紋理方向與邊緣特性相結(jié)合的車牌定位方法

馮夫健，譚棉，王林

(貴州民族大學(xué)貴州省模式識(shí)別與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550025)

紋理方向與邊緣特性相結(jié)合的車牌定位方法

馮夫健，譚棉，王林

(貴州民族大學(xué)貴州省模式識(shí)別與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550025)

針對(duì)道路車輛的車牌信息提取問題，提出了一種基于紋理方向與邊緣特性相結(jié)合的車牌定位方法。利用梯度方向場對(duì)獲取原圖像進(jìn)行計(jì)算，從而得到紋理方向圖；融合紋理方向圖和二值圖像通過區(qū)間判定邊緣信息的方法確定候選區(qū)域及車牌區(qū)域；采用改進(jìn)的區(qū)域標(biāo)記方法實(shí)現(xiàn)車牌的準(zhǔn)確定位。實(shí)驗(yàn)證明此種方法定位速度快、準(zhǔn)確率高，具有很高的魯棒性。

車牌區(qū)域；梯度矢量；紋理方向圖；邊緣特性；區(qū)間判定

1 引言

車牌識(shí)別是智能交通系統(tǒng)中車輛信息自動(dòng)獲取的重要組成部分。但受光照不均、環(huán)境復(fù)雜以及車輛種類繁多等影響，準(zhǔn)確的定位車牌難度很大。近來關(guān)于車牌定位的方法很多，如馬爽等利用目標(biāo)區(qū)域的邊緣梯度融合車牌灰度紋理特征與顏色特征來實(shí)現(xiàn)車牌的定位；[1]廉寧等提出了采用數(shù)學(xué)形態(tài)學(xué)和顏色特征相結(jié)合的方法來定位車牌；[2]FengWang等提出在HSV空間采用模糊邏輯的方法來定位；[3]Danian Zheng等用矩形框在邊緣圖像中搜索車牌區(qū)域以實(shí)現(xiàn)車牌的定位；[4]張震等采用傳統(tǒng)的背景差分法和特征匹配法實(shí)現(xiàn)多特征融合的車牌定位；[5]劉雄飛等提出一種基于行掃描和小波變換的車牌定位方法，利用行掃描確定車牌的上下邊界，對(duì)圖像的垂直投影進(jìn)行小波變換來實(shí)現(xiàn)車牌定位。[6]上述方法只是在背景較為簡單或僅限車身部分進(jìn)行處理（如圖1所示），對(duì)于道路車輛信息智能獲取中車牌信息的獲取應(yīng)用范圍有限，因此較難應(yīng)用到實(shí)際的場景中。

針對(duì)上述問題，本文提出了基于紋理方向圖與邊緣特性相結(jié)合的車牌定位方法，該方法根據(jù)車牌特有的紋理信息，引用紋理方向場的方法獲得方向圖，[7]并結(jié)合二值圖像信息判定邊緣的方法實(shí)現(xiàn)車牌的準(zhǔn)確定位，通過實(shí)驗(yàn)驗(yàn)證表明，此種方法可以應(yīng)用到較復(fù)雜的場景中，并且定位效果較好。

2 圖像預(yù)處理

如圖1所示，采集的原圖像受天氣、光照和道路上污漬等影響，對(duì)特征信息的提取以及車牌的準(zhǔn)確定位有較大影響，為了降低噪聲的影響，首先對(duì)圖像進(jìn)行預(yù)處理。

圖1 復(fù)雜背景下的原圖像

2.1 邊緣檢測

邊緣檢測是圖像預(yù)處理中最基本的操作。如一階微分算子、二階Laplacian算子等是迄今為止使用最多的算法，由于Sobel算子計(jì)算簡單、并且對(duì)圖像的邊緣有一定的噪聲抑制能力，因此，在建議的算法中，使用該算子來進(jìn)行邊緣檢測，如圖2所示。

圖2 Sobel算子

圖3是經(jīng)過Sobel算子處理后的圖像。從圖中可以看出僅僅通過邊緣檢測并不能突出感興趣的信息，因此本文引入了Shen算子對(duì)圖像進(jìn)行增強(qiáng)處理。

圖3 Sobel檢測后的圖像

2.2 圖像增強(qiáng)

如圖3所示，噪聲主要集中在高頻部分，因此引入Shen氏低通濾波器[8]對(duì)邊緣圖像進(jìn)行平滑。具體方法如下：設(shè)原信號(hào)為I(x（)x=0,1,2,…,N），首先從左向右進(jìn)行濾波得到

這里，0＜a＜1（a為平滑參數(shù)），如圖4是經(jīng)過Shen平滑后的圖像。

圖4 Shen增強(qiáng)后的圖像

圖5 二值化后的圖像

3 車牌定位的算法描述

從圖4中可以看出要想在復(fù)雜的背景下準(zhǔn)確的定位車牌是非常困難的，因此本文提出了紋理方向與邊緣特性相結(jié)合的車牌定位方法，然而在離散的圖像中計(jì)算出紋理信息難度很大，因此引入方向場的概念來獲得原圖像的紋理方向圖。具體方法如下：

