車(chē)牌定位在電子警察中的工程應用

近年來(lái)，我國在城市和交通建設方面取得了巨大的進(jìn)步。然而，面對越來(lái)越多的交通路口、收費站以及治安卡口，傳統的人工值守顯然已經(jīng)滿(mǎn)足不了要求。為解決這種現狀，出現了適應信息化時(shí)代的計算機集成產(chǎn)品，即電子警察，并已經(jīng)得到了廣泛的應用。

電子警察采用視頻圖像的識別技術(shù)，全天候進(jìn)行車(chē)輛及道路的監控，對違規車(chē)輛進(jìn)行抓拍，實(shí)現了城市道路交通的智能化管理，達到無(wú)人化值守。利用該系統可以迅速查明違章車(chē)輛、分析交通事故，為進(jìn)一步整頓交通環(huán)境，交通管理科學(xué)化提供高效可靠的技術(shù)依據。

1 抓拍照片分析

出于性?xún)r(jià)比的原因，目前國內電子警察系統的圖像獲取單元一般都采用CCD工業(yè)電視攝像機，而且被架設在室外?，F以闖紅燈違章抓拍系統為例來(lái)分析抓拍的圖像數據。

(1) 由于紅燈的停車(chē)線(xiàn)靠近行人通道，造成圖像背景特別復雜;

(2) 機動(dòng)車(chē)的車(chē)型較多，車(chē)牌的位置各不相同;

(3) 拍攝圖像時(shí)受天氣、照明以及運動(dòng)等因素的影響很大;

(4) 攝像機受路口實(shí)際條件的限制，可能距離較遠，并有一定角度;

(5) 臟、舊車(chē)牌比較模糊，還有不少故意作弊的車(chē)牌。

這種圖像數據要比在實(shí)驗室所用的數據惡劣得多，而且意想不到的情況也時(shí)有發(fā)生，這就給圖像識別帶來(lái)了極大的困難。

2 圖像處理方案

通過(guò)多次實(shí)驗檢測，最終選用了圖1所示的圖像處理方案。

對圖像數據的灰度化、平滑、邊緣檢測、二值化以及旋轉都屬于圖像的預處理部分。判定就是準確地定位車(chē)牌位置，接下來(lái)先對車(chē)牌進(jìn)行字符分割，然后逐字提取特征，形成該字符的特征向量，將這個(gè)特征向量作為神經(jīng)網(wǎng)絡(luò )的輸入，以便于字符識別。所以字符識別部分用了一個(gè)三層的神經(jīng)網(wǎng)絡(luò )，先進(jìn)行學(xué)習訓練，得到收斂的一組權值。

限于篇幅，本文只介紹圖像預處理和判定部分，識別應用部分這里就不討論了。

2.1 灰度化與平滑

為了便于處理后的傳輸和存儲，由CCD攝象機獲取的圖像通過(guò)圖像采集卡采集到工控機或圖像處理器件后，一般會(huì )轉換成JPEG格式。這樣處理的對象也就是JPEG文件，要進(jìn)行灰度化，以去掉彩色信息，加快處理速度?；叶然墓娇梢圆捎檬?1)。

其中，g(i，j)為點(diǎn)(i，j)處的灰度值，R，G，B分別為該點(diǎn)的三基色值。但是，定位車(chē)牌時(shí)亮度信息并不重要。鑒于在這個(gè)式子中，G基色占的比重最大，所以有理由在灰度化時(shí)只取綠色信息就可以了。

圖像平滑的目的是為了消除噪聲。噪聲并不限于人眼所能看到的失真或變形，有些噪聲只有在進(jìn)行圖像處理時(shí)才能發(fā)現。一般來(lái)說(shuō)，圖像的能量主要集中在其低頻部分，而車(chē)牌的信息主要在高頻部分，為了去掉高頻干擾，有必要進(jìn)行圖像平滑?？梢圆捎玫屯V波的方法來(lái)去除噪聲，為此要設計空間域系統的單位沖激響應矩陣。

2.2 邊緣檢測與二值化

與平滑過(guò)程相反，邊緣檢測相當于高通濾波器，是為了提取圖像中的高頻部分。因為車(chē)牌上字符較密，所以這一部分的圖像變化必然比其它區域高，這對于車(chē)牌定位是很重要的信息。邊緣增強的方法很多，常用的增強算子有拉普拉斯算子、Sobel算子、Prewitt算子等。本文采用了一種Kirsch算子的改進(jìn)形式。Kirsch算子是一種象素鄰點(diǎn)順時(shí)針循環(huán)平均求梯度的方法，它取如下的梯度圖像作為檢測結果:

分別表示f(i，j)的八鄰象素中順時(shí)針排列的相鄰三個(gè)象素和五個(gè)象素之和。規定A0為f(i，j)左上角的鄰域。A的下標按模8計算，如圖2所示。

