車的運動軌跡判斷,。
進行完前面的預處理工作后,，定位車牌就容易了。對圖像自下而上逐行掃描,，在限定的模板寬度內(nèi),，若變化頻率達到一定次數(shù)，例如10次,，則向下開始掃描,，直到滿足模板高度，將這個區(qū)域定為車牌的候選區(qū),。如果沒找到車牌,，則將車牌的模板進行一些調(diào)整，再繼續(xù)搜索,，還是找不到,，就是沒有車牌。對于多個候選的區(qū)域,，可以進行粗略的聚類估計和簡單的邏輯判斷,，以提高定位準確性。
3 運行結(jié)果
用這一套組合策略,，對不同時間,、不同交通路口、不同光照下抓拍的汽車圖像進行車牌定位識別,，定位結(jié)果如表1所示,。
在選圖時，夜間圖像占20% 左右,。從上述結(jié)果,，可以清楚地看出,，公共汽車的準確率最低，這是因為公共汽車有許多廣告和粘貼紙,，造成了錯誤定位,。卡車的車牌在車框下邊,，較為隱蔽,，有些車牌特別臟，識別比較困難,。而出租車和中巴車的錯誤定位大多是夜間圖像引起的,。還要說明一點，夜間圖像在拍攝時加了紅外補光系統(tǒng),。針對工程應用的水平,，這個結(jié)果是令人滿意的。
?
?
本文只介紹了電子警察抓拍系統(tǒng)中車牌定位的內(nèi)容,。電子警察系統(tǒng)最大的困難就是受自然環(huán)境的影響特別大,，而且安裝時總是要去適應地形環(huán)境，所以拍攝到的圖像有時非常不好,，并不象實驗室處理的那么理想,。因此要找到一種適應性較好的定位方法，只有舍棄許多優(yōu)越的處理方法,。本文使用的這種圖像處理的策略,，只設(shè)定幾個參數(shù)，在特定的環(huán)境中可以實現(xiàn)二值化閾值的自適應調(diào)整,，將車牌識別提高到工程應用的水平,。總體上來說,，具有較好的適應性,。
?
參考文獻
1 趙榮椿.數(shù)字圖像處理導論.西安:西北工業(yè)大學出版社，1995
2 戴青云,，余英林.一種基于小波與形態(tài)學的車牌圖像分割方法.中國圖像圖形學報,，2000;5：411～415
3 黃可為，趙雁南,，孫發(fā)杰等.一種高效目標搜索方法及其在圖像分析中的應用.中國圖像圖形學報,，1999；12:1038～1043