車牌定位在電子警察中的工程應用

近年來，我國在城市和交通建設方面取得了巨大的進步。然而，面對越來越多的交通路口、收費站以及治安卡口，傳統(tǒng)的人工值守顯然已經(jīng)滿足不了要求。為解決這種現(xiàn)狀，出現(xiàn)了適應信息化時代的計算機集成產(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，全天候進行車輛及道路的監(jiān)控，對違規(guī)車輛進行抓拍，實現(xiàn)了城市道路交通的智能化管理，達到無人化值守。利用該系統(tǒng)可以迅速查明違章車輛、分析交通事故，為進一步整頓交通環(huán)境，交通管理科學化提供高效可靠的技術依據(jù)。

1 抓拍照片分析

出于性價比的原因，目前國內(nèi)電子警察系統(tǒng)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(xiàn)以闖紅燈違章抓拍系統(tǒng)為例來分析抓拍的圖像數(shù)據(jù)。

(1) 由于紅燈的停車線靠近行人通道，造成圖像背景特別復雜;

(2) 機動車的車型較多，車牌的位置各不相同;

(3) 拍攝圖像時受天氣、照明以及運動等因素的影響很大;

(4) 攝像機受路口實際條件的限制，可能距離較遠，并有一定角度;

(5) 臟、舊車牌比較模糊，還有不少故意作弊的車牌。

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

2 圖像處理方案

通過多次實驗檢測，最終選用了圖1所示的圖像處理方案。

對圖像數(shù)據(jù)的灰度化、平滑、邊緣檢測、二值化以及旋轉(zhuǎn)都屬于圖像的預處理部分。判定就是準確地定位車牌位置，接下來先對車牌進行字符分割，然后逐字提取特征，形成該字符的特征向量，將這個特征向量作為神經(jīng)網(wǎng)絡的輸入，以便于字符識別。所以字符識別部分用了一個三層的神經(jīng)網(wǎng)絡，先進行學習訓練，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圖像采集卡采集到工控機或圖像處理器件后，一般會轉(zhuǎn)換成JPEG格式。這樣處理的對象也就是JPEG文件，要進行灰度化，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(i，j)處的灰度值，R，G，B分別為該點的三基色值。但是，定位車牌時亮度信息并不重要。鑒于在這個式子中，G基色占的比重最大，所以有理由在灰度化時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，有些噪聲只有在進行圖像處理時才能發(fā)現(xiàn)。一般來說，圖像的能量主要集中在其低頻部分，而車牌的信息主要在高頻部分，為了去掉高頻干擾，有必要進行圖像平滑。可以采用低通濾波的方法來去除噪聲，為此要設計空間域系統(tǒng)的單位沖激響應矩陣。

2.2 邊緣檢測與二值化

與平滑過程相反，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。因為車牌上字符較密，所以這一部分的圖像變化必然比其它區(qū)域高，這對于車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算子的改進形式。Kirsch算子是一種象素鄰點順時針循環(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)的八鄰象素中順時針排列的相鄰三個象素和五個象素之和。規(guī)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(nèi)的取極大值運算，其實就是求f(i，j)在8個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]。

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

其中:n(k)為圖像中所有取值為k的象素點個數(shù)，n為圖像總象素數(shù)。通過大量的實驗，發(fā)現(xiàn)這個象素值-概率關系曲線無外乎兩種情況，即圖3和圖4所示。要使定位效果達到最佳，閾值一定在曲線趨于平坦的點附近。

這時會發(fā)現(xiàn)不管是白天還是夜間，S總是在一常數(shù)附近，而這個差別對于象768×288這樣的圖像來說是微不足道的，完全可以將它定為一個常數(shù)來處理。雖然它也與圖像的復雜程度有關，但這只會影響二值化后點的分布。車牌位置總是處于高頻部分，對它的影響較小。這個現(xiàn)象也同時說明，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(shù)，那么從gmax開始反向積分(求和)，就可以得出th，而且th會隨著圖像的亮暗程度、對比度自適應變化。

2.3 圖像旋轉(zhuǎn)與車牌定位

在實際施工中，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，用圖像的旋轉(zhuǎn)不變距顯然難以湊效，只有對圖像進行旋轉(zhuǎn)。而且這個角度的設定對具體的環(huán)境不再發(fā)生變化，知道了這個角度，也有利于汽車的運動軌跡判斷。

進行完前面的預處理工作后，定位車牌就容易了。對圖像自下而上逐行掃描，在限定的模板寬度內(nèi)，若變化頻率達到一定次數(shù)，例如10次，則向下開始掃描，直到滿足模板高度，將這個區(qū)域定為車牌的候選區(qū)。如果沒找到車牌，則將車牌的模板進行一些調(diào)整，再繼續(xù)搜索，還是找不到，就是沒有車牌。對于多個候選的區(qū)域，可以進行粗略的聚類估計和簡單的邏輯判斷，以提高定位準確性。

3 運行結果

用這一套組合策略，對不同時間、不同交通路口、不同光照下抓拍的汽車圖像進行車牌定位識別，定位結果如表1所示。

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

本文只介紹了電子警察抓拍系統(tǒng)中車牌定位的內(nèi)容。電子警察系統(tǒng)最大的困難就是受自然環(huán)境的影響特別大，而且安裝時總是要去適應地形環(huán)境，所以拍攝到的圖像有時非常不好，并不象實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，只設定幾個參數(shù)，在特定的環(huán)境中可以實現(xiàn)二值化閾值的自適應調(diào)整，將車牌識別提高到工程應用的水平。總體上來說，具有較好的適應性。