基于HSV顏色空間的候選車牌區(qū)域篩選算法

楊 奇，吳云東，陳水利

(1.集美大學(xué)理學(xué)院，福建廈門361021;2.集美大學(xué)影像信息工程技術(shù)研究中心，福建廈門361021)

0 引言

車牌識(shí)別系統(tǒng) (LPR)是智能基礎(chǔ)設(shè)施系統(tǒng)的核心之一，而車牌定位是其中的關(guān)鍵.近年來在車牌定位方面，主要有支持向量機(jī) (SVM)算法［1］和AdaBoost算法［2-5］，其中AdaBoost算法定位車牌速度較快，它是基于圖像灰度特性來檢測的，主要利用矩形子圖像區(qū)域的特征值檢測車牌，但該方法容易使某些符合分類閾值條件的非車牌區(qū)域，被誤判為車牌，從而出現(xiàn)多個(gè)候選車牌區(qū)域.文獻(xiàn)［1-5］所描述的大多數(shù)情況主要是車身與車牌的顏色不同，而對(duì)背景的復(fù)雜程度考慮相對(duì)較少，使算法的適用范圍偏小.本文擬討論，當(dāng)車身顏色與車牌底色相近或相同時(shí)，根據(jù)候選車牌區(qū)域的紋理、類似的邊緣信息、非常接近的寬高比值，如何篩選候選車牌區(qū)域的問題.

1 將候選車牌區(qū)域由RGB顏色空間轉(zhuǎn)化到HSV空間

在RGB顏色空間中，由于R、G、B 3個(gè)分量都會(huì)隨著光照的變化而改變，而兩種相近的顏色其R、G、B值可能相差很大，所以RGB空間不適合用于顏色分割.但在HSV空間中，色調(diào) (Hue)、飽和度 (Saturation)和亮度 (Value)三要素是獨(dú)立的3個(gè)量，在篩選候選車牌區(qū)域中顏色分割更容易通過調(diào)節(jié)這3個(gè)參數(shù)而實(shí)現(xiàn)，因而本文算法把RGB顏色空間的候選車牌區(qū)域轉(zhuǎn)化到HSV空間.

在HSV空間中，H表示色調(diào)，即所處光譜顏色的位置，該參數(shù)用角度來表示，取值為 ［0°，360°)，紅、綠、藍(lán)分別相隔120度，互補(bǔ)色分別相差180度.S代表飽和度，為一比例值，取值范圍為［0，1］，它表示所選顏色的飽和度和該顏色最大的飽和度之間的比率.V是亮度，表示色彩的明亮程度，取值范圍為 ［0，1］.

設(shè)(R，G，B)分別是一種顏色的紅、綠和藍(lán)3個(gè)分量的坐標(biāo)，它們的值歸一化為 ［0，1］的實(shí)數(shù).設(shè)max是R、G、B中的最大值，min是R、G、B中的最小值.RGB到HSV的轉(zhuǎn)換公式［6］為:

2 在HSV空間中車牌底色閾值的確定

我國主要有4類車牌，分別為:藍(lán)底白字 (小功率汽車牌照)、黃底黑字 (大功率汽車牌照)、白底黑字 (軍用或警用車派)和黑底白字 (或紅字)(國外駐華機(jī)構(gòu)用車)，即車牌底色共分藍(lán)、黃、白、黑4種顏色.

取不同條件下的4種車牌各100張，進(jìn)行統(tǒng)計(jì)分析，得出4種顏色對(duì)應(yīng)3個(gè)分量的閾值范圍，如表1和圖1、圖2所示.在HSV空間中，利用V分量可以將黑底車牌的黑色像素點(diǎn)數(shù)量統(tǒng)計(jì)出來，利用H和S分量可將藍(lán)和黃色像素點(diǎn)數(shù)量統(tǒng)計(jì)出來，利用S和V分量可以將白色像素點(diǎn)數(shù)量統(tǒng)計(jì)出來.

