一種基于自適應(yīng)形態(tài)學(xué)結(jié)構(gòu)元素的車牌定位算法

方興林

黃山學(xué)院 經(jīng)濟(jì)管理學(xué)院，安徽 黃山 245041

一種基于自適應(yīng)形態(tài)學(xué)結(jié)構(gòu)元素的車牌定位算法

方興林

黃山學(xué)院 經(jīng)濟(jì)管理學(xué)院，安徽 黃山 245041

車牌識(shí)別技術(shù)是計(jì)算機(jī)視覺和模式識(shí)別在智能交通系統(tǒng)（Intelligent Transportation System，ITS）中的典型應(yīng)用。一般來說，一個(gè)完整的車牌識(shí)別系統(tǒng)主要包括三個(gè)關(guān)鍵部分，即車牌定位、字符分割和字符識(shí)別，其中車牌定位是后續(xù)兩個(gè)步驟的前提和基礎(chǔ)，其主要任務(wù)是從原始圖像中精確地定位車牌所在區(qū)域。由于原始圖像一般采集于露天自然環(huán)境中，不可避免地會(huì)受到光照、雨雪天氣以及車型、車牌相對(duì)于車身的位置和污損、磨損等因素的影響，使得車牌定位的難度大大增加，也正是因?yàn)槿绱耍L(zhǎng)期以來，吸引著眾多學(xué)者致力于車牌定位的研究，誕生了眾多車牌定位算法，概括起來，主要有以下幾大類。基于顏色的車牌定位算法[1-3]，它通過車牌和字符自身特有的顏色特征在圖像顏色空間里提取車牌信息，算法原理通俗易懂，實(shí)現(xiàn)過程簡(jiǎn)單、直接，但是其不足也非常明顯，易受光照和環(huán)境因素的影響，如夜間光照不足、車牌反光、車牌污濁等，特別是當(dāng)車身的顏色與車牌顏色相近時(shí)，極易出現(xiàn)誤定位而導(dǎo)致車牌定位失敗?；诩y理特征的車牌定位算法[4-6]，它充分利用牌照矩形區(qū)域內(nèi)存在豐富的字符邊緣信息而呈現(xiàn)出規(guī)則的紋理特征，該類方法適應(yīng)性較好，然而汽車散熱欄、車身文字廣告圖案等干擾因素對(duì)紋理特征法影響較大。

近年來，基于數(shù)學(xué)形態(tài)學(xué)的圖像處理已逐漸發(fā)展成為一個(gè)主流圖像處理研究領(lǐng)域，在此背景下，目前國(guó)內(nèi)外已有很多學(xué)者研究了將數(shù)學(xué)形態(tài)學(xué)應(yīng)用到車牌定位中[7-10]。數(shù)學(xué)形態(tài)學(xué)以幾何學(xué)為基礎(chǔ)對(duì)圖像進(jìn)行分析，其基本思想是用一個(gè)結(jié)構(gòu)元素作為基本工具來探測(cè)和提取圖像特征，看這個(gè)結(jié)構(gòu)元素是否能夠適當(dāng)有效地放入圖像內(nèi)部，其基本運(yùn)算有：膨脹（Dilation）、腐蝕（Erosion）、開啟（Opening）和閉合（Closing）[11]。依據(jù)其原理，利用數(shù)學(xué)形態(tài)學(xué)定位車牌的關(guān)鍵是結(jié)構(gòu)元素的選擇，特別是結(jié)構(gòu)元素大小和形狀對(duì)于候選區(qū)域的形成和最終車牌定位的效果至關(guān)重要。結(jié)構(gòu)元素較大會(huì)使車牌區(qū)域的邊緣點(diǎn)粘連在一起，導(dǎo)致候選車牌區(qū)域增多，更為甚者會(huì)出現(xiàn)車牌區(qū)域與背景粘連在一起，增加了后續(xù)車牌候選區(qū)域分析和標(biāo)識(shí)的難度；然而如果結(jié)構(gòu)元素較小，又會(huì)使車牌區(qū)域無法粘連在一起，易致無法確定車牌位置。目前現(xiàn)有的基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法在結(jié)構(gòu)元素的選取方面，基本上均是依據(jù)經(jīng)驗(yàn)或?qū)嶒?yàn)而選擇一個(gè)固定大小和形狀的結(jié)構(gòu)元素對(duì)車牌圖像進(jìn)行全局處理，如文獻(xiàn)[12]直接依據(jù)經(jīng)驗(yàn)，固定結(jié)構(gòu)元素為1×21的水平結(jié)構(gòu)元素和3×1的垂直結(jié)構(gòu)元素；文獻(xiàn)[13]直接采用18×9的結(jié)構(gòu)元素作形態(tài)學(xué)處理；文獻(xiàn)[14]試圖通過大量的前導(dǎo)實(shí)驗(yàn)“窮舉”出適合待處理的車牌圖像的結(jié)構(gòu)元素。雖然選擇固定大小和形狀的結(jié)構(gòu)元素運(yùn)算起來簡(jiǎn)單方便，但是這類算法只適用于待處理圖像中車牌的大小是相同的，否則就會(huì)出現(xiàn)將非車牌邊緣連在一起成為偽車牌區(qū)域或者車牌中各個(gè)字符并沒有完全連接成一個(gè)連通區(qū)域的情況，因此，這類算法的普適性和魯棒性無法得到保證。

