《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 嵌入式技術(shù) > 業(yè)界動(dòng)態(tài) > 一種邊緣檢測與掃描線相結(jié)合的車牌定位算法

一種邊緣檢測與掃描線相結(jié)合的車牌定位算法

2008-10-21
作者:吳 煒 楊曉敏 何小海 黎 濤
關(guān)鍵詞: 車牌定位 跳變 長程 差分 二值化

  摘 要: 提出了基于邊緣檢測的二值化" title="二值化">二值化與掃描線相結(jié)合的車牌定位" title="車牌定位">車牌定位方法,。實(shí)驗(yàn)表明該方法能夠快速,、準(zhǔn)確地定位車牌,且抗干擾能力強(qiáng),, 定位準(zhǔn)確率在99%以上,,光照和天氣對其定位結(jié)果影響很小。
  關(guān)鍵詞: 模式識別 車牌識別? 邊緣提取


  車牌識別(LPR)技術(shù)是計(jì)算機(jī)視覺,、圖像處理技術(shù)與模式識別技術(shù)的融合,,是智能交通系統(tǒng)中一項(xiàng)非常重要的技術(shù)。一般說來,,車牌識別前期的處理技術(shù)至關(guān)重要,,其前期技術(shù)包括:車牌的定位、車牌圖像的二值化及字符分割,。本文主要針對車牌定位算法進(jìn)行研究,。
  車牌定位就是在車輛圖像中定位牌照區(qū)域的位置。由于車輛圖像都采集于自然環(huán)境中,,而在自然環(huán)境中車牌和背景的成像條件一般是不可控制的,,隨機(jī)變化的因素(尤其是光照條件)和復(fù)雜的背景信息給目標(biāo)搜索帶來巨大困難。不同光照下,,車牌的顏色,、亮度、明暗對比度都有很大變化,;背景信息通常比車牌信息更加復(fù)雜,,某些背景區(qū)域又可能與車牌區(qū)域差異不大;再加上攝像距離,、角度的不同,,要從種種干擾中區(qū)別出目標(biāo)是十分困難的。而車牌區(qū)域在整幅圖像中所占的比例較小,,要從整幅圖像中定位車牌區(qū)域必然要在大量的背景信息中搜索,,而且由于應(yīng)用的特殊性,要求快速、準(zhǔn)確地完成車牌定位,。如果沒有高效率的搜索方法,,就需要耗費(fèi)很多計(jì)算時(shí)間和存儲空間。所以車牌定位技術(shù)一直以來是一個(gè)難點(diǎn),,是車牌識別系統(tǒng)的一個(gè)關(guān)鍵技術(shù)環(huán)節(jié),。
  目前,已經(jīng)提出了很多車牌定位的方法,,這些方法都具有一個(gè)共同的出發(fā)點(diǎn)即通過牌照區(qū)域的特征來判斷牌照,。根據(jù)不同的實(shí)現(xiàn)方法,大致可以把現(xiàn)有的定位方法分為兩類[9]:直接法,、間接法,。
  (1)直接法:直接分析圖像的特征,。例如,,文獻(xiàn)[1]提出一種基于線模板的二值化圖像中的角檢測算法。該算法利用車牌的邊框角點(diǎn),,檢測車牌的四個(gè)角點(diǎn),,并以此來定位車牌。文獻(xiàn)[2]介紹一種基于直線邊緣識別的圖像區(qū)域定位算法,,并且利用該算法定位車牌的邊框線,,以此定位車牌。文獻(xiàn)[3]介紹利用車牌的尺寸,、字符間距,、字符特征等紋理特征定位車牌。文獻(xiàn)[4]利用車牌部分垂直高頻豐富的特點(diǎn)先利用小波提取圖像的垂直高頻信息,,然后利用數(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)一步消除無用的信息和噪聲,以定位車牌,。
 ?。?)間接法:主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。利用神經(jīng)網(wǎng)絡(luò)和遺傳算法等柔性方法進(jìn)行計(jì)算是當(dāng)前研究熱點(diǎn)之一,。文獻(xiàn)[8]提出利用BP神經(jīng)網(wǎng)絡(luò)定位車牌,文獻(xiàn)[5]提出利用DTCNN(Discrete-Time Cellular Neural Network)和模糊邏輯結(jié)合的方法,。文獻(xiàn)[6]利用多層感知器網(wǎng)絡(luò)(MLPN)對車牌進(jìn)行定位。文獻(xiàn)[7]提出利用遺傳算法定位車牌,,它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)造的適應(yīng)度函數(shù),最終尋找到車牌的牌照區(qū)域的最佳定位參量,。
