視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)車(chē)輛的車(chē)標(biāo)識(shí)別技術(shù)

楊正云，王　林

（貴州民族大學(xué)理學(xué)院，貴州貴陽(yáng)550025）

視頻監(jiān)控系統(tǒng)中運(yùn)動(dòng)車(chē)輛的車(chē)標(biāo)識(shí)別技術(shù)

楊正云，王林

（貴州民族大學(xué)理學(xué)院，貴州貴陽(yáng)550025）

車(chē)標(biāo)識(shí)別技術(shù)是車(chē)輛識(shí)別技術(shù)新的研究方向，包括車(chē)標(biāo)定位和車(chē)標(biāo)識(shí)別兩項(xiàng)關(guān)鍵技術(shù)。作者對(duì)復(fù)雜背景下運(yùn)動(dòng)車(chē)輛車(chē)標(biāo)定位與識(shí)別技術(shù)進(jìn)行了研究，首先，利用Sobel算子找到車(chē)輛圖像中豎邊緣區(qū)域，采用Shen算子進(jìn)行水平方向平滑并二值化處理；其次，利用車(chē)牌的特征和紋理實(shí)現(xiàn)了對(duì)車(chē)牌的精確定位，再根據(jù)車(chē)牌與車(chē)標(biāo)的特殊位置關(guān)系確定車(chē)標(biāo)所在區(qū)域，用車(chē)標(biāo)的先驗(yàn)知識(shí)與紋理特征實(shí)現(xiàn)對(duì)車(chē)標(biāo)的分割；最后，通過(guò)支持向量機(jī)的方法對(duì)分割出的車(chē)標(biāo)進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，該算法簡(jiǎn)單有效，具有較好的魯棒性和較高的識(shí)別率。

車(chē)牌定位；車(chē)標(biāo)分割；支持向量機(jī)；車(chē)標(biāo)識(shí)別；

隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展，人民生活水平的不斷提高，每年都有大量的新增車(chē)輛上路，給交通管理帶來(lái)極大的挑戰(zhàn)，智能交通系統(tǒng)（Intelligence Traffic System，簡(jiǎn)稱(chēng)ITS）的研究被提到重要位置。在ITS中，基于視頻圖像的運(yùn)動(dòng)車(chē)輛識(shí)別技術(shù)是自動(dòng)采集車(chē)輛特征信息的重要技術(shù)基礎(chǔ)［1］，而車(chē)標(biāo)識(shí)別技術(shù)是車(chē)輛識(shí)別技術(shù)新的研究方向，是對(duì)基于車(chē)牌和車(chē)型識(shí)別的車(chē)輛識(shí)別技術(shù)的重要補(bǔ)充和發(fā)展。車(chē)標(biāo)識(shí)別技術(shù)包括車(chē)標(biāo)定位和車(chē)標(biāo)識(shí)別兩項(xiàng)關(guān)鍵技術(shù)。

目前，常用的車(chē)標(biāo)定位算法有：（1）基于局部對(duì)稱(chēng)性特征的快速車(chē)標(biāo)定位［2］；（2）基于能量增強(qiáng)和形態(tài)學(xué)濾波的車(chē)標(biāo)定位方法［3］；（3）基于紋理一致性測(cè)度的汽車(chē)車(chē)標(biāo)分割方法；（4）基于Adaboost的車(chē)標(biāo)定位方法［4］；（5）基于模塊匹配的車(chē)標(biāo)定位方法［5］；（6）基于小波變換的車(chē)標(biāo)定位［6］。

車(chē)標(biāo)識(shí)別技術(shù)可分為基于區(qū)域的技術(shù)［7］和基于邊緣的技術(shù)［8］。常用的識(shí)別方法可分為基于統(tǒng)計(jì)的方法、基于句法模式識(shí)別的方法、基于人工神經(jīng)網(wǎng)絡(luò)的方法等。

