葛艷　陳晨

摘要：為了提高多車牌定位和識別效率，本文提出基于顏色檢測、邊緣檢測和支持向量機（SVM）的多車牌定位方法。首先使用顏色檢測和Sobel邊緣檢測兩種方法粗選車牌候選區(qū)域，其次對車牌候選區(qū)域進行形態(tài)學和傾斜矯正處理，最后提取車牌候選區(qū)域特征信息，采用SVM精確識別和定位車牌區(qū)域。實驗結(jié)果表明，該方法能排除背景干擾，多車牌定位效果和成功率較高。

關(guān)鍵詞：多車牌定位；顏色檢測；邊緣檢測；支持向量機

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）23-0155-03

Abstract： In order to improve the efficiency and recognition efficiency of multi-license plate location， this paper presents multi-algorithms to locate multi-license plate based on color detection， edge detection and SVM. This method selects candidate region of license plate based on color detection and edge detection， and then do morphology and tilt correction for the candidate regions of license plates. Finally， the license plate candidate region feature information is extracted as the feature information input to the support vector machine to identify and locate the license plate region. The experiment results show that this method can eliminate the background interference and the recognition effect and rate of multi-license plate location is high.

Key words： multi-license plate location； color detection； edge detection； support vector machine

1 引言

隨著人工智能技術(shù)在交通管理中的應(yīng)用，智慧交通的建設(shè)受到了極大的關(guān)注。對車牌的正確識別是建設(shè)智慧交通的基石，因此車牌識別成為當前研究的熱門領(lǐng)域。目前車牌識別技術(shù)已經(jīng)被運用到違章檢測（電子警察）、停車場不停車收費、車輛檢測等領(lǐng)域。

車牌定位是車牌識別的關(guān)鍵和重要前提。從復(fù)雜的背景中正確定位車牌位置，是成功識別車牌的重要成功率，直接影響最終車牌識別的效果。在車牌定位方面，國內(nèi)外學者都做了大量的研究，并提出了一些多車牌定位的算法。比較常用的算法有以下幾種：

1）基于紋理的分割方法，主要利用車牌區(qū)域水平方向的紋理特征進行分割，包括小波紋理、水平梯度差分紋理等[1]。該方法定位成功率不高，因為車牌圖像中很可能不止一個區(qū)域具有車牌區(qū)域的紋理特征，難以準確找到車牌位置；而且對車牌傾斜度有要求，當傾斜度過大時，車牌定位效果明顯下降。

2） 基于邊緣檢測的分割方法通過檢測車牌字符的邊緣特征定位車牌[2]。由于許多汽車前臉柵欄有很多垂直或水平邊緣，因此會影響定位成功率。

3）基于神經(jīng)網(wǎng)絡(luò)的方法，選取訓(xùn)練樣本，將圖像的灰度序列采用 BP算法進行訓(xùn)練，獲得有效的網(wǎng)絡(luò)權(quán)值[3]。該方法用BP網(wǎng)絡(luò)對灰度圖像進行感知，能夠獲得較好定位效果。

4） 基于數(shù)學形態(tài)算法的方法，利用開運算和閉運算對圖像進行處理，得到多個區(qū)域，再對這些區(qū)域進行判斷，找到車牌正確位置[4]。

以上算法在背景不太復(fù)雜的情況下，對于單車牌都有比較好的定位成功率。但對于復(fù)雜背景下的多車牌定位，則需要綜合多種定位方法，排除更多的干擾因素來確定車牌的定位。

基于以上分析，本文采用基于顏色檢測、邊緣檢測與支持向量機相結(jié)合的定位方法現(xiàn)多車牌定位。首先針對基于顏色檢測車牌候選區(qū)域的方法進行改進，并引入了邊緣檢測的方法來定位，通過顏色與寬高比來選取車牌候選區(qū)域，最后基于支持向量機（SVM）完成車牌的精確定位和截取。通過對不同多車牌圖片的車牌定位，驗證算法的有效性。

2 基于多算法融合的多車牌定位方法

在日常生產(chǎn)生活中，最常見的有小型汽車號牌、大型汽車號牌、警用汽車號牌等。2007年發(fā)布的《中華人民共和國公共安全行業(yè)標準》（GA36-2007）對我國機動車號牌標準做了詳盡規(guī)定。小型汽車號牌是藍底白字白框線的車牌；大型汽車號牌前車牌是黃底黑字黑框線的車牌；警用汽車車牌是白底黑字，紅“警”字黑框線車牌。它們的尺寸大小都是440mm×140mm。本文所研究的多車牌定位方法主要是針對小型汽車號牌和大型汽車號牌進行定位。

