車牌傾斜校正算法研究

劉 威

（廊坊市廣播電視大學(xué)，廊坊 065000）

0 引言

車牌識(shí)別作為智能交通系統(tǒng)關(guān)鍵組成部分，占有重要的作用。通過(guò)車牌識(shí)別技術(shù)，可以準(zhǔn)確獲得路面上車輛的車牌信息，為實(shí)時(shí)交通監(jiān)控、安全防盜等提供重要依據(jù)。車牌識(shí)別[1]是利用計(jì)算機(jī)視覺(jué)、圖像處理和模式識(shí)別等技術(shù)，對(duì)攝像機(jī)拍攝的車輛圖經(jīng)由計(jì)算機(jī)的識(shí)別軟件進(jìn)行分析處理識(shí)別車牌上字符的一種技術(shù)。通常，由于拍攝角度與位置關(guān)系，會(huì)出現(xiàn)攝像機(jī)拍攝的車輛圖片傾斜的現(xiàn)象，導(dǎo)致車牌分割錯(cuò)誤，進(jìn)而降低字符識(shí)別率。因此，傾斜車牌的校正就成為車牌識(shí)別過(guò)程中重要環(huán)節(jié)，通過(guò)對(duì)傾斜車牌校正，進(jìn)一步正確分割車牌。

車牌傾斜主要有三種模式[2]，即水平方向、垂直方向和混合方向上(水平和垂直方向上的綜合)的車牌傾斜。水平傾斜指車牌在垂直方向上的扭曲造成的，邊框?yàn)橐粋€(gè)平行四邊形；垂直傾斜是由于車牌旋轉(zhuǎn)一定的角度造成的，邊框仍為矩形。現(xiàn)在采集的圖像大多是混合傾斜的車牌圖像，因此在校正過(guò)程中，需對(duì)兩個(gè)方向上的傾斜同時(shí)進(jìn)行校正。

現(xiàn)有的車牌傾斜校正算法主要有以下三種：1)Hough變換法；2)旋轉(zhuǎn)投影變換法；3)基于主元分析的車牌傾斜校正方法[3～7]。以上方法盡管在實(shí)際應(yīng)用中都取得一定效果，但還存在一些不足。例如，Hough變換通過(guò)求取車牌邊框來(lái)確定傾斜角，當(dāng)車牌邊框存在一些邊框不明顯、噪聲等干擾因素影響時(shí)，該方法效果不理想；旋轉(zhuǎn)投影變換法，需要在各個(gè)方向上進(jìn)行投影計(jì)算，因而計(jì)算量大。基于此，本文提出一種新的車牌傾斜校正方法，即利用Sobel算子對(duì)車牌圖像進(jìn)行邊緣檢測(cè)，接著對(duì)其進(jìn)行Radon變換，確定出車牌在水平和垂直方向上的傾斜角度，結(jié)合不同方向上傾斜角度分別對(duì)水平傾斜、垂直傾斜的車牌進(jìn)行雙線性插值旋轉(zhuǎn)校正和錯(cuò)位偏移校正，使得車牌正確分割。

1 邊緣檢測(cè)與Radon變換

1.1 邊緣檢測(cè)

為了標(biāo)識(shí)圖像中亮度變化明顯的點(diǎn)需要對(duì)其進(jìn)行邊緣檢測(cè)，還大大減少了數(shù)據(jù)量，檢測(cè)出邊緣圖像就可以進(jìn)一步分析和提取特征?，F(xiàn)在已有很多算法和算子的改進(jìn)用于邊緣檢測(cè)，但各有優(yōu)缺點(diǎn)，應(yīng)用領(lǐng)域不同。本文采用Sobel邊緣檢測(cè)算子[8～10]，它是離散性差分算子，由兩個(gè)卷積核對(duì)原圖像進(jìn)行卷積，可得到橫向與縱向亮度差分近似值。先對(duì)某一像素點(diǎn)(x ,y) 周圍像素值進(jìn)行加權(quán)平均，判斷該像素點(diǎn)是否處于極值，若是，則認(rèn)為是邊緣點(diǎn)。該算法具有計(jì)算簡(jiǎn)單有效，速度快對(duì)噪聲具有平滑作用等優(yōu)點(diǎn)。

對(duì)于一個(gè)連續(xù)圖像函數(shù) f (x, y)，在水平和垂直方向上的梯度分別用GX，GY表示，GX則用來(lái)檢測(cè)垂直邊緣，GY用來(lái)檢測(cè)水平邊緣。GX，GY可通過(guò)如下式來(lái)計(jì)算。

設(shè)定一閾值TH對(duì)圖像進(jìn)行二值化處理，通過(guò)與圖像像素點(diǎn)的梯度值進(jìn)行比較大小確定是否為邊緣點(diǎn)。邊緣點(diǎn)即為梯度值等于或大于TH的點(diǎn)，小于TH的點(diǎn)則不是邊緣點(diǎn)，以此實(shí)現(xiàn)邊緣檢測(cè)。具體算法步驟如下所示[11]：

