摘 要: 車牌定位是實現(xiàn)智能交通系統(tǒng)的關(guān)鍵因素之一。在RGB色彩空間中,,運用自微分技術(shù)實現(xiàn)了圖像的二值化,,利用水平膨脹、腐蝕技術(shù)完成了形態(tài)學(xué)處理,。最后,,通過由下向上掃描確定連通區(qū)域的矩形邊界,結(jié)合車牌的幾何尺寸,給出車牌區(qū)域的具體坐標(biāo),。
關(guān)鍵詞: 車牌定位; 自微分; 水平膨脹和腐蝕
隨著信息化的飛速發(fā)展,,智能交通系統(tǒng)已成為交通管理的重要研究方向,可以解決諸如交通堵塞,、違章等問題,。一般來說,車牌是各種交通工具的唯一標(biāo)識,,因此車牌識別是實現(xiàn)智能交通系統(tǒng)的先決條件,。車牌識別按功能順序分為車牌定位、字符劃分和字符識別三部分,。車牌定位直接決定后序功能實現(xiàn)的好壞,,因此它是車牌識別的關(guān)鍵。車牌區(qū)域識別可基于灰度圖像及彩色圖像,。由于人眼對灰度圖像不敏感性,,僅能識別幾十個灰度等級,如果圖像背景,、光照度等因素復(fù)雜的話,,無形中增加了車牌區(qū)域識別算法的復(fù)雜度,花費的時間也高,,這對于智能交通系統(tǒng)的實時性要求也是不現(xiàn)實的,。由于人眼對彩色識別非常敏感,遠(yuǎn)遠(yuǎn)大于灰度圖像,,因此,,目前存在許多基于顏色空間的車牌區(qū)域識別算法。一般來說,,首先把RGB彩色空間圖像轉(zhuǎn)化成HSV,、HSI、CMY等色彩空間,,然后在變換后的色彩空間中運用各種算法,,最后再轉(zhuǎn)換回RGB色彩空間,得到所需結(jié)果,。本文也是基于色彩空間的,,但直接作用于最基本的RGB空間。
1 RGB空間自微分車牌區(qū)域識別原理
車牌區(qū)域識別具體來說是指車牌區(qū)域的底色顏色識別,。我國常用的是藍(lán)底白字,、黃底黑字車牌,因此,,主要完成RGB空間中的藍(lán)色,、黃色識別,。設(shè)每個像素顏色分量值為R、G,、B,。
1.1藍(lán)色車牌識別
(1)確定藍(lán)色像素。當(dāng)滿足B>G且B>R時,,則為藍(lán)色像素,。
(2)確定藍(lán)色車牌候選區(qū)域。根據(jù)步驟(1)確定的藍(lán)色像素集一定包含非車牌區(qū)域,。一般來說,,車牌區(qū)域與整個車其他區(qū)域相比較,它的藍(lán)色對比度是最大的,,按式(2)描述對比度即可:
當(dāng)value>16(可初始變量設(shè)定)時,,把該像素歸結(jié)為藍(lán)色車牌候選區(qū)域。
1.2 黃色車牌識別
(1)確定黃色像素,。當(dāng)滿足R>B且G>B時,,則為黃色像素。
(2)確定黃色車牌候選區(qū)域,。根據(jù)步驟(1)確定的黃色像素集一定包含非車牌區(qū)域,。一般來說,車牌區(qū)域與整個車其他區(qū)域相比較,它的黃色對比度是最大的,,按式(2)描述對比度即可:
value=(R+G)/2-B (2)
當(dāng)value>16(可初始變量設(shè)定)時,把該像素歸結(jié)為黃色車牌候選區(qū)域,。
(3)自微分作用,。 由式(1)及式(2)可知,它們均是對每個元素R,、G,、B分量的內(nèi)部差分,所以叫作自微分,。原彩色圖像經(jīng)過自微分運算后的值作為灰度值保存在等大小的灰度圖像中,,且原彩色圖像中彩色車牌區(qū)域在灰度圖像中是一個較亮的區(qū)域??傊?,通過彩色圖像自微分運算,巧妙形成了新的灰度圖像,,車牌區(qū)域識別在新的灰度圖像中完成即可,。
2 車牌識別設(shè)計思想
2.1總體框圖
該算法的總體框圖如圖1所示。
2.2 關(guān)鍵點說明
以藍(lán)色車牌為例進行說明,。
設(shè)原彩色圖像A三基色表示為:f(x,y,R),、f(x,y,G)、 f(x,y,B),灰度圖像B為g(x,y)。
(1) 灰度圖像B生成算法
遍歷圖像,,對每個像素而言,,如下:
if 滿足藍(lán)色條件
g(x,y)=f(x,y,B)-[f(x,y,R)+f(x,y,G)]/2
if g(x,y)<16 //可初始變量設(shè)定
g(x,y)=0
else
g(x,y)=0
可以看出,通過該運算后,,灰度圖像B中僅包含原彩色圖像中藍(lán)色像素部分,,其他原彩色圖像中非藍(lán)色部分都可以不考慮了。
(2) 灰度圖像B閾值的確定
需要考慮兩種情況:一種是原彩色圖像A中藍(lán)色像素少(如車身是白色等),在這種情況下,,當(dāng)生成灰度圖像B時,,非零灰度值絕大多數(shù)集中在車牌區(qū)域;另一種是原彩色圖像A中藍(lán)色像素多(如車身是藍(lán)色),,在這種情況下,,當(dāng)生成灰度圖像B時,非零灰度值集中在車牌區(qū)域及其他區(qū)域,。因此,,按如下算法決定B的閾值大小:
閾值thresh=0;
統(tǒng)計B中非零元素數(shù)n及灰度累加值t;
灰度平均值aver=t/n;
if n<某值 //經(jīng)驗確定,對藍(lán)色少情況
