張小敏，常 郝

(安徽財(cái)經(jīng)大學(xué))

車(chē)牌定位算法研究進(jìn)展*

張小敏，常 郝

(安徽財(cái)經(jīng)大學(xué))

根據(jù)車(chē)牌的紋理、顏色等特征，對(duì)近5年出現(xiàn)的車(chē)牌定位算法進(jìn)行詳細(xì)分類(lèi)和綜述，總結(jié)出每種方法的優(yōu)缺點(diǎn)，為以后的研究提供有效的依據(jù).

車(chē)牌識(shí)別;車(chē)牌定位;邊界;紋理;顏色

0 引言

車(chē)牌識(shí)別系統(tǒng)已經(jīng)成為城市智能交通管理的重要一環(huán)，廣泛應(yīng)用于高速公路、社區(qū)停車(chē)場(chǎng)、景區(qū)、機(jī)關(guān)單位等重要場(chǎng)合.車(chē)牌識(shí)別是指從復(fù)雜背景中提取并識(shí)別出車(chē)輛牌照信息，一般分為圖像采集、車(chē)牌定位、車(chē)牌分割、字符識(shí)別4個(gè)階段.車(chē)牌定位作為車(chē)牌識(shí)別中的重要環(huán)節(jié)，它的準(zhǔn)確率極大影響了整個(gè)系統(tǒng)的準(zhǔn)確率.

根據(jù)車(chē)牌區(qū)域的不同特征可將車(chē)牌定位方法分為5大類(lèi)［1］:基于邊界特征的方法［2－4］、基于紋理特征的方法［5－7］、基于顏色特征的方法［8－10］、基于字符特征的方法［11－13］和基于全局特征的方法［14－16］.這些方法大多是基于灰度圖像來(lái)處理的，也有基于彩色圖像處理的.前者可在車(chē)牌完好的情況下快速定位，但在復(fù)雜背景中定位效果不理想，如車(chē)牌磨損、光照不均勻等;后者相比灰度圖像能得到更多的視覺(jué)信息并對(duì)各種光照不敏感，但當(dāng)車(chē)身與車(chē)牌顏色相近或車(chē)牌褪色時(shí)，定位效果不理想.現(xiàn)在更多的研究是綜合利用邊緣、紋理、顏色等特征來(lái)有效提高定位的準(zhǔn)確率，目前找到一種適用于復(fù)雜情況下的精確定位方法，仍然是車(chē)牌識(shí)別研究領(lǐng)域尚需解決的一項(xiàng)重要研究?jī)?nèi)容.

該文分析了我國(guó)機(jī)動(dòng)車(chē)牌照的特征，在此基礎(chǔ)上對(duì)近5年出現(xiàn)的各種車(chē)牌定位方法進(jìn)行了分類(lèi)并討論其優(yōu)缺點(diǎn)，為日后的研究提供有效的依據(jù).

1 我國(guó)汽車(chē)牌照的特征

我國(guó)的車(chē)牌顏色常用的有4類(lèi):藍(lán)底白字、黃底黑字、黑底白字、白底黑字.在車(chē)牌定位算法中，運(yùn)用到的車(chē)牌特征主要包括:

(1)車(chē)牌區(qū)域有一個(gè)矩形邊框，長(zhǎng)寬比固定;

(2)車(chē)牌區(qū)域有豐富的紋理特征和邊緣特征;

(3)車(chē)牌區(qū)域內(nèi)底色像素?cái)?shù)目比字符顏色像素?cái)?shù)目多;

(4)車(chē)牌區(qū)域每個(gè)字符為5mm寬，90mm高，間隔一般為12mm.

(5)牌底色占車(chē)牌區(qū)域70%左右，且底色往往與車(chē)身顏色、字符顏色有較大差異.

