基于數(shù)學(xué)二值形態(tài)學(xué)的車牌定位與字符分割

谷學(xué)靜，李宗輝

(1.河北聯(lián)合大學(xué)電氣工程學(xué)院，河北唐山 063009;2.河北聯(lián)合大學(xué)信息工程學(xué)院，河北唐山 063009;)

0 引言

隨著城市的發(fā)展和汽車的普及，道路交通問題日益嚴(yán)重，主要體現(xiàn)在:道路擁擠、運(yùn)輸效率低、交通事故率高、環(huán)境惡化等。交通問題已成為世界各國大中城市共同面臨的問題。由于資源、環(huán)境等條件的限制，傳統(tǒng)依靠增大道路建設(shè)量、提高路網(wǎng)容量解決交通問題的方法已經(jīng)無法滿足現(xiàn)代城市道路交通的需要。在這種境況下，人們提出了智能交通系統(tǒng)(Intelligent Transportation System，ITS)的概念:從系統(tǒng)的觀點(diǎn)出發(fā)，綜合考慮車輛和道路設(shè)施，依靠科學(xué)管理、運(yùn)用現(xiàn)代科技手段解決道路交通問題。20世紀(jì)80年代中期以來，計(jì)算機(jī)和通信技術(shù)的快速發(fā)展，為ITS技術(shù)的發(fā)展創(chuàng)造了良好的條件?？梢哉fITS技術(shù)是以計(jì)算機(jī)技術(shù)和通信技術(shù)為基礎(chǔ)的。發(fā)展ITS技術(shù)的目的，在于減少交通擁擠和提高整個交通運(yùn)輸系統(tǒng)的效率以及為駕駛員提高良好的信息服務(wù)和安全舒適的駕駛環(huán)境。

智能交通系統(tǒng)就是將先進(jìn)的信息技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)、電子傳感技術(shù)、電子控制技術(shù)以及計(jì)算機(jī)處理技術(shù)等有效地集成運(yùn)用于整個交通運(yùn)輸管理體系，而建立起的一種在大范圍內(nèi)、全方位發(fā)揮作用的，實(shí)時、準(zhǔn)確、高效的綜合運(yùn)輸和管理系統(tǒng)［1］。

隨著智能交通的不斷發(fā)展，計(jì)算機(jī)視覺技術(shù)對車輛數(shù)目、車型、車速、車流量、車輛密度、車輛隊(duì)列長度以及車牌等內(nèi)容的采集和識別，在智能交通中占據(jù)著十分重要的地位。車牌自動識別系統(tǒng)［2］(License Plate Recognition簡稱LPR)是智能交通系統(tǒng)的核心。該系能從一張車輛圖像中自動提取車牌圖像，自動分割字符，得到車牌號碼。

車牌自動識別系統(tǒng)主要由以下幾個模塊組成［3］:圖像采集，車牌定位，字符分割，字符識別及傳輸。本文基于數(shù)學(xué)二值形態(tài)學(xué)原理解決車牌定位和字符分割問題。

1 圖像預(yù)處理與車牌定位

由于智能交通系統(tǒng)的環(huán)境比較復(fù)雜，例如光照條件，車牌褪色，車牌開裂等，所以得到的圖像存在較大的噪聲，不能直接用于車牌的定位，需要進(jìn)行圖像的預(yù)處理，盡可能的去除噪聲對圖像的干擾，方便對車牌的定位。光照的影響是所有基于圖像的系統(tǒng)所需要克服的問題。由于基于交通檢測系統(tǒng)是全天候的應(yīng)用系統(tǒng)，視頻檢測和跟蹤算法應(yīng)該使用于各種光照下的應(yīng)用場合。尤其是在光照不充分的情況下，比如陰天、雨天、雪天，圖像的對比度比較低，會影響車輛檢測和跟蹤的正確性。由于是戶外場景，下雨、下雪、刮風(fēng)引起的樹木搖動或者惡劣天氣等會在畫面上產(chǎn)生各種噪聲，另外光照條件的不同也會導(dǎo)致圖像發(fā)生變化，還有影子的影響，以及移動車輛的一部分被遮擋等因素，這些都使得目標(biāo)的提取變得更加困難。

