摘　要: 車牌定位是車牌自動識別技術(shù)中的一個關(guān)鍵問題,，許多學(xué)者研究發(fā)展多種車牌定位算法,。簡要介紹和比較了目前比較常見的幾種車牌定位方法進(jìn)行了,。
關(guān)鍵詞: 車牌定位;紋理分析;邊緣檢測;數(shù)學(xué)形態(tài)學(xué);小波分析

    車牌識別LPR(License Plate Recognition)技術(shù)作為交通管理自動化的重要手段和車輛檢測系統(tǒng)的一個重要環(huán)節(jié),，能經(jīng)過圖像抓拍,、車牌定位,、圖像處理、字符分割,、字符識別等一系列算法運(yùn)算,，識別出視野范圍內(nèi)的車輛牌照號碼；它運(yùn)用數(shù)字圖像處理,、模式識別,、人工智能技術(shù)對采集到的汽車圖像進(jìn)行處理，能夠?qū)崟r(shí)準(zhǔn)確地自動識別出車牌的數(shù)字,、字母及漢字字符,，并以計(jì)算機(jī)可直接運(yùn)行的數(shù)據(jù)形式給出識別結(jié)果，使得車輛的電腦化監(jiān)控和管理成為現(xiàn)實(shí),。
　車牌識別技術(shù)的任務(wù)是處理,、分析攝取的視頻流中復(fù)雜背景的車輛圖像，定位,、分割牌照字符,，最后自動識別牌照上的字符。為了保證汽車車牌識別系統(tǒng)能在各種復(fù)雜環(huán)境下發(fā)揮其應(yīng)有的作用,，識別系統(tǒng)必須滿足以下要求:
　(1)魯棒性:在任何情況下均能可靠正常地工作,，且有較高的正確識別率,。
　(2)實(shí)時(shí)性:不論在汽車靜止還是高速運(yùn)行情況下，圖像的采集識別系統(tǒng)必須在一定時(shí)間內(nèi)識別出車牌全部字符,，達(dá)到實(shí)時(shí)識別,。
　車牌識別技術(shù)的關(guān)鍵在于車牌定位、字符分割和字符識別三部分,，其中車牌定位的準(zhǔn)確與否直接決定后面的字符分割和識別效果,，是影響整個LPR系統(tǒng)識別率的主要因素，是車牌識別技術(shù)中最為關(guān)鍵的一步,。目前車牌定位的方法多種多樣, 歸納起來主要有基于紋理特征分析的方法,、 基于邊緣檢測的方法、 基于數(shù)學(xué)形態(tài)學(xué)定位,、基于小波分析定位以及基于彩色圖像定位等,，這些方法各有所長。
1車牌目標(biāo)區(qū)域特點(diǎn)
　車牌定位方法的出發(fā)點(diǎn)是利用車牌區(qū)域的特征來判斷牌照,，將車牌區(qū)域從整幅車輛圖像中分割出來,。車牌自身具有許多的固有特征，這些特征對于不同的國家是不同的,。從人的視覺角度出發(fā),，我國車牌具有以下可用于定位的特征:
　(1)車牌底色一般與車身顏色、字符顏色有較大差異;
　(2)車牌有一個連續(xù)或由于磨損而不連續(xù)的邊框;
　(3)車牌內(nèi)字符有多個,，基本呈水平排列,，在牌照的矩形區(qū)域內(nèi)存在豐富的邊緣，呈現(xiàn)規(guī)則的紋理特征;
　(4)車牌內(nèi)字符之間的間隔較均勻,，字符和牌照底色在灰度值上存在較大的跳變,，字符本身和牌照底內(nèi)部都有比較均勻的灰度;
　(5)不同圖像中牌照的具體大小、位置不確定,，但其長寬比在一定的變化范圍內(nèi),，存在1個最大值和1個最小值。
　以上幾種特征都是概念性的,，各項(xiàng)特征單獨(dú)看來都非車牌圖像所獨(dú)有,，但將它們結(jié)合起來可以唯一地確定車牌。在這些特征中,，顏色,、形狀、位置特征最為直觀,，易于提取,。紋理特征比較抽象，必須經(jīng)過一定的處理或者轉(zhuǎn)換為其他特征才能得到相應(yīng)的可供使用的特征指標(biāo),。通常文字內(nèi)容特征至少需要經(jīng)過字符分割或識別后才可能成為可利用的特征,，一般只是用來判斷車牌識別正確與否,。
2 常用的車牌定位算法
　根據(jù)車牌的不同特征，可以采用不同的定位方法,。目前車牌定位的方法很多,，最常見的定位技術(shù)主要有基于邊緣檢測的方法,、基于彩色分割的方法,、基于小波變換的方法、基于遺傳算法的方法,、基于數(shù)學(xué)形態(tài)學(xué)的車牌定位和基于灰度圖像紋理特征分析的方法等,，在此對幾種常用的定位算法進(jìn)行簡單的介紹。
2.1 基于邊緣檢測的車牌定位方法
　所謂“邊緣”就是指其周圍像素灰度有階躍變化的那些像素的集合,。“邊緣”的兩側(cè)分屬于兩個區(qū)域,，每個區(qū)域的灰度均勻一致，而這兩個區(qū)域的灰度在特征上存在一定的差異,。邊緣檢測的任務(wù)是精確定位邊緣和抑制噪聲,。檢測的方法有多種, 例如Roberts 邊緣算子、Prewitt 算子,、Sobel 算子以及拉普拉斯邊緣檢測［1］,。這些方法正是利用物體邊緣處灰度變化劇烈這一特點(diǎn)來檢測圖像的邊緣。各算子對不同邊緣類型的敏感程度不同, 產(chǎn)生的效果也不同, 經(jīng)過大量實(shí)驗(yàn)分析可知, Roberts邊緣算子是一種利用局部方差算子尋找邊緣的算子, 定位比較精確; Prewitt算子和Sobel算子對噪聲有一定的抑制能力, 但不能完全排除偽邊緣; 拉普拉斯算子是二階微分算子, 對圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確且具有旋轉(zhuǎn)不變性, 但容易丟失一部分邊緣的方向信息, 同時(shí)抗噪能力較差,。針對不同的環(huán)境和要求, 選擇合適的算子來對圖像進(jìn)行邊緣檢測才能達(dá)到好的效果,。具體定位流程如圖1所示。