thresh=aver-10
else //藍(lán)色多情況
thresh=aver
(3) 二值圖像C形態(tài)學(xué)處理
二值圖像C生成后,車牌區(qū)域可能是不連通的,,必須把它處理成連通區(qū)域,,這樣才能得到正確的車牌區(qū)域坐標(biāo)。用到的形態(tài)學(xué)處理方法是膨脹,、收縮,。對大量原彩色圖像分析可以得出,圖像在豎直方向變化大,,水平方向變化小,。所以要對常規(guī)的膨脹、收縮方法加以改進,,僅進行水平膨脹及水平收縮,。
水平膨脹算法如下所示:
do{
遍歷當(dāng)前行,獲取分段亮區(qū)線段集v
對v中每線段,,左端點減1,,置亮色;
右端點加1, 置亮色
}while(還有下一行,,置成當(dāng)前行)
水平收縮算法如下所示:
do{
遍歷當(dāng)前行,,獲取分段亮區(qū)線段集v
對v中每線段,左端點置暗色,;
右端點置暗色
}while(還有下一行,,置成當(dāng)前行)
水平膨脹與水平收縮是成對出現(xiàn)的,膨脹n次,則收縮比n次。對本文論述內(nèi)容而言,應(yīng)先進行水平膨脹,再進行水平收縮運算,。
(4) 車牌區(qū)域確定
我國車牌的長,、寬比約為3.14,。由于拍攝等多方面原因,圖像上發(fā)生了一些變化,,本文取[2,,4.5]。具體算法如下:
while(自下向上,,從左至右掃描,,若有連通域,置成
當(dāng)前連接域)
{
BFS層次遍歷連通域,,得矩形邊界
求矩形長,、寬比r
if 2<r<4.5
找到矩形邊界,跳出循環(huán)
}
核心思想是:自下向上掃描,,找到第1個連通域,,滿足其矩形邊界長、寬比在[2,4.5]范圍內(nèi),,則該矩形邊界即可作為車牌區(qū)域坐標(biāo),,直接終止循環(huán)即可。
(5) 有效區(qū)域設(shè)定
車牌區(qū)域在圖像中占有很小的一部分,,很容易受其他因素干擾,,影響車牌識別的精確度。通過對大量車牌圖片分析可以得出,,要想識別出車牌,,車牌圖像應(yīng)有一定大小,要在整個圖像的下半部分,。因此,,之前的所有算法及其功能僅針對圖像下半部分操作,無須涉及上半部分圖像元素,,最大限度地屏蔽了上半部分圖像元素對車牌識別的影響。
3 實驗結(jié)果
如圖2所示,圖2(a)是原圖,,其中不包含矩形框,,矩形框是最終獲得的車牌區(qū)域坐標(biāo),為了簡潔,,放在了一起,。
圖2(b)是自微分形成的灰度圖,設(shè)坐標(biāo)原點為左上角,,圖像高h(yuǎn), 僅處理了[h/2, h)間圖像下半部分像素,。從圖2(b)中看出,執(zhí)行水平膨脹,、收縮,,不會影響車牌的連通區(qū)域,;而執(zhí)行普通的膨脹、收縮,,上下區(qū)域就可能連起來,,影響車牌真實的連通域大小。
圖2(c)是二值圖像,。其中有亮,、有暗,這是因為二值化后所有前景灰度都置成了255,,遍歷某連通區(qū)域后,,該區(qū)域都置成了64。圖2(c)中高亮區(qū)域表示沒有遍歷的連通區(qū)域,。另一方面也說明了如果找到某連通區(qū)域,,其矩形邊界長寬比在[2,4.5]范圍內(nèi),則表示找到了車牌圖像區(qū)域,,不必繼續(xù)遍歷其他的連通區(qū)域了,。
本文通過彩色圖像自微分巧妙地生成了所需的灰度圖像,有效區(qū)域的設(shè)定提高了車牌區(qū)域識別的精度及速度,。但如何更有效確定自微分圖像后的二值化閾值,,車牌有一定傾角如何處理等,都是今后值得深入研究的問題,。
參考文獻
[1] Gao Dashan, Zhou Jie. Car license plate detection from complex scene[C]. ICSP,2000:1409-1414.
[2] Bai Hongliang,,Liu Changping. A hybrid license plate extraction method based on edge statistics and morphology[C]. Proceedings of the International Conference on ICPR,2004,,2:831-834.
[3] 陳進,,徐佩霞. 一種改進的分級車牌定位算法[J]. 計算機工程與應(yīng)用, 2010,46(23):244-248.
[4] 吳舟舟,李樹廣.基于分級邊緣間距的實時車牌檢測[J]. 中國圖象圖形學(xué)報,,2007,,12(2):315-321.
[5] 左奇,史忠科.一種基于數(shù)學(xué)形態(tài)學(xué)的實時車牌圖像分割方法[J]. 中國圖象圖形學(xué)報,,2003,,8A(5):281-285.
[6] 郭大波,陳禮民,,盧朝陽,,等.基于車牌底色識別的車牌定位方法[J]. 計算機工程與設(shè)計,2003(5):81-87.
[7] 任俊,,黃丹丹,,李志能.結(jié)合紋理分析和支撐矢量機的汽車牌照定位研究[J].浙江大學(xué)學(xué)報,2006,,40(8):1352-1357.