基于車牌背景和字符顏色特征的車牌定位算法

楊鼎鼎 陳世強 劉靜漪

1(湖北民族學院理學院 湖北 恩施 445000)2(湖北民族學院信息工程學院 湖北 恩施 445000)

0 引 言

車牌識別系統(tǒng)是智能交通系統(tǒng)的核心部分，主要步驟包括：車牌定位、傾斜校正、字符分割、車牌識別三部分。車牌定位前需對拍攝到的圖像進行預處理，即對拍攝到的圖像進行降噪、增強處理；車牌定位完成后需對定位后的車牌區(qū)域進行傾斜校正，便于后續(xù)字符分割和車牌識別。車牌定位作為車牌識別中重要組成部分，由于光照、陰影等影響，使車牌定位更加困難。針對車牌定位難、定位速度慢，提出一種基于車牌背景和字符顏色特征的車牌定位算法。目前，車牌定位主要分為灰度車牌定位[4-7]和彩色車牌定位[8-12]，國內(nèi)外學者對灰度車牌定位研究較早，技術比較成熟；彩色車牌定位發(fā)展相對較晚，研究空間較大，是當前車牌定位研究的熱點。

車牌定位算法最早由加拿大學者BERGA[1]等人于1988年提出，主要目的是討論當時自動車牌識別技術的發(fā)展水平。我國最早由趙雪春[2]和劉效靜[3]于1998年提出，并開始研究車牌自動識別技術。文獻[4]提出一種基于灰度變換和顏色特征的車牌定位算法，算法魯棒性好，精確率高，但算法比傳統(tǒng)算法復雜。基于灰度圖像的車牌定位[5]，通過對車牌圖像進行灰度化、二值化處理，用投影法完成了車牌定位，定位精度較高，但魯棒性偏低。文獻[6]針對傳統(tǒng)算法定位精度不高的問題，提出一種基于灰度跳變的車牌定位算法，利用跳變位置完成車牌定位，算法魯棒性好、精確率高，但算法設計較復雜。文獻[7]提出一種基于字符特征約束的自適應車牌提取方法，利用自適應邊緣檢測算法和字符特征完成車牌定位，方法對背景環(huán)境、光照條件等限制極少。基于條件隨機場和成分分析的車牌檢測算法[8]，用最大穩(wěn)定極值區(qū)域提取提取候選車牌區(qū)域，用條件隨機場重構(gòu)并檢測出候選車牌區(qū)域，算法檢測車牌的準確率高，但檢測時間較長。文獻[9]融合字符紋理特征與RGB顏色特征實現(xiàn)車牌定位，算法快速，定位準確。文獻[10]提出一種基于線性密度的濾波方法，用于檢測候選區(qū)域，使用支持向量機識別車牌，完成車牌定位，車牌定位的準確率和定位時間都有所提升。文獻[11]提出一種融合字符紋理特征與RGB顏色特征的車牌定位算法，根據(jù)車牌背景顏色和字符顏色的特性提取顏色點對，通過檢測字符紋理和形態(tài)學處理完成車牌定位，定位準確率高。文獻[12]將CIELab顏色模型引入車牌定位中，利用Lab顏色空間提取藍、黃車牌區(qū)域，并利用車牌區(qū)域的紋理特征和形態(tài)學操作實現(xiàn)車牌定位，提高了車牌區(qū)域初始定位準確度。文獻[13]利用邊緣檢測、灰度跳變點和車牌的幾何特征完成車牌定位，結(jié)果顯示算法的抗干擾能力強。文獻[14]提出一種基于顏色特征的車牌定位算法，通過Hough變換、傅里葉變換和小波變換完成車牌定位，提高了精確率，但算法較為復雜。基于顏色的復雜背景車牌定位[15]，利用顏色跳變和顏色信息，實現(xiàn)復雜背景下的車牌定位。結(jié)合顏色差分模型的車牌定位[16]，針對現(xiàn)有定位算法對光照敏感、易受背景影響，提出一種結(jié)合顏色差分模型的自適應增強算法，魯棒性好、準確率高。文獻[17]利用車牌顏色特征和Canny邊緣檢測算法，完成車牌定位，并對多組車牌進行了實驗，定位結(jié)果較好。基于字符邊緣點提取的車牌定位方法[18]，采用窗口檢測法提取字符邊緣點，進而定位車牌區(qū)域，解決了車牌和車身顏色相近不能檢測的問題，同時提高了算法的魯棒性。

綜上，車牌定位主要存在的問題有：算法復雜、定位速度慢、定位精度低、魯棒性差、算法抗干擾性差等。針對部分問題，提出一種基于車牌背景和字符顏色特征的車牌定位算法。算法提出了一種新的顏色模型，并改進了Canny邊緣檢測算法，使之更適合豎向邊緣的檢測。算法設計簡單、定位速度快、魯棒性好。

1 相關知識及改進算法

1.1 車牌的特征

1.1.1 車牌的顏色特征

我國車牌顏色搭配主要有：藍底白字(小車)、黃底黑字(大車)和白底黑字或紅字(軍警車)三類，如圖1所示。它們共同特性是車牌背景與字符有著固定的顏色搭配，不同點是車牌背景與字符的顏色不同，且紋理不同，背景區(qū)域是橫向紋理，字符區(qū)域是縱向紋理。