本文對多車牌定位的流程如下：首先進行車牌候選區(qū)的定位；其次進行車牌候選區(qū)域的去噪和傾斜校正；最后基于SVM進行車牌精確定位和提取。

2.1 基于顏色和Sobel邊緣檢測的車牌粗定位方法

RGB顏色模型和HSV顏色模型是數(shù)字圖像處理中常用的兩個顏色模型。RGB彩色模型中，各像素值是由R（紅色）、G（綠色）和B（藍色）三種顏色分量的亮度值疊加來表示。而這三種顏色的亮度值對環(huán)境的光照強度比較敏感。當光照強度變化時，這三種亮度值會隨之變化。所以，在RGB顏色模型下，很難完成基于顏色的車牌定位。

在HSV顏色模型中，一個像素的顏色特征分別用H（色度）、S（飽和度）和V（亮度）三個分量來表示。亮度分量僅表示亮度信息，不包含顏色信息。如果不考慮亮度分量的信息，使用H和S兩個分量就可以實現(xiàn)在各種光照條件下對車牌區(qū)域進行初步定位。

2.1.1 RGB模型到HSB模型的轉(zhuǎn)換

普通的車牌圖像都是RGB顏色模型，因此需要先將圖像從RGB模型轉(zhuǎn)換到HSV模型。

設(shè)r，g，b分別是一個像素的紅、綠、藍三個分量的值，它們的值是在0到1之間的實數(shù)，max為r，g，b中的最大值，min為這些值中的最小值[5]。則從RGB到HSV的轉(zhuǎn)換公式可用公式表示：

2.1.2車牌顏色閾值的選擇

在我國，常見的車牌底色共有藍色和黃色兩種。在HSV顏色空間中使用H分量能識別出這兩種顏色。黃色和藍色的HSV閾值范圍如表1所示。 分別用于識別小型汽車和大型汽車的車牌區(qū)域。例如，通過藍色模板的閾值對圖片中的像素進行逐個匹配，當圖片中的像素能匹配顏色模板的數(shù)值時，則置該像素的灰度值設(shè)為255，將不匹配的像素灰度值設(shè)為0。匹配完成后得到一張包含多個車牌信息的二值圖。

2.1.3基于Sobel邊緣檢測的車牌候選區(qū)方法

在二值圖的基礎(chǔ)上，通過邊緣檢測可以得到圖片中的所有邊緣的信息。本文采用Sobel算子對灰度圖進行水平方向的邊緣檢測。該方法以某一個像素為中心點，對它的周圍的八個點的像素值進行加權(quán)運算，判斷該點是否處于極值狀態(tài)，若該點處于極值狀態(tài)，則該點為圖像邊緣。

車牌存在垂直方向與水平方向的邊緣，通過邊緣檢測，能得到車牌字符的邊緣信息。采用Sobel算子對水平方向進行求導(dǎo)，從而得到垂直方向的邊緣信息。

2.2 車牌候選區(qū)的形態(tài)學和矯正操作

形態(tài)學運算包括腐蝕、膨脹、開運算和閉運算。腐蝕一種消除邊界點，使邊界向內(nèi)部收縮的過程。膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程。先腐蝕后膨脹的過程稱為開運算，用來消除小物體、在纖細點處分離物體、平滑較大物體的邊界，同時并不明顯改變其面積。先膨脹后腐蝕的過程稱為閉運算，用來填充物體內(nèi)細小空洞、連接鄰近物體、平滑其邊界，同時并不明顯改變其面積。

為了實現(xiàn)更準確的車牌定位和截取，本文對基于顏色和Sobel邊緣檢測得到的車牌候選區(qū)域做閉運算處理，使原本不連續(xù)的車牌區(qū)域變成一塊連同區(qū)域。

閉運算處理具體算法如下：

2）為了將目標內(nèi)部的噪聲去除繼續(xù)，利用B對A進行腐蝕操作，最后利用B對A進行膨脹操作[6]。

經(jīng)過閉運算處理之后，車牌的區(qū)域能大致從圖片中定位出來，但是定位車牌的角度可能會有較大的傾角，這一步需要對圖片的傾斜角度進行矯正，以便獲取角度正常的字符進行字符的識別處理。