  通過分析和觀測得知,,與汽車圖像中其他區(qū)域相比,車牌區(qū)域主要有以下特征:
  (1)車牌字符區(qū)域中的垂直邊緣較水平邊緣相對密集,而車身其他部分(如保險(xiǎn)杠等)的水平邊緣明顯,,垂直邊緣較少,。另外,車牌一般懸掛在車身上較低的位置,,其下方基本上沒有明顯的邊緣密集區(qū)域,。
  (2) 有明顯的邊框,在其內(nèi)部規(guī)則地排列著一系列的省名縮寫(漢字),、地區(qū)代號(英文字母)和5位字母/數(shù)字編號(普通民用車輛),。底牌與字符的顏色主要有藍(lán)底白字、黃底黑字,、黑底白字和白底黑字(或紅字)四種,。隨拍攝角度和車牌自身污損程度的不同,所采集到的車牌邊框經(jīng)常出現(xiàn)傾斜,、斷裂等現(xiàn)象,。
  因此直接定位法是利用邊框特性(利用特征2)以模板匹配的方法尋找牌照的四個(gè)角來定位或者尋找車牌邊框直線定位車牌以及利用牌照區(qū)域的灰度變化頻率(利用特征1)來定位。
  由于車牌邊框有時(shí)有污染,,相對來說車牌字符區(qū)域灰度頻率變化是車牌區(qū)域最穩(wěn)定的特征,,所以本文提出一種利用車牌字符區(qū)域灰度變化頻率的方法定位車牌,即基于邊緣檢測和掃描線相結(jié)合的車牌定位算法。該算法的思想是首先對車輛圖像進(jìn)行邊緣增強(qiáng),,再利用水平掃描線進(jìn)行車牌區(qū)域的檢測,。
1 車牌定位的預(yù)處理
  圖像預(yù)處理的作用是突出圖像中的有用信息,不同的圖像預(yù)處理對應(yīng)于不同的圖像分割以獲得最佳的車牌特征,。車牌定位預(yù)處理目的是突出車牌區(qū)域的特征,,抑制其它無用的特征。車牌區(qū)域的主要特征之一是垂直邊緣較密集,。所以本文提出增強(qiáng)垂直邊緣的差分" title="差分">差分算子進(jìn)行垂直邊緣增強(qiáng),。
  為了不失一般性,本文對灰度圖像進(jìn)行研究,。由于本文采集的圖像是彩色圖像,,所以要把彩色圖像轉(zhuǎn)化為灰度圖像。為了減少不必要的彩色-灰度轉(zhuǎn)化的運(yùn)算,,本文只對輸入的彩色汽車圖像的綠色分量作處理,。
  邊緣檢測的算子很多。例如:如Sobel算子,、Roberts算子,、Prewitt算子、Laplacian算子等,。Sobel,、Roberts,、Prewitt、Laplacian算子都不是專門用于檢測垂直邊緣的,,且運(yùn)算量較大,。雖然可以只用它們的垂直邊緣檢測算子,但是相對而言,,運(yùn)算量還是比較大,。為此,,本文專門設(shè)計(jì)了一個(gè)水平模板算子,,即 [1,1,,1,,…,1,1,,1,,1]。該算子與圖像進(jìn)行卷積然后再與原圖像作差分運(yùn)算,,當(dāng)差分值大于某一門限值就認(rèn)為它是邊緣目標(biāo),,否則是背景。
  水平模板即 [1,,1,,1,...,,1,,1,1,,1],,它與圖像進(jìn)行卷積相當(dāng)于對圖像水平方向進(jìn)行低通濾波,再與原圖像差分,,其目的是突出圖像的垂直方向的高頻信息(相當(dāng)于對圖像進(jìn)行高通濾波),。由于該算子可以做增量運(yùn)算,也就是在計(jì)算局部平均值時(shí),,先計(jì)算水平方向窗口內(nèi)各點(diǎn)之和,,將前次運(yùn)算的結(jié)果減去窗口最左邊點(diǎn)的值再加上右邊新一點(diǎn)的值。這樣可以減少求和運(yùn)算次數(shù),,所以其運(yùn)算量比Sobel算子少,。
  算子描述如下:
  
