高一文，龔 劬

(1.重慶大學數(shù)學與統(tǒng)計學院，重慶 沙坪壩 400030;2.重慶文理學院教務(wù)處，重慶 永川 402160)

經(jīng)過廣大研究者多年的努力，已經(jīng)提出了很多車牌定位的方法.主要有依據(jù)車牌灰度特性、投影特性、幾何特性以及顏色特性等進行定位的方法和利用遺傳算法、神經(jīng)網(wǎng)絡(luò)算法進行定位的方法.這些算法處理的車牌圖像數(shù)據(jù)量大，耗時長，降低了整個車牌定位的效率，在實際運用中遇到了很大的困難;基于邊緣檢測的車牌定位算法雖然不依賴車牌的外邊框是否清晰，實現(xiàn)起來效率比較高，主要是對車牌灰度變化劇烈的區(qū)域進行提取，但是對于一些多余的邊緣也很敏感，這在一定程度上限制了這種方法的使用;掃描統(tǒng)計車牌定位方法對邊緣檢測后的二值化圖像進行邊緣點的累加，構(gòu)成分割曲線定位車牌，但是這種方法適用于高階干擾較少的車牌，對于復雜的車牌很難定位.

車牌是機動車的重要標志，各國都制定了一系列標準來規(guī)范車牌.在我國，有關(guān)法規(guī)對車牌的顏色和形狀都有規(guī)定.大型汽車牌照為黃底黑字，小型車牌照為藍底白字，公安專用汽車牌照為白底紅“警”字后面黑字，大使、領(lǐng)事館汽車牌照為黑底白字及紅色“使”、“領(lǐng)”字標志，外藉汽車牌照為黑底白字，臨時行駛車牌照為白底藍色暗紋黑字.由此可見，我國的車牌具有穩(wěn)定的顏色特征和形狀特征，這對于車牌識別系統(tǒng)來說都是可以利用的穩(wěn)定的先驗特征.本文就是利用顏色和結(jié)構(gòu)特征來對車牌進行定位.

1 車牌灰度化算法

在RGB模型中，如果R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值.因此，灰度圖像每個像素只需一個字節(jié)存放灰度值(又稱強度值、亮度值)，灰度范圍為0～255.彩色圖像轉(zhuǎn)化為灰度圖像，關(guān)鍵是根據(jù)R、G、B分量來計算灰度值.不同的計算方法，其結(jié)果也有所不同，一般有4種方法對彩色圖像進行灰度化.

1.1 分量法

將彩色圖像中的3分量的亮度作為3個灰度圖像的灰度值，可根據(jù)應(yīng)用需要，選取一種灰度圖像.

其中fk(i，j)(k=1，2，3)為轉(zhuǎn)換后的灰度圖像在(i，j)處的灰度值.

1.2 最大值法

將彩色圖像中的3分量亮度的最大值作為灰度圖像的灰度值.

f(i，j)=max(R(i，j)，G(i，j)，B(i，j)).

1.3 平均值法

將彩色圖像中的3分量亮度求平均得到一個灰度圖像.

1.4 加權(quán)平均法

根據(jù)重要性及其它指標，將3個分量以不同的權(quán)值進行加權(quán)平均.由于人眼對綠色的敏感最高，對藍色敏感最低，因此按下式對RGB 3分量進行加權(quán)平均能得到較合理的灰度圖像.

f(i，j)=0.11R(i，j)+0.59G(i，j)+0.3B(i，j).

本文采用R、G、B分量的加權(quán)平均值，結(jié)果如圖1所示.

圖1 彩色圖像灰度化

2 車牌閾值化處理

圖像閾值化分割是一種最常用同時也是最簡單的圖像分割方法，它特別適用于目標和背景占據(jù)不同灰度級范圍的圖像.它不僅可以極大地壓縮數(shù)據(jù)量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特征提取與模式識別之前的必要的圖像預處理過程.圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，得到的每個子集形成一個與現(xiàn)實景物相對應(yīng)的區(qū)域，各個區(qū)域內(nèi)部具有一致的屬性，而相鄰區(qū)域布局有這種一致屬性.這樣的劃分可以通過從灰度級出發(fā)選取一個或多個閾值來實現(xiàn).如圖2所示，利用多閾值法對車牌圖像進行處理，可見用多閾值法對車牌的處理效果不好［2］.所以，本文運用自動閾值分割算法最終獲得理想的閾值化效果.

圖2 多閾值分割

2.1 OTSU自動閾值分割算法(大津法自動閾值分割技術(shù))

OTSU方法于1980年由日本大津展之提出，它是在最小二乘法原理基礎(chǔ)上推導出來的，其基本思路是將直方圖在某一閾值處理分割成兩組，當被分成的兩組的方差為最大時決定閾值.①選取的最佳閾值應(yīng)當使得用該閾值分割得到的兩類間具有最好的分離性;②類間分離性能最好的判據(jù)是統(tǒng)計意義上的類間特征差最大或類間特性差最小.

設(shè)X是一幅具有L灰度級的圖像，其中第i級像素為Ni個，圖像總的像素點個數(shù)為N=∑Ni，第i級像素出現(xiàn)的概率為.選定一個閾值K將所有的像素分為C0和C1(目標和背景)兩類.其中C0類的像素灰度級為0～K，C1類的像素灰度級為(K+1)～L-1.

圖像的總平均灰度級為μ=∑iPi，C0類的平均灰度級為類的像素平均灰度級為μ(1)=μ-μ(k).兩部分圖像所占的面積的比例分別為ω0=∑Pi與ω1=1-ω0.

令 μ0= μ(k)ω0，μ1= μ(1)ω1，則類間方差定義為

σ2= ω0(μ0- μ)2+ ω1(μ1- μ)2.

