基于DCT域的公路車牌定位算法

　　2. 2 基于DCT 域的特征提取

　　對于彩色圖像， 圖像預處理部分首先將輸入的圖像去掉彩色， 進行灰度化。利用RGB 空間到灰度的轉換公式得到車牌的灰度圖像， 即：

　　其中， f ( x， y )為( x， y )位置像素的灰度值， R ( x，y )、G (x， y )、B ( x， y )為輸入彩色圖像在( x， y )位置像素的紅、綠、藍顏色對應的彩色信息。

　　預處理后的圖像經DCT 變換后所得到的系數位置及其幅值所反映的是該變換圖像的空間頻率及其能量。這里， 將圖像劃分為子塊， 子塊的大小為8 8， 對每個8 8的子塊進行DCT 變換使其能量按頻率集中， 得到的64個變換系數， 分別代表對應不同基波頻率分量的大小。

　　若將8 8的DCT系數劃分為0區(qū)、1區(qū)、2區(qū)、3區(qū)等4個區(qū)域， 則每個區(qū)域代表不同紋理的方向:0區(qū)表示的是直流分量(即8 8子塊的平均值) ， 1區(qū)表示的是豎向紋理(即水平方向的頻率變化)， 2區(qū)表示的是斜向紋理(即斜向的頻率變化) ， 3區(qū)表示的是橫向紋理(即豎直方向的頻率變化)。

　　由于車牌字符區(qū)域具有特殊的線條結構， 它基本上可歸為橫向、豎向、斜向的線條組合。在圖像中， 這些線條主要顯示出特殊的紋理特點， 其灰度與背景相差較大， 即邊緣變化較劇烈， 且表現出明顯的豎向、斜向、橫向紋理特征。而在DCT 域中則主要表現為在圖的1、2、3區(qū)的中高頻部分的系數值較大， 即豎向線條的變換系數主要集中于1區(qū)， 斜向線條的變換系數主要集中于2區(qū)( 1區(qū)與3區(qū)也有一定的分布) ， 橫向線條的變換系數主要集中于3區(qū)，這是圖像所含車牌字符在DCT 域中所表現出的紋理特征?？梢?， 車牌字符區(qū)所具有的特殊結構使其在DCT 域能夠表現出更為豐富的中、高頻DCT 分量。同時， 車牌字符區(qū)在DCT域表現出明顯的方向性信息。綜合考慮上述兩點， 用一種基于DCT子塊的加權頻率特征(W eighted Frequency， WF) ， 通過對不同方向DCT 分量進行非線性加權增強， 如公式( 5)所示， 從而使車牌字符區(qū)特征更加明顯。

　　其中c( i， j)為8 8塊中第i行第j列的DCT系數; i取1~ 8; j取1~ 8， 圖1為輸入車輛圖像及其對應的WF 特征圖?？梢?， 車牌字符區(qū)域的WF 值明顯高于背景。

圖1 輸入圖像及其WF特征圖。

　　2. 3 分類處理

　　在進行分類時， 如果圖像中車牌和背景之間的對比度較低， 此時的WF 值會比較小; 另外， 高頻信息豐富的非車牌區(qū)域背景經常也具有較大的WF值。因此， 如果采用固定閾值， 則不利于低對比度車牌區(qū)域的提取， 同時也容易將高頻豐富的背景誤認為車牌區(qū)域。因此本算法采用自適應閾值法進行分類， 閾值的設定如公式( 6)所示。

　　其中aver為整幅圖像的平均WF 值， max 為整幅圖像的最大WF值， m in為整幅圖像的最小WF值， k為經驗值， 可按公式( 7)進行分類。

　　圖2為分類結果圖， 可以看出， 大量的背景被去除， 車牌區(qū)被很好地提取出來。

圖2 分類結果圖。