Step1：分別按水平和垂直方向從左到右，從下到上遍歷圖像的每個(gè)像素點(diǎn)；

Step2：對(duì)圖像中的像素值與水平、垂直梯度系數(shù)的乘積作累加和；

Step4：比較新像素值與TH大小，判斷出圖像的邊緣點(diǎn)。

1.2 Radon變換

Radon變換是指圖像矩陣沿著某一角度進(jìn)行投影，投影后對(duì)數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)絕對(duì)值相加，得到一極值時(shí)的角度即為傾斜角。二維圖像f(x,y)的投影即某一方向上的線積分，如f(x,y)在x軸、y軸上的投影分別表示在垂直和水平方向上的線積分。f(x,y)在任意角度θ計(jì)算投影亦即圖像的Radon變換。Radon變換的定義如下：

其中：

其幾何關(guān)系如圖1所示。

2 車牌傾斜校正算法

車牌傾斜校正算法如下：首先對(duì)車牌圖像轉(zhuǎn)化為灰度圖像，接著進(jìn)行水平和垂直方向上邊緣檢測(cè)，然后利用Radon變換計(jì)算出車牌在水平和垂直方向上的傾斜角度，根據(jù)傾斜角度進(jìn)行雙線性插值旋轉(zhuǎn)校正和錯(cuò)位偏移校正。其流程如圖2所示。

2.1 車牌邊框、鉚釘?shù)热コ?/h3>

圖1 Radon變換的幾何對(duì)應(yīng)關(guān)系

圖2 傾斜車牌校正的流程序

車牌邊框以及釘在車牌上的鉚釘會(huì)對(duì)字符切割產(chǎn)生一定影響，因此，在進(jìn)行車牌傾斜校正前需對(duì)其去除。對(duì)二值化圖像進(jìn)行水平和垂直方向上邊緣檢測(cè)，就可去掉車牌邊框；車牌字符區(qū)域投影值較大，且縱向掃描車牌時(shí)鉚釘?shù)群诎滋兇螖?shù)不頻繁，根據(jù)黑白跳變次數(shù)來(lái)判斷是否為字符，設(shè)定一閾值，若黑白跳變次數(shù)大于T，則投影區(qū)域?yàn)樽址?/p>

2.2 車牌傾斜角獲取

車牌傾斜角求取分為水平傾斜角和垂直傾斜角，原始車牌圖像進(jìn)行轉(zhuǎn)換后，對(duì)其進(jìn)行Radon變換分別獲取車輛傾斜角。利用Radon變換計(jì)算車牌傾斜角原理如下：

Step1：通常車牌傾斜角度范圍[-45°，+45°]，對(duì)車牌進(jìn)行-45°,+45°的Radon變換；

Step2：針對(duì)Step1中結(jié)果進(jìn)行一階導(dǎo)數(shù)絕對(duì)值求和；

Step3：當(dāng)計(jì)算到最大累加和時(shí)對(duì)應(yīng)的角度，即為傾斜角度。

2.3 車牌校正

傾斜車牌校正同樣分為水平方向校正和垂直方向校正。利用上節(jié)提到的車牌傾斜角度獲取方法，計(jì)算得到車牌在水平方向的傾斜角度α 和垂直方向上的傾斜角度β。對(duì)于水平傾斜校正來(lái)說(shuō)，根據(jù)α 大小進(jìn)行雙線性插值旋轉(zhuǎn)，若α ＞0，則進(jìn)行順時(shí)針旋轉(zhuǎn)，否則反之，然后進(jìn)行轉(zhuǎn)置，就可以校正水平傾斜的車牌圖像；對(duì)于垂直傾斜校正，即位于同一行間像素錯(cuò)位偏移，需要對(duì)其進(jìn)行移位來(lái)確定校正后像素坐標(biāo)點(diǎn)。具體過(guò)程如下：

計(jì)算得到校正后像素點(diǎn)坐標(biāo)后，接著利用雙線性插值運(yùn)算其灰度值。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文校正算法性能，利用本文提出的算法對(duì)拍攝圖像進(jìn)行測(cè)試，其中傾斜角度獲取有兩種方式，主要包括利用本文算法求得傾斜車牌的傾斜角度以及人工方式測(cè)得其傾斜角度。傾斜車牌校正過(guò)程如圖3所示。

圖3 傾斜車牌校正過(guò)程

本文算法對(duì)圖3中的傾斜車牌進(jìn)行Radon變換，然后對(duì)其結(jié)果進(jìn)行求一階導(dǎo)數(shù)絕對(duì)值累加和，計(jì)算得到一極值，所對(duì)應(yīng)角度即為傾斜角度，計(jì)算傾斜車牌的水平角度為25°，垂直角度為40°。為了和本文車牌傾斜校正算法得到的校正后的圖片進(jìn)行對(duì)照，進(jìn)行人工測(cè)量?jī)A斜車牌的傾斜角度，人工測(cè)得圖3中傾斜車牌的水平傾斜和垂直傾斜角度分別為：23°和41°。將人工測(cè)得車牌傾斜角度代入到算法中進(jìn)行車牌校正，得到校正結(jié)果如圖4所示。