2 車(chē)牌定位算法

2.1 基于邊界特征的方法

車(chē)牌通常有一個(gè)已知長(zhǎng)寬比的矩形邊框，通過(guò)尋找在圖像中所有可能的矩形來(lái)確定潛在的車(chē)牌區(qū)域.

Al－Ghaili等［2］提出的基于灰度值對(duì)比度的垂直邊緣檢測(cè)算法，檢測(cè)性能比Sobel算子快5～9次，計(jì)算時(shí)間達(dá)到47.7ms，可以滿(mǎn)足實(shí)時(shí)性的要求.王磊等［3］提出了一種多尺度數(shù)學(xué)形態(tài)學(xué)與邊緣檢測(cè)相結(jié)合的方法，采用Sobel算子進(jìn)行邊緣提取，結(jié)合數(shù)學(xué)形態(tài)學(xué)消除不必要的邊緣，提取率達(dá)到95%以上.Tan等［4］使用了高斯差分算子和Sobel算子相結(jié)合的檢測(cè)方法，分別在白天和夜間捕獲了250個(gè)和100個(gè)圖像，定位準(zhǔn)確率達(dá)到96.9%，較好的解決了由于夜間照明不良導(dǎo)致難以定位的問(wèn)題.

2.2 基于紋理特征的方法

由于車(chē)牌字符和車(chē)牌底色之間的灰度級(jí)和邊緣色度級(jí)有著顯著變化，局部特征變化明顯的區(qū)域?yàn)檐?chē)牌候選區(qū)域.

甘玲等［5］針對(duì)多車(chē)牌定位提出了一種基于分塊投影和形態(tài)學(xué)分塊處理的方法，大大減少了車(chē)牌候選區(qū)域，準(zhǔn)確率達(dá)到97.7%，但算法對(duì)于磨損、畸變、部分被遮擋的車(chē)牌定位效果不理想.Yu等［6］介紹提出了一種基于小波變換和經(jīng)驗(yàn)?zāi)Ｊ椒纸?EMD)算法，較好的處理了光照變化、復(fù)雜背景和視角變等問(wèn)題，可以準(zhǔn)確定位97.91%種不同類(lèi)型的車(chē)牌的位置，并具有相對(duì)較短的運(yùn)行時(shí)間.Deb等［7］采用了一種基于滑動(dòng)同心窗的定位方法，滑動(dòng)同心窗(SCW)是一種圖像分割技術(shù)，它可以很好的描述車(chē)牌紋理的“不規(guī)則”特性，反映窗口像素變化情況.

2.3 基于顏色特征的方法

由于車(chē)牌底色和字符顏色的組合是獨(dú)一無(wú)二的，幾乎只出現(xiàn)在車(chē)牌區(qū)域中，若將國(guó)內(nèi)車(chē)牌圖像中所有像素都用色調(diào)、亮度和飽和度來(lái)分類(lèi)，共有13種顏色模型.

常巧紅等［8］的采用HSV色彩空間與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的方法，對(duì)90張車(chē)輛圖片進(jìn)行測(cè)試，定位成功率為96%，但對(duì)于天氣條件惡劣等復(fù)雜情況定位效果較差.Ashtari等［9］采用了一種改進(jìn)的模板匹配技術(shù)，對(duì)他們國(guó)家的車(chē)牌進(jìn)行標(biāo)準(zhǔn)顏色幾何模板匹配，減少了圖像的處理和變換的時(shí)間，檢測(cè)的響應(yīng)時(shí)間較快，定位精度達(dá)到94%.張曉娜等［10］提出了一種基于主動(dòng)學(xué)習(xí)AdaBoost算法與顏色特征的方法，提取邊緣顏色對(duì)候選區(qū)域進(jìn)行驗(yàn)證進(jìn)行精確定位，該方法的精度為97.1%，定位效果較好.

2.4 基于字符特征的方法

由于車(chē)牌區(qū)域有一定數(shù)量且間隔均勻的字符，只要找到字符存在的區(qū)域，就可作為潛在的車(chē)牌區(qū)域.

