基于紋理特征的車牌定位方法

李文鋒，張紅英

（西南科技大學 信息工程學院，四川 綿陽 621010）

隨著車輛的增加，道路日益擁擠，車輛管理越來越困難。智能交通系統(tǒng)（Intelligent Transportation System）已成為21世紀交通管理的趨勢，它是將先進的信息技術、通信技術、電子傳感技術及計算機處理技術等有效應用于整個交通管理系統(tǒng)而建立的一種在大范圍內(nèi)全方位發(fā)揮作用的實時、準確、高效的綜合交通運輸管理系統(tǒng)。汽車牌照號碼是車輛的“身份證”，汽車牌照的自動識別是對汽車“身份”自動登記及驗證的關鍵，是對交通進行有效管理的基礎。

車牌識別 VLPR （Vehicle License Plate Recognition）技術不但可以將人力從繁瑣的人工觀察、檢測中解放出來，而且能夠大大提高其精確度。一個典型的車牌識別系統(tǒng)一般包括車牌定位、字符分割和字符識別3部分。車牌定位是車牌識別中的重要環(huán)節(jié)，是指從車牌圖像中提取牌照區(qū)域或者分割出車牌。

車牌定位算法分為基于灰度圖像的車牌定位和基于彩色圖像的車牌定位。基于灰度圖像的車牌定位一般是先對圖像進行邊緣提取[1-3]或者二值化[4]，再根據(jù)水平和垂直方向的投影直方圖、車牌尺寸和紋理等信息[5-6]定位車牌，一般計算量較基于彩色圖像的車牌定位少?；诓噬珗D像的車牌定位比基于灰度圖像的車牌定位多了顏色信息，顏色信息可以運用于邊緣提取[7]、對灰度圖像檢測到的邊緣進行邊緣篩選[8-9]以及對候選區(qū)域進行篩選[10-11]。

根據(jù) 《中華人民共和國機動車號牌》（GA-2007）及其修訂版規(guī)定，車牌顏色主要有藍底白字、黃底黑字、白底黑字和黑底白字4種，字符要么是黑色要么是白色（除了少數(shù)例外，如“使”、“領”、“警”是紅色），與底色的灰度反差較大，能很好地提取出車牌的字符邊緣，而且車牌字符間排列規(guī)則、緊密。根據(jù)這一特點，本文提出了一種基于車牌紋理特征的車牌定位算法，首先運用Canny邊沿檢測算法對汽車灰度圖像進行邊緣提取，連接水平方向上距離較近的邊緣點，運用數(shù)學形態(tài)學操作可以形成若干封閉的候選區(qū)域，再根據(jù)水平方向邊緣線段長度進行上下精確定位，候選區(qū)灰度圖二值化的投影直方圖進行左右精確定位，最后根據(jù)尺寸和投影直方圖中波峰個數(shù)判斷候選區(qū)是否為車牌，最終達到車牌定位的目的。

1 候選區(qū)的形成

因為我國的車牌在表面涂了具有良好反光性能的熒光反光材料，所以能夠很容易地提取出車牌區(qū)域的紋理。而車牌字符的間距又是固定的，因此可以通過連接車牌邊緣的方法來形成車牌的候選區(qū)域。

鑒于Canny邊緣檢測算法在邊緣提取上的良好效果，本文運用Canny邊緣檢測算法提取車牌灰度圖像的邊緣。

實際項目中，攝像機的位置固定之后，車牌在圖像中的尺寸在一定范圍之內(nèi)變化，因此可以設定一個較寬泛的范圍來用于車牌的定位。本文的實驗圖片為某卡口拍攝的圖片，尺寸均為1 600×1 200。車牌最小寬度 wmin設為 90，最大寬度 wmax設為 220，最小高度 hmin設為 30，最大高度hmax設為75，車牌字符區(qū)邊緣水平方向上最大距離 dstmax設為 35。

