羅 山

(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

車牌定位是車牌識(shí)別系統(tǒng)中的至關(guān)重要的環(huán)節(jié)之一，對(duì)后續(xù)的識(shí)別效果有決定性的影響。目前常用的車牌定位方法有數(shù)學(xué)形態(tài)學(xué)法[1]、投影法[2]、遺傳算法[3]、神經(jīng)網(wǎng)絡(luò)法[4]、變換法[5]、AdaBoost算法[6]。

利用數(shù)學(xué)形態(tài)學(xué)對(duì)車牌圖像進(jìn)行處理獲得連通區(qū)域，該連通區(qū)域視為車牌候選區(qū)域，然后基于區(qū)域標(biāo)記法[7]可實(shí)現(xiàn)精確定位，但當(dāng)存在多個(gè)區(qū)域時(shí)，定位準(zhǔn)確率將下降。本文利用區(qū)域分析對(duì)數(shù)學(xué)形態(tài)學(xué)單一定位方法進(jìn)行改進(jìn)，主要包括圖像預(yù)處理、車牌粗略定位和精確定位3個(gè)環(huán)節(jié)，其流程如圖1所示。

圖1 車牌定位流程

1 車牌圖像預(yù)處理

為改善定位效果，需對(duì)采集過(guò)程中降質(zhì)的車牌圖像進(jìn)行預(yù)處理。預(yù)處理主要包括去噪、對(duì)比度增強(qiáng)等環(huán)節(jié)。圖2是待定位的車牌圖像，圖3是預(yù)處理后的圖像，可見(jiàn)噪聲明顯減少、對(duì)比度得到增強(qiáng)。

圖2待定位車牌圖像 圖3預(yù)處理圖像

2 車牌預(yù)定位

2.1 提取邊緣

經(jīng)典的邊緣提取方法具有簡(jiǎn)單、運(yùn)算量小，較差的抑制噪聲能力等特點(diǎn)。數(shù)學(xué)形態(tài)學(xué)具有運(yùn)算簡(jiǎn)單，抑制噪聲能力強(qiáng)，提取的邊緣連續(xù)光滑等優(yōu)勢(shì)，適合用于車牌邊緣的提取。

設(shè)A表示目標(biāo)圖像，B表示結(jié)構(gòu)元素，z表示平移量，則有膨脹(A?B)、腐蝕(AΘB)、開啟(A°B)和閉合(A·B)四種基本運(yùn)算。將這四種基本的運(yùn)算進(jìn)行組合得到形態(tài)學(xué)邊緣檢測(cè)算子，有如下三種常用的算子[8]：

(1)E=(A°B)?B-(A°B)·B

(2)E=(A·B)°B-(A·B)ΘB

(3)E=(A°B)?B-(A·B)ΘB

其中E為邊緣檢測(cè)圖像。通過(guò)實(shí)驗(yàn)分析，本文采用抗噪膨脹型算子(1)進(jìn)行邊緣檢測(cè)，選擇3×3的方形結(jié)構(gòu)元素。

2.2 二值化

選取合適的閾值是圖像實(shí)現(xiàn)二值化的關(guān)鍵，對(duì)二值化的效果有決定性的影響，常見(jiàn)的閾值選取方法有直方圖法、迭代法和最大類間方差法[9](Otsu法)。Otsu法是一種自動(dòng)閾值選取方法，具有簡(jiǎn)單、自適應(yīng)強(qiáng)、分割效果好等優(yōu)點(diǎn)而被廣泛采用。圖4所示即為采用Otsu法得到的二值化結(jié)果。

圖4 二值圖像

2.3 數(shù)學(xué)形態(tài)學(xué)處理

2.3.1 濾波處理

對(duì)二值圖像采用數(shù)學(xué)形態(tài)學(xué)進(jìn)行濾波處理，以減少后續(xù)的連通區(qū)域個(gè)數(shù)，降低偽車牌區(qū)域?qū)?zhǔn)確定位的干擾。根據(jù)數(shù)學(xué)形態(tài)學(xué)中開、閉運(yùn)算的特性，圖像的特點(diǎn)和噪聲的性質(zhì)，將兩者進(jìn)行組合以實(shí)現(xiàn)濾波去噪處理。這里選擇先閉后開的運(yùn)算，表達(dá)式為：

AF=(A·B)°B

2.3.2 提取連通區(qū)域

利用數(shù)學(xué)形態(tài)學(xué)運(yùn)算提取二值圖像中的連通區(qū)域。膨脹具有收縮或者填充比結(jié)構(gòu)元素小的孔洞、連接斷開的物體的作用。腐蝕能夠細(xì)化或者收縮目標(biāo)，還可以濾除小于結(jié)構(gòu)元素的物體。閉運(yùn)算具有填充比結(jié)構(gòu)元素小的孔洞，彌合狹窄的間斷等作用。開運(yùn)算能平滑物體輪廓、消除小于結(jié)構(gòu)元素的物體和細(xì)的突出物。

