復雜車(chē)輛圖像中的車(chē)牌定位

隨著(zhù)我國城市規模的急劇擴大，對智能交通系統(ITS)的需求越來(lái)越迫切。車(chē)牌照自動(dòng)識別技術(shù)廣泛應用于闖紅燈車(chē)輛監控、停車(chē)場(chǎng)管理、電子收費系統等領(lǐng)域。完整的車(chē)牌識別系統一般分為3部分：車(chē)牌定位、字符分割和字符識別，其中車(chē)牌定位技術(shù)是整個(gè)車(chē)牌識別系統的核心，直接影響整個(gè)識別系統的速度和準確率。
目前已有的車(chē)牌定位算法眾多，包括邊緣檢測、數學(xué)形態(tài)學(xué)、小波分析、投影法、顏色特征提取和神經(jīng)網(wǎng)絡(luò )等?；谶吘墮z測、數學(xué)形態(tài)學(xué)及小波分析的方法，定位較準確，但在背景信息復雜或車(chē)牌上方有引擎散熱孔的圖像中容易產(chǎn)生錯誤定位。而投影法速度較快，很難區分車(chē)牌文字與車(chē)燈區域，因而準確率低?；陬伾卣骱蜕窠?jīng)網(wǎng)絡(luò )的方法定位準確，但是運算速度慢，并且受天氣、光照及車(chē)牌磨損等情況
的影響較大。
由于以上各種單一方法的明顯局限性，提出了一種綜合邊緣檢測、數學(xué)形態(tài)學(xué)、彩色特征和投影法的算法，通過(guò)質(zhì)心排序去除了引擎散熱孔及其他邊緣豐富區域的干擾，并通過(guò)谷值分析補全車(chē)牌區域。實(shí)驗結果表明該方法克服了以往各種定位方法的缺點(diǎn)，既提高了定位的準確性，也保證了定位的實(shí)時(shí)性和魯棒性。

1 車(chē)牌識別的粗定位
1．1 邊緣檢測及數學(xué)形態(tài)學(xué)處理
由于彩色的車(chē)牌中富含的信息量太大，干擾強，故不適合做直接分析。因此，往往將彩色的RGB圖像轉成灰度圖再進(jìn)行處理。待定位的車(chē)牌區域含有較多字符，邊緣量豐富。而車(chē)身背景中的邊緣量較少，并不密集。因此，可以用邊緣檢測的方法對灰度圖做預處理。
由于邊緣是圖像上灰度變化較為劇烈的地方，在灰度突變處進(jìn)行微分則會(huì )得到突起值，因此，在數學(xué)上可用灰度的導數來(lái)表示邊緣。而在實(shí)際應用中往往采用的是邊緣檢測算子，通常使用的邊緣檢測算子有：Sobel算子、Prewitt算子、Roberts算子和Canny算子等。本實(shí)驗采用的是Sobel算子，對水平邊緣分量和垂直邊緣分量同時(shí)進(jìn)行檢測。
數學(xué)形態(tài)學(xué)的基本思想是利用“結構元素”來(lái)收集圖像信息。結構元素可被當成探針，當探針在圖像中移動(dòng)時(shí)，便可考察圖像各部分之間的相互關(guān)系，從而了解圖像的結構特征。其算法為：
1)先進(jìn)行數學(xué)形態(tài)學(xué)閉運算：其可簡(jiǎn)單定義為先膨脹再腐蝕。閉運算一般會(huì )將狹窄的缺口連接起來(lái)形成細長(cháng)的彎口，并填充比結構元素小的洞。這樣便可以連接鄰近物體，在不明顯改變物體面積的情況下起到平滑邊界的作用。
閉運算定義為：

實(shí)驗結構如圖1、圖2所示。

2)再進(jìn)行數學(xué)形態(tài)學(xué)開(kāi)運算，可簡(jiǎn)單定義為先腐蝕再膨脹。開(kāi)運算后完全刪除了不能包含結構元素的對象區域，平滑了對象輪廓，斷開(kāi)了狹窄的連接，去掉了細小突出部分。
開(kāi)運算定義為：

實(shí)驗結構如圖3所示。

1．2 待選區域的質(zhì)心定位及顏色判斷
對待選區域的傳統處理方法有多種，其中包括面積排序，長(cháng)寬比排序和顏色識別。
1)面積排序 由于無(wú)法保證車(chē)牌區域的邊緣分量最豐富。當車(chē)體上圖案較多，或車(chē)燈紋理較為明顯時(shí)，對定位準確率的干擾很大。
2)長(cháng)寬比排序數學(xué)形態(tài)學(xué)處理后，常常引入了較多符合車(chē)牌長(cháng)寬比特性的區域。而且當車(chē)牌角度出現偏差時(shí)，長(cháng)寬比判定的準確率明顯下降。
3)顏色識別 在多數情況下可以識別車(chē)牌，但是當車(chē)體上有較為豐富的圖案且顏色與車(chē)牌顏色相近時(shí)，顏色識別的準確率便大大下滑。
對于絕大多數汽車(chē)來(lái)說(shuō)，車(chē)牌基本位于車(chē)輛的最底部，而車(chē)牌下部不像車(chē)身那樣擁有大量文字或圖案，給識別帶來(lái)干擾，它形式較為單一，這給識別帶來(lái)極大方便。同時(shí)，地面因為樣式單一，干擾量更是微小。因此，可采用對候選區域進(jìn)行自下而上檢測的方式。
然而，還需注意的是，車(chē)燈往往與車(chē)牌區域平行，其邊緣量也很豐富，故其干擾相對較大?？紤]到車(chē)燈多數為紅色，白色或透明，和車(chē)牌顏色相差較大，因此可以用顏色識別來(lái)區分車(chē)牌區域和車(chē)燈區域。故本實(shí)驗采用質(zhì)心檢測與顏色識別相結合的方法。先對待選區域質(zhì)心的縱坐標進(jìn)行排序，并由圖像最底部向上進(jìn)行檢測。
首先，將候選區域內各像素點(diǎn)由RGB模型轉為HSV模型，即色度(Hue)、飽和度(Saturation)和強度(Value)。由于直接轉成HSV模型后，均勻量化的結果導致量化數據量巨大。而在車(chē)牌識別中只需要對特定的幾種顏色進(jìn)行識別，不需要將各種顏色詳細區分開(kāi)來(lái)，量化過(guò)細反而會(huì )造成顏色判斷的歧義，導致結果失真。因此，可采用非均勻量化的方法來(lái)減少量化級別，提高計算效率。同時(shí)，非均勻量化還可將相似的顏色歸為同一顏色，大大減小了算法的復雜度。將色度分為16個(gè)等級，飽和度和強度各分3個(gè)等級。其算法過(guò)程為：
1)對候選區域各個(gè)像素點(diǎn)的H、S、V值進(jìn)行統計；