車牌識別系統(tǒng)車牌定位如何進行

1 引言

隨著國民經(jīng)濟的高速發(fā)展，高速公路、城市道路、停車場建設(shè)越來越多，對交通控制、安全管理的要求也日益提高，智能交通系統(tǒng)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(chǔ)上發(fā)展的車牌識別系統(tǒng)(license plate recognition)

系統(tǒng)是智能交通系統(tǒng)的重要組成部分，在交通管理中占有重要地位。lpr系統(tǒng)主要由三部分組成：車牌定位、字符分割、字符識別，其中車牌定位的成功與否直接影響是否能夠進入車牌識別以及車牌識別的準確率。主要的車牌定位方法：基于灰度圖像的車牌定位方法[1]、基于小波變換的車牌定位方法[3]、基于形態(tài)學(xué)的車牌定位方法[4]、基于神經(jīng)網(wǎng)絡(luò)的車牌定位方法[7]、基于支持向量機的車牌定位方法[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、車牌磨損和圖像傾斜等干擾因素的影響，暫時還不能完全滿足實際應(yīng)用的要求，有必要進行進一步的研究。

2 車牌定位方法

2.1 基于灰度圖像的車牌定位方法

灰度數(shù)字圖像是每個像素只有一個采樣顏色的圖像。這類圖像通常顯示為從黑色到白色的灰度。為了便于車牌定位，將該圖像轉(zhuǎn)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(yīng)用車牌的如下特點：車牌牌照的字符和背景的對比度比較大，對應(yīng)于車牌區(qū)域的水平灰度變化比較頻繁;再者車牌一般掛在汽車的緩沖器上或附近，并靠近圖像的下部，干擾一般比較少。根據(jù)以上特點，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(qū)域。其一階差分運算的算式為：


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

2.2 基于小波變換的車牌定位方法

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

該方法是首先設(shè)計一個基于小波變換的濾波器，然后對圖片進行x層小波變換之后對低頻部分llx進行衰減，再進行小波反變換即可實現(xiàn)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牌區(qū)域。在傳統(tǒng)的車牌定位算法中，都是先對圖像進行二值化處理。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，同時右半部分也存在著局部的光線不足的情況下，如果直接進行平均灰度整體閾值二值化，很容易出現(xiàn)由于閾值選取過高而造成車牌區(qū)域的不可辨識的情況，假如在程序中刻意降低閾值又會引入很多噪聲，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，增加了處理時間，同時也可能會因為區(qū)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，而且使車牌區(qū)域更加突出，大大提高了定位查找的準確率。但是降噪預(yù)處理時的重構(gòu)信號會丟失原有的時域特征。

2.3 基于形態(tài)學(xué)的車牌定位方法

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

膨脹、腐蝕、開啟和閉合，它們在二值圖像和灰度圖像中各有特點。基于這些基本運算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實用算法，用它們可以進行圖像形狀和結(jié)構(gòu)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(fù)等。數(shù)學(xué)形態(tài)學(xué)方法利用一個稱作結(jié)構(gòu)元素的“探針”收集圖像的信息，當探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)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)的車牌定位方法。

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

2.4 基于神經(jīng)網(wǎng)絡(luò)的車牌識別系統(tǒng)車牌定位方法

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(yīng)用最為廣泛的一種模型，是bp(back propagation)學(xué)習(xí)算法在多層前饋網(wǎng)絡(luò)中的一種應(yīng)用模型。

bp網(wǎng)絡(luò)的實質(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)來說，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(diào)參數(shù)，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(jié)果。相鄰層之間的節(jié)點屬于全連接，相同層之間的節(jié)點沒有連接。理論上，對于三層bp網(wǎng)絡(luò)只要使得對隱含層的節(jié)點增大到一定的范圍就可以擬合任何非線性函數(shù)。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(jié)束;否則，轉(zhuǎn)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(diào)整各層神經(jīng)元的權(quán)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)進行模式識別的一些優(yōu)勢：其一，它允許對問題的了解較少;其二，它可以實現(xiàn)特征空間中比較復(fù)雜的劃分?；谏窠?jīng)網(wǎng)絡(luò)的車牌定位方法主要分以下步驟，首先對bp網(wǎng)絡(luò)進行訓(xùn)練，選取各種情況下的車牌圖像，將其轉(zhuǎn)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圖像，則設(shè)定其網(wǎng)絡(luò)輸出為高(0.9)，否則為低(0.1)，反復(fù)訓(xùn)練直至達到理想的效果。然后對實際圖像進行預(yù)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m×n的滑動窗口(m×n根據(jù)實際車牌的寬高比例設(shè)定)逐個像素地遍歷預(yù)處理后的圖像，窗口內(nèi)子圖像的數(shù)據(jù)經(jīng)過歸一化后送到神經(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牌，否則無車牌。利用神經(jīng)網(wǎng)絡(luò)進行車牌的定位，其優(yōu)點在于可以充分利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性，但這種方法也存在缺點，即需要花費一些時間進行網(wǎng)絡(luò)的訓(xùn)練。如何縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，即提高其收斂速度是一個研究的難點。

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等人提出的一類新型機器學(xué)習(xí)方法，主要用于解決有限樣本情況下的模式識別問題。此方法能夠在訓(xùn)練樣本很少的情況下達到很好的分類推廣能力。由于車牌區(qū)域有著的紋理，尋找一種良好性能的分類器，凸現(xiàn)這種紋理特征，使它與其它區(qū)域區(qū)別開來。支持向量機(support vector machine，svm) 正是這樣一種分類學(xué)習(xí)機制。

所以對車牌定位的研究，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，提出每個子塊的灰度特征，訓(xùn)練svm分類器;然后用訓(xùn)練好的分類器進行牌照子塊和非牌照子塊的分類，再使用數(shù)學(xué)形態(tài)學(xué)濾波和區(qū)域合并;最后運用投影方法定位牌照區(qū)域。實驗結(jié)果表明，該方法能比較好地定位牌照區(qū)域，但是由于svm算法對大規(guī)模訓(xùn)練樣本難以實施，并且用svm解決多分類問題也存在困難，如果能解決這個問題車牌定位將會更精確。

3 結(jié)束語

本文在現(xiàn)有的車牌識別系統(tǒng)的基礎(chǔ)上，對近年來國內(nèi)出現(xiàn)的車牌定位方法進行了全面的綜述，車牌定位是車牌識別中的關(guān)鍵。上述車牌定位方法在理想條件下很好，但是由于車牌背景的復(fù)雜性與車牌特征的多樣性，研究更實用的車牌定位方法是下一步要做的。如果將上述某些方法的特點相結(jié)合，集各家所長，有可能研究一種更好的車牌定位方法。