    該方法的定位準(zhǔn)確率較高,、 反應(yīng)時(shí)間短,、 能有效去掉噪聲, 適合于包含多個車牌的圖像, 在多車牌圖像的情況下定位速度也很快。但是對車牌嚴(yán)重褪色的情況, 由于檢測不到字符筆畫的邊緣會導(dǎo)致定位失敗,，在有外界干擾以及車牌傾斜時(shí),，定位后的區(qū)域比車牌稍大。
2.2基于彩色分割的車牌定位方法
　基于彩色分割的車牌定位方法由彩色分割和目標(biāo)定位等模塊組成,，采用多層感知器網(wǎng)絡(luò)對彩色圖像進(jìn)行分割,，然后通過投影法分割出潛在的車牌區(qū)域[2]。在進(jìn)行彩色分割時(shí)采用神經(jīng)網(wǎng)絡(luò)模型,，一般圖像采用RGB三原色,，但RGB三原色中兩點(diǎn)的歐氏距離與顏色距離不成線性比例。為了更好地進(jìn)行彩色分割,，將RGB模式的彩色圖像轉(zhuǎn)化為HSI模式,，即色調(diào)、飽和度和亮度,，然后對輸出圖像的飽和度作調(diào)整,。為了減少計(jì)算量,，將彩色圖像抽稀后再進(jìn)行模式轉(zhuǎn)化。同時(shí),，為了減少光照條件對圖像分割產(chǎn)生的影響,，采用對數(shù)方法進(jìn)行彩色飽和度調(diào)整。然后對模式轉(zhuǎn)化后的彩色圖像進(jìn)行彩色神經(jīng)網(wǎng)絡(luò)分割,，最后根據(jù)車牌底色及長寬比等先驗(yàn)知識,，采用投影法分割出合理的車牌區(qū)域。當(dāng)獲取的彩色圖像質(zhì)量較高時(shí),，尤其是車牌區(qū)域顏色與附近顏色差別較大時(shí),，準(zhǔn)確率將有所下降。
　該定位算法正確率較高,，但由于采用了神經(jīng)網(wǎng)絡(luò)計(jì)算法,，當(dāng)區(qū)域顏色與附近顏色相似時(shí)，計(jì)算速度較慢,。具體定位流程如圖2所示,。

