車牌圖像二次定位方法研究

張 晶 ，呂少勝 ，于京生 ，楊 潔 ，楊彥彬

（1.石家莊學(xué)院 電氣信息工程系，河北 石家莊 050035；

2.河北省電力勘測設(shè)計研究院，河北 石家莊 050031）

0 引言

車牌識別技術(shù)是智能交通系統(tǒng)（ITS）的重要組成部分，廣泛應(yīng)用于交通管理與控制、移動稽查、停車場管理、高速路口信息記錄等方面.車牌識別大致分為車牌定位、字符分割、字符識別3個部分，車牌定位是車牌識別中的重要步驟，定位的好壞將直接影響到車牌字符的識別率.

至今為止，眾多學(xué)者對車牌定位方法進行了廣泛的研究，并且找出了多種有效的車牌定位方法.這些方法有：基于邊緣檢測的車牌定位方法[1]、基于彩色分割的車牌定位方法[2]、基于小波變換的車牌定位方法[3，4]、基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法、基于BP神經(jīng)網(wǎng)絡(luò)的車牌定位方法[5，6]、基于灰度圖像紋理特征分析的車牌定位方法[7]等.但在實際應(yīng)用中，由于受到光照條件、路面情況、車輛圖像傾斜等因素影響，定位的效果都不理想，特別是車牌邊框等無用信息的存在，對后續(xù)的字符分割和識別帶來困難.筆者針對以上方法的不足，提出了1種二次定位的車牌圖像精確定位方法，并在兩次定位中插入傾斜校正步驟，進一步提高了定位的準確性，并且能有效去除車牌邊框，為后續(xù)的車牌字符識別打下良好的基礎(chǔ).

1 車牌圖像二次定位方法詳細步驟

1.1 一次定位

1.1.1 灰度化

由于從攝像頭獲取的車輛圖像為彩色圖像，直接對彩色圖像進行處理的運算量很大，不能滿足系統(tǒng)實時、快速的要求，所以首先依據(jù)公式（1）將彩色圖像灰度化 （如圖1所示）.

1.1.2 邊緣檢測

采用Sobel算子對車輛灰度圖像進行邊緣檢測.由于Sobel算子是濾波算子的形式，利用快速卷積函數(shù)，對噪聲有很好的抑制作用.其原理是在圖像3×3鄰域上，先后在水平和垂直方向上對鄰域灰度求差分，然后取2個差分的較大者，如公式（2）所示.圖2為邊緣檢測后的車輛圖像.

圖1 灰度化后的車輛圖像

圖2 邊緣檢測后的車輛圖像

1.1.3 直線檢測

直線的解析式為

公式（3）中，ρ為直線到原點的距離，θ限定了直線的斜率.

用2維向量（ρ，θ）描述圖像上的每1條直線區(qū)域，對于對角線長度為n的圖像，固定左下角為原點，可得到ρ的取值范圍為[0，n]，令θ以1°為增量，可得到θ的取值范圍[0，360°].定義二維數(shù)組HoughBuf[n][360]作為存儲單元.其中，對于任意（ρ，θ）決定的直線區(qū)域，計數(shù)器為HoughBuf[ρ][θ].對于直線的Hough變換過程可簡單描述為：依次遍歷圖像的所有像素，對于每個像素判斷是否滿足特定的條件，若滿足則對經(jīng)過該像素的所有直線區(qū)域的計數(shù)器加1；否則繼續(xù)判斷下1個像素.最后判斷計數(shù)器是否大于所設(shè)定的閾值，若大于則認為該直線存在，反之則不存在.經(jīng)實驗證明，θ取值范圍在（-5，5）時效果最好，如圖3所示.這樣可將圖像中有用信息保存下來的同時，盡量過濾掉無用信息，同時也大大減少運算量，提高運算速度.1.1.4 水平搜索車牌區(qū)域

在車輛圖像的水平方向搜索車牌區(qū)域時，根據(jù)車牌區(qū)域的特殊性，在水平方向上車牌區(qū)域的任意1行上的像素值從0到255或從255到0的跳變次數(shù)應(yīng)該大于某個值.由于車牌通常由7個字符組成，其跳變次數(shù)最少為7×2=14次.在實際應(yīng)用中，采集的圖像會受到干擾及其他因素的影響，經(jīng)過實驗得出跳變閾值THR=25較為合適.假設(shè)圖像數(shù)據(jù)指針為ImgData，每1行跳變次數(shù)儲存在Count中，如果ImgData[n]!=ImgData[n+1]時，則認為存在1次跳變，這時Count=Count+1.當掃描完1行時，若Count>THR則保留該行信息，反之則將該行像素點的像素值置0.由于車牌區(qū)域滿足閾值條件的行在其垂直方向上具有連續(xù)性，而且車牌區(qū)域具有一定的寬度，根據(jù)此特征對圖4進行過濾，便可得到車牌所在的行，如圖5所示.

