車(chē)牌識別系統中車(chē)牌定位方法的研究

1 引言

隨著(zhù)國民經(jīng)濟的高速發(fā)展，高速公路、城市道路、停車(chē)場(chǎng)建設越來(lái)越多，對交通控制、安全管理的要求也日益提高，智能交通系統its(intelligent traffic system) 已成為世界交通領(lǐng)域研究的前沿課題。在此基礎上發(fā)展的車(chē)牌照識別lpr(license plate recognition)

系統是智能交通系統的重要組成部分，在交通管理中占有重要地位。lpr系統主要由三部分組成：車(chē)牌定位、字符分割、字符識別，其中車(chē)牌定位的成功與否直接影響是否能夠進(jìn)入車(chē)牌識別以及車(chē)牌識別的準確率。主要的車(chē)牌定位方法：基于灰度圖像的車(chē)牌定位方法[1]、基于小波變換的車(chē)牌定位方法[3]、基于形態(tài)學(xué)的車(chē)牌定位方法[4]、基于神經(jīng)網(wǎng)絡(luò )的車(chē)牌定位方法[7]、基于支持向量機的車(chē)牌定位方法[8]等。雖然這些算法在某些特定條件下識別效果較好，但綜合一些諸如天氣、背景、車(chē)牌磨損和圖像傾斜等干擾因素的影響，暫時(shí)還不能完全滿(mǎn)足實(shí)際應用的要求，有必要進(jìn)行進(jìn)一步的研究。

2 車(chē)牌定位方法

2.1 基于灰度圖像的車(chē)牌定位方法

灰度數字圖像是每個(gè)像素只有一個(gè)采樣顏色的圖像。這類(lèi)圖像通常顯示為從黑色到白色的灰度。為了便于車(chē)牌定位，將該圖像轉換成二值圖像，即只有黑色和白色兩種顏色的圖像。

此方法是應用車(chē)牌的如下特點(diǎn)：車(chē)牌牌照的字符和背景的對比度比較大，對應于車(chē)牌區域的水平灰度變化比較頻繁;再者車(chē)牌一般掛在汽車(chē)的緩沖器上或附近，并靠近圖像的下部，干擾一般比較少。根據以上特點(diǎn)，使用靠近水平方向的一階差分運算，以突出灰度變化頻繁的區域。其一階差分運算的算式為：

從車(chē)牌照是一個(gè)矩形這一特點(diǎn)，我們可以判斷它所對應的水平投影圖與車(chē)牌的形狀相仿，是一塊較為獨立的矩形區域，從水平投影圖中可以看車(chē)牌位置基本對應于圖中從下到上的第一個(gè)較大的波峰，車(chē)牌投影值區域大致對應于上述波峰值上、下鄰域的波谷之間所包含的投影值區域，且這兩個(gè)波谷大致對稱(chēng)于波峰，波峰和波谷的變化率較大。在這個(gè)過(guò)程中最重要的是確定選擇哪個(gè)波峰，如果這個(gè)波峰的兩個(gè)波谷之間的值的高度都大于某一個(gè)設定的值，并且兩個(gè)波谷之間的寬度大致等于車(chē)牌照的高度，就認定它所確定的區域就是車(chē)牌的水平位置。對于車(chē)牌垂直方向的定位算法：一般情況下，車(chē)牌的底色和字符的顏色的對比度很大，而且在一個(gè)相對范圍較小的范圍內變化比較頻繁，通過(guò)這個(gè)特征確定車(chē)牌垂直方向。該方法對質(zhì)量較高的圖像有很好的定位，不過(guò)對于圖像中車(chē)前和車(chē)牌附近的車(chē)輛背景過(guò)多，容易導致錯誤的車(chē)牌定位。

2.2 基于小波變換的車(chē)牌定位方法

小波變換是20世紀80年代中后期在傅里葉分析的基礎上發(fā)展起來(lái)的一個(gè)重要的應用數學(xué)分支。與傅里葉變換相比，小波變換具有較強的時(shí)、頻域局部分析能力。通過(guò)伸縮和平移等運算功能對信號進(jìn)行多尺度細化分析，在高頻處取窄的時(shí)(空)間窗，在低頻處取寬的時(shí)(空) 間窗，克服了傅里葉分析無(wú)法同時(shí)在時(shí)域和頻域上取得良好局部特性的局限性，近年來(lái)這一方法在很多工程領(lǐng)域得到廣泛應用。小波分析的核心是多分辨率分解，其良好的時(shí)—頻特性使其成為研究精細結構的理想工具。在車(chē)牌圖像處理方面，經(jīng)過(guò)基于小波變換的高通濾波，車(chē)牌區域的橫、豎、撇、捺筆劃變得十分簡(jiǎn)潔、明晰，與傳統算法中通過(guò)中值濾波等方法來(lái)濾除圖片中的噪聲干擾相比較，小波變換增強了處理的針對性，在降噪的同時(shí)增強了有用信息，便于在后續程序中獲取車(chē)牌區域的細節信息。南京航天航空的馬永一、宋錚等人將小波變換直接應用于車(chē)牌定位，提出了一種直接對灰度圖像進(jìn)行除噪處理的方法。

