一種基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車牌圖像檢測及定

車牌識別系統(tǒng)(LPR)在現(xiàn)代交通檢測和管理部門中發(fā)揮著舉足輕重的作用。車牌識別系統(tǒng)主要包括車牌定位、字符分割和字符識別三部分[1]。由于車牌定位的準(zhǔn)確與否將會直接影響到車牌識別的結(jié)果，因此，車牌定位是LPR的一項(xiàng)關(guān)鍵技術(shù)。常見的車牌定位技術(shù)主要有：邊緣檢測法[2]、投影法[3]、神經(jīng)網(wǎng)絡(luò)法[4]、數(shù)學(xué)形態(tài)學(xué)法[5]、基于彩色圖像的定位算法[6]。邊緣檢測法對車牌圖像邊框的連續(xù)性要求較高；神經(jīng)網(wǎng)絡(luò)方法計(jì)算量大，且要求車牌尺寸基本不變，否則必須對神經(jīng)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練；基于形態(tài)學(xué)的方法受噪聲影響比較大；基于彩色圖像的定位算法適應(yīng)性差，對于偏色以及背景顏色干擾等情況無法做出有效處理。

由于存在許多外在的干擾，背景信息往往比車牌信息更加復(fù)雜，給目標(biāo)搜索帶來巨大的困難，單一的定位方法已經(jīng)無法保證其有效性。為此，本文提出了一種綜合的定位算法，對預(yù)處理的圖像進(jìn)行形態(tài)學(xué)的高帽變換后，利用邊緣檢測得到連通區(qū)域進(jìn)行粗定位，然后結(jié)合Hough變換和車牌的先驗(yàn)知識進(jìn)行車牌的精定位，該算法充分利用了車牌的字符信息，能夠快速而準(zhǔn)確地提取出車牌區(qū)域。

1 車牌的固有特征

車牌識別是一種特定對象的識別，是一種在先驗(yàn)知識指導(dǎo)下的識別。我國現(xiàn)在使用的車牌主要執(zhí)行中華人民共和國機(jī)動車牌號標(biāo)準(zhǔn)[7]，其具有以下的特征：

(1)形狀特征：汽車車牌區(qū)域的每個字符寬度為45 mm，字符高度為90 mm，間隔符寬10 mm，字符間隔為12 mm，整個車牌區(qū)域的寬高比為44/14。這部分特征在車牌的定位分割方面具有重要的意義。

(2)紋理特征：車牌有一個連續(xù)或因磨損而不連續(xù)的邊框；標(biāo)準(zhǔn)車牌(軍車、警車、教練車、外交車除外)模塊包含7個字符，它們基本呈水平排列；在矩形的車牌區(qū)域內(nèi)部有著較豐富的邊緣信息，呈現(xiàn)出規(guī)則的紋理特征。

(3)灰度跳變特征：車牌的邊緣顏色、車牌底色以及車牌文本顏色各不相同，表現(xiàn)在圖像中就是灰度級互不相同，這樣，在車牌邊緣就形成了灰度突變邊界。在車牌區(qū)域內(nèi)部，由于字符和車牌底的內(nèi)部灰度較均勻，因此，穿過車牌的水平直線呈現(xiàn)出波峰波谷的特點(diǎn)。

2 圖像預(yù)處理

車牌圖像的采集大都是通過攝像機(jī)、數(shù)碼相機(jī)等設(shè)備拍攝獲取的彩色圖像，因此首先要對圖像進(jìn)行灰度化處理。

牌照圖像在拍攝時受各種條件的限制和干擾，圖像的灰度值往往與實(shí)際景物不完全匹配，直方圖均衡化[8]處理能增加圖像灰度值的動態(tài)范圍，從而達(dá)到增強(qiáng)圖像整體對比度的效果。