對提取到的邊緣逐行掃描，若相鄰兩個邊緣點間距離小于maxdst，則連接這兩個邊緣點（即該行這兩個邊緣點之間的點都置為255），如圖1所示。

圖1 連接距離較小的邊緣點

數(shù)學形態(tài)學中的腐蝕、膨脹是將圖像（或圖像中的一部分，設為A）與核（設為 B）進行卷積，核B可以是任意形狀，可以視為模板或者掩碼，它擁有一個單獨定義的參考點，一般取核的中心點。腐蝕是計算核區(qū)域的最小值，并將最小值給參考點對應的像素，可以消除圖像中細的突起和線條；膨脹是計算核區(qū)域的最大值，并將最大值給參考點對應的像素，可以填充圖像中小區(qū)域、擴大高亮區(qū)域。

腐蝕運算為：

膨脹運算為：

核與圖像中目標形狀相同有利于提取目標，理想的車牌是矩形，因此本文在形態(tài)學處理時使用大小為3×3的矩形，核為中心點。對圖1先進行腐蝕操作，再進行膨脹處理，可以消除線條和小目標，并盡可能保持車牌仍在候選區(qū)內(nèi)，形成若干車牌候選區(qū)。

2 候選區(qū)篩選和車牌精確定位

本文對車牌候選區(qū)的篩選分粗篩選和精確篩選兩步。粗篩選是根據(jù)車牌尺寸限制直接對候選區(qū)進行篩選；精確篩選是先對粗篩選的結果進行精確定位，再根據(jù)車牌尺寸和候選區(qū)二值化圖的垂直投影直方圖特征完成篩選。

從實驗結果易知，含有車牌的候選區(qū)在車牌的左右兩邊、上下兩邊往往有部分干擾，車牌所在候選區(qū)的尺寸可能大于前面設定的車牌尺寸。因此，粗篩選時最大高度設為 2×hmax，最大寬度設為 2×wmax，最小高度和最小寬度不變。對各候選區(qū)按照設定的范圍進行粗篩選，可以減少候選區(qū)域的數(shù)量。

2.1 車牌候選區(qū)上下精確定位

對各候選區(qū)對應的邊緣進行分析可知，含有車牌的候選區(qū)的非車牌區(qū)域含有較多水平方向長度較長的線段，這些線段可以通過以下步驟找到。

（1）初始化 n=0，從候選區(qū)對應的邊緣圖中任取一點進行步驟（2）。

（2）若該點像素值為 255，則 n=n+1，把該點加入點集n，并對該點作標記（比如像素值置為1），進行步驟（3）。

（3）在以該白點為中心的 3×3掩碼范圍內(nèi)按式（1）進行判斷，若式 （1）中為1的位置對應點的像素值為255，則把該點加入點集n，并對該點按步驟（2）作標記，并以該點為新的核進行步驟（3）；若掩碼內(nèi)沒有像素值為 255的點，則進行步驟（4）。

（4）取候選區(qū)對應的邊緣圖的下一個點并進行步驟（2），若圖中的點全部取完，則搜尋結束。

計算搜尋到的各個點集，分別計算它們的長度，若長度大于一定的閾值，則認為不是車牌字符的邊緣，而是保險桿、車牌邊框等的邊緣，這些點集如圖2（a）的所示。

將圖2（a）最上面一行和最下面一行的像素點全置為255，并逐列進行判斷，若相鄰白點間的距離小于0.5×hmin，則認為該列這兩個白點間的區(qū)域是干擾區(qū)域，所得干擾區(qū)域如圖 2（b）所示。

圖2 候選區(qū)上下精確定位

對去除干擾區(qū)之后的候選區(qū)的邊緣圖逐行分析，統(tǒng)計每一行中白點間距離小于 1.5×dstmax的白點數(shù)量，若大于9，則該行是車牌字符行。取連續(xù)字符行最長的區(qū)段，就是車牌上下精確定位的結果。

2.2 車牌候選區(qū)左右精確定位

將所得區(qū)域對應的灰度圖用Otsu閾值化方法進行二值化，可以得到圖 3（a）所示的結果。 統(tǒng)計圖 3（a）中每一列的白點數(shù)目，得到圖3（b）所示的垂直投影直方圖（橫坐標為候選區(qū)像素的列數(shù)，縱坐標為每一列的白點數(shù)目）。