針對(duì)傳統(tǒng)數(shù)學(xué)形態(tài)學(xué)應(yīng)用于車牌定位中結(jié)構(gòu)元素難以確定的問題，本文試圖提出一種基于自適應(yīng)形態(tài)學(xué)結(jié)構(gòu)元素的車牌定位算法，該算法不再是依據(jù)經(jīng)驗(yàn)選擇結(jié)構(gòu)元素或是通過大量嘗試性實(shí)驗(yàn)“窮舉”出合適的結(jié)構(gòu)元素，而是完全依據(jù)車牌圖像邊緣檢測(cè)后的二值圖像中邊緣點(diǎn)這一穩(wěn)定特征而自適應(yīng)產(chǎn)生局部結(jié)構(gòu)元素，而不是全局結(jié)構(gòu)元素，從而更能突顯車牌區(qū)域的結(jié)構(gòu)特征，最大程度地抑制偽車牌區(qū)域的出現(xiàn)。

1 預(yù)處理

為了提高車牌定位的準(zhǔn)確性，降低后續(xù)定位算法復(fù)雜度以及處理時(shí)間，有必要在定位之前進(jìn)行車牌圖像的預(yù)處理。預(yù)處理的主要目的是去除或減弱非車牌區(qū)域的信息，保留并增強(qiáng)車牌區(qū)域的結(jié)構(gòu)特征信息。預(yù)處理的主要內(nèi)容包括灰度化、邊緣檢測(cè)等步驟。

1.1 灰度化

當(dāng)前通過通用數(shù)碼設(shè)備而抓取的待定位的車牌圖像基本上全部是彩色的，雖然彩色圖像包含更多的細(xì)節(jié)信息，但是它是以犧牲存儲(chǔ)空間為代價(jià)的，同時(shí)也帶來了處理計(jì)算量大、耗時(shí)長(zhǎng)的弊端。為了滿足實(shí)時(shí)性的需求，通常車牌識(shí)別系統(tǒng)需要將彩色圖像轉(zhuǎn)換為灰色圖像。目前彩色圖像灰度化原理已經(jīng)比較成熟，主要有分量最大值法、分量平均值法和分量加權(quán)平均值法，本文采用分量加權(quán)平均值法進(jìn)行彩色車牌圖像的灰度化[15]，即彩色圖像R、G、B顏色分量與灰度圖像像素點(diǎn)的值Y之間存在如下關(guān)系：

