基于Tent映射CPSO和車牌紋理特征的車牌定位

吳加明，吳一全

(南京航空航天大學信息科學與技術學院，江蘇南京 210016)

基于Tent映射CPSO和車牌紋理特征的車牌定位

吳加明，吳一全

(南京航空航天大學信息科學與技術學院，江蘇南京 210016)

針對現(xiàn)有車牌定位算法定位準確率不高和速度慢等問題，結(jié)合車牌紋理特征，提出了一種基于Tent映射混沌粒子群(CPSO)的車牌精確定位算法.首先用基于二維直方圖區(qū)域斜分的OTSU方法對車牌圖像做二值化處理;接著使用三組一維濾波器獲取其二值紋理特征向量.然后利用基于Tent映射CPSO快速準確的全局搜索能力，結(jié)合二值紋理特征向量構(gòu)造適應度函數(shù)，并引入車牌紋理的一致性度量作為判決條件，找到車牌區(qū)域的最佳定位參量.最后，與基于遺傳算法(GA)和基本粒子群算法(BPSO)的定位方法進行了比較.實驗結(jié)果表明，該方法適應性強，定位效果較好，運行時間更短.

車牌紋理特征;Tent映射;混沌;粒子群優(yōu)化;車牌定位

車牌的自動識別技術在現(xiàn)代交通不斷發(fā)展的前提下得到了越來越廣泛的應用，成為智能交通系統(tǒng)的重要組成部分，主要包括車牌定位、校正和字符分割識別等環(huán)節(jié)［1］.車牌定位技術作為整個車牌自動識別系統(tǒng)的關鍵，占有非常重要的地位.然而由于車輛種類繁多以及天氣等背景的變化，加上車牌圖像采集時容易受到各種干擾，給車牌定位帶來了很大困難.

目前車輛定位的方法多種多樣［2］，歸納起來主要有圖像彩色信息法［3］、紋理特征法［4］、邊緣檢測法［5－6］、數(shù)學形態(tài)學法［7－8］、遺傳算法［9－10］、神經(jīng)網(wǎng)絡法［11］等.然而，在背景復雜、車牌區(qū)域變形和噪聲污損嚴重的情況下，以上大部分方法得到的結(jié)果并不十分理想，甚至會產(chǎn)生拒識或誤識，基于遺傳算法的車牌定位容易陷入“早熟”，收斂精度不高.

針對以上情況，提出了基于Tent映射混沌粒子群［12－16］和車牌紋理特征相結(jié)合的車牌精確定位算法.考慮到傳統(tǒng)的車牌特征提取方法會將車牌區(qū)域定位在車燈等其他地方，并且在背景復雜或者噪聲嚴重的情況下，定位的結(jié)果很不理想，會產(chǎn)生拒識或誤識等問題，本文用3組不同的一維濾波器提取車牌的紋理特征，并結(jié)合車牌區(qū)域的灰度直方圖特點，引入車牌紋理的一致性度量作為判決條件，排除車燈等處的干擾，構(gòu)造一種能夠準確反映車牌區(qū)域的特征向量.基于遺傳算法的車牌定位［9－10］容易陷入“早熟”，影響到車牌的精確定位;基本粒子群算法［17］易陷入局部最優(yōu)且速度相對較慢，而基于Tent映射的混沌粒子群算法在尋優(yōu)過程中對停止進化的粒子進行混沌擾動，使解跳出局部極值區(qū)，從而提高搜索精確度.因此，本文利用基于Tent映射的混沌粒子群算法，并結(jié)合車牌特征矢量，搜索車牌區(qū)域的最佳定位參量.最后，在實驗結(jié)果和分析中給出了定位結(jié)果和運行時間，并與基于遺傳算法和基本粒子群算法的定位結(jié)果進行了比較.實驗結(jié)果表明，本文方法可顯著降低車牌定位的誤檢率，并且適應性更強，運行時間更短.