經(jīng)過灰度增強(qiáng)后的圖像還存在各種噪聲，中值濾波是一種非線性濾波，它很適合于椒鹽噪聲(即通常拍攝的圖片帶有的噪聲類型)。

圖1顯示了本文設(shè)計(jì)中圖像預(yù)處理部分的實(shí)驗(yàn)效果圖，車牌區(qū)域的特征被明顯增強(qiáng)。大量實(shí)驗(yàn)表明，本文采用的圖像預(yù)處理方法能獲得較好的效果，滿足實(shí)驗(yàn)的要求。


3 車牌定位算法

3.1 車牌區(qū)域粗定位

3.1.1 形態(tài)學(xué)處理

按照牌照底色和字符的顏色對比，可以將車牌分為深色底淺色字的車牌和淺色底深色字的車牌兩大類，數(shù)學(xué)形態(tài)學(xué)的高帽變換和低帽變換就是分別針對這兩類車牌設(shè)計(jì)的。在本文研究的系統(tǒng)中，全部選用的是藍(lán)底白字的車牌，即深色底淺色字車牌。

高帽變換是基于膨脹和腐蝕操作的一種形態(tài)學(xué)的應(yīng)用，對圖像進(jìn)行形態(tài)學(xué)高帽變換(Top-hat)，用Top表示，定義為

高帽變換是原始圖像與其開運(yùn)算之差，開運(yùn)算用來去除比結(jié)構(gòu)元更小的亮點(diǎn)，同時保持灰度級和較大亮區(qū)特性的相對不變。因此，只要選擇合適的結(jié)構(gòu)元素，高帽變換就能將亮目標(biāo)從背景中有效分離出來[9]。如圖2(a)所示，經(jīng)過高帽變換后，對于深色底淺色字的車牌，其車牌字符的區(qū)域的特征會得到增強(qiáng)，車牌文本部分變得更加清晰突出，便于讓后續(xù)的檢測處理過程更加簡單和省時。

3.1.2 邊緣檢測

車牌區(qū)域的字符與背景有十分明顯的邊緣而且邊緣的個數(shù)也很多。Sobel算子對噪聲有抑制作用，它對灰度漸變和噪聲較多的圖像值處理效果較好，對邊緣定位比較準(zhǔn)確且速度快[10]。采用Sobel邊緣檢測算子進(jìn)行邊緣檢測的效果如圖2(b)所示，各個字符都形成了相對獨(dú)立的區(qū)域，當(dāng)然也有一些非字符形成的干擾區(qū)域。對邊緣檢測后的圖像采用全局閾值OSTU算法進(jìn)行二值化處理，并采用行程碼方法標(biāo)記連通區(qū)域，可以得到一系列特定的連通域，同時也可以得到包圍各個連通區(qū)域的最小外接矩形(bounding-box)和各連通區(qū)域的面積。為了方便觀察及后續(xù)分析，將標(biāo)記的連通區(qū)域表現(xiàn)在原始圖像上，如圖2(c)所示。

由圖2看出，高帽變換使得藍(lán)底白字車牌的字符更加明顯，經(jīng)過了邊緣檢測，各個字符形成獨(dú)立的連通區(qū)域。

3.1.3 連通區(qū)域分析

由于采集到的車牌圖像車牌字符的像素個數(shù)是在一定范圍內(nèi)的，因此設(shè)定最小外接矩形框的面積為S，當(dāng)S≤500像素或S≥2 000像素時，就認(rèn)為該連通區(qū)域不是車牌字符區(qū)域，并將之去除。留下的連通區(qū)域包含了牌照的文本區(qū)域以及少量的非車牌文本區(qū)域，這將有利于在后續(xù)的操作中減小搜索范圍，提高定位的準(zhǔn)確率。

3.2 精定位


3.2.1 Hough變換
根據(jù)車牌先驗(yàn)知識，車牌字符一般排成一行，且大小相仿。利用Hough變換檢測直線的原理[11]來找出在同一方向上的bounding-box，主要的設(shè)計(jì)思想是將每個連通成分的中心點(diǎn)通過Hough變換轉(zhuǎn)換到參數(shù)空間，通過尋找參數(shù)空間的最大值來確定字符組的中心線。

本文的Hough變換算法如下：