车牌识别系统中定位方法的研究
来源:用户上传
作者:李怡珍
摘要：车牌定位是车牌识别系统的重要环节。针对单一定位方法的局限性，本文提出了一种将数学形态学和纹理特征相结合的定位方法，基于MATLAB平台对图像进行处理，实现了车辆照片中牌照区域的精确定位，为后续字符切割及识别提供支持。
关键词：车牌定位;图像处理;数学形态学
中图分类号：TP18 文献标识码：A
文章编号：1009-3044（2020）26-0178-02
引言
智能交通系统广泛应用于道路交通监控、违章车辆记录、停车场智能管理等多个领域，在城市交通网络中发挥重要作用。车牌作为车辆的重要标识，准确高效的识别车牌信息为智能交通系统提供支持和保障。
车牌识别系统基于模式识别和数字图像处理技术，对车牌中的字符信息进行提取和识别。系统主要分为图像预处理、车牌定位、字符分割、字符识别四个部分。预处理作为系统第一个环节，是后续所有处理的基础。而车牌定位是车牌识别的前提，定位的精确性直接影响字符识别的准确率，是车牌识别系统中的重要组成部分。
本文针对车牌识别系统中图像预处理和车牌定位的环节进行分析研究，提出了将两种算法结合的定位方法。基于MATLAB实验平台，通过图像灰度化、灰度拉伸、平滑处理的步骤得到亮度和对比度足够的车牌灰度图，利用Roberts算子提取图像边界，基于数学形态学对轮廓进行开闭运算，排除背景干扰，粗略定位牌照区域，再通过投影法进行水平和垂直扫描，实现车牌区域的精确定位。
1 图像预处理
由于复杂场景及恶劣天气的影响，采集的车牌图像往往存在对比度低、清晰度差、角度倾斜、尺寸不一等问题，因此需要先对车牌照片进行预处理，改善图像质量，增强车牌中颜色和纹理信息，去除牌照区域的干扰噪点，以获得清晰的车牌图像，提高车牌定位的可靠性，并降低系统储存空间，提高处理效率，为牌照区域的准确定位打好基础。
1.1图像灰度化
通常我们采集到的车牌彩色图像中，每个像素点可提供[224]种信息，数据量过大。为了加快处理速度，可以去除车牌中的颜色信息，得到车辆的灰度图像。灰度图需要的储存空间仅为彩色图像的1/3，可有效降低彩色图像中每个像素点的储存量，提高执行速度。
本文中图像的灰度化处理采用加权平均值法，计算公式为：[Gray=（ωR*R+ωG*G+ωB*B）/3]。其中，分别为R、G、B对应的权值，对三个分量进行加权后再取算术平均值[1]。所取权值不同，会形成不同的灰度图像。由于人眼对不同颜色的感知程度不同，通常使[ωG?ωR?ωB]时能得到易于识别的灰度圖。根据经验、实验和视觉特性分析，一般情况下，取[ωR=0.587，ωG=0.299，ωB=0.114]时，得到的灰度图效果较为理想。
1.2灰度拉伸
在图像采集时，光照强度过高或不足的情况下，灰度化处理后的灰度图整体颜色单一，牌照区域和背景区域界限不明晰、对比度低，在直方图中呈现为灰度等级集中在某一范围内。选择该范围内的灰度等级，通过映射拉伸至整个灰度等级（0-255之间），以增强图像对比度，便于边缘提取和定位。
1.3图像平滑
采集到的车牌图像往往存在一些噪点，在预处理阶段需要抑制或消除这些干扰，使图像质量得到进一步增强。
本文采用一种非线性滤波技术，即空间域中中值滤波的方法，构建一个3*3的二维滑动模板，该模板以目标像素为中心，周围8个像素点作为邻域。将模板内9个点依据像素值大小进行排序，生成序列[Fjk]，取中位像素点代替目标像素点，输出[G（x，y）=med{Fjk}]。中值滤波能够在保护图像轮廓的同时，有效消除孤立的噪声点。
1.4边缘检测
边缘检测是车牌定位前的关键一步，通过提取图像中灰度值变化明显的点，剔除干扰信息，仅保留结构属性。常见的边缘检测算子有：Roberts算子、Laplacian算子、Sobel算子、Canny算子等。本文使用Roberts算子对图像进行边缘检测。
Roberts算子基于局部差分法提取边缘，通过求2*2范围内对角像素点的差值作为近似梯度幅值来提取边缘，运算速度快，但是对噪声敏感度高。由于在上一节已经进行噪声平滑处理，故使用Roberts算子可以快速提取到精确的图像边缘。本文设置阈值为0.18，图1为通过Roberts算子进行边缘检测后的车牌图像。
2 常见车牌定位方法
2.1 基于边缘的车牌定位方法
结合公安部GA36-2007规定的车牌特征，我国机动车车辆牌照标准尺寸为440*140的矩形，纵横比大约为1：3。基于这一特征，在通过Roberts算子提取到的图像边缘信息中搜索具有连续直线的矩形区域，并检测其纵横比与车牌一致的区域作为疑似牌照区域[2]。基于边缘的车牌定位方法运算速度快、复杂度低，但是车牌周围的格栅结构可能会造成误判。