如圖3所示，OTSU自動閾值化技術(shù)可以有效地表征并區(qū)分出感興趣的部分和背景.因此，本文選用OTSU自動閾值化方法可以獲得更加理想的閾值化效果.

圖3 OTSU自動閾值分割

2.2 閾值化后的濾波

將圖像采用OTSU方法閾值化后，可以有效表征并區(qū)分出感興趣的部分，而對于存在的一些無關(guān)的隨機噪點，這就需要對閾值化后的二值圖像進行濾波.常見的濾波方法可以分為:空域濾波方法(如中值濾波、均值濾波、形態(tài)學濾波等)和頻域濾波方法(如FFT濾波、DCT濾波、DWT濾波等).

在本文所研究的車牌二值化圖像中，由于噪點具有隨機性和不確定性，頻域特征不足夠明顯，因此采用基于空域的濾波方法.

圖4、圖5和圖6分別為采用中值濾波、均值濾波、形態(tài)學濾波的試驗圖像.由此可見，采用形態(tài)學濾波可以有效地去除無關(guān)信息，從而使車牌區(qū)域的特征更加明顯.因此，本文采用形態(tài)學濾波方法.

圖4 中值濾波

圖5 均值濾波

圖6 形態(tài)學濾波

采用形態(tài)學濾波其參數(shù)σ的選擇是十分重要的，這里的參數(shù)σ表示在車牌二值圖像中，連同區(qū)域小于σ的去除.參數(shù)的選擇經(jīng)過圖6所示的對比實驗可以看出，采用σ=300較為合適，因此本文應(yīng)用形態(tài)學濾波選擇的濾波參數(shù)σ=300.圖7為采用σ=300的形態(tài)學濾波后的車牌二值化圖像.

圖7 用σ=300的形態(tài)學濾波后的車牌二值圖像

2.3 基于結(jié)構(gòu)特征的車牌粗定位

圖7為采用OTSU閾值化并用形態(tài)學濾波后的車牌二值化圖像.為了有效利用車牌的矩形結(jié)構(gòu)特征，本文將此車牌二值化圖像反色，然后統(tǒng)計每一連通區(qū)域的形狀特征［4］，如圖8所示.

圖8 車牌二值化圖像反色后的連通區(qū)域

設(shè)width(i)為第i個連通區(qū)域的列數(shù)，height(i)為第i個連通區(qū)域的列數(shù)，則第i個連通區(qū)域的形狀特征識別參數(shù)ρ(i)為:

若第k個連通區(qū)域的形狀特征識別參數(shù)ρ(k)符合預先存儲的我國車牌的矩形形狀特征，則第k個連通區(qū)域為可能存在的車牌區(qū)域，如圖9所示為候選的車牌區(qū)域.

圖9 采用形狀特征選擇出的候選車牌區(qū)域

2.4 基于顏色特征的車牌二級定位

利用車牌自身的結(jié)構(gòu)特征粗定位出了可能存在的車牌區(qū)域為候選的車牌區(qū)域.由于在一個汽車車牌圖像中一些無關(guān)隨機因素的干擾，可能存在一些類似的矩形區(qū)域，將有利于對由上一步中確定出來的候選的車牌區(qū)域進行基于顏色特征的細定位，從而從多個候選的車牌區(qū)域中選取真正的車牌.在本節(jié)的車牌定位二級細劃分的步驟中，就是對于候選的車牌區(qū)域進行基于顏色特征的細定位.對于候選區(qū)域，在原始采集到的彩色圖像的相應(yīng)區(qū)域中，進行顏色的匹配，若匹配的顏色特征恰為我國車牌規(guī)定的顏色，則判定為車牌.圖10(a)為車牌定位二級細劃分的示意圖，圖10(b)為利用顏色特征定位出的車牌.

圖10 車牌定位二級細劃分

3 基于顏色與結(jié)構(gòu)特征的車牌定位算法

通過上述的有關(guān)論述和對比實驗，本文最終確定出了基于顏色與結(jié)構(gòu)特征的車牌定位算法，算法流程示意圖如圖11所示.

圖11 基于顏色與結(jié)構(gòu)特征的車牌定位算法流程示意圖

對在不同背景、不同光照條件下拍攝的100幅含有各種顏色車牌的圖像應(yīng)用本算法，有效定位率高達到94.7%，而現(xiàn)有的車牌定位算法有效定位率一般在90%左右.本實驗在Windows XP，內(nèi)存為2G的平臺及VC++6.0的編程環(huán)境下進行.

4 結(jié)語

本文在總結(jié)現(xiàn)有車牌定位方法的基礎(chǔ)上，通過實驗說明了目前常見的車牌定位方法存在的缺陷，進而提出了基于顏色與結(jié)構(gòu)特征的車牌定位算法.這種車牌定位的方法避免了運用Gabor濾波器參數(shù)設(shè)置復雜的問題，也避免了運用人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理龐大的缺點，并且對于圖像中存在大量噪聲、質(zhì)量較差的圖片也能夠很好地定位，能夠達到很好的定位效果.

［1］趙春雪，戚飛虎.基于彩色分割的車牌自動識別技術(shù)［J］.上海交通大學學報，1998，32(10):4 －9.

［2］馬勝前，張光南，楊金龍，等.基于二維直方圖的otsu圖像分割算法改進［J］.西北師范大學學報:自然科學版，2009，45(1):57 －61.

［3］吳冰，秦志遠.自動確定圖像二值化最佳閾值的新方法［J］.測繪學院學報，2001，18(4):283－286.

［4］李文舉，梁德群，張旗，等.基于邊緣顏色對的車牌定位新方法［J］.計算機學報，2004，27(2):204－208.