(a) 藍底白字 (b) 黃底黑字

(c) 白底黑/紅字圖1 車牌類型

1.1.2 車牌的幾何特征

我國藍底白字車牌大小為140×440 mm，寬高比為3.14，由7個字符組成，第一個字符為漢字，是每個省市區(qū)的簡稱；第二個字符為26個英文字母中的一個；第3～7個字符由字母和阿拉伯數(shù)字組成。其中，每個字符高度為90 mm，寬度為45 mm，所占區(qū)域長寬比為2∶1，間隔符“·”的直徑為10 mm，字符間的標準距離為12 mm，如圖2所示(圖中數(shù)字單位為mm)。

圖2 車牌規(guī)格

1.2 Canny算子及其改進

Canny算子由JohnCanny于1986年提出，它與Marr(LoG)邊緣檢測方法類似，屬于先平滑后求導數(shù)的方法。Canny算法中所采用的卷積模板比較簡單，如下式所示：

(1)

其x、y方向的一階偏導數(shù)矩陣如下：

(2)

由于車牌字符區(qū)域為縱向邊緣，為了突出車牌字符區(qū)域，將式(2)中x方向的一階偏導矩陣中相減部分都改為縱坐標相減，y方向的一階偏導矩陣不作改變：

(3)

圖3(a)為包含車身的實驗圖像，圖3(b)為圖3(a)的灰度化圖像，圖3(c)為Canny邊緣檢測結(jié)果，圖3(d)為改進的Canny邊緣檢測結(jié)果。根據(jù)圖3(c)、(d)，Canny邊緣檢測的結(jié)果更加詳細，橫縱邊緣可以無差別檢測，而改進的Canny邊緣檢測則更好地檢測出車牌的豎向邊緣，減少了橫向邊緣。由于車牌字符是縱向邊緣，根據(jù)車牌區(qū)域紋理特征完成車牌定位時，Canny邊緣檢測不適合用于字符紋理的檢測。改進的Canny邊緣檢測可以更好地檢測豎向邊緣，減少橫向邊緣的干擾，突出字符紋理，同時減少算法量。

(a) 原圖 (b) 灰度圖

(c) Canny邊緣檢測(d) 改進Canny邊緣檢測圖3 Canny與改進Canny對比圖

1.3 投影法

1.3.1 水平投影

水平投影即向車牌圖像縱坐標方向進行投影，縱坐標不變時，統(tǒng)計橫坐標方向某種像素點的個數(shù)。對二值化后的車牌圖像進行水平方向的投影，即統(tǒng)計車牌圖像每行白色像素的個數(shù)，統(tǒng)計公式如下：

(4)

圖4(a)為圖1(a)中車牌的水平投影圖，根據(jù)水平投影可確定字符區(qū)的上下邊界，完成字符區(qū)縱坐標方向的分割。

(a) 水平投影

(b) 垂直投影圖4 車牌投影圖

1.3.2 垂直投影

垂直投影即向車牌圖像橫坐標方向進行投影，橫坐標不變時，統(tǒng)計縱坐標方向某種像素點的個數(shù)。對二值化后的車牌圖像進行垂直投影，即統(tǒng)計每列白色像素的個數(shù)，統(tǒng)計公式如下：

(5)

圖4(b)為圖1(a)車牌的垂直投影圖，根據(jù)垂直投影可以確定車牌字符區(qū)的左右邊界，完成字符區(qū)橫坐標方向的分割。

2 車牌定位

車牌定位分為粗定位和細定位兩部分。粗定位主要根據(jù)顏色分量分割出車牌所在的大概區(qū)域，便于細定位處理，同時減少計算量。細定位則首先對粗定位處理的車牌區(qū)域進行改進的Canny邊緣檢測；然后用形態(tài)學操作減少車牌區(qū)域斷裂，得到連通的車牌區(qū)域；最后使用投影法分割出候選車牌區(qū)域，結(jié)合車牌的幾何特征排除偽車牌，僅留下車牌區(qū)域。具體流程圖如圖5所示。

圖5 車牌定位流程圖

2.1 粗定位

2.1.1 原理介紹

由攝像機拍攝到的車牌圖像為RGB圖像，較灰度圖像占用存儲空間多，若直接處理RGB圖像，內(nèi)存和時間消耗都較大。針對這個問題，提出一種基于藍色通道的候選車牌區(qū)域粗定位算法。首先，用加權法從RGB圖像中提取藍色通道分量；然后，根據(jù)先驗知識設定閾值T1、T2；最后，通過雙閾值法將候選車牌區(qū)域變換為由0、1組成的二值圖，完成候選車牌區(qū)域粗定位。

其中，從RGB圖像中提取藍色通道分量的模型為：

IB=0×R+0×G+1×B

雙閾值法的模型為：

2.1.2 算法實現(xiàn)