圖3 Hough變換后的車牌圖像

圖4 找出滿足閾值條件的行

圖5 確定車牌區(qū)域所在行

1.1.5 垂直搜索車牌區(qū)域

在找出車牌所在的垂直區(qū)域之前對圖像進行中值濾波，以去除圖像中的孤立雜點，然后將圖像信息垂直投影值保存到1個數(shù)組NUM[CX]中.其中，數(shù)組長度CX為圖像的寬.數(shù)組中每個元素的值即為垂直方向?qū)?yīng)列中的非零像素點個數(shù)的總和.

此時，如果NUM[J]<8（0<=J

1.1.6 確定車牌區(qū)域坐標

通過前面的步驟，若圖像中存在像素值為255的像素點，則其所對應(yīng)的區(qū)域即為車牌區(qū)域.判斷是否能找出車牌區(qū)域即判斷圖像中是否存在非零像素點，若存在非零像素點則找出其上下左右4個坐標點，并將該區(qū)域提取出來.由于在初定位后要利用車牌邊框進行傾斜校正，所以在搜索車牌區(qū)域時分別向上下擴展了20個像素，以便保留車牌邊框的圖像信息，并進行Hough變換，為下一步傾斜校正作準備.

若無法找出車牌區(qū)域，即無法找出非零像素點，則需要重新開始整個過程.首先對保存下來的灰度圖像進行灰度拉伸或灰度均衡處理，再進行后續(xù)步驟.如果經(jīng)過灰度拉升和灰度均衡仍然無法找到車牌區(qū)域，則說明車輛圖像受到的干擾過于嚴重，將無法準確定位車牌.圖7為一次定位的算法流程圖，圖8為一次定位后的車牌.

1.2 傾斜校正

從圖8中可以看出車牌存在一定角度的傾斜，若不進行校正，必然會對字符分割和識別帶來很大影響.為了找出車牌圖像的傾斜角，處理方法如下.

1）假設(shè)圖像的寬度為Imgsize.cx，確定1個固定值 L（L=Imgsize.cx/3），從圖像中第A列開始從下往上進行列掃描，找到第1個不為0的點，將其行數(shù)i賦給m；再從第A+L列開始從下往上掃描，找到第1個不為0的點，將行數(shù)i賦給n，由公式（4）便可得到傾斜角g.

g=arctan（（m-n）/L）. （4）

2）由于傾斜角一般在-5°到5°之間，在建立的AG[n]數(shù)組中的每個元素分別代表-5°到 5°角度的個數(shù).

3）在圖像中從第0列開始到第Imgsize.cx*2/3列為止，依次重復(fù)步驟1.每重復(fù)1次便可得到1個g，若得到的g在-5到+5范圍之內(nèi)，則將對應(yīng)的AG[g+5]加1，若超出-5到+5這個范圍則認為屬于干擾點，則舍去.

4）最后，從AG[n]中找出最大的值，便得到車牌圖像的傾斜角.

采用上述方法的優(yōu)點是不需要檢測圖像中的直線，就能有效地消除某些孤立點對傾斜角檢測的干擾，且算法簡單，運算量小，極大地提高了運算速度.

圖6 確定車牌區(qū)域所在列

圖 7 車牌一次定位流程圖

目前，圖像旋轉(zhuǎn)的方法有最臨近插值法、雙線性插值法及立方卷積插值法等，考慮到實時性及實際處理效果，本文選擇雙線性插值法進行圖像旋轉(zhuǎn)，并保存經(jīng)傾斜校正后的圖像，以便二次定位.傾斜校正后的圖像如圖9所示.

1.3 二次定位

一次定位的目的是確定出車牌的大致區(qū)域，并利用車牌邊框進行傾斜校正，為精確定位車牌區(qū)域作準備.雖然二次定位的步驟與一次定位基本相同，但是其中所設(shè)置的參數(shù)與閾值并不相同，且實現(xiàn)的目的也不相同.

通過一次定位和傾斜校正后，得到的車牌圖像包含了車牌邊框及其他與車牌無關(guān)的信息，二次定位的另一目的則是去掉除車牌字符以外的信息.

二次定位處理步驟如下.