3.1 梯度方向場

梯度是衡量信號(hào)變化速度的一個(gè)檢測矢量，在一幅圖像中任意一點(diǎn)的梯度方向?qū)?yīng)于該點(diǎn)所處密度面的法線方向，因此，圖像密度等值線的切線方向與梯度方向垂直。利用此原理即可計(jì)算出圖像的方向場。

設(shè)方向角度為θ，I(x,y)為原圖像函數(shù)，計(jì)算方法如下：

其中，Gx和Gy是梯度矢量，梯度值越大，角度值越可靠。接下來是對(duì)梯度的方向場估計(jì)，方向場計(jì)算是通過一個(gè)區(qū)域的梯度平均計(jì)算得到。設(shè)w是一個(gè)k×k的模板，由于梯度矢量的幅值大小代表了梯度的強(qiáng)弱，對(duì)其進(jìn)行平方運(yùn)算后，梯度強(qiáng)的矢量貢獻(xiàn)將大于梯度弱的矢量，方法如下：

然后梯度矢量又被轉(zhuǎn)換回笛卡爾坐標(biāo)：

最后，圖像的梯度矢量的方向平均可以表示為:

3.2 算法描述

車牌定位算法流程如下：

（1）用梯度方向場（3.1節(jié)）中介紹的方法對(duì)I(x,y)圖像計(jì)算，由于車牌一般是接近水平的，本文中選擇角度在[-15 15]范圍內(nèi)進(jìn)行計(jì)算，從而得到方向圖R。

（2）設(shè)H為方向圖R的直方圖函數(shù)，（i,max(H(i))）和（j,min(H(j))）分別為H的最大值和最小值坐標(biāo)，通過公式（8）計(jì)算出閾值T=H(t)，如圖5所示，采用T對(duì)R進(jìn)行二值化處理得到G。

其中：

圖6 二值化后的方向圖

圖7 縮小后的二值圖像

（3）采用步驟（2）中的二值化方法對(duì)增強(qiáng)后的圖像（圖像4）進(jìn)行二值化處理，結(jié)果如圖6所示。設(shè)w為k×k的模板，用模板將二值圖像分割成M*N塊，采用下述公式對(duì)二值圖像（圖5）進(jìn)行計(jì)算從而得到和方向圖G同等大小的圖像B，如圖7所示。

（4）設(shè)M=G且M為0值圖像，通過方向圖G和圖像B找夾在兩平行方向中的邊緣信息，根據(jù)公式10計(jì)算得到初步的車牌區(qū)域和備選區(qū)域，如圖8所示。

圖8 經(jīng)二值圖和方向圖結(jié)合處理的圖像

圖9 定位出車牌區(qū)域

（5）采用區(qū)域標(biāo)記法記錄每一個(gè)白色區(qū)域的左上坐標(biāo)M(x,y)和右下坐標(biāo)M(x1,y1),計(jì)算每一個(gè)區(qū)域的寬度c和高度h，以及面積s，根據(jù)寬高比和區(qū)域面積定位出車牌區(qū)域，如圖9所示。

4 實(shí)驗(yàn)結(jié)果

本文算法在core i7-3770CPU，4GB內(nèi)存win7系統(tǒng)平臺(tái)，采用VC++6.0和OpenCV 1.0聯(lián)合編程下實(shí)現(xiàn)。為了驗(yàn)證建議方法的有效性，分別采集了交通路段和停車場入口的視頻并由遠(yuǎn)距離到近距離抽取圖像各100張（1幀/秒）進(jìn)行測試試驗(yàn)，試驗(yàn)結(jié)果如表1所示，對(duì)于交通入口獲取的圖像平均定位準(zhǔn)確率達(dá)到94%，平均耗時(shí)為1.32秒；對(duì)于停車場獲取的圖像平均定位準(zhǔn)確率達(dá)到98%，平均耗時(shí)為0.73秒。

表1 試驗(yàn)數(shù)據(jù)統(tǒng)計(jì)

由于獲取視頻圖像受到光線反光、遠(yuǎn)近距離不同、背景噪聲、車牌區(qū)域不清晰等的干擾較大，為準(zhǔn)確定位車牌帶來了很大的影響。圖10(a)、(c)是在交通路段和停車場抽取的較遠(yuǎn)距離的兩幀圖像，由車牌定位的試驗(yàn)結(jié)果圖10(e)可知，能準(zhǔn)確的找出車牌區(qū)域，但存在一些噪聲影響。圖10(b)、(d)是在交通路段和停車場入口處獲取的較近距離的視頻幀。能夠準(zhǔn)確快速的定位出車牌區(qū)域，如圖10(f)所示。通過對(duì)試驗(yàn)結(jié)果的分析可知，本文算法對(duì)車牌定位的準(zhǔn)確率較高，有很強(qiáng)穩(wěn)定性和魯棒性。并隨著距離越近車牌的定位效果越好。為后續(xù)車牌自動(dòng)識(shí)別以及車輛的智能跟蹤做了較好的鋪墊。