Samra等［11］引入了遺傳算法來(lái)檢測(cè)車(chē)牌字符的位置，采用了一個(gè)的固定規(guī)模的關(guān)系矩陣作為字符布局模型，定位精度達(dá)到98.4%，具有良好的魯棒性.Cho等［12］首先通過(guò)字符寬度和字符與背景間的差異識(shí)別出字符區(qū)域，在利用字符間的距離提取車(chē)牌區(qū)域，這種方法的定位準(zhǔn)確率為99.5%.Li等［13］是通過(guò)最大穩(wěn)定極值區(qū)域(MSER)來(lái)檢測(cè)圖像中的候選字符，MSER是一種圖像斑點(diǎn)檢測(cè)的方法，具有仿射不變性、穩(wěn)定性及多尺度特性，該方法能夠較好的適應(yīng)各種環(huán)境因素，如背景雜亂和光照干擾.

2.5 基于全局特征的方法

由于車(chē)牌有一個(gè)矩形輪廓，通過(guò)輪廓檢測(cè)算法來(lái)檢測(cè)圖像，具有車(chē)牌幾何特征的連接的對(duì)象就被認(rèn)為是車(chē)牌候選區(qū)域.

張震等［14］提出了兩階段遺傳算法，前階段采用經(jīng)典遺傳算法進(jìn)行全局搜索，快速聚集到全局最優(yōu)空間，后階段采用自適應(yīng)遺傳算法，彌補(bǔ)了前階段后期搜索效率不高的缺點(diǎn).Zheng等［15］利用全局邊緣信息和局部Haar－like特征構(gòu)建了一個(gè)6層級(jí)聯(lián)分類(lèi)器，使用Haar特征提取車(chē)牌中不變的亮度、顏色、大小和位置，該方法克服了照明條件惡劣和車(chē)輛位置變化的問(wèn)題，可以進(jìn)行實(shí)時(shí)應(yīng)用.Jin等［16］根據(jù)中國(guó)車(chē)牌的幾何特征，將邊緣點(diǎn)的個(gè)數(shù)，車(chē)牌區(qū)域的長(zhǎng)度和每一行邊緣點(diǎn)的數(shù)量用于定位，定位精度為92%.

2.6 總結(jié)和討論

在本節(jié)中，詳細(xì)描述了近5年出現(xiàn)的車(chē)牌定位方法，并根據(jù)他們的特征分類(lèi).表1總結(jié)和討論了每一類(lèi)方法的利弊.

表1 車(chē)牌定位方法的優(yōu)缺點(diǎn)比較

3 結(jié)束語(yǔ)

該文描述了近5年出現(xiàn)的車(chē)牌定位方法，并根據(jù)它們的特征對(duì)其進(jìn)行分類(lèi)和討論.近幾年的車(chē)牌定位算法中，實(shí)驗(yàn)設(shè)置通常局限于定義良好的條件，如牌照的傾斜、光照的干擾、噪聲的影響等，還尚未研究出適用于復(fù)雜情況下的精確定位方法.若將各種干擾因素都考慮其中，準(zhǔn)確率將會(huì)降低不少.也有許多新方法新技術(shù)的出現(xiàn)，比如神經(jīng)網(wǎng)絡(luò)算法、遺傳算法、滑動(dòng)同心窗、Ada-Boost算法等，這些方法為車(chē)牌定位算法打開(kāi)了新局面，有待進(jìn)一步深入研究，未來(lái)的研究應(yīng)集中在多特征、多方法融合的識(shí)別上，并積極引入新方法來(lái)解決精準(zhǔn)定位的難題.

［1］Du S，Ibrahim M，Shehata M，et al.Automatic license plate recognition(ALPR):A state－of－the－art review［J］.IEEE Transactions on circuits and systems for video technology，2013，23(2):311－325.