該方法是首先設計一個(gè)基于小波變換的濾波器，然后對圖片進(jìn)行x層小波變換之后對低頻部分llx進(jìn)行衰減，再進(jìn)行小波反變換即可實(shí)現高通濾波，濾除圖片中由于光照不均等多種因素造成的噪聲干擾突出車(chē)牌區域。在傳統的車(chē)牌定位算法中，都是先對圖像進(jìn)行二值化處理。對于原始的灰度圖像中存在很明顯的由光照不均引起的亮度差別，汽車(chē)的左半部分的亮度因建筑物遮擋比右半部分的亮度暗，同時(shí)右半部分也存在著(zhù)局部的光線(xiàn)不足的情況下，如果直接進(jìn)行平均灰度整體閾值二值化，很容易出現由于閾值選取過(guò)高而造成車(chē)牌區域的不可辨識的情況，假如在程序中刻意降低閾值又會(huì )引入很多噪聲，失去了二值化的使用意義。如果使用局部閾值二值化，一方面增加了計算閾值的工作量，增加了處理時(shí)間，同時(shí)也可能會(huì )因為區域劃分的原因引發(fā)新的邊界噪聲干擾。使用基于小波變換的高通濾波處理后，圖片效果十分理想，不僅完全消除了光照不均造成的影響，而且使車(chē)牌區域更加突出，大大提高了定位查找的準確率。但是降噪預處理時(shí)的重構信號會(huì )丟失原有的時(shí)域特征。

2.3 基于形態(tài)學(xué)的車(chē)牌定位方法

數學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數運算子組成的，它的基本運算有4個(gè)：

膨脹、腐蝕、開(kāi)啟和閉合，它們在二值圖像和灰度圖像中各有特點(diǎn)?；谶@些基本運算還可推導和組合成各種數學(xué)形態(tài)學(xué)實(shí)用算法，用它們可以進(jìn)行圖像形狀和結構的分析及處理，包括圖像分割、特征抽取、邊界檢測、圖像濾波、圖像增強和恢復等。數學(xué)形態(tài)學(xué)方法利用一個(gè)稱(chēng)作結構元素的“探針”收集圖像的信息，當探針在圖像中不斷移動(dòng)時(shí)，便可考察圖像各個(gè)部分之間的相互關(guān)系，從而了解圖像的結構特征。上海大學(xué)的盧雅琴、鄔凌超基于形態(tài)學(xué)的思想提出了一種基于形態(tài)學(xué)的車(chē)牌定位方法。

該方法的具體步驟如下：首先對原始圖像進(jìn)行二值化處理，然后采用4×1的結構元素對已二值化的圖像進(jìn)行濾波，去除圖像的噪聲。采用16×9的結構元素再對去噪后的圖像進(jìn)行膨脹，然后再用同樣大小的結構元素做腐蝕運算，使車(chē)牌所在的區域形成連通的區域。然后標記出圖像中所有的連通的區域，并計算出每個(gè)連通區域的外接矩形框，利用車(chē)牌的先驗知識，確定車(chē)牌的位置。上述基于形態(tài)學(xué)處理的車(chē)牌定位方法，可以較好地確定圖像中車(chē)牌的位置，且算法簡(jiǎn)單、實(shí)時(shí)性強。但是使用過(guò)大過(guò)小的結構元素，都無(wú)法使車(chē)牌區域形成閉合的連通區域。因此結構元素的選取非常重要。

2.4 基于神經(jīng)網(wǎng)絡(luò )的車(chē)牌定位方法

bp 神經(jīng)網(wǎng)絡(luò )是目前人工神經(jīng)網(wǎng)絡(luò )中研究最深入、應用最為廣泛的一種模型，是bp(back propagation)學(xué)習算法在多層前饋網(wǎng)絡(luò )中的一種應用模型。