  式(1)的左半部分是水平模板,即[1,,1,,1,...,1,,1,,1,1]與圖像進(jìn)行卷積,,右半部分可理解為原始圖像,。它們進(jìn)行差分是式(1)的運(yùn)算結(jié)果。
  由于可以做增量運(yùn)算,,所以算子的長度對運(yùn)算量影響不大,。在這里取9,其目的是與字符筆劃的寬度相符,。
  從圖1可以看出:圖像進(jìn)行卷積然后再與原圖像作差分的數(shù)據(jù),,只有車牌區(qū)域、車輪,、車燈等灰度突變處值相對較高,,而其它幾乎為零。通過對整幅圖像的處理,,得到車輛圖像的二值化圖像如圖2(a),,對差分圖像進(jìn)行二值化,結(jié)果如圖2(b)(其中閾值取10),。


2 車牌的預(yù)定位
2.1 長程" title="長程">長程濾波與顆粒濾波[10]

  (1)長程濾波
  從圖2(b)可以看出預(yù)處理后很多邊緣點(diǎn)連接成長程帶狀曲線(特別是在車輪,、車窗)。而車牌區(qū)域不會有這種情形,。如果不作相應(yīng)處理,,就會給車牌定位帶來干擾。因此,,在定位前應(yīng)當(dāng)先作長程濾波,。
  長程濾波算法基于這樣的思想:如果許多點(diǎn)連綴成一個(gè)長程曲線L,那么長程濾波器考察L在x方向和y方向的空域延展程度,。如果超過閾值,,即將所有屬于L的候選點(diǎn)從候選點(diǎn)集合中濾掉。
  (2)顆粒濾波
  長程濾波后,,圖像中仍有許多候選點(diǎn)集結(jié)成小型的彼此分離的顆粒狀,,而車牌區(qū)的候選點(diǎn)一般不會有這種情況。由此進(jìn)行了顆粒濾波處理,,濾掉顆粒噪聲,。
  由此本文定義兩個(gè)模板:擊不中模板、擊中模板,,如圖3所示,。只要擊中模板和圖像乘積大于一定閾值,,而擊不中模板與圖像乘積小于一定閾值就把擊中模板內(nèi)的圖像全置為零。
  顆粒濾波基于這樣的想法:對于某一個(gè)候選點(diǎn)顆粒狀集合,,在它周圍一定存在一個(gè)小矩形區(qū)(矩形區(qū)的大小與所考察的顆粒粒度有關(guān)),,這個(gè)小矩形區(qū)的四周,包含非常少的候選點(diǎn)(理想情況是沒有候選點(diǎn)),。那么,,對全圖進(jìn)行小矩形區(qū)掃描,檢查矩形區(qū)周邊上的候選點(diǎn)個(gè)數(shù)是否小于閾值,。如果小于,,則認(rèn)為該矩形區(qū)內(nèi)的所有候選點(diǎn)形成了孤立的顆粒狀集合,抹去這些點(diǎn),,就達(dá)到了顆粒濾波的目的,。由于顆粒大小不一,可以進(jìn)行若干次不同粒度的顆粒消抹,。對圖2(b)進(jìn)行長程濾波與顆粒濾波后的處理結(jié)果如圖4所示。