Y=0.299R+0.587G+0.114B

彩色車牌圖像采用分量加權(quán)平均值法灰度化后結(jié)果如圖1所示。

1.2 邊緣檢測(cè)

常用的邊緣檢測(cè)算子有Robert算子、Sobel算子、Laplace算子、Canny算子、Prewitt算子以及Krisch算子等。相對(duì)于其他算子的邊緣檢測(cè)效果而言，Sobel算子對(duì)水平邊緣和垂直邊緣的響應(yīng)效果最好，這正好符合車牌區(qū)域字符具有極其明顯的垂直邊緣特征，因此本文選擇Sobel算子執(zhí)行車牌灰度圖的邊緣檢測(cè)，效果如圖2所示。

圖1 車牌灰度圖

圖2 字符邊緣檢測(cè)

2 自適應(yīng)結(jié)構(gòu)元素設(shè)計(jì)原理

正如上文所分析，基于數(shù)學(xué)形態(tài)學(xué)原理的車牌定位算法，其成功的關(guān)鍵是結(jié)構(gòu)元素的選取，常用的結(jié)構(gòu)元素有圓形、矩形、球形等諸多形狀，其尺寸也因?qū)嶋H應(yīng)用需求的不同而各異。根據(jù)先前實(shí)驗(yàn)結(jié)果分析，如果采用常見的矩形、圓形等常見的結(jié)構(gòu)元素，易導(dǎo)致車牌上下非車牌區(qū)域與車牌區(qū)域粘連，出現(xiàn)誤定位現(xiàn)象，其主要原因在于在車牌二值圖像中，車牌字符邊緣所呈現(xiàn)出的是線狀特征，因此冒然采用矩形、圓形等塊狀結(jié)構(gòu)元素，而不依據(jù)圖像本身的特征信息，必然會(huì)出現(xiàn)上問所述的誤定位結(jié)果。

眾所周知，數(shù)字圖像是由一個(gè)個(gè)的像素點(diǎn)構(gòu)成，在車牌二值圖像中，只有白色和黑色兩種像素點(diǎn)，其中白色像素點(diǎn)即是車牌字符候選邊緣點(diǎn)，因此其構(gòu)成的連通區(qū)域即是車牌候選區(qū)域。本文將車牌二值圖像看成是分別由白色像素點(diǎn)和黑色像素點(diǎn)組成的線段集合，該集合有兩個(gè)，分別是橫向線段集合和縱向線段集合?；诖朔N假設(shè)，本文構(gòu)造自適應(yīng)結(jié)構(gòu)元素的詳細(xì)算法如下：

步驟1對(duì)車牌二值圖像自上而下、自左而右逐行進(jìn)行掃描，相鄰白色像素點(diǎn)的個(gè)數(shù)即為線段的長(zhǎng)度其中i為數(shù)字圖像的第i行，j為第i行的第 j條線段，j=1，2，…，n），若該行不存在白色像素點(diǎn)，則i++，并重復(fù)步驟1。

步驟2計(jì)算車牌二值圖像中第i行的所有線段長(zhǎng)度的均值 μi標(biāo)準(zhǔn)差σi。

對(duì)圖2的邊緣結(jié)構(gòu)特征進(jìn)行分析，發(fā)現(xiàn)圖中存在較多的背景邊緣，有必要剔除以免影響車牌定位的準(zhǔn)確度。對(duì)圖2進(jìn)一步分析，不難發(fā)現(xiàn)背景邊緣與車牌字符邊緣的結(jié)構(gòu)特征明顯不同，在水平方向上，背景邊緣的線段長(zhǎng)度遠(yuǎn)遠(yuǎn)大于字符邊緣的線段長(zhǎng)度，且背景邊緣線段長(zhǎng)度分布極其不均勻?；诖朔治觯疚倪M(jìn)一步計(jì)算出每行線段長(zhǎng)度的標(biāo)準(zhǔn)差σi。標(biāo)準(zhǔn)差的數(shù)學(xué)解釋是一組數(shù)據(jù)平均值分散程度的一種度量，一個(gè)較大的標(biāo)準(zhǔn)差，代表大部分?jǐn)?shù)值和其平均值之間差異較大；反之一個(gè)較小的標(biāo)準(zhǔn)差，代表這些數(shù)值較接近平均值。設(shè)置一閾值T，若標(biāo)準(zhǔn)差σi大于T，則該行所有像素點(diǎn)的值置為零；否則不執(zhí)行任何操作。