1）水平搜索車牌區(qū)域.由于此時受到的干擾因素要少很多，所以跳變閾值可以設(shè)置得更加精確.這時，設(shè)跳變閾值THR=20，便可有效地去除車牌的上下邊框.

2）垂直搜索車牌區(qū)域.仍然將車牌圖像的垂直投影值保存到1個數(shù)組NUM[CX]中，其中數(shù)組長度CX為車牌圖像的寬.若車牌圖像中列方向上存在非零像素點，則將對應(yīng)的數(shù)組元素置為1，反之則置0.

由于中國車牌第1個字符為漢字，該漢字的寬度比車牌邊框大得多.根據(jù)這一特征，在檢測到數(shù)組中左邊第1個非零區(qū)域的寬度小于4個像素，則認為是車牌的左側(cè)邊框，并將數(shù)組NUM[CX]中對應(yīng)的數(shù)組置0.而當車牌最后1個字符為“1”時，其寬度也會小于4個像素.所以，直接由寬度判斷是否為車牌右邊框可能會去除有用的車牌信息.采用如下方法判斷數(shù)組NUM[CX]中最后1個非零區(qū)域的字符是“1”還是車牌右邊框：根據(jù)中國的車牌共有7個字符（由1個漢字加上6個阿拉伯數(shù)字或字母組成）這一特征，所以在去除左側(cè)車牌邊框后統(tǒng)計數(shù)組NUM[CX]中非零區(qū)域的個數(shù)，若有7個非零區(qū)域則不需要消除車牌右邊框；若存在8個非零區(qū)域則認為第8個非零區(qū)域為車牌右邊框，應(yīng)去除掉.經(jīng)過此步驟處理后，可有效地去除車牌圖像的左右邊框，得到理想的車牌區(qū)域，如圖10所示.二次定位的流程圖如圖11所示.

圖8 一次定位后的車牌圖像

圖9 傾斜校正后的車牌圖像

圖10 二次定位后的車牌圖像

圖11 車牌二次定位流程圖

2 實驗結(jié)果及分析

為了驗證二次定位方法的可靠性，采用Visual C++6.0作為編程環(huán)境，在CPU 1.61GHZ，RAM 1.0GB的環(huán)境下，經(jīng)過對大小為480像素×360像素的200張不同傾斜角度、200張不同路面背景和200張不同光照條件下拍攝的車輛圖像（共600張）進行測試，得到結(jié)果如表1所示.

表1 不同條件拍攝的車輛圖像二次定位測試結(jié)果

在測試中，無法識別的車牌主要是受到傾斜角度過大、車牌受到污染及光照過亮或過暗等因素的影響.從測試結(jié)果可以看出，在定位準確率和定位速度上都能較好的符合實際應(yīng)用所提出的要求，為后續(xù)的車牌字符識別打下了良好基礎(chǔ).

3 結(jié)束語

采用車牌圖像二次定位方法，很好地解決了車牌圖像定位的準確性問題.該方法首先對圖像進行預(yù)處理，其中包括灰度化、Hough變換、邊緣檢測，再根據(jù)車牌特征進行一次定位.而后由車牌邊框來確定傾斜角對車牌圖像進行傾斜校正.最后對校正后的車牌圖像進行二次定位，從而獲得準確的車牌圖像區(qū)域.通過二次定位方法得到的車牌圖像不會包含車牌邊框等無關(guān)信息，為后續(xù)的車牌字符識別帶來很大方便，具有較高的實用價值及廣泛的應(yīng)用前景.

[1]李強，汪洋，李偉博，等.基于藍色車牌背景的車牌精確定位實現(xiàn)方法[J].電視技術(shù)，2011，35（15）：4-6.

[2]張慧.一種藍底白字車牌定位方法[J].信息與電腦，2011，（9）：105-106.

[3]李孟歆，叢明，吳成東.基于小波分析的混合車牌定位算法[J].沈陽建筑大學(xué)學(xué)報，2009，6（25）：1217-1220.

[4]凌六一，段紅，黃友銳.基于小波去噪的車牌定位系統(tǒng)[J].鐵路計算機應(yīng)用，2006，15（9）：41-43.

[5]王智文.基于改進BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別[J].微電子學(xué)與計算機，2011，28（9）：66-69.

[6]CHENTianding.ASchemeof Improved Trainingin LicensePlateCharacterRecognition[C].InternationalConferenceon Communication TechnologyProceedings，2008，（11）：704-706.

[7]STEFANOR，RODOLFOZ.License-plate LocalizationbyUsingVectorQuantization[C].InternationalConferenceon Acoustics，Speech and SignalProcessing，1999.