一種基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車牌圖像檢測及定位算法
掃描二維碼
隨時(shí)隨地手機(jī)看文章
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(zhǔn)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(xiàng)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(xué)形態(tài)學(xué)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(jì)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(jìn)行重新訓(xùn)練;基于形態(tài)學(xué)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(biāo)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(jìn)行形態(tài)學(xué)的高帽變換后,利用邊緣檢測得到連通區(qū)域進(jìn)行粗定位,然后結(jié)合Hough變換和車牌的先驗(yàn)知識進(jìn)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(zhǔn)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(yàn)知識指導(dǎo)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(jī)動車牌號標(biāo)準(zhǔn)[7],其具有以下的特征:
(1)形狀特征:汽車車牌區(qū)域的每個(gè)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(gè)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(gè)連續(xù)或因磨損而不連續(xù)的邊框;標(biāo)準(zhǔn)車牌(軍車、警車、教練車、外交車除外)模塊包含7個(gè)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(diǎn)。
2 圖像預(yù)處理
車牌圖像的采集大都是通過攝像機(jī)、數(shù)碼相機(jī)等設(shè)備拍攝獲取的彩色圖像,因此首先要對圖像進(jìn)行灰度化處理。
牌照圖像在拍攝時(shí)受各種條件的限制和干擾,圖像的灰度值往往與實(shí)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(dá)到增強(qiáng)圖像整體對比度的效果。
經(jīng)過灰度增強(qiáng)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(jì)中圖像預(yù)處理部分的實(shí)驗(yàn)效果圖,車牌區(qū)域的特征被明顯增強(qiáng)。大量實(shí)驗(yàn)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(shí)驗(yàn)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(xué)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(xué)形態(tài)學(xué)的高帽變換和低帽變換就是分別針對這兩類車牌設(shè)計(jì)的。在本文研究的系統(tǒng)中,全部選用的是藍(lán)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(xué)的應(yīng)用,對圖像進(jìn)行形態(tài)學(xué)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(yùn)算之差,開運(yùn)算用來去除比結(jié)構(gòu)元更小的亮點(diǎn),同時(shí)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(biāo)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(qiáng),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(shí)。
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(gè)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(zhǔn)確且速度快[10]。采用Sobel邊緣檢測算子進(jìn)行邊緣檢測的效果如圖2(b)所示,各個(gè)字符都形成了相對獨(dú)立的區(qū)域,當(dāng)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(jìn)行二值化處理,并采用行程碼方法標(biāo)記連通區(qū)域,可以得到一系列特定的連通域,同時(shí)也可以得到包圍各個(gè)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(biāo)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(lán)底白字車牌的字符更加明顯,經(jīng)過了邊緣檢測,各個(gè)字符形成獨(dú)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(gè)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(dāng)S≤500像素或S≥2 000像素時(shí),就認(rèn)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(zhǔn)確率。
3.2 精定位
3.2.1 Hough變換
根據(jù)車牌先驗(yàn)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(jì)思想是將每個(gè)連通成分的中心點(diǎn)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(dāng)?shù)淖畲笾岛妥钚≈抵g建立一個(gè)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(gè)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(gè)大的連通域,并適當(dāng)向外擴(kuò)展。定位出的車牌區(qū)域如圖4(b)所示。為了避免在上個(gè)步驟中出現(xiàn)牌照內(nèi)的某個(gè)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(gè)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(biāo)準(zhǔn),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(shí)驗(yàn)結(jié)果及分析
該算法所需的開發(fā)工具為Matlab7.0,實(shí)驗(yàn)所采用的車牌圖像是在實(shí)際環(huán)境中隨機(jī)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(jìn)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(zhǔn)確定位出車牌的位置。實(shí)驗(yàn)測試結(jié)果表明,這種方法對于光照不均、噪聲較強(qiáng)、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(qiáng)的魯棒性。
本文提出了一種基于數(shù)學(xué)形態(tài)學(xué)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(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明,對于自然場景下的車牌定位,該算法具有較強(qiáng)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(zhǔn)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(shí)出現(xiàn)誤差,特別是對于傾斜嚴(yán)重的車牌,本算法的定位率較低,這是下一步的研究方向。