一種基于數(shù)學形態(tài)學和Hough變換的車牌圖像檢測及定位算法

 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)學形態(tài)學法[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)進行重新訓練；基于形態(tài)學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)處理的圖像進行形態(tài)學的高帽變換后，利用邊緣檢測得到連通區(qū)域進行粗定位，然后結(jié)合Hough變換和車牌的先驗知識進行車牌的精定位，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，是一種在先驗知識指導下的識別。我國現(xiàn)在使用的車牌主要執(zhí)行中華人民共和國機動車牌號標準[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；標準車牌(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。

2 圖像預(yù)處理

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

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，從而達到增強圖像整體對比度的效果。

經(jīng)過灰度增強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)計中圖像預(yù)處理部分的實驗效果圖，車牌區(qū)域的特征被明顯增強。大量實驗表明，本文采用的圖像預(yù)處理方法能獲得較好的效果，滿足實驗的要求。


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)學形態(tài)學的高帽變換和低帽變換就是分別針對這兩類車牌設(shè)計的。在本文研究的系統(tǒng)中，全部選用的是藍底白字的車牌，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)學的應(yīng)用，對圖像進行形態(tài)學高帽變換(Top-hat)，用Top表示，定義為

高帽變換是原始圖像與其開運算之差，開運算用來去除比結(jié)構(gòu)元更小的亮點，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，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，對邊緣定位比較準確且速度快[10]。采用Sobel邊緣檢測算子進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立的區(qū)域，當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算法進行二值化處理，并采用行程碼方法標記連通區(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S≤500像素或S≥2 000像素時，就認為該連通區(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，提高定位的準確率。

3.2 精定位


3.2.1 Hough變換
根據(jù)車牌先驗知識，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)計思想是將每個連通成分的中心點通過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：

(1)在r、θ適當?shù)淖畲笾岛妥钚≈抵g建立一個離散的參數(shù)空間；

滿足式(3)的連通區(qū)域保留下來，就可以檢測到車牌的字符區(qū)域，如圖4(a)所示。

為了定位出整個車牌，需要將檢測到的車牌文本所有的字符區(qū)域連通起來形成一個大的連通域，并適當向外擴展。定位出的車牌區(qū)域如圖4(b)所示。為了避免在上個步驟中出現(xiàn)牌照內(nèi)的某個字符未被檢測到或者仍然留有偽文本區(qū)域未去除的情況，從而影響最后的定位結(jié)果，因此還需要利用整個車牌的寬高比來檢測出最后的牌照區(qū)域。選用牌照寬高比為44：14作為判定標準，以此來定位出最后的車牌區(qū)域，最后精確提取出的車牌區(qū)域如圖4(c)所示。

4 實驗結(jié)果及分析

該算法所需的開發(fā)工具為Matlab7.0，實驗所采用的車牌圖像是在實際環(huán)境中隨機拍攝的，對汽車的背景沒有特殊限制。圖5所示的是對4幅不同場景下的汽車牌照進行定位的結(jié)果，圖5(a)的車牌有些傾斜和變形；圖5(b)是在車窗存在反光的情況下拍攝的；圖5(c)的車窗存在部分反光的情況，并且背景比較復(fù)雜，車身存在很多污跡；圖5(d)是在光線較暗的情況下拍攝的，并且車窗上存在其他物體的投影；圖5(e)為這四種場景的定位結(jié)果，雖然這四幅圖像的車牌背景比較復(fù)雜，但仍能準確定位出車牌的位置。實驗測試結(jié)果表明，這種方法對于光照不均、噪聲較強、環(huán)境背景復(fù)雜的圖像均能成功定位，并提取出車牌區(qū)域，而且算法比較簡單，定位速度快，具有很強的魯棒性。

本文提出了一種基于數(shù)學形態(tài)學和Hough變換的車牌綜合定位算法。其利用了國內(nèi)車牌字符的特征，經(jīng)過高帽變換突出感興趣區(qū)域，然后利用邊緣信息通過Hough變換檢測車牌字符的中心線，能夠提高定位結(jié)果的準確性。實驗結(jié)果表明，對于自然場景下的車牌定位，該算法具有較強的適用性。但復(fù)雜背景下的車牌定位比簡單背景下的定位準確率低，主要原因是復(fù)雜環(huán)境的背景信息復(fù)雜，干擾較多，使得利用Hough變換檢測字符組的中心線時出現(xiàn)誤差，特別是對于傾斜嚴重的車牌，本算法的定位率較低，這是下一步的研究方向。