考慮到光照條件的不同和車牌褪色等問題，本方法在車牌預(yù)處理及車牌定位中采用了edge函數(shù)運(yùn)用robert算子對圖像進(jìn)行二值化操作，這樣就很好地去除了光照條件和車牌褪色引起的噪聲。roberts［4］算子是一種邊緣檢測算子。根據(jù)任一相互垂直方向上的差分都可用來估計(jì)梯度，roberts算子采用對角方向相鄰兩像素之差，即

原始圖像如圖1所示。用roberts算子做邊界處理后，再對二值圖像進(jìn)行腐蝕［6］操作，腐蝕操作采用的結(jié)構(gòu)元素矩陣［7］為以去除圖像中大量的小的水平方向的與車牌無關(guān)的邊界。之后用 [ 20×20]的矩形結(jié)構(gòu)元素［8］對腐蝕后的圖像進(jìn)行閉操作［9］，用以膨脹［10］圖像將車牌等區(qū)域連通。計(jì)算所有的連通域中面積最大一塊［11］，最后去除圖像中連通域面積小于最大面積的區(qū)域。最終剩下的就是最大的連通區(qū)域即車牌所在的位置。具體matlab程序如下所示:

在實(shí)際的應(yīng)用中，對處理速度有較高的要求，所以對對行和列分別采取了不同的處理方法，以提高處理速度:

(1)分別對每行和每列上的元素個數(shù)求和。

(2)在對行的處理中，從行元素個數(shù)最大值所在的行數(shù)開始比較，如果某一行元素個數(shù)小于5或到達(dá)了圖像的邊界，則說明得到了車牌的上下邊界位置，這樣就可以去除鉚釘?shù)葘嚺贫ㄎ坏挠绊憽?/p>

(3)在對列的處理中，從圖像的左右邊界開始，如果圖像個數(shù)大于20則認(rèn)為到達(dá)了車牌的左右邊界。

這樣車牌在原圖像中的位置就確定了，切割原圖像得到車牌。最后車牌定位的效果如圖1所示。

圖1 車牌定位效果圖

2 字符預(yù)處理與字符分割

由于智能交通系統(tǒng)的環(huán)境比較復(fù)雜，并且檢測系統(tǒng)是全天候的應(yīng)用系統(tǒng)，車輛的具體情況又各不相同，其中對系統(tǒng)影響最大的當(dāng)屬車牌的污損和開裂情況。在現(xiàn)實(shí)環(huán)境中，我們也經(jīng)常見到污損的車牌和開裂的車牌?，F(xiàn)有系統(tǒng)和方法沒有很好地考慮這個問題。

為了解決這一突出的問題，本方法采用的原理是數(shù)學(xué)二值形態(tài)學(xué)。因?yàn)檐嚺莆蹞p和開裂對字符分割的準(zhǔn)確性影響卻比較大，所以此部分主要考慮的就是車牌開裂和車牌污損的問題，并提出了一種可以解決車牌污損和車牌開裂的字符分割的方法。流程圖如圖2和圖3所示。

(1)對車牌圖像進(jìn)行一定的濾波處理，盡可能的去除一些噪聲［12］。如果車牌存在傾斜進(jìn)行相應(yīng)的矯正，本方法中沒有涉及此部分。實(shí)驗(yàn)中的圖片都為非傾斜的圖片。將圖片二值化為下一步處理做好準(zhǔn)備，但由于車牌開裂等問題形成的噪聲是無法用濾波的方法去除的，所以需要用其它方法做進(jìn)一步的處理操作。