2.2 車牌的預(yù)定位
  本文利用了車牌字符的連續(xù)特性,。車牌區(qū)域有連續(xù)7個(gè)字符,,而且字符與字符之間的距離在一定范圍內(nèi)。本文定義從目標(biāo)到背景或者從背景到目標(biāo)為一個(gè)跳變" title="跳變">跳變,。牌照區(qū)域相對于其它非車牌區(qū)域跳變多,,而且間距在一定范圍內(nèi)和跳變次數(shù)大于一定次數(shù)。通常為14以上,,因?yàn)檐嚺浦泻?個(gè)字符,,每個(gè)字符有兩個(gè)以上跳變,為了防止字符的斷裂,、模糊,、車牌傾斜等的影響,本文保守起見采用10,。
  因此本文掃描線在二值化圖像中掃描定位車牌(一般來說車牌都在車輛的下部,,與車牌文字類似的文字干擾大多在上部),采用從左到右,、從下到上的順序掃描,。算法如下:
  從下到上的順序掃描,對圖像的每一行進(jìn)行從右向左的掃描,。
  (1) 碰到跳變點(diǎn)記錄下當(dāng)前位置,,如果某行有連續(xù)10個(gè)跳變點(diǎn)以上,并且前一個(gè)跳變點(diǎn)和后一個(gè)跳變點(diǎn)的距離在一定范圍內(nèi),,就記錄下起始點(diǎn)和終止點(diǎn)位置,;
  (2)如果連續(xù)有十行以上這樣的跳變點(diǎn),,并且相鄰上下行的起始點(diǎn)和終止點(diǎn)相鄰。就認(rèn)為該區(qū)域是車牌預(yù)選區(qū)域,。圖5顯示一幅典型的車輛圖像的定位結(jié)果圖,。


  從定位結(jié)果看,本定位算法還適合車輛圖像中包含多車牌的情況,,而且定位速度受多車牌影響不大,。雖然車燈和車上的字符(包括車牌、車燈等垂直邊緣豐富的區(qū)域,,以及繳費(fèi)車牌等)也可能定位為預(yù)選區(qū)域,,但是由于它們大都在車牌的上方,本文又采用從下而上的方式對預(yù)選區(qū)域進(jìn)行篩選,,所以對定位速度影響不大,。在99%以上的情況下遇到的第一個(gè)預(yù)選區(qū)域是車牌區(qū)域如圖6(a)、(c),,很少有象圖6(b)的情況,。基于這種情況,,本文這樣設(shè)計(jì)定位策略:若要求實(shí)時(shí)處理,,就只選取第一個(gè)預(yù)選區(qū)域,把它送入切分和識別模塊,;如果不要求實(shí)時(shí)性,,就可以把各個(gè)預(yù)選區(qū)域分別送入切分和識別模塊。同時(shí)對于2000式車牌(圖6(c)),,本文算法也能準(zhǔn)確定位,。對于2000式車牌中上排的字符,只能通過切分模塊反饋獲得車牌左右邊界的進(jìn)一步定位[9],。


  對大多數(shù)車輛來說車牌定位非常準(zhǔn)確,,但是對某些車牌來說,特別是貨車的車牌,,牌照很有可能與附近的汽車紋理輪廓的某些區(qū)域發(fā)生了粘連,,所有這些區(qū)域均構(gòu)成了候選牌照區(qū)。因此為提取正確車牌區(qū)域,,必須設(shè)法去除虛假候選牌照區(qū),,從粘連的候選牌照區(qū)和復(fù)合塊中分離出真正的牌照區(qū)。在實(shí)際場景中,,用上述算法預(yù)選的區(qū)域粘連都是與車牌左右兩邊的一些紋理輪廓粘連,,幾乎不與車牌上下部分粘連(由于算法只利用垂直邊緣),所以前面定位的預(yù)選區(qū)域的高度就可以近似為車牌的高度,,可以依據(jù)車牌的先驗(yàn)知識,,根據(jù)牌照字符高寬比,可估計(jì)出牌照字符寬度CharWidth,。在此可以參看文獻(xiàn)[9]的算法。該算法通過牌照字符寬度估計(jì)出牌照寬度Platewidth(對于普通車牌一般取10×CharWidth),同時(shí)根據(jù)牌照區(qū)圖像的垂直邊緣圖在牌照字符處高度集中,而在其他地方相對分散的紋理特征和估計(jì)出的牌照寬度來自動(dòng)搜索牌照字符區(qū)域所在的位置,,即真正車牌區(qū)域邊緣向下投影為最大,。具體步驟可參看文獻(xiàn)[9]。
  采用該方法對圖7進(jìn)行了牌照左右邊界確定,結(jié)果如圖8所示,。白色矩形框,,是車牌的預(yù)選區(qū)域??梢钥闯銎滠嚺婆c車燈粘連,,根據(jù)預(yù)定位的長寬比大于一定數(shù)值,就認(rèn)為車牌和車燈等區(qū)域粘連,。運(yùn)行上述算法,,進(jìn)一步確定車牌左右邊界。結(jié)果如圖8所示,。