圖10 本文算法定位車牌實(shí)驗(yàn)結(jié)果

5 結(jié)語

在本文中，針對(duì)汽車在交通路段的實(shí)際場景視頻圖像進(jìn)行分析，給出了一種二值圖和紋理方向圖相結(jié)合的車牌定位方法。通過Shen氏低通濾波器以及梯度方法得到原圖像的二值化圖像，為車牌的準(zhǔn)確定位奠定了基礎(chǔ)。采用梯度方向場對(duì)原圖像進(jìn)行處理，并對(duì)方向圖進(jìn)行二值化，在很大程度上提高了車牌定位的準(zhǔn)確率和精度。實(shí)現(xiàn)了對(duì)車牌區(qū)域及備選區(qū)域的準(zhǔn)確定位。同時(shí)采用掃描標(biāo)記法準(zhǔn)確地定位出車牌區(qū)域，不但提高了計(jì)算速度，還提高了車牌定位的準(zhǔn)確率。本文介紹的車牌定位方法已經(jīng)達(dá)到了預(yù)期的效果，具有較強(qiáng)的魯棒性和實(shí)時(shí)性。

[1]馬爽，陳江寧，盧虎，等．邊緣特性篩選與多判定機(jī)制下的車牌定位方法[J]．計(jì)算機(jī)工程與應(yīng)用，2014 (9):145-149．

[2]廉寧，徐艷蕾．基于數(shù)學(xué)形態(tài)學(xué)和顏色特征的車牌定位方法[J]．圖學(xué)學(xué)報(bào)，2014(5):774-779．

[3]Wang Feng，Man Lichun，Wang Bangping，Xiao Yijun，Pan W ei，Lu Xiaochun．Fuzzy-based algorithm for color recognition of license plates[J]．Pattern Recognition Letters，2008(29):1007–1020．

[4]Zheng Danian,Zhao Yannan,W ang Jiaxin．An efficientmethod of license plate location[J]．Pattern Recognition Letters,2005(23):2431-2438．

[5]張震，楊曉．基于OpenCV實(shí)現(xiàn)多特征融合的移動(dòng)車牌定位算法[J]．計(jì)算機(jī)應(yīng)用與軟件，2014(4): 289-292．

[6]劉雄飛，龍巧云，李根，喻格英．基于行掃描和小波變換的車牌定位算法[J]．計(jì)算機(jī)應(yīng)用與軟件，2013 (5):279-282．

[7]Rao A R,A Taxonomy for Texture Description and Identification[M]．New York:Springer-Verlag, 1990:576-579．

[8]Shen J，Castan S．An Optimal Linear Operator for Step Edge Detection[J]．GraphicalModel and Image Processing，1992(54):121-124．

App roach for License Plate Location Using Texture Direction and Edge Feature

FENG Fu-jian,TANMian,WANG Lin
(Guizhou Key Laboratory of Pattern Recognition and IntelligentSystem,Guiyang,Guizhou Minzu University, Guiyang,Guizhou550025,China)

This paper presentsamethod for license plate information extraction based on texture orientation and edge featuresunder the road vehicles.The original image is calculated by the gradient field direction, thus obtain a texture pattern.This article adopts themethod of interval decision edge information which combines the texture direction image and binary image to determine the candidate region and the license plate region.Finally,the plates are accurately positioned using the improved regional notation.Experimental results show that thismethod ispositioning speed,high accuracy,with high robustness.

License Plate Region;Gradient Vector;Texture Orientation;Edge Features;Interval Decision

B84

A

2096-0239（2016）06-0139-06

（責(zé)編：任秀秀 責(zé)校：明茂修）

2016-11-11

國家自然科學(xué)基金資助項(xiàng)目“道路車輛的信息檢測及視覺理”，項(xiàng)目編號(hào)：61263034；貴州省教育廳青年科技人才成長項(xiàng)目“基于視覺計(jì)算的人群異常行為監(jiān)控預(yù)警系統(tǒng)研究”，項(xiàng)目編號(hào)：黔教合KY字[2016]165。

馮夫健(1986-)，男，山東臨清人，貴州民族大學(xué)教務(wù)處實(shí)驗(yàn)師。研究方向：圖像處理、模式識(shí)別。

譚棉(1984-)，女(壯族)，廣西東蘭人，貴州民族大學(xué)教務(wù)處實(shí)驗(yàn)師。研究方向：復(fù)分析。

王林(1965-)，男(苗族)，貴州貴陽人，貴州民族大學(xué)教授，博士。研究方向：模式識(shí)別。