以上4種底色的像素點(diǎn)數(shù)量，用N表示，然后計(jì)算4種底色占車牌區(qū)域的比值，稱為底色平均密度，用r表示，計(jì)算公式為:r=N/(w×h)，其中w和h為車牌區(qū)域的寬和高.通過對(duì)樣本車牌的底色平均密度進(jìn)行的統(tǒng)計(jì)分析，得到車牌區(qū)域的r值應(yīng)在區(qū)間［0.6，0.8］范圍內(nèi).

當(dāng)非車牌區(qū)域的顏色與車牌底色不同或非車牌區(qū)域里包含與車牌底色相近的顏色較少時(shí)，非車牌區(qū)域的r值一般小于0.6，當(dāng)非車牌區(qū)域里包含與車牌底色相近的顏色較多時(shí)，非車牌區(qū)域的r值會(huì)大于0.8，這樣就可以通過r的閾值范圍把4種車牌檢測出來.

表1 4種顏色3個(gè)分量的閾值范圍Tab.1 Threshold range of three components of four colors

圖1 HSV顏色空間Fig.1 HSV color space

圖2 4種顏色在HSV空間的表示Fig.2 Four kinds of color in HSV color space representation

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)的編譯平臺(tái)是基于OpenCV1.0函數(shù)庫［8］的VC++6.0，電腦配置為:Windows XP 2002個(gè)人版，Inter酷睿i5-2400，主頻3.10GHz，內(nèi)存2G.

為了驗(yàn)證本文算法的有效性，將與累計(jì)概率Hough變換［9］(PPHT)進(jìn)行比較.圖3—圖6顯示了實(shí)驗(yàn)數(shù)據(jù)、PPHT處理結(jié)果及篩選效果.為便于與r值作對(duì)比，類似地，用den表示候選車牌區(qū)域中線段端點(diǎn)的平均密度，計(jì)算公式為:den=num/(w×h)，其中num表示線段端點(diǎn)數(shù)量.

圖3 車身及車牌底色為黑色Fig.3 Black car body and black background of vehicle license plate

圖3的分辨率是350×248，加星形標(biāo)志的矩形區(qū)域包含了車燈和散熱片，這樣該區(qū)域就包含了豐富的紋理及邊緣信息，而這與車牌區(qū)域的情況類似，并且加星形標(biāo)志的矩形區(qū)域與車牌的矩形區(qū)域的寬高比分別為2.946與3.037，它們的值也是非常接近的.加星形矩形區(qū)域的數(shù)據(jù):N=2004，w=109，h=37，num=59;車牌矩形區(qū)域的數(shù)據(jù):N=1503，w=82，h=27，num=32.

圖4的分辨率是500×375，候選車牌區(qū)域的特征情況與圖3類似，加星形矩形區(qū)域與車牌矩形區(qū)域的寬高比值也非?？拷?，分別為2.733與2.848.加星形矩形區(qū)域的實(shí)驗(yàn)數(shù)據(jù):N=1127，w=82，h=30，num=39;車牌矩形區(qū)域的實(shí)驗(yàn)數(shù)據(jù):N=1962，w=94，h=33，num=49.

圖5的分辨率是820×530，加星形矩形區(qū)域包含了車燈和一部分黃色車身區(qū)域，而且該區(qū)域有一些紋理及邊緣特征，其中寬高比為2.857，與寬高比是2.848的車牌矩形區(qū)域情況有些類似.實(shí)驗(yàn)數(shù)據(jù)分別為加星形矩形區(qū)域:N=1671，w=120，h=42，num=39;車牌矩形區(qū)域:N=7841，w=174，h=60，num=159.

圖5 車身及車牌底色為黃色Fig.5 Yellow car body and yellow background of vehicle license plate

圖6的分辨率是330×350，加星形矩形區(qū)域包含了很少的車燈、一個(gè)LOGO和大片藍(lán)色車身區(qū)域，它的寬高比為2.913，與寬高比是2.971的車牌矩形區(qū)域的底色和紋理情況相似.實(shí)驗(yàn)數(shù)據(jù)分別為加星形矩形區(qū)域:N=5422，w=134，h=46，num=9;車牌矩形區(qū)域:N=2659，w=104，h=35，num=43.

