摘? 要: 提出一套圖像處理" title="圖像處理">圖像處理的新組合和新策略,,在特定的環(huán)境中可以實現(xiàn)二值化" title="二值化">二值化閾值的自適應(yīng)調(diào)整,,將車牌識別提高到工程應(yīng)用" title="工程應(yīng)用">工程應(yīng)用的水平。
關(guān)鍵詞: 電子警察? 邊緣提取? 車牌定位" title="車牌定位">車牌定位? 識別
?
近年來,,我國在城市和交通建設(shè)方面取得了巨大的進步,。然而,,面對越來越多的交通路口、收費站以及治安卡口,,傳統(tǒng)的人工值守顯然已經(jīng)滿足不了要求,。為解決這種現(xiàn)狀,出現(xiàn)了適應(yīng)信息化時代的計算機集成產(chǎn)品,,即電子警察,,并已經(jīng)得到了廣泛的應(yīng)用。
電子警察采用視頻圖像的識別技術(shù),,全天候進行車輛及道路的監(jiān)控,,對違規(guī)車輛進行抓拍,實現(xiàn)了城市道路交通的智能化管理,達(dá)到無人化值守,。利用該系統(tǒng)可以迅速查明違章車輛,、分析交通事故,為進一步整頓交通環(huán)境,,交通管理科學(xué)化提供高效可靠的技術(shù)依據(jù),。
1 抓拍照片分析
出于性價比的原因,目前國內(nèi)電子警察系統(tǒng)的圖像獲取單元一般都采用CCD工業(yè)電視攝像機,,而且被架設(shè)在室外?,F(xiàn)以闖紅燈違章抓拍系統(tǒng)為例來分析抓拍的圖像數(shù)據(jù)。
(1) 由于紅燈的停車線靠近行人通道,,造成圖像背景特別復(fù)雜;
(2) 機動車的車型較多,,車牌的位置各不相同;
(3) 拍攝圖像時受天氣、照明以及運動等因素的影響很大;
(4) 攝像機受路口實際條件的限制,,可能距離較遠(yuǎn),,并有一定角度;
(5) 臟、舊車牌比較模糊,,還有不少故意作弊的車牌,。
這種圖像數(shù)據(jù)要比在實驗室所用的數(shù)據(jù)惡劣得多,而且意想不到的情況也時有發(fā)生,,這就給圖像識別帶來了極大的困難,。
2 圖像處理方案
通過多次實驗檢測,最終選用了圖1所示的圖像處理方案,。
?
?
對圖像數(shù)據(jù)的灰度化,、平滑、邊緣檢測" title="邊緣檢測">邊緣檢測,、二值化以及旋轉(zhuǎn)都屬于圖像的預(yù)處理部分,。判定就是準(zhǔn)確地定位車牌位置,接下來先對車牌進行字符分割,,然后逐字提取特征,,形成該字符的特征向量,將這個特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入,,以便于字符識別,。所以字符識別部分用了一個三層的神經(jīng)網(wǎng)絡(luò),先進行學(xué)習(xí)訓(xùn)練,,得到收斂的一組權(quán)值,。
限于篇幅,本文只介紹圖像預(yù)處理和判定部分,,識別應(yīng)用部分這里就不討論了,。
2.1 灰度化與平滑
為了便于處理后的傳輸和存儲,,由CCD攝象機獲取的圖像通過圖像采集卡采集到工控機或圖像處理器件后,一般會轉(zhuǎn)換成JPEG格式,。這樣處理的對象也就是JPEG文件,,要進行灰度化,以去掉彩色信息,,加快處理速度,。灰度化的公式可以采用式(1),。
其中,,g(i,j)為點(i,,j)處的灰度值,,R,G,,B分別為該點的三基色值,。但是,定位車牌時亮度信息并不重要,。鑒于在這個式子中,,G基色占的比重最大,所以有理由在灰度化時只取綠色信息就可以了,。
圖像平滑的目的是為了消除噪聲。噪聲并不限于人眼所能看到的失真或變形,,有些噪聲只有在進行圖像處理時才能發(fā)現(xiàn),。一般來說,圖像的能量主要集中在其低頻部分,,而車牌的信息主要在高頻部分,,為了去掉高頻干擾,有必要進行圖像平滑,??梢圆捎玫屯V波的方法來去除噪聲,為此要設(shè)計空間域系統(tǒng)的單位沖激響應(yīng)矩陣,。
2.2 邊緣檢測與二值化
與平滑過程相反,,邊緣檢測相當(dāng)于高通濾波器,是為了提取圖像中的高頻部分,。因為車牌上字符較密,,所以這一部分的圖像變化必然比其它區(qū)域高,這對于車牌定位是很重要的信息,。邊緣增強的方法很多,,常用的增強算子有拉普拉斯算子,、Sobel算子、Prewitt算子等,。本文采用了一種Kirsch算子的改進形式,。Kirsch算子是一種象素鄰點順時針循環(huán)平均求梯度的方法,它取如下的梯度圖像作為檢測結(jié)果:
分別表示f(i,,j)的八鄰象素中順時針排列的相鄰三個象素和五個象素之和,。規(guī)定A0為f(i,j)左上角的鄰域,。A的下標(biāo)按模8計算,,如圖2所示。
?