步驟3使用線性水平結(jié)構(gòu)元素 μi對(duì)i行執(zhí)行數(shù)學(xué)形態(tài)學(xué)膨脹操作。

步驟4使用線性水平結(jié)構(gòu)元素 μi對(duì)i行執(zhí)行數(shù)學(xué)形態(tài)學(xué)腐蝕操作，其目的是將經(jīng)過膨脹處理操作后沒有產(chǎn)生連接效果的線段去除，從而進(jìn)一步增強(qiáng)車牌定位的精確性。

利用上述自適應(yīng)結(jié)構(gòu)元素算法產(chǎn)生結(jié)構(gòu)元素，并進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理后，車牌圖像中的白色連通區(qū)域即為車牌備選區(qū)域。其中可能包含車燈、車身字符及其他未知的干擾因素，有必要對(duì)候選區(qū)域做更精細(xì)的分析。此時(shí)可以利用一些先驗(yàn)知識(shí)確定車牌區(qū)域，如車牌長(zhǎng)、寬比，依據(jù)我國(guó)車牌的特點(diǎn)，車牌長(zhǎng)寬的尺寸都是一樣的，長(zhǎng)寬之比也就是一個(gè)定值?；诖?，本文分析每個(gè)候選白色連通域的外接矩形的長(zhǎng)度和寬度之比來精確定位車牌區(qū)域。最終提取出的車牌區(qū)域如圖3所示。

圖3 定位結(jié)果

特別需要注意的是，本文所提出的新算法在實(shí)際應(yīng)用過程中會(huì)出現(xiàn)候選區(qū)域中無法有效提取車牌區(qū)域情況，即候選白色連通域的外接矩形的長(zhǎng)、寬之比不滿足車牌的結(jié)構(gòu)特征，解決這一問題只需重復(fù)執(zhí)行算法四個(gè)步驟后再判斷候選白色連通區(qū)域外界矩形數(shù)學(xué)特征信息即可。

上述情況之所以會(huì)出現(xiàn)，是因?yàn)楸疚乃扇〉慕Y(jié)構(gòu)元素μi是車牌二值圖像中的邊緣線段長(zhǎng)度的均值，實(shí)際車牌字符是由漢字、英文字母和阿拉伯?dāng)?shù)字構(gòu)成，結(jié)構(gòu)千變?nèi)f化，導(dǎo)致車牌二值圖像中同一行車牌字符間的邊緣線段長(zhǎng)度Lij與均值μi肯定是不相同的，所以步驟3的一次膨脹操作不能保證某些較大字符間距的邊緣線段能夠形成連通區(qū)域。此時(shí)算法內(nèi)置一個(gè)狀態(tài)參數(shù)S，取值True或False，如果經(jīng)過步驟1～步驟4之后，在候選白色連通區(qū)域中，存在滿足車牌長(zhǎng)寬比的區(qū)域，則置S=True，結(jié)束算法，定位車牌區(qū)域；如果不存在滿足車牌長(zhǎng)寬比的區(qū)域，則置S=False，重復(fù)執(zhí)行步驟1～步驟4，直至S=True為止。