3 實(shí)驗(yàn)結(jié)果
  部分車輛圖像定位結(jié)果如圖9所示,。


  結(jié)果分析:
  ①準(zhǔn)確性:實(shí)驗(yàn)結(jié)果表明車牌定位的準(zhǔn)確性大于99%,,車牌定位的區(qū)域在外界有干擾以及車牌傾斜時(shí)比車牌稍大,。
  ②時(shí)間特性:根據(jù)車牌情況不同在VC環(huán)境下運(yùn)行時(shí)間在0.1到0.15秒之間(128M內(nèi)存 PIII 733),。
  ③適應(yīng)性: 車牌的噪聲對定位沒有影響,,在光照很強(qiáng)和光照很弱的情況下,,都能提取出車牌的圖像。但對于車牌嚴(yán)重腿色的情況,,由于檢測不到筆畫等的邊緣會導(dǎo)致定位失敗,。
  ④其它特性: 本定位算法適合車輛圖像中包含多車牌的情況,,而且定位速度受多車牌影響不大(同時(shí)也可能出現(xiàn)定位錯(cuò)誤的區(qū)域如車燈等垂直邊緣豐富的區(qū)域以及繳費(fèi)車牌區(qū)域等,,這可以在以后的切分和識別模塊進(jìn)行拋棄)。
參考文獻(xiàn)
1 郁 梅.基于視覺的車輛牌照檢測.計(jì)算機(jī)研究應(yīng)用,1999;(5):65~67
2 王 昱, 趙正校.基于直線邊緣識別的圖像區(qū)域定位算法.計(jì)算機(jī)工程, 1999;25(9):61~87
3 范 勇.汽車牌照快速定位算法.光電工程,2001;28(2):56~59
4 戴青云.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(bào),2000;(5):411~415
5 M.H.ter Brugge.J.h.Stevens, J.A.G.Nijhuis. License Plate? Recognition Using DTCNNs. Proceeding of the IEEE Inter-national Workshop on Cellular Neural NetWorks and their Application, 1998:212~217
6 趙雪春.基于彩色分割的車牌自動(dòng)識別技術(shù).上海交通大學(xué)學(xué)報(bào),,1998;32(10)
7 是湘全.遺傳算法在車牌定位中的應(yīng)用.公路交通科技,2000;17(2)
8 姚德宏.基于神經(jīng)網(wǎng)絡(luò)的汽車牌照提取研究.計(jì)算機(jī)應(yīng)用,2001;21(6):40~42
9 任明亮,,范 勇.一種快速精確的汽車牌照字符切分算法.四川大學(xué)學(xué)報(bào)(自然科學(xué)版), 2002;39(3):450~454
10 黃可為.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(bào),1999;4A(12):1039~1043

本站內(nèi)容除特別聲明的原創(chuàng)文章之外,轉(zhuǎn)載內(nèi)容只為傳遞更多信息,,并不代表本網(wǎng)站贊同其觀點(diǎn),。轉(zhuǎn)載的所有的文章、圖片,、音/視頻文件等資料的版權(quán)歸版權(quán)所有權(quán)人所有,。本站采用的非本站原創(chuàng)文章及圖片等內(nèi)容無法一一聯(lián)系確認(rèn)版權(quán)者,。如涉及作品內(nèi)容、版權(quán)和其它問題,,請及時(shí)通過電子郵件或電話通知我們,,以便迅速采取適當(dāng)措施,避免給雙方造成不必要的經(jīng)濟(jì)損失,。聯(lián)系電話:010-82306118,;郵箱:[email protected]