?
式(3)中大括號內(nèi)的取極大值運算,,其實就是求f(i,,j)在8個方向上的平均差分之最大值,也就是f(i,,j)梯度幅度的近似值[1],。
通過這種運算后,圖像中每象素點的值代表了該點的高頻信息,,從這些信息中要定位出車牌的位置,,就必須進行二值化處理。二值化的方法有很多,,但應(yīng)用于工程上時,,一個最大的問題就是閾值的選取,將它取為固定值顯然是不合理的,,因為環(huán)境總是變化的;可是將它放開后,,又不能很好地跟蹤圖像的細(xì)微變化。針對這個問題,,本文提出了一種反向積分求象素點的方法,,使得二值化能自適應(yīng)選擇適當(dāng)?shù)拈撝怠?/P>
其中:n(k)為圖像中所有取值為k的象素點個數(shù),n為圖像總象素數(shù),。通過大量的實驗,,發(fā)現(xiàn)這個象素值-概率關(guān)系曲線無外乎兩種情況,即圖3和圖4所示,。要使定位效果達(dá)到最佳,,閾值一定在曲線趨于平坦的點附近。
?
這時會發(fā)現(xiàn)不管是白天還是夜間,,S總是在一常數(shù)附近,,而這個差別對于象768×288這樣的圖像來說是微不足道的,完全可以將它定為一個常數(shù)來處理,。雖然它也與圖像的復(fù)雜程度有關(guān),,但這只會影響二值化后點的分布,。車牌位置總是處于高頻部分,對它的影響較小,。這個現(xiàn)象也同時說明,,要準(zhǔn)確定位并不是二值化后保留的信息越多越好。
既然將S取為常數(shù),,那么從gmax開始反向積分(求和),,就可以得出th,而且th會隨著圖像的亮暗程度,、對比度自適應(yīng)變化,。
2.3? 圖像旋轉(zhuǎn)與車牌定位
在實際施工中,鏡頭的架設(shè)常受到條件的限制,,圖像的傾斜程度特別大,。這時,用圖像的旋轉(zhuǎn)不變距顯然難以湊效,,只有對圖像進行旋轉(zhuǎn),。而且這個角度的設(shè)定對具體的環(huán)境不再發(fā)生變化,知道了這個角度,,也有利于汽車的運動軌跡判斷,。
進行完前面的預(yù)處理工作后,定位車牌就容易了,。對圖像自下而上逐行掃描,,在限定的模板寬度內(nèi),若變化頻率達(dá)到一定次數(shù),,例如10次,,則向下開始掃描,直到滿足模板高度,,將這個區(qū)域定為車牌的候選區(qū)。如果沒找到車牌,,則將車牌的模板進行一些調(diào)整,,再繼續(xù)搜索,還是找不到,,就是沒有車牌,。對于多個候選的區(qū)域,可以進行粗略的聚類估計和簡單的邏輯判斷,,以提高定位準(zhǔn)確性,。
3 運行結(jié)果
用這一套組合策略,對不同時間,、不同交通路口,、不同光照下抓拍的汽車圖像進行車牌定位識別,,定位結(jié)果如表1所示。
在選圖時,,夜間圖像占20% 左右,。從上述結(jié)果,可以清楚地看出,,公共汽車的準(zhǔn)確率最低,,這是因為公共汽車有許多廣告和粘貼紙,造成了錯誤定位,??ㄜ嚨能嚺圃谲嚳蛳逻叄^為隱蔽,,有些車牌特別臟,,識別比較困難。而出租車和中巴車的錯誤定位大多是夜間圖像引起的,。還要說明一點,,夜間圖像在拍攝時加了紅外補光系統(tǒng)。針對工程應(yīng)用的水平,,這個結(jié)果是令人滿意的,。
?
?
本文只介紹了電子警察抓拍系統(tǒng)中車牌定位的內(nèi)容。電子警察系統(tǒng)最大的困難就是受自然環(huán)境的影響特別大,,而且安裝時總是要去適應(yīng)地形環(huán)境,,所以拍攝到的圖像有時非常不好,并不象實驗室處理的那么理想,。因此要找到一種適應(yīng)性較好的定位方法,,只有舍棄許多優(yōu)越的處理方法。本文使用的這種圖像處理的策略,,只設(shè)定幾個參數(shù),,在特定的環(huán)境中可以實現(xiàn)二值化閾值的自適應(yīng)調(diào)整,將車牌識別提高到工程應(yīng)用的水平,??傮w上來說,具有較好的適應(yīng)性,。
?
參考文獻
1 趙榮椿.數(shù)字圖像處理導(dǎo)論.西安:西北工業(yè)大學(xué)出版社,,1995
2 戴青云,余英林.一種基于小波與形態(tài)學(xué)的車牌圖像分割方法.中國圖像圖形學(xué)報,,2000;5:411~415
3 黃可為,,趙雁南,孫發(fā)杰等.一種高效目標(biāo)搜索方法及其在圖像分析中的應(yīng)用.中國圖像圖形學(xué)報,,1999,;12:1038~1043