2.2 基于颜色的车牌定位方法
我国标准车牌底色及字符颜色是固定的，在车辆照片中，背景区域颜色杂乱且稀疏，车牌区域颜色单一且密集。利用车牌的颜色特性，设置不同的特征函数，削减车牌以外的颜色特征，突出牌照颜色，将车牌区域从图像中提取出来。
除一般小型汽车牌照蓝底白字外，军用及警用牌照、港澳地区牌照、新能源汽车牌照等车牌底色与字符颜色均有不同的组合，需要针对不同类型的车辆设置不同的特征函数。另外，光照变化或光线不足会导致颜色亮度发生变化，如果选择了对光照敏感的颜色模型，会降低算法的稳定性。
2.3 基于形态学的车牌定位方法
在图像处理和模式识别中应用数学工具可以提高运算精度，降低后续识别运算的复杂性。数学形态学通常被用于车牌识别中，应用对象是像素的集合，利用图像中某种特定结构来进行区域定位。数学形态学的基本操作是腐蚀和膨胀，开运算为先腐蚀再膨胀，用于消除图中细小的毛刺和突出;反之，闭运算为膨胀后再腐蚀，用于填补图像内部的细小间隙和空洞[3]。该方法能够完整地保留图像特征，但只能粗略的检测车牌位置，定位精度不高。 2.4 基于纹理特征的车牌定位方法
通过纹理特征进行车牌定位时，通常结合投影法在水平及垂直方向投影。对图像进行水平扫描时，预先设定一个跳变的阈值，当跳变次数高于这个阈值时，初步判断该水平线上存在车牌信息，多次扫描后得到图像中可能的车牌区域，得到车牌水平方向的上下限，确定车牌高度。车牌宽度通过垂直方向扫描，寻找垂直投影灰度直方图的灰度跳变，进一步确定车牌宽度。
基于纹理特征的方法操作简单，运算速度快，定位精准，但是不适用于背景杂乱及噪点较多的图像。
3 基于数学形态学和纹理特征相结合的车牌定位方法
通过对以上四种车牌定位方法的分析比较可以看出，每种定位方式都有其适用的范围，选取某种单一方法操作具有局限性，影响定位结果的准确性，无法得到理想效果。本文将基于数学形态学的定位方法和基于纹理特征的定位方法结合，通过数学形态学中的开闭运算排除背景干扰，得到牌照区域连通域，再通过基于纹理特征的投影法对图像进行水平和垂直方向的扫描，精确定位出牌照位置。
在通过Roberts算子提取到的边缘图像中，除了目标车牌的边缘外，还存在背景中的杂乱边缘。在初步定位时应将车牌与背景区域的干扰分离，使目标成为独立的区域。
首先对图像进行腐蚀运算，使轮廓边界向内收缩，同时消除细小且无意义的干扰斑块。腐蚀操作前需要先确定结构元素矩阵，其形式决定了腐蚀操作能否在保留目标车牌边界的同时腐蚀掉细小杂乱的斑块。本文使用MATLAB中的imerode（）函数，取3*1的线性阵列[Se=[1;1;1]]用于測试图像。
腐蚀后的车牌周围的杂乱边缘被消除，但同时车牌区域的边界也出现了部分断续，需要使用imclose（）函数对图像进行闭运算操作，即对目标依次进行膨胀和腐蚀，填补轮廓线上的间隙，消除边界的小颗粒噪声，进行区域融合，得到趋于平滑的连通域。
此时得到的图像中含有多个闭合区域，其中包含车牌区域和上一步闭运算无法消除的干扰斑块。移除车牌外的小对象可以通过bwareaopen（）函数，设定阈值为2000，删除图像中斑块面积小于该阈值的区域。
腐蚀和移除小对象后得到的初步定位结果如图2所示。
经过处理后的车牌区域已消除干扰信息，对图像自上向下扫描搜索，查找到第一个非零点即车牌的上边缘，再自下向上扫描搜索，将第一个非零点作为车牌的下边缘，得到车牌上下边界。
采用与水平定位相同的方法对车牌进行垂直定位，对图像做垂直一阶差分运算后做平滑处理。由于车牌中字符是横向排列的，字符之间的距离使纵向投影图中含有多个波峰，通过设置阈值0.6，找到首尾两个大于阈值的波峰，即车牌上的首尾字符，分别由首波峰向左搜索，尾波峰向右搜索，得到的第一个非零点分别为车牌的左右边界。
4 结论
采用以上将数学形态学与图像纹理特征相结合的定位方法，在MATLAB实验平台下对100幅车辆照片进行实验，准确率达到93%，取得了良好效果，提出的定位方法切实可行，为后续字符分割及识别提供便利，具有一定的实用价值。
参考文献：
[1] 李俊山，李旭辉. 数字图像处理[M].北京：清华大学出版社， 2007.
[2] 盛诩智.基于边缘检测的车牌图像分割技术[J].自动化技术与应用，2004，23（3）：24-26.
[3] 左奇，史忠科. 一种基于数学形态学的实时车牌图像分割方法[J].中国图像图形学报，2003，8（3）： 281-285.
【通联编辑：唐一东】
转载注明来源:https://www.xzbu.com/8/view-15339708.htm