2.3基于小波變換的車牌定位方法
    小波分析是一種應(yīng)用于圖像處理的重要分析工具, 具有“顯微鏡”的特性。小波分析的多分辨率特性使得小波分解系數(shù)在不同方向的高頻子波系數(shù)具有不同特性, 因此利用方向小波能夠反映出圖像在不同分辨率上沿任一方向變化的情形,。小波分析的多尺度分解特性更加符合人類的視覺機(jī)制,。
　小波變換的基本思想是將原始信號經(jīng)過伸縮、平移等運(yùn)算分解為一系列具有不同空間分辨率,、不同頻率特性和方向特性的子帶信號, 這些子帶信號具有良好的時(shí)頻特性, 通過利用這些特性可以實(shí)現(xiàn)對信號的時(shí)域,、頻域的局部分析。
　目前利用小波分析的車牌定位算法大多是利用小波變換與其他多種方法相結(jié)合來實(shí)現(xiàn)更準(zhǔn)確,、快速的定位[3],。例如基于小波分析和數(shù)學(xué)形態(tài)學(xué)的車牌定位方法，該方法通過小波多尺度分解提取出紋理清晰且具有不同空間分辨率,、不同方向的邊緣子圖,，然后利用車牌目標(biāo)區(qū)域具有水平方向低頻、垂直方向高頻的的特點(diǎn)實(shí)現(xiàn)子圖提取,，最后用數(shù)學(xué)形態(tài)學(xué)方法對小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運(yùn)算,，進(jìn)一步消除無用信息和噪聲，以確定車牌位置,。該方法在噪聲較小的情況下定位效果好,，分割精度高；其缺點(diǎn)是速度較慢,，且在噪聲較大時(shí)誤定位機(jī)率也隨之增大,。具體定位流程如圖3所示。

2.4基于遺傳算法的車牌定位
    基于遣傳算法的車牌定位方法利用遺傳算法對圖像進(jìn)行優(yōu)化搜索,，結(jié)合區(qū)域特征矢量構(gòu)造適應(yīng)度函數(shù),，最終尋找車牌區(qū)域的最佳定位參量,。車牌定位是尋找一個符合“車牌區(qū)域特征”最佳區(qū)域的過程，本質(zhì)上就是從參量空間尋找最優(yōu)定位參量的問題,，而尋找參量空間的最優(yōu)解正是遺傳算法所擅長的[4],。但是在實(shí)時(shí)系統(tǒng)中，車牌定位速度受遺傳算法中迭代次數(shù)的影響很大,。具體定位流程如圖4所示,。
 

2.5基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法
    數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想是利用一個結(jié)構(gòu)元素來探測一個圖像, 看是否能將這個結(jié)構(gòu)元素很好地放在圖像內(nèi)部, 同時(shí)驗(yàn)證填放元素的方法是否有效。腐蝕,、膨脹,、開啟和關(guān)閉是數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算,。具體定位流程如圖5所示,。

