引 言
車牌識別系統(tǒng)是智能交通管理和控制系統(tǒng)的重要組成部分,主要包括車牌定位、字符分割和字符識別三部分。在實際應用中,人們通過架設在道路上方或一側的 CCD 像機獲取原始車牌圖像。由于是對運動車輛進行拍攝,攝像角度不停地變化,攝像機不能完全保持和車輛垂直,因而導致圖像中的長方形車牌畸變成具有一定傾斜度的平行四邊形。這種傾斜會給下一步的字符分割帶來一定的難度,進而影響字符的正確識別。
因此,車牌傾斜校正是實現(xiàn)車牌定位和字符分割的一個不可或缺的步驟。
目前常用的車牌傾斜校正算法主要有旋轉投影法、Hough 變換法和主元分析法。旋轉投影法是將字符區(qū)域向坐標軸上投影,并利用最小投影距離獲取錯切角進而完成車牌校正,此方法中求取錯切角是一個不斷尋優(yōu)的過程,計算量比較大 ;Hough 變換法是通過對車牌圖像進行多次邊緣檢測來求取錯切角,由于實際拍攝到的圖像常伴有噪聲和污跡的干擾,車牌邊框不明顯,因而容易導致校正效果不明顯;主元分析法是對圖像像素矩陣的協(xié)方差進行特征分析,從而獲得坐標變換矩陣來進行車牌校正,但該方法在噪聲較大和奇異點較多時,其校正精度會有所下降。
本文提出一種基于最小二乘和最小投影距離的車牌傾斜校正方法,該算法利用了最小二乘法擬合直線對車牌進行水平校正,同時利用基于塊查找的最小投影距離法來對車牌進行垂直傾斜校正。
1車牌校正算法
通過對傾斜車牌圖像進行分析不難發(fā)現(xiàn),傾斜車牌 往往呈一個平行四邊形,根據(jù)車牌的傾斜方向不同,可分 為水平傾斜、垂直傾斜和混合傾斜。在圖像的水平傾斜 中,車牌的水平主軸X'與圖像的水平主軸X之間存在一個 夾角a,由此,將整個圖像繞質心旋轉a,即可將圖像在水 平方向校正。而在圖像的垂直傾斜中,實際是車牌相對于X 軸在y方向的錯切變換,所有像素在水平方向的錯位偏移, 因此,只要求岀垂直方向的傾斜角度代再將圖像在垂直方 向作錯切變換。這樣,經(jīng)過以上兩部分校正,車牌即被完 全校正?;旌蟽A斜包括水平傾斜和垂直傾斜,在實際的校 正中,可先對圖像進行水平傾斜校正,然后在此基礎上進 行垂直傾斜校正,從而完成整個校正過程。
定位后的車牌通常是灰度圖片,因此,首先要對車牌 圖像進行二值化。車牌圖像分為字符和背景兩部分,且背 景單一,對車牌圖像的灰度直方圖進行分析,便可得知圖 像的直方圖具有雙峰性質。若能將二值化的閾值選為灰度 直方圖波谷處的灰度值,就能夠得到較好的二值化圖像, 但在實際應用中,圖像的噪聲和污點往往比較多,這樣就 會使得圖像直方圖雙峰之間的波谷不明顯。為了減少圖像 噪聲的影響,可利用小波變換對圖像直方圖進行平滑。即 先對圖像進行小波變換提取小波系數(shù)序列w,然后將w中的 高頻(低尺度)元素去除,這樣,經(jīng)過平滑后的圖像直方 圖的雙峰性質就比較明顯。
2圖像的水平傾斜校正
2.1水平邊框和鉚釘?shù)奶蕹?
由于車牌上的鉚釘和邊框均為白色,灰度與字符相 近,因此在經(jīng)過二值化處理后的圖像中,往往保留了邊框 和鉚釘,而這些信息影響了車牌的水平校正。通過對二值 化后的圖像進行連通域分析,再剔除明顯不是字符的連通 域,同時將噪聲和污點也隨即剔除。具體操作步驟如下:
將整幅車牌圖像的高度和寬度記作H和W;
對二值化處理后的圖像進行連通域分析,并把每 個連通域的寬度w,和高度九記錄下來;
候選區(qū)域的寬度不可能太寬,因為車牌區(qū)域只有 7個字符,所以連通域的寬度一般不超過W/7,并且應該大 于 W/10 個像素,即 W/10Ww,WW/7;
候選區(qū)域的高度應該大于H/2,即h^H/2.