式(3)中大括號內的取極大值運算，其實(shí)就是求f(i，j)在8個(gè)方向上的平均差分之最大值，也就是f(i，j)梯度幅度的近似值[1]。

通過(guò)這種運算后，圖像中每象素點(diǎn)的值代表了該點(diǎn)的高頻信息，從這些信息中要定位出車(chē)牌的位置，就必須進(jìn)行二值化處理。二值化的方法有很多，但應用于工程上時(shí)，一個(gè)最大的問(wèn)題就是閾值的選取，將它取為固定值顯然是不合理的，因為環(huán)境總是變化的;可是將它放開(kāi)后，又不能很好地跟蹤圖像的細微變化。針對這個(gè)問(wèn)題，本文提出了一種反向積分求象素點(diǎn)的方法，使得二值化能自適應選擇適當的閾值。

其中:n(k)為圖像中所有取值為k的象素點(diǎn)個(gè)數，n為圖像總象素數。通過(guò)大量的實(shí)驗，發(fā)現這個(gè)象素值-概率關(guān)系曲線(xiàn)無(wú)外乎兩種情況，即圖3和圖4所示。要使定位效果達到最佳，閾值一定在曲線(xiàn)趨于平坦的點(diǎn)附近。

這時(shí)會(huì )發(fā)現不管是白天還是夜間，S總是在一常數附近，而這個(gè)差別對于象768×288這樣的圖像來(lái)說(shuō)是微不足道的，完全可以將它定為一個(gè)常數來(lái)處理。雖然它也與圖像的復雜程度有關(guān)，但這只會(huì )影響二值化后點(diǎn)的分布。車(chē)牌位置總是處于高頻部分，對它的影響較小。這個(gè)現象也同時(shí)說(shuō)明，要準確定位并不是二值化后保留的信息越多越好。

既然將S取為常數，那么從gmax開(kāi)始反向積分(求和)，就可以得出th，而且th會(huì )隨著(zhù)圖像的亮暗程度、對比度自適應變化。

2.3 圖像旋轉與車(chē)牌定位

在實(shí)際施工中，鏡頭的架設常受到條件的限制，圖像的傾斜程度特別大。這時(shí)，用圖像的旋轉不變距顯然難以湊效，只有對圖像進(jìn)行旋轉。而且這個(gè)角度的設定對具體的環(huán)境不再發(fā)生變化，知道了這個(gè)角度，也有利于汽車(chē)的運動(dòng)軌跡判斷。

進(jìn)行完前面的預處理工作后，定位車(chē)牌就容易了。對圖像自下而上逐行掃描，在限定的模板寬度內，若變化頻率達到一定次數，例如10次，則向下開(kāi)始掃描，直到滿(mǎn)足模板高度，將這個(gè)區域定為車(chē)牌的候選區。如果沒(méi)找到車(chē)牌，則將車(chē)牌的模板進(jìn)行一些調整，再繼續搜索，還是找不到，就是沒(méi)有車(chē)牌。對于多個(gè)候選的區域，可以進(jìn)行粗略的聚類(lèi)估計和簡(jiǎn)單的邏輯判斷，以提高定位準確性。

3 運行結果

用這一套組合策略，對不同時(shí)間、不同交通路口、不同光照下抓拍的汽車(chē)圖像進(jìn)行車(chē)牌定位識別，定位結果如表1所示。

在選圖時(shí)，夜間圖像占20% 左右。從上述結果，可以清楚地看出，公共汽車(chē)的準確率最低，這是因為公共汽車(chē)有許多廣告和粘貼紙，造成了錯誤定位?？ㄜ?chē)的車(chē)牌在車(chē)框下邊，較為隱蔽，有些車(chē)牌特別臟，識別比較困難。而出租車(chē)和中巴車(chē)的錯誤定位大多是夜間圖像引起的。還要說(shuō)明一點(diǎn)，夜間圖像在拍攝時(shí)加了紅外補光系統。針對工程應用的水平，這個(gè)結果是令人滿(mǎn)意的。

本文只介紹了電子警察抓拍系統中車(chē)牌定位的內容。電子警察系統最大的困難就是受自然環(huán)境的影響特別大，而且安裝時(shí)總是要去適應地形環(huán)境，所以拍攝到的圖像有時(shí)非常不好，并不象實(shí)驗室處理的那么理想。因此要找到一種適應性較好的定位方法，只有舍棄許多優(yōu)越的處理方法。本文使用的這種圖像處理的策略，只設定幾個(gè)參數，在特定的環(huán)境中可以實(shí)現二值化閾值的自適應調整，將車(chē)牌識別提高到工程應用的水平?？傮w上來(lái)說(shuō)，具有較好的適應性。