摘 要： 針對復(fù)雜環(huán)境下的車牌定位率較低的問題,，提出了一種基于數(shù)學(xué)形態(tài)學(xué)和Hough變換檢測車牌區(qū)域的方法。首先,，對車牌圖像進(jìn)行圖像預(yù)處理，然后,，利用數(shù)學(xué)形態(tài)學(xué)的高帽變換突出車牌字符區(qū)域,，并對圖像進(jìn)行邊緣檢測和連通區(qū)域分析；最后,，結(jié)合Hough變換和車牌的先驗知識實(shí)現(xiàn)車牌的精確定位,。實(shí)驗結(jié)果表明，針對不同復(fù)雜背景下采集到的車輛圖像,，該算法具有很強(qiáng)的魯棒性,，準(zhǔn)確率達(dá)97.3%，能夠滿足現(xiàn)代智能交通系統(tǒng)對車牌定位準(zhǔn)確性和實(shí)時性的要求,。
關(guān)鍵詞： 車牌定位,；數(shù)學(xué)形態(tài)學(xué)；邊緣檢測,；Hough變換
車牌識別系統(tǒng)(LPR)在現(xiàn)代交通檢測和管理部門中發(fā)揮著舉足輕重的作用,。車牌識別系統(tǒng)主要包括車牌定位、字符分割和字符識別三部分[1],。由于車牌定位的準(zhǔn)確與否將會直接影響到車牌識別的結(jié)果,，因此，車牌定位是LPR的一項關(guān)鍵技術(shù),。常見的車牌定位技術(shù)主要有：邊緣檢測法[2],、投影法[3]、神經(jīng)網(wǎng)絡(luò)法[4],、數(shù)學(xué)形態(tài)學(xué)法[5],、基于彩色圖像的定位算法[6]。邊緣檢測法對車牌圖像邊框的連續(xù)性要求較高,；神經(jīng)網(wǎng)絡(luò)方法計算量大,，且要求車牌尺寸基本不變，否則必須對神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練,；基于形態(tài)學(xué)的方法受噪聲影響比較大；基于彩色圖像的定位算法適應(yīng)性差，對于偏色以及背景顏色干擾等情況無法做出有效處理,。
由于存在許多外在的干擾,，背景信息往往比車牌信息更加復(fù)雜，給目標(biāo)搜索帶來巨大的困難,，單一的定位方法已經(jīng)無法保證其有效性。為此，本文提出了一種綜合的定位算法,，對預(yù)處理的圖像進(jìn)行形態(tài)學(xué)的高帽變換后，利用邊緣檢測得到連通區(qū)域進(jìn)行粗定位,，然后結(jié)合Hough變換和車牌的先驗知識進(jìn)行車牌的精定位,，該算法充分利用了車牌的字符信息，能夠快速而準(zhǔn)確地提取出車牌區(qū)域,。
1 車牌的固有特征
車牌識別是一種特定對象的識別,，是一種在先驗知識指導(dǎo)下的識別。我國現(xiàn)在使用的車牌主要執(zhí)行中華人民共和國機(jī)動車牌號標(biāo)準(zhǔn)[7],，其具有以下的特征：
(1)形狀特征：汽車車牌區(qū)域的每個字符寬度為45 mm,，字符高度為90 mm，間隔符寬10 mm,，字符間隔為12 mm,，整個車牌區(qū)域的寬高比為44/14。這部分特征在車牌的定位分割方面具有重要的意義,。
(2)紋理特征：車牌有一個連續(xù)或因磨損而不連續(xù)的邊框,；標(biāo)準(zhǔn)車牌(軍車、警車,、教練車,、外交車除外)模塊包含7個字符，它們基本呈水平排列,；在矩形的車牌區(qū)域內(nèi)部有著較豐富的邊緣信息,，呈現(xiàn)出規(guī)則的紋理特征。
(3)灰度跳變特征：車牌的邊緣顏色,、車牌底色以及車牌文本顏色各不相同,，表現(xiàn)在圖像中就是灰度級互不相同，這樣,，在車牌邊緣就形成了灰度突變邊界,。在車牌區(qū)域內(nèi)部，由于字符和車牌底的內(nèi)部灰度較均勻,，因此,，穿過車牌的水平直線呈現(xiàn)出波峰波谷的特點(diǎn)。
2 圖像預(yù)處理
車牌圖像的采集大都是通過攝像機(jī)、數(shù)碼相機(jī)等設(shè)備拍攝獲取的彩色圖像,，因此首先要對圖像進(jìn)行灰度化處理,。
牌照圖像在拍攝時受各種條件的限制和干擾，圖像的灰度值往往與實(shí)際景物不完全匹配,，直方圖均衡化[8]處理能增加圖像灰度值的動態(tài)范圍,，從而達(dá)到增強(qiáng)圖像整體對比度的效果。
經(jīng)過灰度增強(qiáng)后的圖像還存在各種噪聲,，中值濾波是一種非線性濾波,，它很適合于椒鹽噪聲(即通常拍攝的圖片帶有的噪聲類型)。
圖1顯示了本文設(shè)計中圖像預(yù)處理部分的實(shí)驗效果圖,，車牌區(qū)域的特征被明顯增強(qiáng),。大量實(shí)驗表明，本文采用的圖像預(yù)處理方法能獲得較好的效果,，滿足實(shí)驗的要求,。