但由于汽車(chē)品牌與設(shè)計(jì)的復(fù)雜多樣，各種品牌的汽車(chē)車(chē)標(biāo)大小不一，位置與形狀也各不相同，獲取的視頻圖像背景復(fù)雜、光照不均、大小形狀不一等情況，增加了車(chē)標(biāo)定位和識(shí)別的難度。

本文提出了一種在復(fù)雜背景下對(duì)運(yùn)動(dòng)車(chē)輛車(chē)標(biāo)定位與識(shí)別的方法。根據(jù)車(chē)牌與車(chē)標(biāo)的特殊位置關(guān)系，在車(chē)牌定位的基礎(chǔ)上，實(shí)現(xiàn)對(duì)車(chē)標(biāo)的定位，用車(chē)標(biāo)的先驗(yàn)知識(shí)與紋理特征將車(chē)標(biāo)分割出來(lái)，并通過(guò)支持向量機(jī)方法對(duì)分割出的車(chē)標(biāo)進(jìn)行識(shí)別。

1　車(chē)標(biāo)定位

通過(guò)仔細(xì)觀察不難發(fā)現(xiàn)，幾乎所有車(chē)輛的車(chē)標(biāo)都處于車(chē)輛前臉中軸線上，且都位于車(chē)牌上方。由于車(chē)牌特征較豐富且形狀基本統(tǒng)一，定位相對(duì)比車(chē)標(biāo)容易。因此，利用車(chē)牌和車(chē)標(biāo)的特殊位置關(guān)系，在車(chē)牌定位的基礎(chǔ)上，能較好地定位車(chē)標(biāo)。

1.1車(chē)牌定位

本文采用文獻(xiàn)［9，10］方法對(duì)車(chē)牌進(jìn)行定位。首先采用豎直方向的Sobel算子獲取車(chē)輛圖像的邊緣圖并用Shen算子對(duì)其作水平方向的濾波和進(jìn)行二值化處理，通過(guò)去掉滿(mǎn)足閾值條件的豎直、水平方向的連續(xù)線區(qū)域，得到了數(shù)量較多的候選車(chē)牌區(qū)域；然后根據(jù)車(chē)牌的先驗(yàn)知識(shí)去掉不滿(mǎn)足長(zhǎng)寬比閾值的區(qū)域，降低候選車(chē)牌區(qū)域數(shù)；最后再利用車(chē)牌的字符特征與紋理特征篩選出正確的車(chē)牌區(qū)域，處理結(jié)果如圖1所示。

圖1　車(chē)牌定位的處理流程圖

1.2車(chē)標(biāo)定位

1.2.1車(chē)標(biāo)搜索范圍

車(chē)牌定位后，為了快速有效地實(shí)現(xiàn)車(chē)標(biāo)定位，利用車(chē)牌和車(chē)標(biāo)位置關(guān)系的先驗(yàn)知識(shí)，將搜索范圍限制在車(chē)牌的上方區(qū)域。本文根據(jù)車(chē)牌的位置，確定的車(chē)標(biāo)搜索范圍如下：

其中，Ph1、Ph2表示車(chē)牌在圖像中的高度位置，Ps1、Ps1表示車(chē)牌在圖像中水平位置，Pw表示車(chē)牌的寬度，Bh1、Bh2表示車(chē)標(biāo)在圖像中的高度位置，Bs1、Bs2表示車(chē)標(biāo)在圖像中的水平位置，實(shí)驗(yàn)結(jié)果如圖2所示。

圖2　車(chē)標(biāo)定位處理結(jié)果圖

部分車(chē)輛的車(chē)標(biāo)粗定位圖如圖3所示。

圖3　各種車(chē)標(biāo)粗定位的實(shí)驗(yàn)結(jié)果圖

1.2.2車(chē)標(biāo)預(yù)處理

完成車(chē)標(biāo)粗定位后，接著對(duì)車(chē)標(biāo)進(jìn)行精定位。在對(duì)車(chē)標(biāo)進(jìn)行精定位前，首先對(duì)車(chē)標(biāo)圖像進(jìn)行預(yù)處理，以消除部分噪音的干擾。由于多數(shù)車(chē)標(biāo)邊緣的信息較豐富，作者采用Sobel算子對(duì)邊緣進(jìn)行提取。Sobel算子由兩個(gè)卷積核組成，一個(gè)對(duì)豎直方向邊緣響應(yīng)較大，一個(gè)對(duì)水平方向邊緣響應(yīng)較大，如下所示：

