王明華
(閩江學(xué)院 現(xiàn)代教育技術(shù)中心,福建 福州350108)
汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)(LPR)是智能交通系統(tǒng)中一個(gè)重要組成部分,是車(chē)輛身份識(shí)別的一種重要方式,主要由圖像采集、圖像預(yù)處理、車(chē)牌定位、字符分割以及字符識(shí)別等部分組成。汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)具有不影響車(chē)輛正常行駛、自動(dòng)化水平高、能24h連續(xù)工作等優(yōu)點(diǎn),具有良好的實(shí)際應(yīng)用價(jià)值,廣泛地應(yīng)用于眾多車(chē)輛認(rèn)證的實(shí)際系統(tǒng)中,目前主要應(yīng)用于公路治安卡口、開(kāi)放式收費(fèi)站、公路流量觀測(cè)、車(chē)載移動(dòng)查車(chē)、違章記錄系統(tǒng)、門(mén)禁管理、車(chē)輛安全監(jiān)控、車(chē)庫(kù)和停車(chē)場(chǎng)自動(dòng)管理等場(chǎng)合。
汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)是借助攝像機(jī)在道路上拍攝運(yùn)動(dòng)中的車(chē)輛圖像,利用計(jì)算機(jī)視覺(jué)識(shí)別技術(shù),綜合采用圖像處理技術(shù)、模式分類技術(shù)、字符識(shí)別技術(shù)以及信息融合等方面的技術(shù),有效地提取車(chē)輛牌照的圖像特征數(shù)據(jù),對(duì)車(chē)牌位置進(jìn)行準(zhǔn)確定位,并采用模式識(shí)別的方法識(shí)別出車(chē)牌上的字符,為ITS的有效實(shí)施提供保障[1]。汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)有效地提高交通管理的自動(dòng)化程度,大大減少車(chē)輛監(jiān)控與管理的工作時(shí)間,從而提高交通管理的效率。
汽車(chē)牌照是識(shí)別車(chē)輛身份的唯一標(biāo)志。汽車(chē)牌照號(hào)碼由有限個(gè)漢字、字母和數(shù)字組成。通過(guò)攝像機(jī)拍攝到的車(chē)牌圖像,由于運(yùn)動(dòng)中的車(chē)輛受天氣等周?chē)h(huán)境的影響,得到的車(chē)牌圖像效果大不一樣,常常會(huì)造成車(chē)牌圖像光照不均,圖像受到噪聲干擾,拍攝的高度、角度以及路面的傾斜等情況會(huì)造成車(chē)牌變形、模糊,車(chē)牌本身的損壞及污點(diǎn)造成的車(chē)牌字符不清楚等。車(chē)牌出現(xiàn)的這些情況將會(huì)使車(chē)牌字符發(fā)生畸變,從而影響識(shí)別效果,常常不能直接用于車(chē)牌自動(dòng)識(shí)別系統(tǒng)中[2]。因此,為了滿足車(chē)牌自動(dòng)識(shí)別系統(tǒng)的實(shí)際應(yīng)用要求,在進(jìn)行車(chē)牌定位之前要對(duì)車(chē)牌原始圖像進(jìn)行預(yù)處理,以減少由于噪聲等對(duì)車(chē)牌圖像造成的不利影響。從攝像機(jī)獲得的車(chē)牌圖像一般是彩色圖像,而車(chē)牌識(shí)別系統(tǒng)處理的是灰度圖像,應(yīng)將彩色圖像轉(zhuǎn)換成灰度圖像。對(duì)于雨霧天氣拍攝的圖像需要進(jìn)行去噪處理,減少噪聲;對(duì)于夜間拍攝的圖像,除去噪外,還要進(jìn)行圖像增強(qiáng),增強(qiáng)車(chē)牌字符區(qū)域,弱化圖像背景。圖像分割就是根據(jù)圖像的某些特征或特征集合相似性準(zhǔn)則,對(duì)圖像像素進(jìn)行分組聚類,把圖像劃分為一系列各具特征的區(qū)域。因此,車(chē)牌圖像分割是車(chē)牌圖像預(yù)處理中關(guān)鍵的一個(gè)環(huán)節(jié),圖像分割的效果直接影響到后續(xù)的車(chē)牌圖像識(shí)別。
圖像分割就是按照?qǐng)D像的某些性質(zhì),將性質(zhì)相同或相似的區(qū)域分割到一起,性質(zhì)差異較大的分割到不同的區(qū)域,以突出圖像的區(qū)域特征[3-5]。雖然人們提出了各種各樣的圖像分割算法,但大多是針對(duì)具體的圖像問(wèn)題進(jìn)行的,并沒(méi)有一種適合所有圖像的通用分割算法。設(shè)計(jì)圖像分割算法時(shí)應(yīng)保證以下原則[6]:
1)輪廓的連續(xù)性:即圖像目標(biāo)的邊界是封閉的;
2)避免過(guò)分割:一個(gè)有效的圖像分割算法應(yīng)該去掉那些無(wú)關(guān)緊要的細(xì)節(jié),保留圖像中重要的特征;