3 車牌定位算法
3.1 車牌區(qū)域粗定位
3.1.1 形態(tài)學(xué)處理
按照牌照底色和字符的顏色對比，可以將車牌分為深色底淺色字的車牌和淺色底深色字的車牌兩大類,，數(shù)學(xué)形態(tài)學(xué)的高帽變換和低帽變換就是分別針對這兩類車牌設(shè)計的。在本文研究的系統(tǒng)中,，全部選用的是藍(lán)底白字的車牌,，即深色底淺色字車牌。
高帽變換是基于膨脹和腐蝕操作的一種形態(tài)學(xué)的應(yīng)用,，對圖像進(jìn)行形態(tài)學(xué)高帽變換(Top-hat),，用Top表示，定義為
高帽變換是原始圖像與其開運(yùn)算之差,，開運(yùn)算用來去除比結(jié)構(gòu)元更小的亮點(diǎn),，同時保持灰度級和較大亮區(qū)特性的相對不變。因此,，只要選擇合適的結(jié)構(gòu)元素,，高帽變換就能將亮目標(biāo)從背景中有效分離出來[9]。如圖2(a)所示,，經(jīng)過高帽變換后,，對于深色底淺色字的車牌，其車牌字符的區(qū)域的特征會得到增強(qiáng),，車牌文本部分變得更加清晰突出,，便于讓后續(xù)的檢測處理過程更加簡單和省時。
3.1.2 邊緣檢測
車牌區(qū)域的字符與背景有十分明顯的邊緣而且邊緣的個數(shù)也很多,。Sobel算子對噪聲有抑制作用,，它對灰度漸變和噪聲較多的圖像值處理效果較好，對邊緣定位比較準(zhǔn)確且速度快[10]。采用Sobel邊緣檢測算子進(jìn)行邊緣檢測的效果如圖2(b)所示,，各個字符都形成了相對獨(dú)立的區(qū)域,，當(dāng)然也有一些非字符形成的干擾區(qū)域。對邊緣檢測后的圖像采用全局閾值OSTU算法進(jìn)行二值化處理,，并采用行程碼方法標(biāo)記連通區(qū)域,，可以得到一系列特定的連通域，同時也可以得到包圍各個連通區(qū)域的最小外接矩形(bounding-box)和各連通區(qū)域的面積,。為了方便觀察及后續(xù)分析,，將標(biāo)記的連通區(qū)域表現(xiàn)在原始圖像上，如圖2(c)所示,。
由圖2看出,，高帽變換使得藍(lán)底白字車牌的字符更加明顯，經(jīng)過了邊緣檢測,，各個字符形成獨(dú)立的連通區(qū)域,。
3.1.3 連通區(qū)域分析
由于采集到的車牌圖像車牌字符的像素個數(shù)是在一定范圍內(nèi)的，因此設(shè)定最小外接矩形框的面積為S,，當(dāng)S≤500像素或S≥2 000像素時,，就認(rèn)為該連通區(qū)域不是車牌字符區(qū)域，并將之去除,。留下的連通區(qū)域包含了牌照的文本區(qū)域以及少量的非車牌文本區(qū)域,，這將有利于在后續(xù)的操作中減小搜索范圍，提高定位的準(zhǔn)確率,。
3.2 精定位
3.2.1 Hough變換
根據(jù)車牌先驗知識,，車牌字符一般排成一行，且大小相仿,。利用Hough變換檢測直線的原理[11]來找出在同一方向上的bounding-box,，主要的設(shè)計思想是將每個連通成分的中心點(diǎn)通過Hough變換轉(zhuǎn)換到參數(shù)空間，通過尋找參數(shù)空間的最大值來確定字符組的中心線,。
本文的Hough變換算法如下：
(1)在r,、θ適當(dāng)?shù)淖畲笾岛妥钚≈抵g建立一個離散的參數(shù)空間；
滿足式(3)的連通區(qū)域保留下來,，就可以檢測到車牌的字符區(qū)域,，如圖4(a)所示。
為了定位出整個車牌,，需要將檢測到的車牌文本所有的字符區(qū)域連通起來形成一個大的連通域,，并適當(dāng)向外擴(kuò)展。定位出的車牌區(qū)域如圖4(b)所示,。為了避免在上個步驟中出現(xiàn)牌照內(nèi)的某個字符未被檢測到或者仍然留有偽文本區(qū)域未去除的情況,，從而影響最后的定位結(jié)果，因此還需要利用整個車牌的寬高比來檢測出最后的牌照區(qū)域。選用牌照寬高比為44：14作為判定標(biāo)準(zhǔn),，以此來定位出最后的車牌區(qū)域,，最后精確提取出的車牌區(qū)域如圖4(c)所示。
4 實(shí)驗結(jié)果及分析