由于車(chē)標(biāo)圖像豎直方向的邊緣信息較豐富，因此本文采用豎直邊緣Sobel算子對(duì)車(chē)標(biāo)圖像進(jìn)行邊緣提取，并根據(jù)經(jīng)驗(yàn)值自定義閾值，大于閾值的像素值設(shè)為1，小于閾值的像素值設(shè)為0，最后得到一幅只有0和1的灰度圖像，使圖像呈現(xiàn)黑白效果。在本文中，的取值為65，二值化的過(guò)程可用數(shù)學(xué)描述如下：

接著對(duì)二值化的圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)的開(kāi)運(yùn)算處理，膨脹和腐蝕這兩種操作是形態(tài)學(xué)處理的基礎(chǔ)。膨脹的具體操作是：用一個(gè)結(jié)構(gòu)元素（一般是3×3的大?。呙鑸D像中的每一個(gè)像素，用結(jié)構(gòu)元素中的每一個(gè)像素與其覆蓋的像素做“與”操作，如果都為0，則該像素為0，否則為1。腐蝕的具體操作是：用一個(gè)結(jié)構(gòu)元素（一般是3×3的大?。呙鑸D像中的每一個(gè)像素，用結(jié)構(gòu)元素中的每一個(gè)像素與其覆蓋的像素做“與”操作，如果都為1，則該像素為1，否則為0。

腐蝕的作用是消除物體邊界點(diǎn)，使目標(biāo)縮小，可以消除小于結(jié)構(gòu)元素的噪聲點(diǎn)；膨脹的作用是將與物體接觸的所有背景點(diǎn)合并到物體中，使目標(biāo)增大，可添補(bǔ)目標(biāo)中的空洞。開(kāi)運(yùn)算是先腐蝕后膨脹的過(guò)程，可以消除圖像上細(xì)小的噪聲，并平滑物體邊界。閉運(yùn)算時(shí)先膨脹后腐蝕的過(guò)程，可以填充物體內(nèi)細(xì)小的空洞，并平滑物體邊界。圖3中車(chē)標(biāo)預(yù)處理的結(jié)果如圖4所示。

圖4　車(chē)標(biāo)預(yù)處理結(jié)果圖

2　車(chē)標(biāo)分割

通過(guò)上述預(yù)處理可以看出，噪聲比較少的圖像通過(guò)預(yù)處理便可得到車(chē)標(biāo)區(qū)域（圖4a），但是大部分圖像還是存在較嚴(yán)重的干擾（圖4b、c、d）。因此，針對(duì)這種情況，本文對(duì)這幾張圖進(jìn)行垂直投影來(lái)分析車(chē)標(biāo)的特征，以方便進(jìn)行精定位。車(chē)標(biāo)粗定位圖像的垂直投影圖如圖5所示。

圖5　車(chē)標(biāo)垂直投影處理結(jié)果圖

其中，曲線表示車(chē)標(biāo)粗定位的垂直投影圖，垂直線表示中軸線。

研究發(fā)現(xiàn)，大多數(shù)的車(chē)標(biāo)都位于車(chē)牌的正中上方，從圖5也可看出，車(chē)標(biāo)圖像不管有沒(méi)有噪聲的干擾，車(chē)標(biāo)投影圖都處在圖像的中間，并呈現(xiàn)出“幾”字型，本文的重點(diǎn)就是要找到“幾”字型左右兩邊的低谷點(diǎn)，由此來(lái)消除低谷點(diǎn)兩邊的噪聲，具體步驟如下。