3)非閾值化:對(duì)不同的圖像怎樣選擇適當(dāng)?shù)拈撝凳窍喈?dāng)困難的,非閾值化可使圖像分割簡(jiǎn)單化。
目前,常用的車(chē)牌圖像分割方法主要有:基于閾值的分割、基于邊緣檢測(cè)的分割、基于聚類的分割等[7-9]。聚類就是把具有相似性質(zhì)的事物區(qū)分開(kāi)并加以分類,這種方法可應(yīng)用在灰度圖像、彩色圖像等圖像的分割?;诰垲惙治龅膱D像分割方法是圖像分割中一類極其重要的算法,在各個(gè)領(lǐng)域中都得到廣泛應(yīng)用。早在1979年Coleman和Anderews[10]就提出用聚類算法進(jìn)行圖像分割,這種傳統(tǒng)的分類具有清晰的界限,即同一個(gè)事物確定地劃分到某一類別中。但對(duì)于具有模糊性的圖像分類問(wèn)題,傳統(tǒng)的分類方法就無(wú)能為力,因此,對(duì)于這種分類問(wèn)題,人們常采用模糊手段來(lái)處理,大量的實(shí)踐表明模糊識(shí)別具有良好的適用性。首先采用模糊理論對(duì)圖像進(jìn)行分割的方法是Pwitt[11]提出的。在圖像分割中,實(shí)際應(yīng)用最為廣泛的是模糊C-均值聚類算法(Fuzzy C-Means),簡(jiǎn)稱FCM,因?yàn)镕CM算法對(duì)圖像進(jìn)分割避免了設(shè)定閾值的問(wèn)題,在圖像分割領(lǐng)域得到非常廣泛的應(yīng)用。FCM算法最先由Dunn[12]提出,之后眾多學(xué)者提出了許多改進(jìn)算法,這些算法對(duì)圖像中存在不確定性和模糊性的特點(diǎn)均有較好的適用性。
普通聚類算法對(duì)于模式的劃分是硬性的,模糊聚類算法則是一種柔性的模糊劃分。模糊C-均值聚類算法(FCM)是一種最經(jīng)典的模糊聚類算法,聚類的思想是使得被劃分到不同模式之間的相似度最小,劃分到同一模式之間相似度最大,從而實(shí)現(xiàn)模式的分類。模糊C-均值聚類算法中有兩個(gè)重要的參數(shù):聚類數(shù)目C和參數(shù)m。聚類樣本的總個(gè)數(shù)要遠(yuǎn)遠(yuǎn)大于聚類數(shù)目C,但C至少要大于1。參數(shù)m是一個(gè)柔性的控制參數(shù),不能太大也不能太小,如果m太小,聚類效果與HCM聚類算法接近,如果m過(guò)小,聚類效果則不會(huì)太理想。
每一個(gè)圖像的每個(gè)像素都有一個(gè)信息值,而圖像處理就是對(duì)這些數(shù)值進(jìn)行一定的處理。FCM用于車(chē)牌圖像分割是一種基于在圖像特征空間中進(jìn)行模糊聚類的分割方法,實(shí)質(zhì)上是一種基于目標(biāo)函數(shù)的非線性迭代優(yōu)化方法。
FCM聚類算法的目標(biāo)函數(shù)為
zi的更新等式為
其中:i=1,2,…,C,對(duì)于每一個(gè)模糊隸屬度,由m ∈(1,∞)控制模糊度的權(quán)重指數(shù);d2(xj,zi)=‖xj-zi‖為相似性測(cè)度。
式中:N為像素點(diǎn)數(shù)目,xi為像素i特征(灰度圖像時(shí),表示灰度值),C為圖像分割類別數(shù),uij為像素點(diǎn)i屬于第j類的隸屬度,zi為第i類聚類中心。
FCM聚類算法采用迭代優(yōu)化目標(biāo)函數(shù)來(lái)獲得對(duì)車(chē)牌圖像數(shù)據(jù)集的模糊分類,算法具有很好的收斂性。模糊C-均值聚類算法中模糊劃分矩陣U(0)直接影響聚類中心的初始值,從而影響算法的迭代次數(shù),即算法的計(jì)算時(shí)間。目標(biāo)函數(shù)精度ε值的大小影響聚類的精度,ε取值過(guò)大,常導(dǎo)致算法收斂太快,聚類結(jié)果不穩(wěn)定,ε取值過(guò)小,則可能導(dǎo)致收斂太慢或無(wú)法收斂問(wèn)題。圖像分割類別數(shù)C是影響聚類精度和聚類速度的重要參數(shù),C越大,算法所需的計(jì)算時(shí)間越長(zhǎng)。模糊指數(shù)m則控制著模糊類間的分享程度,m值越小,得出的分類矩陣模糊程度就越小,不同的領(lǐng)域m值的選取也不相同,在車(chē)牌圖像分割領(lǐng)域,根據(jù)經(jīng)驗(yàn)一般取m=2。因此,本文提出的用于車(chē)牌圖像分割的算法步驟如下:
1)設(shè)置目標(biāo)函數(shù)精度ε,模糊指數(shù)m(m通常取2),最大迭代次數(shù)Tm;
2)初始化模糊聚類中心zi;
3)由模糊聚類算法的更新等式更新模糊劃分矩陣U ={uij}和聚類中心Z={zc};
5)由所得U={uij}得到各像素點(diǎn)分類結(jié)果。
基于模糊C-均值的聚類算法進(jìn)行車(chē)牌圖像分割避免了設(shè)定閾值問(wèn)題,聚類過(guò)程無(wú)需任何人工干預(yù),適合應(yīng)用于戶外環(huán)境下的車(chē)牌圖像分割。本文分別選取了在晴天環(huán)境下和陰天環(huán)境下拍攝的原始車(chē)牌圖像,在MATLAB7.0環(huán)境下編寫(xiě)模糊聚類車(chē)牌圖像分割程序,進(jìn)行圖像分割實(shí)驗(yàn)。圖1和圖3為原始車(chē)牌圖像,經(jīng)過(guò)模糊聚類分割后的圖像如圖2和圖4所示。