1 車牌紋理特征提取

1.1 圖像二值化

針對車牌區(qū)域，其顯著特征是背景單一(車牌底色)，牌照字符灰度級基本相同，因此完全可以使用二值圖像來代表車牌區(qū)域的特征信息，從而使不同光照背景場條件下的車牌圖像獲得一個統(tǒng)一的描述，避免了不必要的噪聲和背景干擾.

最大類間方差法實現(xiàn)圖像二值化，一直被認為是閾值自動選擇方法中的最優(yōu)方法，本文采用基于二維直方圖區(qū)域斜分的OTSU方法對車牌圖像進行二值化，使得分割不僅效果好而且速度快，很好地滿足了實際要求.如圖1所示，圖1(a)為原始車牌圖像(大小為640×480，256灰度級)，圖1(b)為OTSU二值化后的圖，可以看出二值化的效果很明顯，滿足后續(xù)處理的要求.

圖1 基于二維直方圖區(qū)域斜分的OTSU二值化Fig.1 OTSU based on 2-D histogram oblique segmentation

1.2 特征提取

從人的視覺特點出發(fā)，文獻［10］將車牌目標區(qū)域的特點歸納如下:1)車牌底色往往與車身顏色、字符顏色有較大差異;2)不同圖像中牌照的具體大小、位置不確定，但其長度比變化有一定范圍，存在一個最大和最小長寬比，根據(jù)這些特點，可以在灰度圖像的基礎上提取相應的特征;3)車牌內(nèi)字符之間的間隔比較均勻，字符和牌照底色在灰度值上存在跳變，而字符本身與牌照底的內(nèi)部都有較均勻灰度;4)車牌有一個連續(xù)或由于磨損而不連續(xù)的邊框，車牌內(nèi)字符有多個，基本呈水平排列，所以在牌照的矩形區(qū)域內(nèi)存在較豐富的邊緣，呈現(xiàn)出規(guī)則的紋理特征.

二值化的車牌字符紋理特征最顯著的是在水平方向上分布著具有一定疏密度的黑白像素，因此，可以通過采用反映不同疏密度的一維濾波器組在水平方向上對二值圖像進行濾波獲得車牌圖像的紋理特征.本文用3個一維濾波器來進行車牌二值圖像的紋理特征提取:

假定車牌區(qū)域的左上角頂點坐標為(x，y)，長度為l，高度為h，由于車牌區(qū)域圖像紋理特征具有空間分布的均勻性，對濾波后的圖像用其標準偏差σi來表示紋理特征:

式中:f(x，y)為濾波后圖像數(shù)據(jù);u為圖像的平均能量.

這樣可以得到車牌區(qū)域的特征描述V=［σ1σ2σ3］.

實際中車牌區(qū)域的紋理特征向量模板值可根據(jù)大量樣本統(tǒng)計實驗后得到，定為Vg=［Vg1Vg2Vg3］，設待定矩形區(qū)域求得的特征向量為V，則得到距離度量D為

當待定區(qū)域的特征向量與樣本訓練后的模板最匹配時，認為該待定區(qū)域即為車牌區(qū)域，因此最佳距離度量D*為

但是，大量實驗表明，上述方法對車牌區(qū)域特征向量描述很容易受到車燈處的干擾，即有很大的概率將車牌定位到車燈、排風扇等處.如圖2，圖2(a)為車牌圖像(大小為640×480，256灰度級)，圖2(b)為車牌處的灰度直方圖，圖2(c)為車燈處灰度直方圖，可以看出，車牌處直方圖有個明顯的波峰，而車燈處直方圖雖然變換有點平穩(wěn)但比較劇烈;因此，本文再根據(jù)車牌區(qū)域灰度直方圖的特點，引入一個判決條件，即車牌紋理特征的一致性度量U，使其能夠?qū)⒍ㄎ唤Y(jié)果為車燈處的情況排除.

式中:0，1，…，L－1 為灰度級，p(i)為灰度i的統(tǒng)計概率，即灰度直方圖的縱坐標.

