基于邊緣檢測和形態(tài)學(xué)的車牌檢測算法

梁天泓

摘要：通過研究圖像處理理論并合理選擇相關(guān)方法，所設(shè)計(jì)的車牌檢測算法使計(jì)算機(jī)能夠自動(dòng)定位攝像頭拍攝畫面中車輛的車牌號(hào)碼。攝像頭拍攝所得畫面，經(jīng)過邊緣檢測、形態(tài)學(xué)以及顏色交叉驗(yàn)證等圖像處理方法，可將背景圖像中的噪聲和無關(guān)信息去除。最終可得到車牌外接長方形坐標(biāo)并從原圖像中取出，為之后的字符識(shí)別提供預(yù)處理。

關(guān)鍵詞：自動(dòng)定位;車牌檢測;圖像處理;邊緣檢測;形態(tài)學(xué)

中圖分類號(hào)：TP181文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）28-0205-03

在許多場景如小區(qū)閘口、商場停車庫閘口、高速收費(fèi)站中，為了減少人工成本或是提高執(zhí)行效率，使計(jì)算機(jī)能夠自動(dòng)識(shí)別車牌號(hào)碼是有必要的。一般地，識(shí)別過程可分為兩個(gè)子過程：從攝像頭拍攝到的畫面中找到車牌，再識(shí)別車牌上的字符（即車牌號(hào)碼）[1]。研究與實(shí)驗(yàn)將著重于第一個(gè)子過程，進(jìn)行理論分析、算法設(shè)計(jì)和使用MATLAB實(shí)現(xiàn)。

1理論與方法

本文所述算法的核心思路是：車牌的樣式、顏色、字體具有明顯特征[2]。通過分析、提取這些特征從而使計(jì)算機(jī)可以獨(dú)立地從復(fù)雜的自然背景中定位車牌位置。具體步驟可分為：讀取圖像;邊緣檢測;邊緣腐蝕（形態(tài)學(xué)）;邊緣平滑處理（形態(tài)學(xué)）;去除小對(duì)象;按顏色做交叉驗(yàn)證（可選）;定位車牌。

1.1讀取圖像

車牌檢測算法的實(shí)際使用場景通常是：攝像頭先拍攝視頻再選取其中某一幀進(jìn)行檢測;但本文為了描述方便，假定使用攝像頭獲取的是靜態(tài)圖像，并且顏色格式為RGB，因此所得圖像可被儲(chǔ)存為一個(gè)三維矩陣（m×n×3）。示例圖像為：

1.2邊緣檢測

邊緣檢測算法的基本原理是根據(jù)圖像中顏色的變化使計(jì)算機(jī)自動(dòng)地“勾勒”出物體。邊緣檢測算法是一系列算法，不同算法的區(qū)別是使用不同“算子”[3]。本文預(yù)選了3種算子，分別為：“Roberts”算子，“Sobel”算子以及“Canny”算子。

在預(yù)選的3中算子中，“Sobel”算子的表現(xiàn)最好。首先他在邊緣檢測的效果上比“Roberts”更強(qiáng)，更重要的是因?yàn)槠湓龃罅司矸e核，即增加了確定邊緣時(shí)所考慮的像素點(diǎn)，減少了誤判的情況，很大程度上解決了“Roberts”算子對(duì)噪聲敏感的問題[5]。使用“Sobel”算子中需設(shè)置閾值參數(shù)（0～1），其代表是對(duì)于顏色變化地敏感程度，參數(shù)越大，對(duì)顏色變化越不敏感，檢測出的邊緣越少。因此需要按照實(shí)際情況調(diào)整此參數(shù)大小。

