董大明

（山西交通職業(yè)技術(shù)學(xué)院，山西 太原 030031）

引言

在過去的幾年里，越來越多的公司一直在使用LPR系統(tǒng)進行各種應(yīng)用，無論是在停車場大門自動打開還是檢查識別進入的車輛，或以更高級的方式自動付款、道路雷達。通常這些系統(tǒng)在單個圖像上運行對比度和模糊度非常的低，主要原因是一個專用照明系統(tǒng)拍攝停止的車輛或使用低速行駛的車輛照片，導(dǎo)致提取車牌的高質(zhì)量。在我們的項目中，使用的汽車視頻是一個很難捕捉的方式，汽車以大約80公里/小時的速度移動，而且沒有額外的照明和分隔車輛和相機（安裝在20米高的橋上在公路上方），由此產(chǎn)生的車輛圖像是模糊，嘈雜和旋轉(zhuǎn)，以及拍攝的車輛只占據(jù)圖像的一小部分區(qū)域，這些都將造成在形式中的車輛車牌識別模糊。本文介紹了一種提高清晰度的方法以及基于圖像信息的冗余使用融合提取高質(zhì)量車牌的方法。

1 拜耳格式圖像處理技術(shù)

我們能夠從視頻流中提取一系列一輛汽車朝向或遠離的照片相機。然后，我們通過對車牌邊緣進行本地化檢測算法并使用信息冗余從這一系列圖像中生成一個牌照圖像：具有改善的清晰度和模糊較低的圖像。視頻流被嵌入到圖片中。每輛車有一個獨特的文件夾與其連續(xù)的圖像和具體的ID。這些文件夾是我們算法的輸入（圖1）。

圖1 雷達探測下的高速車輛信息圖像截取

拜耳或馬賽克是放置在彩色濾光片中的矩陣數(shù)碼相機傳感器的前面。它由50%的綠色，25%紅色和25%藍色過濾器組成。得到的圖像是每個像素包含的圖像紅色或藍色或綠色組件。我們遇到的第一個問題那些拜耳圖像是暗像素的存在模糊圖像。

為了解決這個問題，我們用1.3的系數(shù)來乘以所有的紅色像素，對應(yīng)于之間的比例直方圖的最大值以平衡組件。為了檢測和提取車牌，我們使用了一個邊緣檢測方法，其中包含以下步驟：

1）Canny邊緣檢測——使用索貝爾過濾器的圖像，然后是滯后canny邊緣檢測估計的梯度設(shè)置閾值以減少假邊緣并檢測輪廓一次（圖2左1）。

2）擴張——擴張是由一個形態(tài)學(xué)操作組成移動結(jié)構(gòu)元素；在這種情況下是正方形沿著圖像邊緣的每個像素，如果它是相交像素，則結(jié)果是一個大于原版的結(jié)構(gòu)。目標是讓邊緣更清晰可見，因為有些邊界可能導(dǎo)致開放的對象無法檢測到（圖2左二）。

3）連接組件——這是一種將提取所有內(nèi)容的分割技術(shù)圖像的相關(guān)項目，也就是說，所有的形式有像素的連續(xù)性。標簽功能的輸出是帶有的圖像與其像素相同的原點分辨率具有它們所屬的對象號碼的值。

圖2 雷達探測下的高速車輛信息-拜耳格式圖像處理

4）對象過濾——為了提取圖像的車牌區(qū)域，在上一節(jié)中找到的連接組件都有進行過濾和分類。已知車牌是矩形的，并且有一個特定的高度和寬度范圍；第一個過濾器是使用邊界檢測具有此形狀的對象在Matlab下的Box函數(shù)進行計算。第二個過濾器計算高度之間的比率和寬度并丟棄所有不屬于對象的范圍。一般來說，使用這兩個濾波器就足以進行檢測，但要確保它是我們所在的數(shù)據(jù)中添加了一個隨機車牌的關(guān)聯(lián)操作，對應(yīng)于最大化相關(guān)性的圖像（圖2右1）。

2 有效提高銳度

我們提出的方法由多個步驟組成，這是為了準備融合的圖像流，圖像需要調(diào)整大小，旋轉(zhuǎn)和對齊以便準備融合。過濾和去卷積操作將會需要沿著這個過程。

1）調(diào)整大小——在這個算法中調(diào)整大小是最原始的步驟。它極大地降低了由此引起的插值解卷積和旋轉(zhuǎn)效應(yīng)。我們決定放大系數(shù)為8的圖像使用Lanczos插值預(yù)測的值使用16個相鄰像素的像素。我們可以有選擇一個高于8的數(shù)字，但我們由于使用過于復(fù)雜的預(yù)測，圖像增加了更多的噪音，這說明圖像大小的調(diào)整需要特定的預(yù)測方法，復(fù)雜的預(yù)測不能帶來合理的效果。

2）解卷積——它是去除運動模糊的操作，包括確定運動矢量和維納過濾器將像素移回原來的位置。在我們的案例中，這是一個翻譯運動。矢量使用兩點中的一點的坐標來找到連續(xù)的圖像，并以其角度和其特征為特征模塊（圖3）。

圖3 雷達探測圖像處理坐標建立示意

3）旋轉(zhuǎn)——一般來說，相機不與道路對齊；該輸出車牌稍微傾斜。傾向取決于關(guān)于圖像中汽車的位置。為了補償旋轉(zhuǎn)，我們使用了能量辦法；我們計算了車牌塊的水平能量。無論如何，曲線的寬度都是成比例的車牌對齊或不對齊。最小的寬度對應(yīng)于車牌完美對齊的狀態(tài)。 尖峰上曲線與開始一致并且是由于白色像素有比黑暗更大的趨勢。

4）劃界——僅裁剪人物和白色背景可以通過能源途徑來實現(xiàn)；邊界由于白色背景的能量增加（因為白色像素的值最高），最后一次減少這對應(yīng)于車牌的末端。

5）標準化——這個過程的目標是確保車牌塊沒有帶來比融合中的其他車牌塊更具對比度圖像像素點的值必須以相同的概率貢獻。本算法中，我們把它們的能量分開，像素總和的平方除以像素數(shù)量。當繪制垂直和水平能量，曲線幾乎相同我們把這些板塊放在相同的尺寸上以確保融合是有意義的。

6）垂直和水平對齊——這個操作可以確保角色很好在融合之前對齊。 這個想法是采取一個子圖像第一個車牌塊的第一個字符，然后找到子圖像與其他字符相對應(yīng)通過最大化相關(guān)性并保存車牌兩個子圖像的坐標。現(xiàn)在我們必須做的是辨別與第二個圖像的差異。

7）融合——經(jīng)過直方圖均衡化后，可以更好地實現(xiàn)在整個可能的范圍內(nèi)分布強度值，通過“擴散”直方圖，我們添加車牌塊相同的車輛一起用于最終改進的車牌（圖1）。我們用32fps的DALSA Genie Hc1400（畫框每秒）并且是1400 * 1024像素的解決方案。

3 結(jié)論

綜上所述，在本文中，我們提出一個高效的基于車牌清晰度改進算法對圖像進行融合識別，并使用相同的多個圖像車輛在道路的不同位置使用信息冗余。本算法可以在本領(lǐng)域得到較為廣泛的應(yīng)用，提升高速車輛的安全監(jiān)測質(zhì)量。