根據(jù)上述原理，基于藍色通道的車牌定位步驟如下：

Step1：提取RGB圖像中的藍色分量，記IB；

Step2：設定閾值T1、T2；

Step3：根據(jù)閾值T1、T2完成候選車牌區(qū)域粗定位，記IBW。

圖6為使用上述步驟完成的車牌粗定位，圖中車身大部分已被濾除，但仍存在一些標簽干擾車牌定位，如部分車貼、車的品牌標志等，因而需對圖6中的車牌進行精細定位。

圖6 粗定位車牌

2.2 細定位

2.2.1 邊緣檢測

用1.2中改進的Canny邊緣檢測算法對圖6粗定位后的候選車牌區(qū)域進行邊緣檢測，圖7為邊緣檢測結(jié)果，檢測結(jié)果較好的保留了車牌區(qū)域，但仍存在一些干擾，如圖7上邊的品牌標志和右邊的車貼。

圖7 改進Canny檢測的車牌

2.2.2 形態(tài)學濾波

由于邊緣檢測后的車牌區(qū)域存在斷裂或粘連的情況，對邊緣檢測后的圖像進行形態(tài)學處理，可以減少斷裂和粘連。若邊緣檢測后的車牌邊緣保留較好，可不對車牌進行形態(tài)學處理，否則進行形態(tài)學處理。

2.2.3 確定候選車牌區(qū)域

先對候選車牌區(qū)域做垂直投影確定車牌區(qū)域的左右邊緣坐標，然后對其進行水平投影確定車牌區(qū)域的上下邊緣坐標，根據(jù)四個坐標將候選車牌區(qū)域進行分割，得到分割區(qū)域。圖8為利用投影法確定的車牌區(qū)域，其中圖8(a)為對圖7進行垂直投影后得到的圖像，根據(jù)曲線可以確定車牌區(qū)域的左右邊緣；圖8(b)為對圖7進行水平投影后得到的圖像，根據(jù)曲線可以確定車牌區(qū)域的上下邊緣；圖8(c)為根據(jù)8(a)(b)確定的車牌邊緣對圖7進行裁剪后的車牌區(qū)域，與圖7相比，僅排除了部分車貼的影響，因此需根據(jù)車牌的幾何特征排除圖8(c)中的偽車牌。

(a) 垂直投影

(b) 水平投影

(c) 投影裁剪圖8 投影法確定車牌區(qū)域

2.2.4 排除偽車牌

為得到精確的車牌區(qū)域，根據(jù)1.1.2節(jié)中介紹的車牌的幾何特征排除圖8(c)中偽車牌，圖9為排除偽車牌后的車牌圖像。

圖9 幾何特征定位車牌

排除偽車牌的步驟為：

Step 1：做一寬45像素、高90像素的矩形框；

Step 2：將矩形框在圖8(c)中從左到右移動，若矩形框中出現(xiàn)白色像素，記錄矩形框左上角坐標；

Step 3：將矩形框左上角與記錄的坐標重合，上下左右移動矩形框，若框內(nèi)像素可單獨為一連通區(qū)域，則保留該矩形框中的像素；否則該區(qū)域為偽車牌區(qū)域，刪除該區(qū)域；

Step 4：將矩形框從第一個記錄的位置繼續(xù)向右移動，重復Step 3，直至移到圖像右下角；

Step 5：裁剪保留的區(qū)域，即為車牌區(qū)域。

3 實驗結(jié)果及分析

3.1 實驗平臺

PC機配置為：Intel(R) Core(TM) i5- 4200M CPU @ 2.5 GHz 2.5 GHz，內(nèi)存4 GB，win7 32位操作系統(tǒng)。通過MATLAB 2014a編寫程序?qū)崿F(xiàn)上述加解密算法。

3.2 實驗結(jié)果與分析

為驗證算法的有效性，選取自然條件下拍攝的100幅藍底車牌進行檢測，定位成功率為95%，實驗結(jié)果如表1所示，圖10和圖11分別為部分定位成功和定位失敗的車牌。根據(jù)圖10，定位成功的車牌，字符比較清晰，為后續(xù)識別步驟提供良好基礎；根據(jù)圖11，定位失敗的車牌字符不完整，主要原因是由于光照條件的影響，使部分字符亮度較暗或較亮，導致車牌定位不完整。100幅車牌的定位時間曲線如圖12所示，定位平均時間為0.545 6 s。

表1 車牌定位實驗結(jié)果

(a) 原車牌圖 (b) 定位后的車牌圖10 定位成功的車牌

(a) 原車牌圖 (b) 定位后的車牌圖11 定位失敗的車牌

圖12 定位時間

4 結(jié) 語

針對車牌定位困難、定位時間長等問題，提出一種基于車牌背景和字符顏色特征的車牌定位算法。算法首先根據(jù)車牌背景和字符固定顏色搭配，利用新的顏色模型完成車牌粗定位；然后利用設計的豎向邊緣檢測算法——改進的Canny邊緣檢測算法完成邊緣檢測；最后，使用投影法和車牌的幾何特征完成精定位。實驗表明該算法設計簡單，車牌定位精確。該算法的不足是對強光和弱光下拍攝的車牌檢測率低，后續(xù)將進一步研究強光和弱光條件下該算法的改進工作。