考慮四種基本的形態(tài)學(xué)運(yùn)算的特點(diǎn)，經(jīng)過(guò)多次試驗(yàn)，本文選用長(zhǎng)度為4的垂直線形結(jié)構(gòu)元素進(jìn)行腐蝕運(yùn)算，再對(duì)腐蝕后的圖像采用[21×21]的方形結(jié)構(gòu)元素進(jìn)行閉運(yùn)算，得到車牌候選區(qū)域。如圖5所示，可見(jiàn)圖像中除了存在反映車牌特征的區(qū)域外，還存在偽車牌區(qū)域，經(jīng)處理后目標(biāo)的形狀特征有小的畸變，但很好地保留了目標(biāo)的整體形狀特征。

2.3.3 去除小目標(biāo)

經(jīng)前述分析得知候選區(qū)域中存在偽車牌小目標(biāo)，可利用Matlab函數(shù)bwareaopen來(lái)去除這些小于車牌區(qū)域面積的小目標(biāo)，以減少車牌候選區(qū)域數(shù)目及運(yùn)算量。經(jīng)過(guò)實(shí)驗(yàn)分析，函數(shù)bwareaopen的參數(shù)P的取值范圍為1 000～1 350。圖6為去除小目標(biāo)后的結(jié)果，只剩下反映車牌特征的區(qū)域，減少了背景對(duì)后續(xù)區(qū)域分析的干擾。

圖5車牌候選區(qū)域 圖6去除小區(qū)域

3 連通區(qū)域分析

3.1 區(qū)域填充

為減少上述處理后的圖像中還存在的偽車牌區(qū)域?qū)罄m(xù)的區(qū)域分析的影響，依據(jù)實(shí)際的車牌識(shí)別系統(tǒng)中攝像機(jī)與車輛存在相對(duì)固定的位置關(guān)系，車牌區(qū)域不會(huì)出現(xiàn)在車牌圖像從上到下的1/3和從下到上的1/10區(qū)域內(nèi)，因此將這兩部分不符合車牌區(qū)域特征的區(qū)域進(jìn)行填充掉。經(jīng)過(guò)填充后，剔除掉大部分背景區(qū)域，減少偽車牌區(qū)域的數(shù)量，并降低后續(xù)的區(qū)域分析的運(yùn)算量。

3.2 區(qū)域分析

經(jīng)過(guò)區(qū)域填充后，對(duì)剩下的候選區(qū)域進(jìn)行分析，利用求得的每一個(gè)候選區(qū)域的最小外接矩形的寬度和高度、以及寬高比在一定的范圍之內(nèi)這一幾何特征，剔除不滿足條件的區(qū)域，從而找出真實(shí)的車牌區(qū)域。

基于區(qū)域分析提取車牌區(qū)域算法[10]步驟為：1) 標(biāo)記每個(gè)連通區(qū)域；2) 提取標(biāo)記區(qū)域的屬性；3) 記錄每個(gè)標(biāo)記區(qū)域的最小外接矩形的寬、高和坐標(biāo)；4) 利用車牌區(qū)域的寬高比為定值，結(jié)合車牌區(qū)域的高度，提取出車牌區(qū)域。

提取的車牌區(qū)域如圖7所示，可見(jiàn)經(jīng)過(guò)區(qū)域填充和區(qū)域分析后得到的區(qū)域即是真實(shí)的車牌區(qū)域，很好地實(shí)現(xiàn)了車牌的定位。

圖7 提取的車牌區(qū)域

4 實(shí)驗(yàn)及分析

對(duì)不同環(huán)境下采集的車牌圖像進(jìn)行實(shí)驗(yàn)仿真測(cè)試本文算法的有效性。圖8給出了精確定位的部分車牌圖像，圖8(a3)是在光照環(huán)境下采集的車牌圖像的定位結(jié)果，圖8(b3)是車牌存在傾斜的情況下的定位結(jié)果?？梢钥闯觯趲追N常見(jiàn)復(fù)雜環(huán)境下的車牌圖像的定位效果好，車牌切割完整準(zhǔn)確。仿真測(cè)試表明本文算法能夠有效地實(shí)現(xiàn)車牌定位，準(zhǔn)確率高，速度快。

圖8 精確定位的車牌

5 結(jié)束語(yǔ)

針對(duì)數(shù)學(xué)形態(tài)學(xué)定位出現(xiàn)多個(gè)偽車牌區(qū)域，為減少偽車牌區(qū)域?qū)_定位的干擾，首先對(duì)車牌圖像進(jìn)行預(yù)處理，提取邊緣、二值化；然后對(duì)連通區(qū)域進(jìn)行分析獲得可能的車牌區(qū)域，利用去除小區(qū)域和區(qū)域填充處理去除大部分偽車牌區(qū)域；最后利用區(qū)域分析提取車牌區(qū)域算法獲取準(zhǔn)確的車牌區(qū)域。實(shí)驗(yàn)表明該方法克服了數(shù)學(xué)形態(tài)學(xué)定位方法會(huì)出現(xiàn)過(guò)多的候選區(qū)域的不足，能對(duì)不同環(huán)境下的車牌圖像快速準(zhǔn)確地定位，為后續(xù)的車牌字符分割與識(shí)別提供了保障。