由圖像分割實(shí)驗(yàn)結(jié)果可以看出,無(wú)論是在晴天環(huán)境下還是陰天環(huán)境下拍攝的原始車(chē)牌圖像,經(jīng)FCM算法分割后的圖像均能有效地去除干擾信息,很好地突出車(chē)牌區(qū)域的圖像特征,有利于后續(xù)的車(chē)牌定位、字符分割與字符識(shí)別工作。由于FCM算法屬于無(wú)監(jiān)督的分類方法,對(duì)車(chē)牌圖像進(jìn)行分割避免了設(shè)定閾值的問(wèn)題,適合處理具有不確定性和模糊性的圖像,在車(chē)牌自動(dòng)識(shí)別系統(tǒng)中得到廣泛的應(yīng)用。
車(chē)牌圖像具有豐富的特征信息,它是車(chē)輛身份的唯一標(biāo)志。由于車(chē)輛牌照在整個(gè)汽車(chē)牌照?qǐng)D像中的位置是比較固定的,牌照?qǐng)D像具有明顯的特征信息,字符均是按水平方向排列的,車(chē)牌區(qū)域是一個(gè)近似水平的長(zhǎng)方形。但是運(yùn)動(dòng)中的車(chē)輛由于受氣候等環(huán)境的影響,拍攝到的車(chē)牌圖像往往出現(xiàn)模糊不清等問(wèn)題,為克服由此帶來(lái)的識(shí)別問(wèn)題,本文建立了一種基于模糊C-均值聚類的圖像分割方法,在Matlab環(huán)境編寫(xiě)了仿真程序,分別對(duì)晴天環(huán)境下和陰天環(huán)境下的車(chē)牌原始圖像進(jìn)行分割實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該方法適合應(yīng)用于戶外的運(yùn)動(dòng)車(chē)輛圖像,能有效地去除各種噪聲信息,突出車(chē)牌圖像的輪廓特征,為后續(xù)的車(chē)牌識(shí)別工作提供重要保證。
[1]徐建閩,賀敬凱.車(chē)型與車(chē)牌自動(dòng)識(shí)別技術(shù)分析[J].交通與計(jì)算機(jī),2002,20(2):7-12.
[2]郭捷,施鵬飛.基于顏色和紋理分析的車(chē)牌定位方法[J].中國(guó)圖象圖形學(xué)報(bào),2002,7(5):472-476.
[3]何俊,葛紅,王玉峰.圖像分割算法研究綜述[J].計(jì)算機(jī)工程與科學(xué),2009,31(12):58-61.
[4]Krinidis S,Chatzis V.A robust fuzzy local information C-means clustering algorithm[J].IEEE Transaction on Image Processing,2010,19(5):1328-1329.
[5]盧振泰,呂慶文,陳武凡.基于最大互信息量的圖像自動(dòng)優(yōu)化 分 割 [J].中 國(guó) 圖 象 圖 形 學(xué) 報(bào),2008,13(4):659-661.
[6]張愛(ài)華.基于模糊聚類分析的圖像分割技術(shù)研究[D].武漢:華中科技大學(xué),2004.
[7]Tao W B,Tian J W,Liu J.Image segmentation by three 2level threshold based on maximum fuzzy entropy and genetic algorithm [J].Pattern Recognition Letters,2003,24:3069-3078.
[8]吳薇,劉軍,李旭霞.圖像分割中的閾值選取方法[J].西安工業(yè)學(xué)院學(xué)報(bào),2002,22(4):310-313.
[9]Noordam J C,W.H.A.M.van den Broek,Buydens L M C.Geometrically guided fuzzy C-means clustering for multivariate image segmentation[J].IEEE transactions,2000(1):111-127.
[10]Coleman G B,Andrews H C.Image segmentation by clustering[C].Proc.IEEE,1979,5(67):773-785.
[11]Prewitt J M.Object enhancement and extraction[M].Acad.Press,1970:75-149.
[12]Dunn J C.A Fuzzy relative of the ISODATA process and its use in detecting compact well separated cluster[R].J Cybernet,1974,3:32-57.