可以看出，車牌灰度直方圖反映了一致性度量值U應該較大，而車燈處反而應該較小.為了直觀地能夠排除車燈處的干擾，本文畫出定位結(jié)果區(qū)域的直方圖，計算出其一致性度量值U，若U值小于一個定值(該定值可根據(jù)大量實驗統(tǒng)計得到)，則將其先前計算出的距離度量值D重新設置為一個較大值，從而來排除最終結(jié)果定位在車燈處的情況.

圖2 車牌圖像及其車牌、車燈處灰度直方圖Fig.2 The vehicle image and gray histogram of license and light

2 基于Tent映射的混沌粒子群算法

2.1 基本粒子群算法(BPSO)

設在n維解空間中，粒子i的位置為Xi=(Xi1，Xi2，…，Xin)，對應的目標函數(shù)值pfiti作為評價該粒子優(yōu)劣程度的適應度;Vi=(Vi1，Vi2，…，Vin)表示粒子從當前位置移動到下一位置的速度.首先對粒子群進行初始化，然后通過迭代方式在解空間中尋找最優(yōu)解.設在第k次迭代時刻，粒子i的最優(yōu)解為pbesti(k)，稱為個體極值，整個粒子群的最優(yōu)解為gbest(k)，稱為全局極值.則在第k+1次迭代時刻，按式(2)更新自己的速度.

然后以速度Vi(k+1)移動到下一位置，即

式中:學習因子c1=c2=2;r1、r2是均勻分布在(0，1)上的隨機數(shù);慣性因子w=wmax－k(wmax－wmin)/kmax，其中kmax表示總迭代次數(shù)，wmax和wmin分別表示最大和最小慣性因子，本文wmax=0.95，wmin=0.4.迭代更新過程中，粒子的速率限制在［Vmin，Vmax］，Vmin=－Vmax=－8，位置限制在允許范圍內(nèi)，最后輸出的gbest為全局最優(yōu)解.

2.2 基于Tent映射的混沌粒子群算法

BPSO算法運算機理簡單，需要確定的參數(shù)少，但易陷入局部極值，難以保證收斂到全局最優(yōu)解.而混沌具有偽隨機性、初值敏感性和遍歷性等特點.若利用混沌優(yōu)化與BPSO結(jié)合形成的混沌粒子群算法尋找最優(yōu)閾值，在尋優(yōu)過程中對停止進化的粒子產(chǎn)生混沌擾動，使解跳出局部極值區(qū)，可以提高搜索精度和算法效率.由于Tent映射比Logistic映射具有更好的遍歷性，故采用基于Tent映射的混沌粒子群算法.為了克服Tent映射迭代序列中存在小周期點、不穩(wěn)周期點的缺陷，引入隨機擾動方程，使Tent映射達到小周期點或不動點時重新進入混沌狀態(tài).另外，最優(yōu)粒子反映了粒子種群整體趨于最優(yōu)解的程度，僅對最優(yōu)粒子的位置進行混沌映射，可以跳出局部極值且尋優(yōu)速度更快.

Tent映射方程為

當 Tent映射達到小周期點(0.2，0.4，0.6，0.8)或不動點(0，0.25，0.5，0.75)時，使用以下擾動方程:

在迭代過程中，按下列方程對粒子種群的最優(yōu)粒子 pregbest(k)=［…］進行混沌迭代變異:

式中:λe稱為收縮因子，它決定了變量Xj的變異空間，由式(7)得到.

式中:e為粒子群的進化代數(shù)，u用于控制收縮速度，本文中u=2.

結(jié)合本文提取的車牌特征矢量構(gòu)造Tent映射CPSO算法的適應度函數(shù)，具體步驟如下.

1)初始化混沌粒子群，以改進的Tent序列產(chǎn)生α個粒子，［x，y，l，h］作為每個粒子的位置，粒子速率在［Vmin，Vmax］上隨機產(chǎn)生;工程中，車輛與攝像頭的距離可以通過硬件設施設定，在對大量樣本統(tǒng)計后，可以將車牌大小定為120≤l≤130，38≤h≤42位置范圍也可確定為1≤x≤680－lmax.240≤y≤480－h(huán)max，240為圖像高度的一半，這里利用車牌一般在圖像下半部的先驗知識.