“Canny”算子是一種二階微分算子，區(qū)別去上述兩種一階微分算子。其最大特點(diǎn)在于對(duì)于邊緣的檢測非常精準(zhǔn)且結(jié)果連續(xù)（一階算子所致結(jié)果斷斷續(xù)續(xù)，只能看出大致輪廓），但在實(shí)際使用中，過度的精確同樣會(huì)放大噪聲等與車牌無關(guān)的要素（同樣確定邊緣）[6]。例如，有些車輛的車前保險(xiǎn)杠樣式復(fù)雜，或是車輛所在路面是凹凸不平的瀝青路，這些情況都會(huì)是的真正車牌被淹沒在噪聲和無關(guān)信息之下，為后續(xù)工作帶來困難。

綜上所述，“Sobel”算子是最符合實(shí)際需求的，其即可以較為精準(zhǔn)地在含有噪聲和無關(guān)信息的干擾下確定車牌邊緣，又不會(huì)使噪聲和無關(guān)信息被過度放大。

最后，將“Sobel”算子應(yīng)用于邊緣檢測算法（閾值設(shè)置為0.28）并將算法作用于步驟1中所得矩陣后可得（不必使用原RGB圖像，將RBG圖像二值化即可[7]）：

1.3 圖像腐蝕（形態(tài)學(xué)）

從圖2中可以看出，許多于車牌無關(guān)的物體都被檢測出了邊緣，因此要將這些無意義的物體去除。如前文所述，車牌的設(shè)計(jì)樣式具有明顯特征：其邊框?yàn)橐粋€(gè)長方形且號(hào)碼字體橫平豎直[8]。去除無關(guān)物體的核心思想便是使用長方形的結(jié)構(gòu)元素并通過圖像腐蝕;經(jīng)過多次實(shí)驗(yàn)，較為理想的結(jié)構(gòu)元素為：

1.4 邊緣平滑處理（形態(tài)學(xué)）

如上文所述，使用“Sobel”算子檢測物體邊緣后所得邊框是不連續(xù)的;從圖3中也可看出檢測結(jié)果只是輪廓，因此要將這些斷斷續(xù)續(xù)的“邊框”連接起來才能還原出大致的車牌位置。此時(shí)便可以使用形態(tài)學(xué)中的“閉運(yùn)算”來連接不連續(xù)的“邊框”。同理更具車牌的長方形樣式，“閉運(yùn)算”的結(jié)構(gòu)元素應(yīng)選用長方形的;經(jīng)過多次實(shí)驗(yàn)，較為理想的結(jié)構(gòu)元素為：

需注意的是，結(jié)構(gòu)元素中具體數(shù)字應(yīng)根據(jù)圖像大小來決定。本實(shí)驗(yàn)所用圖像大小為4032*3024，因此結(jié)構(gòu)中元素?cái)?shù)值才為80。若所用攝像頭分辨率低，應(yīng)調(diào)試元素大小以適應(yīng)工作。

1.5 去除小對(duì)象

由圖4可看出，原本斷斷續(xù)續(xù)的車牌“邊框”已經(jīng)被連接在一起，但一些噪聲和無關(guān)的信息同樣被選取了出來。但可以觀察到，噪聲的分布是無規(guī)律的，經(jīng)過“閉運(yùn)算”后的結(jié)果也是零散分布的，因此可以通過判斷設(shè)置面積閾值來去除噪聲的影響。本實(shí)驗(yàn)中所設(shè)閾值為5000，但實(shí)際使用前應(yīng)根據(jù)攝像頭像素進(jìn)行具體調(diào)試。去除小對(duì)象后的結(jié)果可得：

1.6按顏色做交叉驗(yàn)證（可選）

正如圖5所示，對(duì)于一些背景復(fù)雜的圖像，僅依靠上述方法的難以確定車牌位置，此時(shí)可通過限制顏色來進(jìn)一步去除無關(guān)信息。此方法的依據(jù)是：車牌的顏色固定，藍(lán)色車牌為民用，綠色車牌為新能源汽車以及白色等特種車牌。算法可根據(jù)實(shí)際使用場景做靈活更改。例如，將此算法用作小區(qū)停車庫閘口，車牌顏色可限制在藍(lán)色和綠色。本實(shí)驗(yàn)中限制車牌顏色為綠色，結(jié)果可得：

