張金林，胡宏健，方虎生，孫 磊

(中國人民解放軍理工大學(xué)工程兵工程學(xué)院，江蘇 南京 210007)

近年來，中國汽車工業(yè)的飛速發(fā)展給交通管理系統(tǒng)帶來了前所未有的難題，而其中應(yīng)運(yùn)而生的智能交通系統(tǒng)又是以車牌識(shí)別為基礎(chǔ)。因此，車牌識(shí)別算法及實(shí)現(xiàn)領(lǐng)域都有大量的研究，形成了以車牌定位、字符分割、字符識(shí)別為主流程的傳統(tǒng)識(shí)別算法，但是仍然存在實(shí)時(shí)性差、適應(yīng)性不強(qiáng)、可移植性差等問題。其中車牌定位技術(shù)是整個(gè)識(shí)別系統(tǒng)的關(guān)鍵，目前的定位方法主要有基于顏色空間的定位方法［1－3］、基于邊緣特征的定位方法［4－5］、基于數(shù)學(xué)形態(tài)學(xué)的定位方法［6］。基于顏色空間的定位方法定位速度快，但受光照、環(huán)境條件等影響，在黑夜或車牌污濁的情況下識(shí)別率低;基于邊緣特征的定位方法適應(yīng)性強(qiáng)，但運(yùn)算復(fù)雜、速度低，且受車牌以外字符如車型號(hào)碼、涂鴉文字等影響，可能出現(xiàn)嚴(yán)重的識(shí)別錯(cuò)誤，基于形態(tài)學(xué)的定位方法計(jì)算量大，只能實(shí)現(xiàn)粗定位，同樣受車牌以外文字的影響較大。本文針對(duì)以上方法的不同缺點(diǎn)，提出了強(qiáng)調(diào)硬件系統(tǒng)構(gòu)架，固定部分車牌圖像輸入環(huán)境，引入大量車牌先驗(yàn)知識(shí)，并最終利用車牌字符連通域顯著特征的車牌定位算法。該方法以灰度圖像或者二值圖像為出發(fā)點(diǎn)，具有較好的適應(yīng)性，同時(shí)巧妙地避免了對(duì)整幅車牌圖像重復(fù)逐行、逐列的掃描，簡化了識(shí)別流程，從而提高了實(shí)用性。

1 車牌識(shí)別算法特點(diǎn)

1.1 車牌先驗(yàn)知識(shí)引入

人類的視覺系統(tǒng)對(duì)邊緣、顏色具有很強(qiáng)的敏感性，而且在先驗(yàn)知識(shí)的引導(dǎo)下才使得人眼的識(shí)別準(zhǔn)確而且快速［7］，本文充分對(duì)國內(nèi)的車牌標(biāo)準(zhǔn)進(jìn)行分析，并運(yùn)用到算法當(dāng)中。

通過實(shí)際的硬件實(shí)驗(yàn)環(huán)境搭建，算法可利用以下幾點(diǎn)先驗(yàn)知識(shí):1)現(xiàn)實(shí)的周邊環(huán)境雖然不一致，但整個(gè)系統(tǒng)的相對(duì)位置固定，例如攝像裝置與路面的高度，所以車牌圖像的大小以及車牌字符所占圖像的位置可以大致確定(一定程度上增加掃描的效率);2)車牌字符基本為橫向排列，偏轉(zhuǎn)的角度不大，約0°～10°，因此橫向的掃描是可行的;3)每個(gè)字符的寬高比大約為2∶1，而且互相靠近，一共是7個(gè)類似連通域;4)整個(gè)車牌長寬比在60∶31～22∶7范圍內(nèi);5)在整個(gè)汽車車牌圖像中，車牌號(hào)碼的邊緣特征顯著，而車牌字符附近邊緣變化較為穩(wěn)定，沒有類似于車牌字符連通域變化劇烈的區(qū)域。

1.2 本文車牌識(shí)別算法特點(diǎn)

車牌識(shí)別系統(tǒng)是典型的機(jī)器視覺與模式識(shí)別問題，它們不僅具有共同的難點(diǎn)與解決方案，而且車牌系統(tǒng)由于受實(shí)際環(huán)境(例如光照、旋轉(zhuǎn)、分辨力等問題)的影響，導(dǎo)致輸入圖像數(shù)據(jù)相對(duì)復(fù)雜，影響著整個(gè)系統(tǒng)的穩(wěn)健性。本文也在其中的一些問題上作了大量的研究，并在算法上也作了修正:

1)車牌圖像通常是在復(fù)雜背景環(huán)境下取得的，攝像機(jī)的晃動(dòng)、汽車的位置變化使車牌在圖像的位置變化太大。本文從硬件上設(shè)計(jì)了鋪設(shè)于道路中的傳感器，在一定程度上解決了相對(duì)位置問題。

2)車牌圖像光照以及車牌顏色的不確定同樣給定位帶來一定的限制。本文利用的字符連通域是在灰度圖像的情況下進(jìn)行的，一定程度的歸一化避免了光照等條件的差異性。

3)車牌圖像數(shù)據(jù)龐大，系統(tǒng)實(shí)時(shí)性能的考驗(yàn)是算法優(yōu)劣的基礎(chǔ)。本文選用的算法一次掃描即可，避免重復(fù)掃描，大大節(jié)約了時(shí)間。

2 算法實(shí)現(xiàn)步驟

2.1 圖像預(yù)處理

車牌圖像的獲取由于受諸多條件的影響，使例如顏色等大量數(shù)據(jù)信息不能一致，因此，在定位前需要對(duì)圖像進(jìn)行預(yù)處理，將可靠性及穩(wěn)定性高的信息篩選出來，本文認(rèn)為對(duì)于車牌定位圖像的有用信息在于字符邊緣特征明顯，連通域在一定范圍(與標(biāo)準(zhǔn)化后的圖像大小成正比)，同時(shí)將圖像大小統(tǒng)一，有利于定位的準(zhǔn)確性與適應(yīng)性。

本文采用反差增強(qiáng)算法進(jìn)行字符的灰度調(diào)整，即利用直方圖統(tǒng)計(jì)其灰度分布，從而自適應(yīng)地取得閾值，對(duì)不同范圍內(nèi)的灰度進(jìn)行拉伸，公式為

式中:x為圖像點(diǎn)(i，j)的灰度值，f(i，j)為拉伸后得到的灰度值。對(duì)于大小歸一化，為了盡可能防止圖像失真，采用雙線性插值法把圖像歸一化到600×600的大小。圖像預(yù)處理結(jié)果如圖1所示。

圖1 圖像預(yù)處理結(jié)果

2.2 字符連通域特征提取

二值圖像連通區(qū)域標(biāo)記可以將二值圖像中的不同物體(連通區(qū)域)區(qū)分開來，為下一步進(jìn)行特征提取作準(zhǔn)備，屬于不同物體的像素將被賦予不同的類別號(hào)，屬于同一物體的像素被賦予相同的類別號(hào)。

文獻(xiàn)［8］中提出標(biāo)準(zhǔn)的中國車牌字符具有高度相等、水平排列的特點(diǎn)，基于此，本文設(shè)計(jì)出閾值分割的分類器，實(shí)現(xiàn)定位的功能。

連通性的定義，在1個(gè)連通集中任意2個(gè)像素之間都存在1條完全由這個(gè)集合中的元素構(gòu)成的路徑，用公式表示即2個(gè)前景像素P和Q是連通的當(dāng)且僅當(dāng)存在1條路徑 P1—P2—P3…Pn，使得P1=P ，Pn=Q，對(duì)于?i，1≤i≤n －1 有Pi與Pi+1相鄰，其中 P1，P2，…，Pn都是前景像素。有2種可供選擇的連通性準(zhǔn)則:

1)當(dāng)2個(gè)像素點(diǎn)P1(x1，y1)和P2(x2，y2)滿足以下條件

則定義P1和P2是八相鄰的，在這種情況下，1個(gè)像素有8個(gè)相鄰像素點(diǎn);

2)當(dāng)2個(gè)像素點(diǎn)P1(x1，y1)和P2(x2，y2)滿足以下條件

則定義P1和P2是四相鄰的，在這種情況下，1個(gè)像素有4個(gè)相鄰像素點(diǎn)。

本文采用類似于人類視覺系統(tǒng)的八鄰域方法，并采用張?jiān)普埽?］等提出的基于非對(duì)稱行程和輪廓跟蹤的連通區(qū)域標(biāo)記算法(RCL算法)。RCL算法采用輪廓跟蹤技術(shù)以行程為單位標(biāo)記二值圖像。