(2)由于車牌污損和開裂對整個車牌來說畢竟是一小部分，所以采取求均值的方法，即計(jì)算圖像中全部的白色像素的個數(shù)，然后分別除以行數(shù)和列數(shù)，便可得到行和列中像素的平均數(shù)。

(3)以行為例來說明，依次掃描圖像的每一行，如果該行的像素?cái)?shù)目多于平均值則認(rèn)為該行不是噪聲，屬于字符部分，則將添加到新的數(shù)組中。反之，不添加。這樣所得到的新的圖像就是進(jìn)行行處理后的圖像。此種行處理方法可以有效的去除鉚釘和車牌上諸如“一路平安”等字符的影響。

(4)在列處理中，需要考慮字符不連通的問題。如“四川”的“川”字。這是一個典型的非連通的漢字。本方法在對車牌圖像進(jìn)行預(yù)處理是將其調(diào)整到寬度為440像素的固定大小，所以分割后的每個字符的寬度大小就受到了嚴(yán)格的限制。本方法將列元素個數(shù)小于某一值的列視為非字符部分。字符分割的具體步驟如下:

〈1〉初始化一個全零列向量。該列向量與行處理后的新數(shù)組具有相同的行數(shù)。

〈2〉然后依次比較新數(shù)組中每列的白色像素個數(shù)，如果像素個數(shù)小于設(shè)定的值，則跳過該列依次向后比較。如果遇到了像素個數(shù)大于設(shè)定的值是，將該列添加到零列向量的后面，依次進(jìn)行下去。

〈3〉如果再次遇到了元素個數(shù)小于設(shè)定值的情況，則可能有兩種情況發(fā)生。一種情況是到達(dá)了字符的右邊界。這是我們希望的，這樣一個字符就分割了出來。另一種情況是到達(dá)了非連通字符內(nèi)部的一個邊界。這時我們還沒有得到完整的字符，只是得到了字符的一部分。為了解決非連通漢字問題，根據(jù)我國車牌的具體情況，對從左到右的7個字符采取不同的字符寬度。判斷字符的數(shù)組的寬度值，如果是第一個漢字，并且寬度小于30，則跳過元素個數(shù)較少的列繼續(xù)添加后面的列，直到再次出現(xiàn)元素較少的列并且字符數(shù)數(shù)組的寬度大于30才進(jìn)行下一個字符的分割。這樣非連通字符就可以被分割出來。再進(jìn)行其它的字符分割時，字符寬度設(shè)置為5，這樣就可以將車牌中連續(xù)的數(shù)字1分割出來。同時解決了車牌中存在不連通的漢字和連續(xù)的數(shù)字1的問題。

〈4〉返回的步驟〈1〉，依次進(jìn)行下去直到到達(dá)車牌的右邊界，就可以分割出所有的字符。

本方法有效地解決了非連通漢字的分割問題，如圖4所示。車牌開裂的字符分割問題，如圖5所示。車牌污損的字符分割問題，如圖6所示。非連通的漢字和連續(xù)的數(shù)字1的字符分割如圖7所示。

3 結(jié)論

首先，本方法從二值化的圖像中可以看到車牌的內(nèi)部存在一定的空洞，這是由于車牌中字符的相對位置和一下非連通漢子造成的。在二值化時，整個車牌區(qū)域就不在是一個完整的連通區(qū)域。為了獲取更加準(zhǔn)確的車牌特征，應(yīng)盡量得到完整的連通域。膨脹操作可以填補(bǔ)物體中的空洞，用適當(dāng)且不易過大的結(jié)構(gòu)元素對二值化圖像作膨脹處理，這樣就可以得到完整的連通區(qū)域。然后，在得到完整的連通區(qū)域后，這些區(qū)域的大小經(jīng)過膨脹后會有些偏大，這對后續(xù)提取車牌的特征有些影響，會存在一定的精度偏差。同時，圖像中還有很多噪點(diǎn)，通過腐蝕操作，也能將這些噪點(diǎn)濾出一些。一般，腐蝕操作時的結(jié)果元素應(yīng)與膨脹操作時的結(jié)構(gòu)元素一樣，這樣能將連通區(qū)域縮減回去。