2)按式(1)計算每個粒子的適應度，更新個體最優(yōu)位置和全局最優(yōu)位置;并引入判決條件，當不滿足判決條件時，將粒子適應度設置為一個較大值，以排除車燈等部位的干擾.

3)按式(4)～(7)對最優(yōu)粒子的位置進行混沌映射，重新計算其適應度，若大于原適應度，則更新當前最優(yōu)粒子的位置.如此進行混沌迭代映射直至其迭代次數(shù)為r(本文r=10).

4)分別按式(2)和式(3)更新粒子的速度和位置.

5)如果達到總的搜索次數(shù)，執(zhí)行6)否則返回執(zhí)行2).

6)輸出最佳的車牌位置參量，并根據(jù)該參量精確提取出車牌.

3 實驗結(jié)果與分析

為了驗證算法的有效性，對大量車牌圖像進行了實驗.并與基于遺傳算法和基本粒子群算法的定位結(jié)果進行了比較，說明了本文方法的收斂性更好，運行時間相對較短，定位的效果更加穩(wěn)定和準確.因篇幅有限，現(xiàn)選取其中4幅圖像作為例子加以說明.

圖3 隨機抽取的4幅車牌圖像Fig.3 Four vehicle images selected randomly

圖3 中(a)、(b)、(c)、(d)4 幅圖像為隨機抽取的車牌樣本，大小均為640×480，256灰度級，圖4中從上到下分別對應圖3中4幅圖像基于不同方法定位的結(jié)果，從左往右分別是基于遺傳算法、基本粒子群算法和Tent映射混沌粒子群算法的定位結(jié)果.

從圖4中可以看出，本文在引入判決條件U后，3種方法都能有效排除車牌特征提取時車燈等的干擾.對于圖3(a)，3種方法基本都能準確分割;對于圖3(b)，GA方法存在一定概率只能定位出部分車牌，對后續(xù)的字符識別帶來困難，而BPSO和TCPSO方法都基本能準確地定位;對于圖3(c)，BPSO方法存在一定概率只能提取部分車牌，而GA和TCPSO方法均有理想的效果;對于圖3(d)，GA方法存在一定概率將車牌定位在了車牌上方的排風扇處，BPSO方法也存在一定概率只能提取部分車牌，而本文的TCPSO方法依然能夠準確地進行車牌定位.這些錯誤的定位都是因為在優(yōu)化搜索過程中，找到的最佳位置參量是局部最優(yōu)，而非全局最優(yōu)，也反映了遺傳算法容易“早熟”，基本粒子群算法容易陷入局部最優(yōu)的缺點;而本文方法在4幅圖像車牌的提取中均有效準確地找到了最佳定位參量，效果較理想，這也說明了基于Tent映射混沌粒子群算法在搜索全局最優(yōu)解的過程中，能夠有效地避免算法早熟或者陷入局部最優(yōu)，使得最終得到的結(jié)果一定是全局最優(yōu)，從而準確提取車牌.

圖4 3種方法的定位結(jié)果Fig.4 Results of the three methods

為了便于比較，針對上述圖像的所有實驗均是在Intel(R)Pentium(R)1.73 GHz，1.25 GB內(nèi)存，Matlab 9.0環(huán)境中進行的，對抽取的400幅圖像進行實驗，得到3種方法的定位誤檢率如表1所示，平均運行時間如表2，其中，GA的種群個數(shù)為25，迭代次數(shù)為30，BPSO、TCPSO的粒子個數(shù)為20，迭代次數(shù)為30.