    基于數(shù)學(xué)形態(tài)學(xué)的車牌區(qū)域定位方法不能精確確定車牌左右邊界的位置, 所以必須結(jié)合其他定位方法進(jìn)行精確定位。例如基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位方法[5], 這種方法先對車牌圖像進(jìn)行預(yù)處理, 然后基于垂直方向結(jié)構(gòu)元素的腐蝕運(yùn)算進(jìn)行濾波, 再用閉合運(yùn)算來填補(bǔ)車牌區(qū)域內(nèi)細(xì)小孔洞, 進(jìn)而增強(qiáng)車牌區(qū), 使車牌區(qū)成為一個連通區(qū)域, 最后利用字符邊緣的特征對車牌進(jìn)行準(zhǔn)確的定位,。該方法將數(shù)學(xué)形態(tài)學(xué)運(yùn)算與數(shù)字圖像的特征相結(jié)合, 有效改進(jìn)了傳統(tǒng)的車牌定位方法, 提高了車牌定位的速度和準(zhǔn)確度,。
2.6基于灰度圖像紋理特征分析的車牌定位方法
　傳統(tǒng)的紋理特征分析定位算法大多基于灰度圖像來分析的, 因此該算法需要對圖像進(jìn)行預(yù)處理, 將彩色圖像轉(zhuǎn)換為灰度圖像[6]，然后進(jìn)行行掃描, 找出圖像中每一行所含有的車牌線段, 記錄下它們的起始坐標(biāo)和長度,，如果有連續(xù)若干行均存在不少于一個的車牌線段, 且行數(shù)大于某一確定的閾值, 則認(rèn)為在行的方向上找到了車牌一個候選區(qū)域, 并確定了該候選區(qū)域的起始行和高度,；在已找到的可能存在車牌的區(qū)域做列掃描, 以確定該車牌候選區(qū)域的起始行和高度以及起始列坐標(biāo)和長度，由此確定一個車牌區(qū)域,；繼續(xù)在其他可能存在車牌的區(qū)域?qū)ふ? 直至找到所有的車牌候選區(qū)域,。

　該算法對于牌照傾斜或變形以及光照不均、偏弱或偏強(qiáng)有很好的效果, 但對噪聲敏感, 對于背景復(fù)雜的圖像可以結(jié)合垂直投影的方法來得到真正的車牌區(qū)域,可以有效地解決背景復(fù)雜的車牌定位,。
　車牌定位技術(shù)是車牌識別系統(tǒng)中的一個重要環(huán)節(jié),在定位的精度,、計(jì)算速度和適用的可靠性方面還需要進(jìn)一步改進(jìn)和提高。目前,，還沒有一種算法能夠?qū)崿F(xiàn)對于任意背景,、位置和光照條件下的汽車圖像進(jìn)行車牌定位。
參考文獻(xiàn)
[1] 周心明,，蘭賽,，徐燕.圖像處理中幾種邊緣檢測算法的比較[J]. 現(xiàn)代電力，2000,，17（3）：65-69,。
[2] 趙雪春，威飛虎.基于彩色分割的車牌自動識別技術(shù)[J].上海交通大學(xué)學(xué)報(bào),，1998,，32（10）：4-9.
[3] 韓麗萍,尹王保,李月娥.一種有效的濾波尺度自適應(yīng)調(diào)整的小波邊緣檢測方法[J].計(jì)算機(jī)工程與應(yīng)用, 2005,41(11):70-71.
[4] 戴青云,余英林.一種基于小波與形態(tài)學(xué)的車牌圖象分割方法[J].中國圖象圖形學(xué)報(bào), 2000,5A(5):412-413.
[5] 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].視頻技術(shù)應(yīng)用與工程,2005,(7):94-96.
[6] 楊家輝，王建英.基于色彩分割與體態(tài)紋理分析的車牌定位方法[J].計(jì)算機(jī)與現(xiàn)代化,，2004（11）：22-26.