（1）從左向右搜索滿(mǎn)足以下條件的低谷點(diǎn)I（i，j）：

1）I（i，j）=0&I（i，j）＜I（i，j-1）；

2）I（i，j）=0&I（i，j）＜I（i，j+1）；

3）I（i，j）＜I（i，j-1）&I（i，j）＜I（i，j+1）；

4）I（i，j）=I（i，j-1）&I（i，j）＜I（i，j+1）；

5）I（i，j）＜I（i，j-1）&I（i，j）=I（i，j+1）；

（3）算出垂直投影圖中的中軸點(diǎn)：zhon_zhu= round（n/2）；如果步驟（2）中的滿(mǎn)足該式：P2（i）〈zhon_zhu&P2（i+1）〉z(mì)hon_zhu；便記下這兩個(gè)波谷點(diǎn)

車(chē)標(biāo)消除左右噪聲后的處理結(jié)果如圖6所示。

圖6　消除左右噪聲處理結(jié)果圖

通過(guò)圖6可以看出，圖b、圖c車(chē)標(biāo)左右兩邊的噪聲得到了很好的抑制，但是圖d位于車(chē)標(biāo)正上方的部分噪聲并沒(méi)有消除掉。雖然車(chē)標(biāo)的形狀大小不統(tǒng)一，但是大部分車(chē)標(biāo)都是左右對(duì)稱(chēng)的，并且在垂直方向上，雖然車(chē)標(biāo)與車(chē)牌的位置關(guān)系不確定，但是車(chē)標(biāo)總是在車(chē)牌的上方，位于車(chē)身的垂直中軸線上，通過(guò)中軸線算出候選車(chē)標(biāo)圖像的對(duì)稱(chēng)性，既可以判斷候選車(chē)標(biāo)圖像是否位于中軸線上，又可以判斷候選車(chē)標(biāo)圖像左右是否對(duì)稱(chēng)。根據(jù)以上信息便可對(duì)車(chē)標(biāo)進(jìn)行精定位，如圖7所示。

圖7　中軸線結(jié)果圖

根據(jù)圖6，可以通過(guò)以下步驟篩選出正確的車(chē)標(biāo)位置：

（1）找到圖d中各個(gè)候選車(chē)標(biāo)區(qū)域的最大左右邊緣點(diǎn)值：left_p（i）和right_p（i），分別求出left_p（i）和right_p（i）到中心軸的距離Li（1）、Li（2）。

（2）算出差值Ki=Li（1）-Li（2）。

圖8　消除多余噪聲處理結(jié)果圖

通過(guò)上述步驟，在車(chē)標(biāo)粗定位圖中就只剩下了車(chē)標(biāo)圖。通過(guò)填充，最終處理后的車(chē)標(biāo)粗定位圖經(jīng)掃描上下左右邊緣點(diǎn)，便可從圖3的車(chē)標(biāo)粗定位圖中分割出車(chē)標(biāo)，車(chē)標(biāo)分割處理結(jié)果如圖9所示。

圖9　車(chē)標(biāo)分割結(jié)果圖

3　車(chē)標(biāo)識(shí)別

圖像的特征一般有紋理、顏色、空間和形狀等。由于車(chē)標(biāo)紋理相對(duì)比較整齊，通過(guò)分類(lèi)法很難區(qū)別各種車(chē)標(biāo)的特征，所以本文以形狀作為原始特征來(lái)進(jìn)行識(shí)別。本文在對(duì)車(chē)標(biāo)進(jìn)行二值化的過(guò)程中，不僅保留了車(chē)標(biāo)的形狀，還保留了車(chē)標(biāo)的紋理，通過(guò)建立二值化車(chē)標(biāo)庫(kù)，即可利用支持向量機(jī)分類(lèi)器對(duì)待識(shí)別車(chē)標(biāo)的二值化圖進(jìn)行識(shí)別。車(chē)標(biāo)庫(kù)是車(chē)標(biāo)正確分類(lèi)的關(guān)鍵。在實(shí)驗(yàn)中，本文從多幅圖像中選擇部分車(chē)標(biāo)作為模板樣本，并且每一種車(chē)標(biāo)選取四張不同大小、光照的圖像，以避免在識(shí)別過(guò)程中，由于一張圖像匹配誤差過(guò)大而導(dǎo)致識(shí)別結(jié)果無(wú)效的情況。一種車(chē)標(biāo)有多張圖像不僅可以保證識(shí)別的準(zhǔn)確性，還可以避免識(shí)別過(guò)程中的誤判。