表1 3種方法定位的誤檢率Table 1 The noise ratio of the three methods %

表2 3種方法的平均運行時間Table 2 The average running time of the three methods s

從表1的數(shù)據(jù)可以看出，遺傳算法和基本粒子群算法的誤檢率都偏高，這在實際工程應用中滿足不了要求，而本文方法的誤檢率不到1%，說明定位效果很好，能夠在實際中得到應用.從表2可以看出，本文方法所需的時間最短，達到毫秒級，能夠滿足實際中實時系統(tǒng)對車牌識別速度的要求.同時也說明了，本文方法無論在定位效果還是在運行時間上都有很大的優(yōu)勢.

4 結(jié)束語

實驗表明，本文提取的車牌特征向量能夠較好地反映了車牌區(qū)域的特點，但是其容易受到車燈等部位的影響，因此引入判決條件U，排除了它的干擾;將該條件作為提取車牌的參考標準，定位的準確度高，不易受噪聲、變形等復雜情況的干擾;采用的Tent映射混沌粒子群算法在保證搜索精度的同時大大降低了四維空間的搜索代價，提高了運行速度，與基于遺傳算法、基本粒子群算法的定位方法相比，本文方法在定位精度和運算時間上都有明顯的優(yōu)勢.

［1］SONG H S H，WANG G Q.The high performance car license plate recognition system and its core techniques［C］//Proceedings of IEEE International Conference on Vehicular Electronics and Safety.Xi’an，China，2005:42－45.

［2］袁寶明，于萬波，魏小鵬.汽車牌照定位研究綜述［J］.大連大學學報，2002，23(2):6－12.

YUAN Baoming，YU Wanbo，WEI Xiaopeng.A survey of license plate location technology［J］.Journal of Dalian University，2002，23(2):6－12.

［3］張引，潘云鶴.彩色汽車圖像牌照定位新方法［J］.中國圖象圖形學報，2001，6(4):374－377.

ZHANG Yin，PAN Yunhe.A new approach for vehicle license plate locating from color image［J］.Journal of Image and Graphics，2001，6(4):374－377.

［4］趙兵，魯敏，匡綱要，于慧穎.基于混合特征的車牌定位算法［J］.計算機工程與設計，2007，28(23):5668－5670.

ZHAO Bing，LU Min，KUANG Gangyao，YU Huiying.License plate location based on mixed characteristics［J］.Computer Engineering and Design，2007，28(23):5668－5670.

［5］王昱，趙正校，楊碩.基于直線邊緣識別的圖像區(qū)域定位算法［J］.計算機工程，1999，25(9):61－62.

WANG Yu，ZHAO Zhengxiao，YANG Shuo.An algorithm based on fast Hough transformation for zone detection［J］.Computer Engineering，1999，25(9):61－62.

［6］ZHENG Danian，ZHAO Yannan，WANG Jiawin.An efficient method of license plate location［J］.Pattern Recognition Letters，2005，26(15):2431－2438.

［7］李剛，曾銳利，林凌，王蒙軍.基于數(shù)學形態(tài)學的車牌定位算法［J］.儀器儀表學報，2007，28(7):1323－1327.

LI Gang，ZENG Ruili，LIN Ling，WANG Mengjun.Car license plate location algorithm based on mathematical morphology［J］.Chinese Journal of Scientific Instrument，2007，28(7):1323－1327.

［8］FENG Yang，ZHENG Ma.Vehicle license plate location based on histogrammingand mathematicalmorphology［C］//Proceedings of Fourth IEEE Workshop on Automatic Identification Advanced Technologies. Buffalo，USA，2005:89－94.

［9］熊軍，高敦堂，都思丹，沈慶宏.應用遺傳算法進行車牌定位［J］.計算機應用，2004，24:163－165.

XIONG Jun，GAO Duntang，DU Sidan，SHEN Qinghong.License plate location based on genetic algorithm［J］.Computer Applications，2004，24:163－165.

［10］張玲，劉勇，何偉.自適應遺傳算法在車牌定位中的應用［J］.計算機應用，2008，28(1):184－186.

ZHANG Ling，LIU Yong，HE Wei.Application of adaptive genetic algorithm in license plate location［J］.Computer Applications，2008，28(1):184－186.