對車牌候選區(qū)域進行傾斜矯正的步驟如下：

（1）首先，通過閉運算處理之后的二值圖，逐個求出圖中連通區(qū)域最大外接矩形，并計算最大外接矩形的傾斜角度。

（2）對傾斜角度在-5度到5度之間的圖片，可以直接輸出。

（3）對傾斜角度在5度到50度，或者-5度到-50度的車牌，需要先調(diào)整圖片角度。

（4）調(diào)整角度后，判斷車牌區(qū)域是否為平行四邊形。

（5）如果不是平行四邊形，則可以直接輸出。

（6）如果是一個平行四邊形的區(qū)域，再獲取平行四邊形三個頂點的坐標，通過仿射變換將平行四邊形矯正成一個矩形，調(diào)整完成，將結(jié)果輸出。

在輸出結(jié)果時，需要將圖片進行歸一化處理，變成寬150像素，高40像素的圖片。

2.4基于SVM的車牌精確定位方法

由于基于顏色的定位會受到與車牌顏色相近的物體的干擾（如圖1（a）所示），基于邊緣檢測的定位會受到汽車車燈等一些邊緣信息與車牌相近的物體干擾（如圖1（b）所示），影響最終的定位效果。因此引入支持向量機（SVM）來對上面粗選出的候選車牌區(qū)域進行判別。

支持向量機是一種基于統(tǒng)計學習理論的機器學習算法，其采用結(jié)構(gòu)風險最?。⊿ructuralRisk Minimization，簡稱SRM）原則替代傳統(tǒng)的經(jīng)驗風險最小（Empirical Risk Minimization，簡稱ERM）原則進行分類，從而保證了算法具有較強的泛化能力。

SVM的訓(xùn)練過程等價于求解一個線性約束的二次規(guī)劃問題，其目標是在訓(xùn)練樣本集中尋找一個最優(yōu)的超平面，將樣本數(shù)據(jù)最大限度地分開，使兩類數(shù)據(jù)之間的邊界最大且分類誤差最小，且能保證得到的解為全局最優(yōu)解。

在本文中使用圖像的直方圖特征作為支持向量機的輸入特征，輸入的特征維度是190。直方圖特征的特征量豐富，適用于支持向量機分類，有利于車牌的準確定位。

1）首先，將輸入的圖像進行二值化處理。

2）統(tǒng)計圖像中一行元素中為1的數(shù)目，輸入的圖像共40行，得到40個數(shù)據(jù).

3）再統(tǒng)計圖像中一列元素中為1的數(shù)目，輸入圖像有150列，得到150個數(shù)據(jù)。

4）將第二步與第三步得到的這些數(shù)據(jù)作為SVM的輸入特征，輸入特征維度為190。

本文使用1000個車牌圖像及500個非車牌圖像對支持向量機進行訓(xùn)練。

3 實驗結(jié)果

為了檢測本文方法的有效性，本文分別選取了含有兩個車牌和三個車牌的圖像進行了多車牌定位測試。

經(jīng)過顏色檢測、邊緣檢測、形態(tài)學操作、車牌矯正與SVM篩選等步驟之后，對兩個車牌的圖像（圖2）截取出車牌圖片如圖3所示。對三個車牌的圖像（圖4）截取出車牌圖片如圖5所示。實驗表明，本文算法能對包含多車牌圖像中車牌的定位的準確率能達到95%以上。

4 結(jié)束語

本文提出基于顏色檢測、邊緣檢測和支持向量機（SVM）的多車牌定位綜合方法，能從復(fù)雜背景中將待識別的多個車牌較準確的定位和截取。該方法首先使用顏色檢測和Sobel邊緣檢測兩種方法粗選車牌候選區(qū)域，其次對車牌候選區(qū)域進行形態(tài)學和傾斜矯正處理，最后提取車牌候選區(qū)域特征信息利用SVM精確定位車牌區(qū)域。實驗結(jié)果表明，本文所用綜合方法能排除背景干擾，多車牌定位效果和成功率較高。

參考文獻：

[1] 郭捷， 施鵬飛.基于顏色和紋理分析的車牌定位方法[J].中國圖象圖形學報，2002，7（5）：472-476.

[2] 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.

[3] 張燕， 任安虎. 多特征與BP神經(jīng)網(wǎng)絡(luò)車牌識別系統(tǒng)研究[J].科學技術(shù)與工程，2012，12（22）：5644-5648.

[4] 戴青云，余英林. 一種基于小波與形態(tài)學的車牌圖像分割方法[J].中國圖象圖形學報，2000，5（5）：411-415.

[5] 譚同德， 王三剛. 基于OpenCV的車牌定位方法[J].計算機工程與設(shè)計，2013，8（34）：2816-2820.

[6] 王慧鋒， 戰(zhàn)桂禮，羅曉明.基于數(shù)學形態(tài)學的邊緣檢測算法研究及應(yīng)用[J].2009，45（9）：223-225.