其次，在字符分割前，對圖像進(jìn)行了一些膨脹和腐蝕操作，以盡可能地去除車牌污損和車牌開裂對字符分割的影響，并將車牌圖像調(diào)整的固定的大小，以方便字符的分割。在對二值圖像進(jìn)行字符分割時，先對車牌進(jìn)行行處理，以確定車牌中所以字符的上下邊界。然后在根據(jù)車牌的大小、車牌中字符的個數(shù)和相對位置判斷字符的邊界，進(jìn)而分割字符。由于車牌的大小是固定的，車牌中字符的個數(shù)和相對位置是固定的，根據(jù)實(shí)驗(yàn)所得，認(rèn)為30個像素寬度為一個字符的最大寬度，兩個字符左邊界之間的最大寬度大于30。所以認(rèn)為字符的寬度小于30的部分是非連通漢字的一部分，大于30則認(rèn)為是另一個字符的開始。這樣非連通的漢字和連續(xù)的數(shù)字1的問題就解決了。

本方法適用于智能交通中比較復(fù)雜的環(huán)境，能夠適應(yīng)由于光照條件，車牌褪色和車牌開裂等形成的噪聲。本方法提出了一種新的字符分割的算法，可以快速地處理車牌中含有非連通字符和連續(xù)的數(shù)字1的分割問題。

本方法對圖像的大小有一定的適應(yīng)性，但是圖像的采集過程中車輛的位置不宜過遠(yuǎn)，如果過遠(yuǎn)就會造成定位后的車牌圖像不清晰，即使采取了一定的放大和濾波策略，放大和濾波后的圖像的清晰度也會明顯下降，不利于字符的分割。

［1］杜鵬.智能交通系統(tǒng)簡單場景下通信性能的研究［D］.北京:北京郵電大學(xué)，2010.

［2］李坤，彭延軍.車牌自動識別系統(tǒng)的研究與實(shí)現(xiàn)［J］.青島大學(xué)學(xué)報，2010，25(4):42-43.

［3］李輝.智能交通系統(tǒng)中基于視頻的車輛檢測與跟蹤方法研究［D］.上海:華東師范大學(xué).

［4］胡尚舉，田國法，申江波.邊緣檢測算子的分析比較［J］.大眾科技，2008(9):48-49.

［5］艾海舟，武勃等譯.圖像處理，分析與機(jī)器視覺［M］.北京:人民郵電出版社.2003.

［6］鄒攀紅，孫曉燕，張雄偉，曹鐵勇.一種基于數(shù)學(xué)形態(tài)學(xué)的二值圖像去噪算法［J］.微計(jì)算機(jī)信息，2010，26(11-2):200-203.

［7］王家文.Matlab 7.6圖形圖像處理［M］.北京:國防工業(yè)出版社，2009:270-275.

［8］王朋偉，牛瑞卿.基于灰度形態(tài)學(xué)與小波相位濾波的高分辨率遙感影像邊緣檢測［J］.四川，計(jì)算機(jī)應(yīng)用，2011(9):30.

［9］王玉軍，董增壽.利用數(shù)學(xué)形態(tài)學(xué)與圖像二值化進(jìn)行車牌定位［J］.太原科技大學(xué)學(xué)報，2011，32(2):89-92.

［10］賓西川，裘正定，章春娥，曾高榮.一種基于數(shù)學(xué)形態(tài)學(xué)膨脹運(yùn)算的文本數(shù)字水印［J］.計(jì)算機(jī)安全，2009，11:4-6.

［11］孫兆林.Matlab 6.x圖像處理［M］.北京:清華大學(xué)出版社。2002:276—278.

［12］周玲.基于MATLAB的語音信號數(shù)字濾波處理［J］.安慶師范學(xué)院學(xué)報，2011，17(3):46-47.