［11］盛小明，吳冬敏，芮延年.基于遺傳算法的神經(jīng)網(wǎng)絡用于汽車牌照識別的研究［J］.機電一體化，2005(6):52－54.

SHENG Xiaoming，WU Dongmin，RUI Yannian.Research of vehicles’license plates recognition based on neural network with genetic algorithm［J］.Mechatronics，2005(6):52－54.

［12］SOUSA T，SILVA A，NEVES A.Particle swarm based data mining algorithms for classification tasks［J］.Parallel Computing，2004，30(526):767－783.

［13］THOLUDUR A，RAMIREZ W F.Obtaining smoother singular arc policies using a modified iterative dynamic programming algorithm［J］.International Journal of Control，1997，8(5):1115－1128.

［14］單梁，強浩，李軍.基于Tent映射的混沌優(yōu)化算法［J］.控制與決策，2005(2):179－182.

SHAN Liang，QIANG Hao，LI Jun.Chaotic optimization algorithm based on Tent map［J］.Control and Decision，2005(2):179－182.

［15］賈東立，張家樹.基于混沌變異的小生境粒子群算法［J］. 控制與決策，2007，22(1):117－120.

JIA Dongli，ZHANG Jiashu.Niche particle swarm optimization combined with chaotic mutation［J］.Control and Decision，2007，22(1):117－120.

［16］程志剛，張立慶，李小林，吳曉華.基于Tent映射的混沌混合粒子群優(yōu)化算法［J］.系統(tǒng)工程與電子技術，2007，29(1):103－106.

CHENG Zhigang，ZHANG Liqing，LI Xiaolin，WU Xiaohua.Chaotic hybrid particle swarm optimization algorithm based on Tent map［J］.Systems Engineering and Electronics，2007，29(1):103－106.

［17］勾麗杰，鄭玉興，蘭靜.基于粒子群的車牌定位識別的神經(jīng)網(wǎng)絡方法［J］.遼寧省交通高等?？茖W校學報，2007，9(2):51－53.

GOU Lijie，ZHENG Yuxing，LAN Jing.Neural network of the license plate orientation based on particle swarm algoritbm［J］.Journal of Liaoning Provincial College of Communications，2007，9(2):51－53.

［18］熊春榮，黃文明，李美瑾，呂潔.基于字符特征與支持向量機的車牌字符識別［J］.自動化技術與應用，2010，29(1):64－66.

XIONG Chunrong，HUANG Wenming，LI Meijin，LV Jie.Research on license plate character recognition based on character characteristic and support vector machine［J］.Techniques of Automation and Applications，2010，29(1):64－66.

吳加明，男，1986年生，碩士研究生，主要研究方向為圖像處理、車牌識別、信號處理等.

吳一全，男，1963年生，教授，博士，主要研究方向為圖像處理與模式識別、目標檢測與跟蹤、智能信息處理等.發(fā)表學術論文90余篇.

License plate location based on texture features and tent chaotic particle swarm optimization

WU Jiaming，WU Yiquan
(School of Information Science and Technology，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China)

Considering the problems of the low precision ratio and slow arithmetic speed of license plate location，an accurate license plate location method based on tent chaotic particle swarm optimization(TCPSO)was proposed by combining the texture features.First，binarization was adopted to segment the license plate image by the OTSU method，which is based on a 2－D histogram oblique.Then the texture feature vector was obtained by three one－dimensional filters.With the rapid and accurate searching ability，the best location parameters of license plate area were found by constructing the fitness function with the texture feature vector when introducing the texture coherence into the judgment.At last，the proposed method was compared with a genetic algorithm(GA)and BPSO.The experimental results show that the proposed method has stronger adaptability，better location effect，and shorter running time.

texture feature;tent map;chaotic;particle swarm optimization;license plate location

TP18;TN911.73

A

1673－4785(2011)04－0333－06

10.3969/j.issn.1673－4785.2011.04.009

2010－10－03.

國家自然科學基金資助項目(60872065).

吳加明.E－mail:wujiaming42@yahoo.com.cn.

book=6,ebook=87