完成了待識(shí)別車(chē)標(biāo)的特征提取和車(chē)標(biāo)庫(kù)的建立后，即可采用分類(lèi)器對(duì)待識(shí)別車(chē)標(biāo)進(jìn)行識(shí)別。其中分類(lèi)器［11］包括最小距離分類(lèi)器、貝葉斯分類(lèi)器、支持向量機(jī)分類(lèi)器和神經(jīng)網(wǎng)絡(luò)分類(lèi)器等，因?yàn)橹С窒蛄繖C(jī)分類(lèi)器設(shè)計(jì)簡(jiǎn)單并且能夠滿(mǎn)足實(shí)時(shí)性要求，所以本文選擇這種分類(lèi)方法。

支持向量機(jī)［12］，一般簡(jiǎn)稱(chēng)SVM，是一種二類(lèi)分類(lèi)模型，其基本模型定義為特征空間上的間隔最大的線性分類(lèi)器，其學(xué)習(xí)策略便是間隔最大化，最終可轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問(wèn)題的求解。支持向量機(jī)的最終問(wèn)題則轉(zhuǎn)化為對(duì)線性判別函數(shù)和判別面的求解，利用線性判別函數(shù)涉及多類(lèi)分類(lèi)器，有多種方法：（1）可以把類(lèi)問(wèn)題轉(zhuǎn)化為個(gè)兩類(lèi)問(wèn)題，其中第 個(gè)問(wèn)題是用線性判別函數(shù)把屬于類(lèi)和不屬于的點(diǎn)分開(kāi)；（2）更復(fù)雜的方法是用個(gè)線性判別函數(shù)，把樣本分為個(gè)類(lèi)別，每個(gè)線性判別函數(shù)只對(duì)其中的兩個(gè)類(lèi)別分類(lèi)。線性判別函數(shù)是指的各個(gè)分量的線性組合函數(shù)：

設(shè)計(jì)線性分類(lèi)器，就是利用訓(xùn)練樣本集建立線性判別函數(shù)，而設(shè)計(jì)線性分類(lèi)器的主要問(wèn)題就是利用訓(xùn)練樣本集尋找準(zhǔn)則函數(shù)的極值點(diǎn)和常見(jiàn)的準(zhǔn)則函數(shù)有：Fisher準(zhǔn)則函數(shù)、感知準(zhǔn)則函數(shù)、最小平方誤差準(zhǔn)則函數(shù)等，進(jìn)而進(jìn)一步得到最優(yōu)分類(lèi)函數(shù)：

表1　各種車(chē)標(biāo)識(shí)別效果

從實(shí)驗(yàn)結(jié)果可以看出，識(shí)別的正確率不是很高，主要是由于本文采用視頻中的一幅圖像來(lái)作處理，車(chē)標(biāo)圖案受光照和環(huán)境的影響較大，在待識(shí)別前進(jìn)行二值化時(shí)信息損失較嚴(yán)重，從而影響了識(shí)別效果，對(duì)于這個(gè)問(wèn)題還需進(jìn)一步研究。

4　結(jié)束語(yǔ)

本文首先對(duì)車(chē)牌進(jìn)行精確定位，并利用車(chē)標(biāo)與車(chē)牌的特殊位置關(guān)系，對(duì)車(chē)標(biāo)進(jìn)行粗定位，接著采用Sobel算子、數(shù)學(xué)形態(tài)學(xué)濾波等一系列的算法對(duì)車(chē)標(biāo)進(jìn)行預(yù)處理，然后再根據(jù)車(chē)標(biāo)的先驗(yàn)知識(shí)與紋理特征對(duì)車(chē)標(biāo)進(jìn)行分割，最后采用支持向量機(jī)對(duì)待識(shí)別車(chē)標(biāo)進(jìn)行分類(lèi)識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法簡(jiǎn)單、有效且有較高的識(shí)別率。

［1］J Barroso，Lbulas-Crus，E L Dagless.Real-time Number Plate Reading［C］.4th IFAC Workshop on Algorithms and Architectures for Real-time Control.Vilamoura，Portugal：AARTC，1997.70-73.