該算法所需的開發(fā)工具為Matlab7.0,，實(shí)驗所采用的車牌圖像是在實(shí)際環(huán)境中隨機(jī)拍攝的,，對汽車的背景沒有特殊限制。圖5所示的是對4幅不同場景下的汽車牌照進(jìn)行定位的結(jié)果,，圖5(a)的車牌有些傾斜和變形,；圖5(b)是在車窗存在反光的情況下拍攝的；圖5(c)的車窗存在部分反光的情況,，并且背景比較復(fù)雜,，車身存在很多污跡；圖5(d)是在光線較暗的情況下拍攝的,，并且車窗上存在其他物體的投影,；圖5(e)為這四種場景的定位結(jié)果，雖然這四幅圖像的車牌背景比較復(fù)雜,，但仍能準(zhǔn)確定位出車牌的位置,。實(shí)驗測試結(jié)果表明，這種方法對于光照不均,、噪聲較強(qiáng),、環(huán)境背景復(fù)雜的圖像均能成功定位，并提取出車牌區(qū)域,，而且算法比較簡單，定位速度快,，具有很強(qiáng)的魯棒性,。
本文提出了一種基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車牌綜合定位算法。其利用了國內(nèi)車牌字符的特征,，經(jīng)過高帽變換突出感興趣區(qū)域,，然后利用邊緣信息通過Hough變換檢測車牌字符的中心線，能夠提高定位結(jié)果的準(zhǔn)確性,。實(shí)驗結(jié)果表明,，對于自然場景下的車牌定位，該算法具有較強(qiáng)的適用性,。但復(fù)雜背景下的車牌定位比簡單背景下的定位準(zhǔn)確率低,，主要原因是復(fù)雜環(huán)境的背景信息復(fù)雜，干擾較多,，使得利用Hough變換檢測字符組的中心線時出現(xiàn)誤差,，特別是對于傾斜嚴(yán)重的車牌，本算法的定位率較低，這是下一步的研究方向,。
參考文獻(xiàn)
[1] BARROSO J,， RAFAEL A， DAGLESS E L,， et al. Number plate reading using computer vision[C]. Proceedings of IEEE International Symposium on Industrial Electronics,， 1997：761-766.
[2] 閆青.常用車牌定位算法淺析[J].微型機(jī)與應(yīng)用，2010(2)：1-3.
[3] 周開軍,，陳三寶,，徐江陵.復(fù)雜背景下的車牌定位和字符分割研究[J].計算機(jī)工程， 2007,，33(4)：198-200.
[4] ABDULLAH S N H S,， KHALID M， YUSOF R,， et al. License plate recognition using multi-cluster and multil-ayer Neural Networks[J]. Information and Communication Technologies,， 2006(1)：1818-1823.
[5] MEGALINGAM R K， KRISHNA P,， SOMARAJAN P,， et al. Extraction of license plate region in Automatic License Plate Recognition[C]. The 2010 2nd International Conference on Mechanical and Electrical Technology， 2010,，496-501.
[6] KAUSHIK DEB,， KANG-HYUN JO. HSI color based vehicle license plate detection[C]. International Conference on Control Automation and Systems， 2008,， 687-691.
[7] 片兆宇,，孟祥萍，張紅.多階段車牌定位算法[J].計算機(jī)科學(xué),，2009,，36(8)：296-299.
[8] GONZALEZ R C， WOODS R E． Digital image processing(3rd Edition)[M]. London： Prentice Hall Press,，2007.
[9] 郭航宇,，景曉軍，尚勇.基于小波變換和數(shù)學(xué)形態(tài)法的車牌定位方法研究[J].計算機(jī)技術(shù)與發(fā)展,，2010(5)：13-16.
[10] 柴曉榮,，劉錦高.基于紋理分析的精確車牌定位算法[J].計算機(jī)系統(tǒng)應(yīng)用，2010,，19(2)：160-163.
[11] KAMAT V,， GANESAN S. An efficient implementation of the Hough transform for detecting vehicle license plate using DSP’S[C]. Proceedings of the Real Time Technology and Applications， 1995,， 58-59.