綜上，本文構(gòu)造的自適應(yīng)形態(tài)學(xué)結(jié)構(gòu)元素的車牌定位算法流程如圖4所示。

圖4 算法流程圖

3 仿真實(shí)驗(yàn)與分析

為了驗(yàn)證本文所提出的算法的車牌定位效果，在不同時(shí)間段（8點(diǎn)、12點(diǎn)、16點(diǎn)、20點(diǎn)）采集了經(jīng)過安徽省黃山市高速公路2號(hào)口的小型汽車圖像進(jìn)行了定位實(shí)驗(yàn)，每個(gè)時(shí)間段分別采集了100幅，圖像尺寸為640像素×480像素，圖像格式為JEPG，實(shí)驗(yàn)在Pentium?Dual-Core（2.30 GHz），2 GB內(nèi)存的計(jì)算機(jī)環(huán)境中，利用VC++6.0平臺(tái)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1和表2所示。

表1 實(shí)驗(yàn)結(jié)果1

表2 實(shí)驗(yàn)結(jié)果2

從表1和表2中可以看出，本文所提出的車牌定位算法具有較高的精準(zhǔn)率，且實(shí)時(shí)性較好。但是在實(shí)驗(yàn)中也出現(xiàn)了誤定位和無法定位的車牌圖像，分析其中無法定位的圖像，主要原因是因?yàn)檐嚺瀑|(zhì)量自身很不理想，車牌上面覆蓋了大量的灰塵，導(dǎo)致預(yù)處理過程中，邊緣檢測(cè)出的車牌字符邊緣出現(xiàn)錯(cuò)誤。分析誤定位的車牌圖像，主要原因有兩點(diǎn)，其一是因?yàn)檐嚺茍D像的背景中存在文字貼圖干擾因素，其二是因?yàn)楸疚乃x用的數(shù)學(xué)形態(tài)學(xué)的結(jié)構(gòu)元素是線段的均值，當(dāng)車牌中出現(xiàn)較多的“1”和“L”等字符，使得膨脹操作后字符區(qū)域沒有形成粘連，而出現(xiàn)斷裂，最終誤定位?？傮w來說，本文算法在實(shí)際應(yīng)用中能夠滿足工程需要。

4 結(jié)束語

數(shù)學(xué)形態(tài)學(xué)應(yīng)用于數(shù)字圖像處理，其成功的關(guān)鍵在于結(jié)構(gòu)元素的選取。本文依據(jù)車牌圖像的特點(diǎn)，針對(duì)當(dāng)前基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法的不足，提出了一種改進(jìn)的車牌定位算法，其創(chuàng)新點(diǎn)在于本文的算法在結(jié)構(gòu)元素的選取上，不是依據(jù)經(jīng)驗(yàn)或大量實(shí)驗(yàn)獲取，而是完全根據(jù)車牌圖像自身的特點(diǎn)自適應(yīng)產(chǎn)生，有效地提高了車牌定位算法的普適性，可應(yīng)用于實(shí)際智能交通領(lǐng)域中。然而本文的新算法的魯棒性和抗干擾能力還有待進(jìn)一步提高，這是本文后續(xù)研究的主要內(nèi)容。

[1]王枚，王國(guó)宏，潘國(guó)華.基于HSV空間的車牌定位方法[J].煙臺(tái)大學(xué)學(xué)報(bào)：自然科學(xué)與工程版，2007，20（1）：48-52.

[2]李瑩，高滿屯.基于邊緣顏色信息的車牌定位算法[J].計(jì)算機(jī)仿真，2009，26（8）：262-265.

[3]岳鵬，彭進(jìn)業(yè).一種實(shí)用的多車牌快速定位系統(tǒng)[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（17）：217-220.

[4]賈小軍，喻擎?zhèn)}，譚召均.紋理譜描述子及其在車牌定位中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究，2007，24（3）：215-217.

[5]劉廣起，鄭曉曉，張曉波.基于圖像紋理特征提取的車牌定位算法[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10（11）：1419-1422.

[6]黃艷國(guó)，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學(xué)與計(jì)算機(jī)，2011，28（9）：123-126.