設候選區(qū)高度的一半為seg?？紤]到閾值化的結果可能是黑底白字和白底黑字兩種情況，為使閾值化結果統(tǒng)一為白底黑字，根據(jù)車牌中除字符之外的底牌面積遠大于字符面積的特性，統(tǒng)計二值化圖中從左到右第一列小于seg到最后一列小于seg區(qū)間的黑點和白點數(shù)目，若白點數(shù)目少于黑點數(shù)目，則對閾值化結果進行取反，即黑點變白點，白點變黑點，可使閾值化結果統(tǒng)一為白底黑字。若連續(xù)n列的白點數(shù)目大于seg，且n<1.5×dstmax，則認為是一個字符區(qū)域。若字符區(qū)域個數(shù)大于4，且字符區(qū)域的寬度大于wmin小于wmax，則認為是最終定位的車牌，最終定位結果如圖 3（c）所示。

圖3 候選區(qū)左右精確定位

3 實驗及結果

運用本文算法對某卡口全天拍攝到的462幅大小為1 600×1 200的單車牌圖像進行實驗，其中包含345張白天拍攝的圖片和117張晚上拍攝的圖片，車型有小轎車、面包車、貨車，車牌有水平和傾斜的情況。計算機為主頻2.7 GHz、Windows 7系統(tǒng)。共定位出476個認為是車牌的區(qū)域，其中定位出433張正確的車牌，錯誤定位43張車牌，其中4張定位不精確，39張屬于誤檢。定位成功率為93.7%，平均每幅圖像定位時間為435 ms。

車牌定位是車牌識別中重要的環(huán)節(jié)，對后續(xù)的字符識別有很大影響。本文提出的基于紋理特征的車牌定位算法在車牌定位上做了一些新的嘗試。其通過連接水平方向上距離較近的邊緣點，運用腐蝕膨脹操作來形成候選區(qū)域；在精確定位時，根據(jù)水平方向邊緣線段長度進行上下精確定位。實驗結果表明，該方法取得了較好的結果，具有一定的借鑒價值。

[1]吳舟舟，李樹廣.基于分級邊緣間距的實時車牌檢測[J].中國圖象圖形學報，2007，12（2）：315-321.

[2]Zhao Jianyu， Ma Shujian， Han Weimin， et al.Research and Implementation of License Plate Recognition Technology[C].24th Chinese Controland Decision Conference， 2012：3768-3773.

[3]KIM M K.License plate location method unaffected by variation in size and aspect ratio[J].International Journal of Automotive Technology， 2010， 11（5）： 751-758.

[4]張引.基于空間分布的最大類間方差牌照圖像二值化算法[J].浙江大學學報（工學版），2001，35（3）：272-275.

[5]朱成軍，蒲菊華，高磊，等.基于 Tophat變換和文字紋理的車牌定位算法[J].北京航空航天大學學報，2008，34（5）：541-545.

[6]呂文敏.車牌識別系統(tǒng)中圖像的采集和定位問題研究[J].計算機與現(xiàn)代化，2009（3）：19-23.

[7]張引，潘云鵬.彩色汽車圖象牌照定位新方法[J].中國圖象圖形學報，2001，6（4）：374-377.

[8]王義興，黃鳳崗，韓金玉，等.基于顏色搭配與紋理特征的車牌定位方法[J].中國圖象圖形學報，2009，14（2）：303-308.

[9]王建，劉立，王天慧.基于四元數(shù)特定顏色對邊緣檢測的車牌定位[J].計算機應用，2011，31（3）：729-734.

[10]聶洪印，周衛(wèi)東，劉輝.多顏色模型和綜合特征下的車牌定位新方法[J].計算機工程與應用，2010，46（12）：221-223.

[11]高一文，龔劬.基于顏色與結構特征的車牌定位算法[J].重慶文理學院學報（自然科學版），2012，31（3）：71-75.