［2］肖飛，王運(yùn)瓊，劉麗梅，等.基于局部對(duì)稱(chēng)性特征的快速車(chē)標(biāo)定位［J］.計(jì)算機(jī)科學(xué)，2010，（37），298-300.

［3］李貴俊，劉正熙，游志勝，等.基于能量增強(qiáng)和形態(tài)學(xué)濾波的車(chē)標(biāo)定位方法［J］.光電子·激光，2005，16（1）：76-79.

［4］Anagnostopoulos C N E，Anagnostopoulos I E，Loumos V C.A license plate recognition algorithm for intelligent transportation system applications［J］.IEEE Intelligent Transportation Systems，2006，7（3）：377-392.

［5］劉皓.高清圖像中基于車(chē)牌定位的車(chē)輛跟蹤和違章檢測(cè)［D］.南京：南京理工大學(xué)，2012.

［6］Humayun，Karim Sulehria，YeZhang.Vehicle Logo Recognition tion Using Mathematical Morphology［C］.Processing of the 6th WSEAS Int.Conference on Telecommunications and Information，Dallas Texas，2007.22-24.

［7］Arun Kumar M，Gopal M.Reduced One-against-all Method for Multiclass SVM Classification［J］.Expert Systems with Applications，2011，38（11）：14238-14248.

［8］王玫，王國(guó)宏，高小林，等基于PCA和邊緣不變矩的車(chē)標(biāo)識(shí)別新方法［J］.計(jì)算機(jī)工程與應(yīng)用，2008，44（4）：224-226.

［9］Qian Cui，Lin Wang，Shuihe Ge，et al.License Plate Location based on Direction and Edge Information［C］.Second Asia-Pacific Conference on Computational Intelligence and Industial Application（PACIIA09），2009，vol 2.300-303.

［10］Renlon Pan，Xiaojuan Ma，Lin Wang，An Efficient Method for Skew Correction of License Plate［C］.2th International Workshop on Education Technology and Computer Science，Vol 2，2010.90-93.

［11］孫娟紅.車(chē)標(biāo)識(shí)別方法研究［D］.大連：遼寧師范大學(xué)，2011.

［12］Este A，Gringoli F.On-line SVM-traffic classification［C］.Wireless Communications and Mobile Computing Confer ence，2011.1778-1783.

（責(zé)任編輯：朱彬）

On the Technology of Recognizing Moving Vehicle Logo in Video Surveillance System

YANG Zheng-yun，WANG Lin
（College of Science，Guizhou Minzu University，Guiyang 550025，China）

The technology of recognizing moving vehicle logo is a new orientation，which consists of two parts：location and recognition.The author of this paper has looked at the two kinds of technology.Firstly，use the Sobel operator to find the area where exist more vertical edges，then adopt Shen operator to smooth the horizontal direction and to make a binarization process.Secondly，get an accurate location of license plate based on the license plate features and texture feature，and ensure the logo area by the specific relations between license plate and logo location，achieving the segmentation of logo under the priori knowledge about logo and texture feature.At last，support vector machine method is adopted to recognize the segmental logo.The experimental results show that this algorithm is simple and effective，and has stronger robustness and a higher recognition rate.

license plate location；vehicle logo segmentation；support vector machine；logo recognition

TP391.4

A

1009-3583（2016）-0110-05

2016-01-14

楊正云，女，貴州鎮(zhèn)寧縣人，貴州民族大學(xué)理學(xué)院碩士研究生。研究方向：圖像處理與模式識(shí)別。