[7]左奇，史忠科.一種基于數(shù)學(xué)形態(tài)學(xué)的實(shí)時(shí)車牌圖像分割方法[J].中國(guó)圖象圖形學(xué)報(bào)，2003，8A（3）：281-285.

[8]王允強(qiáng)，吳濤，張方方.基于數(shù)學(xué)形態(tài)學(xué)的實(shí)用車牌定位算法及實(shí)現(xiàn)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20（11）：166-169.

[9]王阿龍，王憶文，梁巍，等.適合FPGA硬件實(shí)時(shí)處理的車牌定位算法[J].微電子學(xué)與計(jì)算機(jī)，2013，30（5）：59-62.

[10]胡紅萍，白艷萍.基于數(shù)學(xué)形態(tài)學(xué)與Radon變換的車牌定位法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2012，42（24）：109-113.

[11]姚敏.數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社，2006：284-291.

[12]王文濤，馬啟新，杜鵬飛.基于邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的車牌定位[J].中南民族大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，27（4）：83-87.

[13]盧雅琴，鄔凌超.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法[J].計(jì)算機(jī)工程，2005，31（3）：224-225.

[14]馬啟新.基于彩色邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的車牌定位[D].武漢：中南民族大學(xué)，2009.

[15]趙煥青，胡紅萍，白艷萍.一種改進(jìn)的快速車牌定位算法[J].太原師范學(xué)院學(xué)報(bào)：自然科學(xué)版，2011，10（1）：78-80.

FANG Xinglin

School of Economics and Management,Huangshan University,Huangshan,Anhui 245041,China

In view of disadvantage of selecting structure element of the traditional license plate locating algorithm based on mathematical morphology,that is,it selectes a definite shape and fixes size structure element based on experience or experiment results to globally process the license plate image,and the disadvantage would reduce the robustness and universal,a license plate location algorithm based on adaptive structure element is proposed.The algorithm makes the best of self-information of binary license plate image.The mean values of lines length,which are formed by calculating horizontal edge of characters,are as the structure elements,so the size of each structure element is adaptive to different images,in order to effectively extract the true license plate regions.The experimental results show that the algorithm has stronger adaptive ability,and the accurate rate of localization meets application requirements.

structure element;license plate location;adaptive algorithm

針對(duì)傳統(tǒng)的基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法結(jié)構(gòu)元素選取的弊端，即依據(jù)經(jīng)驗(yàn)或?qū)嶒?yàn)而選擇一個(gè)固定大小和形狀的結(jié)構(gòu)元素對(duì)車牌圖像進(jìn)行全局處理，導(dǎo)致定位算法的普適性和魯棒性低，提出了一種基于自適應(yīng)結(jié)構(gòu)元素的車牌定位算法，算法充分利用車牌二值圖像自身信息，通過計(jì)算字符水平邊緣所形成的線段長(zhǎng)度的均值作為結(jié)構(gòu)元素，因此結(jié)構(gòu)元素的大小能隨著車牌圖像的不同而自適應(yīng)調(diào)整，更加有效地定位車牌目標(biāo)區(qū)域。實(shí)驗(yàn)結(jié)果證明，算法具有較強(qiáng)的自適應(yīng)能力，定位準(zhǔn)確率滿足應(yīng)用需要。

結(jié)構(gòu)元素；車牌定位；自適應(yīng)算法

A

TP391

10.3778/j.issn.1002-8331.1305-0242

FANG Xinglin.License plate location algorithm based on adaptive structure element of mathematical morphology.Computer Engineering and Applications,2013,49（23）：149-152.

黃山學(xué)院校級(jí)科學(xué)研究項(xiàng)目（No.2012xkj004）。

方興林（1983—），男，碩士，研究方向：信息管理、信息系統(tǒng)。

2013-05-20

2013-08-08

1002-8331（2013）23-0149-04