2.2最小二乘擬合直線
最小二乘法常作為曲線擬合的主要方法,經(jīng)過去邊框 和鉚釘后的車牌就只剩下字符區(qū)域,擬合時可分別提取各 個區(qū)域的左上頂點、右上頂點、左下頂點和右下頂點,再 用最小二乘擬合岀四條直線。
設直線方程為淚b+ax,,其中b代表截距,a代表斜率。 根據(jù)最小二乘法的性質,擬合岀的直線應該與輸入數(shù)據(jù)的 偏差平方和最小。設偏差x)-y,且』平方和達到最小, 即目標函數(shù)Z = /才最小,這樣,通過對Z中的a和b求偏導i = 1可得:
理論上,擬合岀的四條直線應該是平行的,但由于實 際操作存在誤差和噪聲影響,可能其中的某一條或者兩條 不與其他平行,此時就需刪除明顯錯誤的值,然后對剩下 的值求取平均值a, arctan a則即為傾斜角。
3圖像的垂直傾斜校正
車牌的垂直傾斜實際上是圖像坐標相對于x軸y方向 的錯切,即:
設車牌字符區(qū)域在Y軸上的投影距離為八
這樣,當Z = 0時,車牌y方向無錯切,此時T = x, T取 得最小值。因此,如果能找到使得車牌投影距離最小的Z, 則此時對應的車牌圖像就是垂直校正后的圖像。
通常車牌在垂直方向的傾斜很小,一般為:
為了減少計算次數(shù),可以引入分塊查找的思想,該思 路將查找過程分為兩部分,即粗查找和精查找。具體步驟 如下:
將經(jīng)過以上處理后的車牌圖像在±20。范圍內每隔 5°求取水平投影值m,o
比較m,選取其中最小值的m,然后繼續(xù)比較 mi-1和,再選取其中的較小值,則可確定Z在某個小區(qū) 間內。
在上一步求取的小區(qū)間內以步長d = 1°求取水平投影值mj,并選取其中最小值mj,其所對應的角度即為圖像垂直傾斜角z。當校正范圍 [ ,]2020c cz ! - +,分塊查找法的算法執(zhí)行次數(shù)為14,遠小于40。
4 實驗結果分析
該算法在Intel Celeron 2.50 GHz CPU和992 MB內存配置的Matlab 7.0.1平臺上運行時,首先采用直方圖方法對定位后的車牌圖像進行二值化,然后去除車牌邊框及鉚釘,再分別對車牌圖像進行水平傾斜校正和垂直傾斜校正。圖1所示是已經(jīng)準確定位且二值化后的車牌圖像,其中字符為白色,背景為黑色。
4.1 車牌水平傾斜與其它方法的比較
可將本文方法和Radon變換法、Hough變換法等傾斜校正方法進行比較,其實際車牌測試校正結果如圖2所示,運行時間和具體校正角度如表1和表2所列。Radon變換和Hough變換校正的角度變化步長均為1c。
從圖2的實際測試結果可以看出,本算法已較準確地校正了車牌的水平傾斜,字符上下邊緣線已基本水平,而Radon變換和Hough變換校正后的車牌在水平方向仍存在微小傾斜,校正精度不夠。從表1和表2所列的實際數(shù)據(jù)可以看出:本文所測校正精度明顯高于其他兩種算法,從運行時間上看,本文算法的運行速度也較兩者稍快,而Radon變換和Hough變換在校正效果上相同,但是運行時間不同。
4.2 車牌的垂直傾斜校正
圖3所示為經(jīng)過水平校正后的車牌用本文算法進行垂直校正后的結果。測試表明:該算法能夠較好地對車牌進行垂直校正,且本文算法較改進后的算法復雜度降低很多。
5 結 論
車牌的傾斜校正保證了后續(xù)字符分割和字符識別的精度,本文算法在水平校正時,提出了用基于最小二乘擬合直線的方法來對車牌進行水平校正。測試結果表明,本文的方法校正效果較好,而且,在垂直校正時,由于利用了改進的最小投影距離法,因而降低了算法的執(zhí)行次數(shù),提高了執(zhí)行效率。
20210907_6136e35d381bf__基于最小二乘和最小投影距離的車牌傾斜校正