bp網(wǎng)絡(luò )的實(shí)質(zhì)就是多層感知器(multi-layer perceptron，mlp)，對于常用的三層(含有輸入層、隱含層和輸出層)網(wǎng)絡(luò )來(lái)說(shuō)，第一層屬于輸入層，接受輸入向量;第二層屬于隱含層，用于記憶，增加網(wǎng)絡(luò )的可調參數，使網(wǎng)絡(luò )輸出更加精確;第三層屬于輸出層，輸出網(wǎng)絡(luò )結果。相鄰層之間的節點(diǎn)屬于全連接，相同層之間的節點(diǎn)沒(méi)有連接。理論上，對于三層bp網(wǎng)絡(luò )只要使得對隱含層的節點(diǎn)增大到一定的范圍就可以擬合任何非線(xiàn)性函數。bp算法由正向傳播和反向傳播組成。正向傳播是輸入信號從輸入層經(jīng)隱含層傳向輸出層，若輸出層得到期望的輸出，則算法結束;否則，轉至反向傳播。反向傳播就是將誤差信號(樣本輸出與網(wǎng)絡(luò )輸出之差)按原連接通路反向計算，由梯度下降法調整各層神經(jīng)元的權值，使誤差信號減小，直至誤差達到期望的誤差。

該方法主要利用神經(jīng)網(wǎng)絡(luò )進(jìn)行模式識別的一些優(yōu)勢：其一，它允許對問(wèn)題的了解較少;其二，它可以實(shí)現特征空間中比較復雜的劃分?；谏窠?jīng)網(wǎng)絡(luò )的車(chē)牌定位方法主要分以下步驟，首先對bp網(wǎng)絡(luò )進(jìn)行訓練，選取各種情況下的車(chē)牌圖像，將其轉換成灰度圖像，每一幅圖像的全部灰度值作為網(wǎng)絡(luò )的一組輸入向量，如果是含牌照的汽車(chē)圖像，則設定其網(wǎng)絡(luò )輸出為高(0.9)，否則為低(0.1)，反復訓練直至達到理想的效果。然后對實(shí)際圖像進(jìn)行預處理：灰度化，直方圖化，濾波器濾波，增強圖像并去除圖像的噪聲。最后用一個(gè)m×n的滑動(dòng)窗口(m×n根據實(shí)際車(chē)牌的寬高比例設定)逐個(gè)像素地遍歷預處理后的圖像，窗口內子圖像的數據經(jīng)過(guò)歸一化后送到神經(jīng)網(wǎng)絡(luò )的輸入端作為輸入向量，如果神經(jīng)網(wǎng)絡(luò )輸出為高，則可判斷此滑窗所在位置有車(chē)牌，否則無(wú)車(chē)牌。利用神經(jīng)網(wǎng)絡(luò )進(jìn)行車(chē)牌的定位，其優(yōu)點(diǎn)在于可以充分利用神經(jīng)網(wǎng)絡(luò )的自適應性，但這種方法也存在缺點(diǎn)，即需要花費一些時(shí)間進(jìn)行網(wǎng)絡(luò )的訓練。如何縮短神經(jīng)網(wǎng)絡(luò )的訓練時(shí)間，即提高其收斂速度是一個(gè)研究的難點(diǎn)。

2.5 基于支持向量機的定位方法

支持向量機(svm) 是20 世紀90年代初由vap2nik等人提出的一類(lèi)新型機器學(xué)習方法，主要用于解決有限樣本情況下的模式識別問(wèn)題。此方法能夠在訓練樣本很少的情況下達到很好的分類(lèi)推廣能力。由于車(chē)牌區域有著(zhù)的紋理，尋找一種良好性能的分類(lèi)器，凸現這種紋理特征，使它與其它區域區別開(kāi)來(lái)。支持向量機(support vector machine，svm) 正是這樣一種分類(lèi)學(xué)習機制。

所以對車(chē)牌定位的研究，提出一種基于支持向量機的定位方法。首先將圖像分割為n×n大小的子塊，提出每個(gè)子塊的灰度特征，訓練svm分類(lèi)器;然后用訓練好的分類(lèi)器進(jìn)行牌照子塊和非牌照子塊的分類(lèi)，再使用數學(xué)形態(tài)學(xué)濾波和區域合并;最后運用投影方法定位牌照區域。實(shí)驗結果表明，該方法能比較好地定位牌照區域，但是由于svm算法對大規模訓練樣本難以實(shí)施，并且用svm解決多分類(lèi)問(wèn)題也存在困難，如果能解決這個(gè)問(wèn)題車(chē)牌定位將會(huì )更精確。

3 結束語(yǔ)

本文在現有的車(chē)牌照識別系統的基礎上，對近年來(lái)國內出現的車(chē)牌定位方法進(jìn)行了全面的綜述，車(chē)牌定位是車(chē)牌識別中的關(guān)鍵。上述車(chē)牌定位方法在理想條件下很好，但是由于車(chē)牌背景的復雜性與車(chē)牌特征的多樣性，研究更實(shí)用的車(chē)牌定位方法是下一步要做的。如果將上述某些方法的特點(diǎn)相結合，集各家所長(cháng)，有可能研究一種更好的車(chē)牌定位方法。