復雜車輛圖像中的車牌定位

隨著我國城市規(guī)模的急劇擴大，對智能交通系統(tǒng)(ITS)的需求越來越迫切。車牌照自動識別技術(shù)廣泛應(yīng)用于闖紅燈車輛監(jiān)控、停車場管理、電子收費系統(tǒng)等領(lǐng)域。完整的車牌識別系統(tǒng)一般分為3部分：車牌定位、字符分割和字符識別，其中車牌定位技術(shù)是整個車牌識別系統(tǒng)的核心，直接影響整個識別系統(tǒng)的速度和準確率。
目前已有的車牌定位算法眾多，包括邊緣檢測、數(shù)學形態(tài)學、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(shù)學形態(tài)學及小波分析的方法，定位較準確，但在背景信息復雜或車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(qū)分車牌文字與車燈區(qū)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(shù)學形態(tài)學、彩色特征和投影法的算法，通過質(zhì)心排序去除了引擎散熱孔及其他邊緣豐富區(qū)域的干擾，并通過谷值分析補全車牌區(qū)域。實驗結(jié)果表明該方法克服了以往各種定位方法的缺點，既提高了定位的準確性，也保證了定位的實時性和魯棒性。

1 車牌識別的粗定位
1．1 邊緣檢測及數(shù)學形態(tài)學處理
由于彩色的車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(zhuǎn)成灰度圖再進行處理。待定位的車牌區(qū)域含有較多字符，邊緣量豐富。而車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(yù)處理。
由于邊緣是圖像上灰度變化較為劇烈的地方，在灰度突變處進行微分則會得到突起值，因此，在數(shù)學上可用灰度的導數(shù)來表示邊緣。而在實際應(yīng)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。本實驗采用的是Sobel算子，對水平邊緣分量和垂直邊緣分量同時進行檢測。
數(shù)學形態(tài)學的基本思想是利用“結(jié)構(gòu)元素”來收集圖像信息。結(jié)構(gòu)元素可被當成探針，當探針在圖像中移動時，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(jié)構(gòu)特征。其算法為：
1)先進行數(shù)學形態(tài)學閉運算：其可簡單定義為先膨脹再腐蝕。閉運算一般會將狹窄的缺口連接起來形成細長的彎口，并填充比結(jié)構(gòu)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：

實驗結(jié)構(gòu)如圖1、圖2所示。

2)再進行數(shù)學形態(tài)學開運算，可簡單定義為先腐蝕再膨脹。開運算后完全刪除了不能包含結(jié)構(gòu)元素的對象區(qū)域，平滑了對象輪廓，斷開了狹窄的連接，去掉了細小突出部分。
開運算定義為：

實驗結(jié)構(gòu)如圖3所示。

1．2 待選區(qū)域的質(zhì)心定位及顏色判斷
對待選區(qū)域的傳統(tǒng)處理方法有多種，其中包括面積排序，長寬比排序和顏色識別。
1)面積排序 由于無法保證車牌區(qū)域的邊緣分量最豐富。當車體上圖案較多，或車燈紋理較為明顯時，對定位準確率的干擾很大。
2)長寬比排序數(shù)學形態(tài)學處理后，常常引入了較多符合車牌長寬比特性的區(qū)域。而且當車牌角度出現(xiàn)偏差時，長寬比判定的準確率明顯下降。
3)顏色識別 在多數(shù)情況下可以識別車牌，但是當車體上有較為豐富的圖案且顏色與車牌顏色相近時，顏色識別的準確率便大大下滑。
對于絕大多數(shù)汽車來說，車牌基本位于車輛的最底部，而車牌下部不像車身那樣擁有大量文字或圖案，給識別帶來干擾，它形式較為單一，這給識別帶來極大方便。同時，地面因為樣式單一，干擾量更是微小。因此，可采用對候選區(qū)域進行自下而上檢測的方式。
然而，還需注意的是，車燈往往與車牌區(qū)域平行，其邊緣量也很豐富，故其干擾相對較大?？紤]到車燈多數(shù)為紅色，白色或透明，和車牌顏色相差較大，因此可以用顏色識別來區(qū)分車牌區(qū)域和車燈區(qū)域。故本實驗采用質(zhì)心檢測與顏色識別相結(jié)合的方法。先對待選區(qū)域質(zhì)心的縱坐標進行排序，并由圖像最底部向上進行檢測。
首先，將候選區(qū)域內(nèi)各像素點由RGB模型轉(zhuǎn)為HSV模型，即色度(Hue)、飽和度(Saturation)和強度(Value)。由于直接轉(zhuǎn)成HSV模型后，均勻量化的結(jié)果導致量化數(shù)據(jù)量巨大。而在車牌識別中只需要對特定的幾種顏色進行識別，不需要將各種顏色詳細區(qū)分開來，量化過細反而會造成顏色判斷的歧義，導致結(jié)果失真。因此，可采用非均勻量化的方法來減少量化級別，提高計算效率。同時，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個等級，飽和度和強度各分3個等級。其算法過程為：
1)對候選區(qū)域各個像素點的H、S、V值進行統(tǒng)計；