羅 山，李玉蓮

(攀枝花學(xué)院交通與汽車工程學(xué)院，四川 攀枝花 617000)

0 引言

車牌定位是從給定的車牌圖像中找到車牌區(qū)域的位置，并將車牌所在局部區(qū)域從整幅圖像中分割出來，為后續(xù)的字符分割、識(shí)別奠定基礎(chǔ)?；谲嚺频牟煌卣鳎鶕?jù)車牌定位層次的精細(xì)，本文對(duì)基于自適應(yīng)數(shù)學(xué)形態(tài)學(xué)的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、基于形狀回歸的方法、基于色彩紋理的方法和基于字符邊緣點(diǎn)提取的方法、基于遺傳算法、基于粒子群算法、基于顏色信息的方法、基于Adaboost算法、基于變換的方法進(jìn)行研究，并總結(jié)各種方法的性能特點(diǎn)。

1 車牌定位算法

1.1 基于自適應(yīng)數(shù)學(xué)形態(tài)學(xué)的方法

基于數(shù)學(xué)形態(tài)學(xué)方法定位[1]屬于二次定位，它是將自適應(yīng)對(duì)比度增強(qiáng)算法應(yīng)用于預(yù)處理階段，然后對(duì)車牌圖像進(jìn)行對(duì)比度增強(qiáng)處理，并在粗定位中利用數(shù)學(xué)形態(tài)學(xué)處理圖像，在精定位中提出采用區(qū)域標(biāo)記法和投影法結(jié)合來提取精確車牌位置。

1.2 基于神經(jīng)網(wǎng)絡(luò)的方法

1) 基于脈沖神經(jīng)網(wǎng)絡(luò)的方法。利用脈沖神經(jīng)網(wǎng)絡(luò)對(duì)車牌圖像進(jìn)行顏色特征提取，實(shí)現(xiàn)車牌的粗定位，再對(duì)粗定位車牌進(jìn)行預(yù)處理，采用行列掃描投影法進(jìn)行精確定位，最終提取出正確的車牌區(qū)域[2]。

2) 基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的方法。主要是針對(duì)多車輛、低分辨率等復(fù)雜環(huán)境下的車牌定位情況，通過運(yùn)動(dòng)目標(biāo)檢測(cè)算法定位出目標(biāo)運(yùn)動(dòng)熱點(diǎn)區(qū)域；然后使用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別熱點(diǎn)區(qū)域中的車輛；最后使用卷積神經(jīng)網(wǎng)絡(luò)從定位的車輛圖片中識(shí)別車牌[3]。

1.3 基于形狀回歸的方法

基于形狀回歸的方法[4]是基于車牌本身的形狀和內(nèi)部特征，將車牌定位問題轉(zhuǎn)化為車牌四個(gè)角點(diǎn)的檢測(cè)問題，這樣得到的結(jié)果更加的精細(xì)。

1.4 基于色彩紋理的方法

將顏色空間進(jìn)行轉(zhuǎn)換并濾波調(diào)整之后，排除圖像中的干擾信息；然后將轉(zhuǎn)換后的圖像車牌背景顏色和車牌字符顏色進(jìn)行二值化處理生成兩幅灰度圖像，對(duì)兩幅灰度圖像的各個(gè)像素點(diǎn)進(jìn)行分析比對(duì)，通過像素灰度值的跳變次數(shù)，找出符合車牌紋理的區(qū)域，通過計(jì)算確定車牌區(qū)域[5]。

1.5 基于字符邊緣點(diǎn)提取的方法

首先對(duì)圖像進(jìn)行邊緣檢測(cè)；其次，采用一種基于字符周圍像素點(diǎn)比例的邊緣點(diǎn)窗口掃描算法來排除其它干擾的邊緣點(diǎn)；最后，結(jié)合結(jié)構(gòu)特征，采用高級(jí)形態(tài)學(xué)變換和基于像素點(diǎn)比例與水平跳變次數(shù)的排干擾法來進(jìn)行車牌候選區(qū)域提取[6]。

1.6 基于遺傳算法的方法

將車牌區(qū)域特征值作為適應(yīng)度函數(shù)的輸入進(jìn)行計(jì)算使收斂輸出結(jié)果為求解空間的最大值和最小值，繼而尋求該區(qū)域并分割得到車牌區(qū)域，整個(gè)過程就是全局最優(yōu)化問題[7]。

1.7 基于量子粒子群算法的方法

主要是通過局部圖像增強(qiáng)處理改善圖像質(zhì)量變化較大的問題，從而獲得理想的車牌特征描述，結(jié)合量子粒子群優(yōu)化算法快速、高效的特點(diǎn)在全圖范圍選擇最滿足車牌特征的區(qū)域位置[8]。

1.8 基于顏色和邊緣信息的方法

利用RGB顏色空間提取符合車牌顏色的區(qū)域，再通過邊緣檢測(cè)提取車牌邊緣信息，根據(jù)車牌的顏色信息和邊緣信息融合后進(jìn)行形態(tài)學(xué)提取車牌候選區(qū)域，然后使用車牌規(guī)整度計(jì)算[9]進(jìn)行車牌區(qū)域的篩選，從而定位車牌區(qū)域。

1.9 基于Adaboost算法的方法

Adaboost算法使用矩形特征值作為分類的依據(jù)[10]，將訓(xùn)練得到的分類器輸入經(jīng)過預(yù)處理的車牌待檢圖像，得到粗檢結(jié)果。再通過車牌校驗(yàn)，將粗檢得到的車牌區(qū)域進(jìn)行篩選，最后得到準(zhǔn)確的車牌定位區(qū)域。

1.10 基于變換的方法

1) 基于NSCT變換的方法。首先，對(duì)圖像進(jìn)行非下采樣 Contourlet 變換，得到車輛圖像的 8 個(gè)方向的高頻分量子圖；然后，通過結(jié)合規(guī)則將這些高頻子圖合成一幅突出車牌區(qū)域的高頻圖；最后，運(yùn)用數(shù)學(xué)形態(tài)學(xué)和連通域分析定位出車牌[11]。

2) 基于小波變換和Tophat變換的方法[12]。主要以小波變換為工具，結(jié)合反銳化掩模(UM)方法；利用中低頻描繪子重構(gòu) VPM，結(jié)合部分中低頻描繪子和統(tǒng)計(jì)量組成描述區(qū)域紋理的模式向量，輸入支持向量機(jī)歸類。

1.11 定位方法對(duì)比分析

表1總結(jié)了各種方法的優(yōu)缺點(diǎn)，并做比較分析。

表1 車牌定位方法優(yōu)缺點(diǎn)對(duì)比

2 結(jié)束語

本文研究分析了近幾年出現(xiàn)的常用車牌定位方法，并對(duì)其定位精細(xì)及特點(diǎn)進(jìn)行了討論，但還沒有一種通用的適用于復(fù)雜背景下的精確定位方法。也有許多新的方法出現(xiàn)，如Adaboost算法、遺傳算法、粒子群算法等。未來的研究應(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解決精確定位的難題。