2.3 本文算法流程圖

如圖2所示，本算法步驟為:1)對(duì)車牌圖像進(jìn)行去嗓、二值化、統(tǒng)一大小等預(yù)處理操作;2)對(duì)整幅圖像進(jìn)行連通域標(biāo)記;3)按照車牌字符連通域特征，排除大量偽車牌區(qū)域;4)通過車牌區(qū)域跳變最多，車牌字符及長度的比例進(jìn)行車牌的精度定位。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)環(huán)境及測試集

車牌識(shí)別系統(tǒng)的開發(fā)需要一定的硬件基礎(chǔ)，本實(shí)驗(yàn)環(huán)境在PC環(huán)境下，CPU為Intel(R)Pentium(R)Dual E2200@2.10 GHz 2.22 GHz，內(nèi)存為 2.0 Gbyte，編程及調(diào)試環(huán)境為Matlab。本文目的在于提高車牌定位的效率，以及一定的現(xiàn)實(shí)應(yīng)用意義。為了論證方法的優(yōu)越性，在實(shí)驗(yàn)的過程中以100張車牌圖像為數(shù)據(jù)，分別包含了車牌狀況良好，受一定程度污染或破損等情況，與基于顏色的車牌定位方法進(jìn)行了比較，本文方法車牌定位率在98%左右。

圖2 算法流程圖

3.2 實(shí)驗(yàn)結(jié)果及分析

本文算法定位過程如圖3所示。

圖3 本文算法實(shí)現(xiàn)過程

由圖3所示，本文定位步驟簡單，效果明顯。特別的，在如圖4中顯示了基于顏色與邊緣特征定位算法，對(duì)樣本一的定位中效果明顯，但對(duì)于樣本二車牌受嚴(yán)重污染的情況，基于顏色的車牌定位算法不能應(yīng)用，而此類現(xiàn)象現(xiàn)實(shí)中較常見，因此基于顏色的定位方法實(shí)用性較差，從而證明本文算法有優(yōu)越的適應(yīng)性。同時(shí)，本文算法定位的車牌區(qū)域字符特征明顯，利于下一步字符識(shí)別過程，簡化了整個(gè)識(shí)別系統(tǒng)的步驟。

圖4 基于顏色特征定位算法

4 結(jié)論

本文提出了將硬件構(gòu)架以及先驗(yàn)知識(shí)引入車牌識(shí)別算法中，大大減少了盲目掃描識(shí)別的運(yùn)算量，基于字符連通域顯著特征的車牌圖像定位方法也具有良好的定位能力以及對(duì)各種環(huán)境下的適應(yīng)能力。根據(jù)從交通部門采集到的100組圖像數(shù)據(jù)進(jìn)行反復(fù)試驗(yàn)表明，該方法對(duì)光照不均、車牌受污染、背景復(fù)雜的情況均有有效的處理結(jié)果，體現(xiàn)了算法的實(shí)用價(jià)值。下一步將繼續(xù)提高本文算法的通用性和實(shí)時(shí)性，以及基于本文結(jié)果的車牌識(shí)別算法系統(tǒng)研究。

［1］劉萬軍，姜慶玲，張闖.基于CNN彩色圖像邊緣檢測的車牌定位方法［J］. 自動(dòng)化學(xué)報(bào)，2009，35(12):1504－1512.

［2］周小龍，張小洪，馮欣.基于視覺顯著圖的車牌定位算法［J］.光電工程，2009，36(11):145－150.

［3］劉曉芳，程丹松，劉家鋒，等.采用改進(jìn) HSI模型的車牌區(qū)域檢測和定位方法［J］. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2008，40(1):85－89.

［4］吳舟舟，李樹廣.基于分級(jí)邊緣間距的實(shí)時(shí)車牌檢測［J］.中國圖象圖形學(xué)報(bào)，2007，12(2):315－321.

［5］路小波，張光華.基于二值圖像的車牌精確位方法［J］.東南大學(xué)學(xué)報(bào):自然科學(xué)版，2005，35(6):972－974.

［6］李剛，曾銳利，林凌，等.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法［J］.儀器儀表學(xué)報(bào)，2007，28(7):1322－1327.

［7］李波，曾致遠(yuǎn)，付祥勝.基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位算法［J］. 電視技術(shù)，2005，29(7):94－96.

［8］燕鵬，劉長松，丁曉青，等.復(fù)雜背景下的汽車牌照自動(dòng)識(shí)別系統(tǒng)［J］.電視技術(shù)，2005，29(6):90－93.

［9］張?jiān)普埽w海，宋純賀，等.一種新的連通區(qū)域標(biāo)記算法［J］.計(jì)算機(jī)應(yīng)用研究，2010，27(11):4335－4340.