圖6 車身及車牌底色為藍(lán)色Fig.6 Blue car body and blue background of vehicle license plate

對(duì)于候選車牌區(qū)域的紋理信息、邊緣和寬高比值都接近的情況下，從表2的實(shí)驗(yàn)數(shù)據(jù)中可以看出，使用PPHT處理后，在圖3、圖4中黑色和白色車輛的非車牌區(qū)域的den值是大于車牌區(qū)域的，而且兩者的den值很接近，數(shù)值精度要求較高，當(dāng)達(dá)到萬分之一時(shí)，才能辨別車牌區(qū)域.在圖5、圖6中當(dāng)den數(shù)值精度達(dá)到千分之一時(shí)，才能判定黃色和藍(lán)色車輛的非車牌區(qū)域的den值是小于車牌區(qū)域的.這樣對(duì)于4種車輛，在候選車牌區(qū)域邊緣信息接近的情況下，使用PPHT，較難通過設(shè)定den閾值范圍，把車牌區(qū)域篩選出來.

從表2的實(shí)驗(yàn)數(shù)據(jù)中還可以看出，使用本文算法，在車身與車牌底色相似的情況下，車牌區(qū)域的r值介于0.6與0.8之間，而非車牌區(qū)域的值在這個(gè)閾值范圍之外，且r值精度要求不高，只要百分之一就可以區(qū)分候選車牌區(qū)域.所以，在候選車牌區(qū)域的邊緣信息接近的情況下，與PPHT算法相比，本文算法利用車牌區(qū)域的顏色特征，能較有效地篩選出車牌區(qū)域.

表2 候選車牌區(qū)域的den值和r值Tab.2 The den and ratio value of candidate vehicle license plate regions

4 結(jié)束語

本文在使用支持向量機(jī)和AdaBoost算法定位車牌后，重點(diǎn)討論了在4種車身顏色與車牌底色相近或相同，且候選車牌區(qū)域的紋理、邊緣特征和寬高比都很接近的情況下，針對(duì)出現(xiàn)的兩個(gè)候選車牌區(qū)域，分別采用累計(jì)概率Hough變換和本文算法進(jìn)行篩選.實(shí)驗(yàn)結(jié)果表明，基于HSV顏色空間的候選車牌區(qū)域篩選算法，優(yōu)于累計(jì)概率Hough變換算法，能較好去除非車牌區(qū)域，得到定位正確的車牌區(qū)域.

［1］ KIM K，JUNG K，KIM H.Fast color texture-based object detection in images:Application to license plate localization［J］.Lecture Notes Comput Sci，2005，177:297-320.

［2］ DLAGNEKOV L.License plate detection using Adaboost［DB/OL］.［2012-12-03］.http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.115.823＆rep=rep1＆type=pdf.

［3］ CUI D，GUDONG B.License plate detection algorithm based on gentle Adaboost algorithm with a cascade structure［C］ //IEEE International Conference on Robotics and Biomimetics.Piscataway，NJ:IEEE Computer Society，2009:1962-1966.

［4］ WANG S Z，LEE HSI-JIAN.A cascade framework for a real-time statistical plate recognition system ［J］.IEEE Transactions on Information Forensicsc and Security，2007，2(2):267-282.

［5］ PENG Y，XU M.Cascade-based license plate localization with line segment features and haar-like features［C］ //Proceedings-6th International Conference on Image and Graphics.Piscataway，NJ:IEEE Computer Society，2011:1023-1028.

［6］ ROGERS D F.Procedural elements of computer graphics［M］.2nd.NY:McGraw-Hill，1997.

［7］魏宗舒.概率論與數(shù)理統(tǒng)計(jì)教程［M］.2版.北京:高等教育出版社，2008.

［8］劉瑞禎，于仕琪.學(xué)習(xí)OpenCV(中文版)［M］.北京:清華大學(xué)出版社，2009.

［9］ GALAMBOS C，MATAS J，KITTLER J.Progressive Probabilistic Hough Transform for line detection ［C］ //Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR Los.Alamites，CA，United States:IEEE，1999:554-560.