1.7 定位車牌

依照?qǐng)D6所示結(jié)果，白色區(qū)域的外接長方形便是車牌的實(shí)際位置。具體算法為：首先將所有行相加，可得一列兩端為零中間為零或正整數(shù)的數(shù)據(jù)（圖像中黑色代表0，白色代表1），從左向右第一個(gè)非零數(shù)所對(duì)應(yīng)位置即為車牌的左邊界;從右向左第一個(gè)非零數(shù)所對(duì)應(yīng)位置即為車牌的有邊界。同理可得車牌的上下邊界。由此4個(gè)邊界便可以得到車牌四角的位置，然后從原圖像中取出。示例圖像的車牌檢測結(jié)果為：

2結(jié)論與改進(jìn)

依照上述7個(gè)步驟，最后便可以成功地從復(fù)雜地背景圖像中檢測出車牌。需注意的是，在使用算子、平滑邊緣和去除小對(duì)象時(shí)，需要根據(jù)攝像頭所拍攝圖像的大小調(diào)整參數(shù)。實(shí)際上本實(shí)驗(yàn)為了驗(yàn)證算法的可行性，選擇了清晰度高（圖像大）的圖像進(jìn)行測試，實(shí)際使用中如果攝像頭分辨率小，檢測效果會(huì)更好。另外，本文所述算法可針對(duì)整張圖像進(jìn)行檢測，實(shí)際使用中可以只對(duì)部分圖像進(jìn)行車牌檢測，即規(guī)定車輛需要開到指定位置或范圍。

參考文獻(xiàn)：

[1]Ahn C S，Lee B G，Yang S S，etal.Design of car license plate area detection algorithm for enhanced recognition plate[C]//2017 4th International Conference on Computer Applications and Information Processing Technology （CAIPT）.8-10Aug.2017，Kuta Bali，Indonesia.IEEE，2017：1-4.

[2] Sa-NgamuangP，ThamnittasanaC，Kondo T.Thai car license plate recognition using essential-elements-based method[C]//2007 Asia-Pacific Conference on Communications.18-20Oct.2007，Bangkok，Thailand.IEEE，2007：41-44.

[3] Xu P F，Miao Q G，Liu TG，etal.Multi-direction edge detection operator[C]//2015 11th International Conference on Computational Intelligence and Security （CIS）.19-20Dec.2015，Shenzhen，China.IEEE，2015：187-190.

[4] Wang AL，LiuX S.Vehicle license plate location based on improved Roberts operator and mathematical morphology[C]//2012 Second International Conference onInstrumentation，Measurement，Computer，Communication and Control.8-10Dec.2012，Harbin，China.IEEE，2012：995-998.

[5] Zhang Y， Han X， Zhang Het al.Edge detection algorithm of image fusion based on improved Sobel operator[C]//2017 IEEE 3rd Information Technology and Mechatronics Engineering Conference （ITOEC）， Chongqing， 2017：457-461.

[6] RamyaR，Babu P S.Automatic tuberculosis screening using canny Edge detection method[C]// 2015 2nd International Conference on Electronics and Communication Systems （ICECS）， Coimbatore， 2015：282-285.

[7] Baoya Z， Caiqiao W， Huifeng K， et al.Binarization Method of Steel Tape Based on Edge Detection[C]//2013 Fifth International Conference on Measuring Technology and Mechatronics Automation， Hong Kong， 2013：341-344.

[8] Perumal E， Arulandhu P.Multilevel morphological fuzzy edge detection for color images （MMFED）[C]//2017 International Conference on Electrical， Electronics， Communication， Computer， and Optimization Techniques （ICEECCOT）， 2017：269-273.

【通聯(lián)編輯：唐一東】