圖4 車牌校正結(jié)果

對(duì)于有污跡的車牌，采用本文算法進(jìn)行傾斜校正后結(jié)果如圖5所示。

圖5 污跡傾斜車牌的校正過(guò)程

圖6 本文算法和文獻(xiàn)算法校正結(jié)果比較

將本文算法分別與采用文獻(xiàn)[12]中基于子區(qū)域投影分析的車牌傾斜校正算法和文獻(xiàn)[13]中基于Radon變換的車牌傾斜校正算法進(jìn)行比較，比較結(jié)果如圖6所示。

由圖3、圖4和圖5可以看出，本文算法進(jìn)行車牌傾斜校正取得了較好的效果。校正后圖片清晰，表明采用該算法進(jìn)行車牌傾斜校正的可行性，且操作簡(jiǎn)單，對(duì)有污點(diǎn)、光照等影響不敏感。通過(guò)本文算法和文獻(xiàn)提出的算法進(jìn)行車牌傾斜校正實(shí)驗(yàn)，進(jìn)一步分析得出，本文算法比文獻(xiàn)中提出的兩種算法校正效果更明顯，并能有效去除鉚釘?shù)龋\(yùn)算效率高。

4 結(jié)束語(yǔ)

本文在分析Sobel算子和Radon變換的基礎(chǔ)上，提出一種新的傾斜車牌校正方法。該方法采用Sobel算子進(jìn)行圖像邊緣檢測(cè)，利用傾斜車牌的Radon變換，對(duì)變換結(jié)果求取一階導(dǎo)數(shù)絕對(duì)值累加和，得到極值所對(duì)應(yīng)的角度來(lái)確定傾斜車牌的水平和垂直傾斜角度。然后對(duì)車牌進(jìn)行旋轉(zhuǎn)校正。通過(guò)與文獻(xiàn)算法比較實(shí)驗(yàn)結(jié)果表明，該方法進(jìn)行車牌傾斜校正的可行性，操作簡(jiǎn)便，運(yùn)行速度快，并對(duì)污跡、光照等影響時(shí)的傾斜車牌校正仍然可以取得令人滿意的結(jié)果。因此，具有一定的應(yīng)用前景。

[1]王曉雪,蘇杏麗.數(shù)字圖像處理在車牌識(shí)別中的應(yīng)用[J].自動(dòng)化儀表,2010,31(7)：22-25,28.

[2]薛迎衛(wèi).基于小波變換與支持向量機(jī)的車牌識(shí)別[D].北京化工大學(xué),2009.

[3]許智榜,石曉瑛.基于RBF神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].南昌大學(xué)學(xué)報(bào)(工科版),2009,31(2)：147-150.

[4]朱夢(mèng)哲,陳志華,趙鐘,尤越.基于OpenCV的車牌定位和校正方法[J].計(jì)算機(jī)應(yīng)用.2013,33(S1)：223-226,225。

[5]馬騰飛,鄭永果,趙衛(wèi)東.基于邊緣檢測(cè)與Hough變換的車牌字符分割算法[J].系統(tǒng)仿真學(xué)報(bào),2006,18(Z1)391-392

[6]申繼龍,車牌定位和傾斜校正的關(guān)鍵技術(shù)研究[D].南京郵電大學(xué),2013.

[7]朱程輝,吳德會(huì).基于主元分析的傾斜車牌圖像校正方法研究[J].微電子學(xué)與計(jì)算機(jī),2006,23(1)：177-180.

[8]袁春蘭,熊宗龍,周雪花,等.基于Sobel算子的圖像邊緣檢測(cè)研究[J].激光與紅外,2009,39(1)：85-87.

[9]Health A,Sarkar S,Sanocki T,et al.Comparision of edge detections.A methodology and initial study[J].Computer Vision and Image Undersstanding.1998,69(1)：38-54.

[10]沈峰亭,魏紅.基于改進(jìn)Sobel算子的螺紋邊緣檢測(cè)[J].微計(jì)算機(jī)信息,2008,24(1-1)：261-262.

[11]陳含,呂行軍,田鳳珍,等.基于Sobel算子邊緣檢測(cè)的麥穗圖像分割[J].農(nóng)機(jī)化研究,2013,35(3)：33-36.

[12]馬洪霞.基于子區(qū)域投影分析的車牌傾斜校正[J].計(jì)算機(jī)應(yīng)用與軟件,2012,29(6)：253-255,293.

[13]賈曉丹,李文舉,王海姣.一種新的基于Radon變換的車牌傾斜校正方法[J].計(jì)算機(jī)工程與應(yīng)用,2008,44(3)：245-248.