［2］Al－Ghaili A M，Mashohor S，Ramli A R，et al.Verticaledge－based car－license－plate detection method［J］.IEEE transactions on vehicular technology，2013，62(1):26－38.

［3］王磊，王瀚漓，何良華.基于雙邊緣檢測(cè)的車(chē)牌識(shí)別算法［J］.計(jì)算機(jī)工程與應(yīng)用，2013(8):169－173.

［4］Tan J L，Abu－Bakar S A R，Mokji M M.License plate localization based on edge－geometrical features using morphological approach［C］//2013 IEEE International Conference on Image Processing.IEEE，2013:4549－4553.

［5］甘玲，孫博.基于分塊投影和形態(tài)學(xué)處理的多車(chē)牌定位方法［J］.計(jì)算機(jī)應(yīng)用研究，2012，29(7):2730－2732.

［6］Yu S，Li B，Zhang Q，et al.A novel license plate location method based on wavelet transform and EMD analysis［J］.Pattern Recognition，2015，48(1):114－125.

［7］Deb K，Khan I，Saha A，et al.An efficient method of vehicle license plate recognition based on sliding concentric windows and artificial neural network［J］.Procedia Technology，2012，4:812－819.

［8］常巧紅，高滿(mǎn)屯.基于HSV色彩空間與數(shù)學(xué)形態(tài)學(xué)的車(chē)牌定位研究［J］.圖學(xué)學(xué)報(bào)，2013，34(4):159－162.

［9］Ashtari A H，Nordin M J，F(xiàn)athy M.An Iranian license plate recognition system based on color features［J］.IEEE Transactions on Intelligent Transportation Systems，2014，15(4): 1690－1705.

［10］張曉娜，何仁，陳士安，等.基于主動(dòng)學(xué)習(xí)AdaBoost算法與顏色特征的車(chē)牌定位［J］.交通運(yùn)輸工程學(xué)報(bào)，2013，13(1):121－126.

［11］Samra G A，Khalefah F.Localization of license plate number using dynamic image processing techniques and genetic algorithms［J］.IEEE transactions on evolutionary computation，2014，18(2):244－257.

［12］Cho B K，Ryu S H，Shin D R，et al.License plate extraction method for identification of vehicle violations at a railway level crossing［J］.International Journal of Automotive Technology，2011，12(2):281－289.

［13］ Li B，Tian B，Yao Q，et al.A vehicle license plate recognition system based on analysis of maximally stable extremal regions［C］//Networking，Sensing and Control(ICNSC)，2012 9th IEEE International Conference on.IEEE，2012: 399－404.

［14］張震，楊曉.基于OpenCV實(shí)現(xiàn)多特征融合的移動(dòng)車(chē)牌定位算法［J］.計(jì)算機(jī)應(yīng)用與軟件，2014，31(4):289－292.

［15］Zheng L，He X，Samali B，et al.An algorithm for accuracy enhancement of license plate recognition［J］.Journal of computer and system sciences，2013，79(2):245－255.

［16］Jin L，Xian H，Bie J，et al.License plate recognition algorithm for passenger cars in Chinese residential areas［J］.Sensors，2012，12(6):8355－8370.

Research Progress on License Plate Location Algorithm

Zhang Xiaomin，Chang Hao
(Anhui University of Finance and Economics)

In this paper，according to the characteristics of the plate texture，color，License Plate Location Algorithm are classified and reviewed，and the advantages and disadvantages of each method are summarized，which provides effective basis for future research.

L icense plate recognition;License plate location;Boundary;Texture;Color

TP391.41

:A

:1000－5617(2017)01－0044－03

(責(zé)任編輯:李家云)

2016－11－25

*安徽省財(cái)經(jīng)大學(xué)大學(xué)生科研創(chuàng)新基金項(xiàng)目“基于多分類(lèi)器融合的電信客戶(hù)流失預(yù)測(cè)模型”的階段性成果之一(XSKY1717ZD)