摘  要： 針對(duì)復(fù)雜環(huán)境下的車牌定位率較低的問(wèn)題，提出了一種基于數(shù)學(xué)形態(tài)學(xué)和Hough變換檢測(cè)車牌區(qū)域的方法。首先，對(duì)車牌圖像進(jìn)行圖像預(yù)處理，然后，利用數(shù)學(xué)形態(tài)學(xué)的高帽變換突出車牌字符區(qū)域，并對(duì)圖像進(jìn)行邊緣檢測(cè)和連通區(qū)域分析；最后，結(jié)合Hough變換和車牌的先驗(yàn)知識(shí)實(shí)現(xiàn)車牌的精確定位。實(shí)驗(yàn)結(jié)果表明，針對(duì)不同復(fù)雜背景下采集到的車輛圖像，該算法具有很強(qiáng)的魯棒性，準(zhǔn)確率達(dá)97.3%，能夠滿足現(xiàn)代智能交通系統(tǒng)對(duì)車牌定位準(zhǔn)確性和實(shí)時(shí)性的要求。
關(guān)鍵詞： 車牌定位；數(shù)學(xué)形態(tài)學(xué)；邊緣檢測(cè)；Hough變換

　車牌識(shí)別系統(tǒng)(LPR)在現(xiàn)代交通檢測(cè)和管理部門(mén)中發(fā)揮著舉足輕重的作用。車牌識(shí)別系統(tǒng)主要包括車牌定位、字符分割和字符識(shí)別三部分[1]。由于車牌定位的準(zhǔn)確與否將會(huì)直接影響到車牌識(shí)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(jiàn)的車牌定位技術(shù)主要有：邊緣檢測(cè)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(cè)法對(duì)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(duì)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(duì)于偏色以及背景顏色干擾等情況無(wú)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(lái)巨大的困難，單一的定位方法已經(jīng)無(wú)法保證其有效性。為此，本文提出了一種綜合的定位算法，對(duì)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(cè)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(shí)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(shí)別是一種特定對(duì)象的識(shí)別，是一種在先驗(yàn)知識(shí)指導(dǎo)下的識(shí)別。我國(guó)現(xiàn)在使用的車牌主要執(zhí)行中華人民共和國(guó)機(jī)動(dòng)車牌號(hào)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(jí)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(guò)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(guò)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(duì)圖像進(jìn)行灰度化處理。
　牌照?qǐng)D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(dòng)態(tài)范圍，從而達(dá)到增強(qiáng)圖像整體對(duì)比度的效果。
經(jīng)過(guò)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(duì)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(duì)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(duì)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(kāi)運(yùn)算之差，開(kāi)運(yùn)算用來(lái)去除比結(jié)構(gòu)元更小的亮點(diǎn)，同時(shí)保持灰度級(jí)和較大亮區(qū)特性的相對(duì)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(lái)[9]。如圖2(a)所示，經(jīng)過(guò)高帽變換后，對(duì)于深色底淺色字的車牌，其車牌字符的區(qū)域的特征會(huì)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(cè)處理過(guò)程更加簡(jiǎn)單和省時(shí)。
3.1.2 邊緣檢測(cè)
   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(duì)噪聲有抑制作用，它對(duì)灰度漸變和噪聲較多的圖像值處理效果較好，對(duì)邊緣定位比較準(zhǔn)確且速度快[10]。采用Sobel邊緣檢測(cè)算子進(jìn)行邊緣檢測(cè)的效果如圖2(b)所示，各個(gè)字符都形成了相對(duì)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(duì)邊緣檢測(cè)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(guò)了邊緣檢測(cè)，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(shí)，車牌字符一般排成一行，且大小相仿。利用Hough變換檢測(cè)直線的原理[11]來(lái)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(guò)Hough變換轉(zhuǎn)換到參數(shù)空間，通過(guò)尋找參數(shù)空間的最大值來(lái)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(lái)，就可以檢測(cè)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(cè)到的車牌文本所有的字符區(qū)域連通起來(lái)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(cè)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(lái)檢測(cè)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(lái)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(kāi)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(duì)汽車的背景沒(méi)有特殊限制。圖5所示的是對(duì)4幅不同場(chǎng)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(chǎng)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(cè)試結(jié)果表明，這種方法對(duì)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(jiǎn)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(guó)內(nèi)車牌字符的特征，經(jīng)過(guò)高帽變換突出感興趣區(qū)域，然后利用邊緣信息通過(guò)Hough變換檢測(cè)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(duì)于自然場(chǎng)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(jiǎn)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(cè)字符組的中心線時(shí)出現(xiàn)誤差，特別是對(duì)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。
參考文獻(xiàn)
[1] BARROSO J， RAFAEL A， DAGLESS E L， et al. Number plate reading using computer vision[C]. Proceedings of IEEE International Symposium on Industrial Electronics， 1997：761-766.
[2] 閆青.常用車牌定位算法淺析[J].微型機(jī)與應(yīng)用，2010(2)：1-3.
[3] 周開(kāi)軍，陳三寶，徐江陵.復(fù)雜背景下的車牌定位和字符分割研究[J].計(jì)算機(jī)工程， 2007，33(4)：198-200.
[4] ABDULLAH S N H S， KHALID M， YUSOF R， et al. License plate recognition using multi-cluster and multil-ayer Neural Networks[J]. Information and Communication Technologies， 2006(1)：1818-1823.
[5] MEGALINGAM R K， KRISHNA P， SOMARAJAN P， et al. Extraction of license plate region in Automatic License Plate Recognition[C]. The 2010 2nd International Conference on Mechanical and Electrical Technology， 2010，496-501.
[6] KAUSHIK DEB， KANG-HYUN JO. HSI color based vehicle license plate detection[C]. International Conference on Control Automation and Systems， 2008， 687-691.
[7] 片兆宇，孟祥萍，張紅.多階段車牌定位算法[J].計(jì)算機(jī)科學(xué)，2009，36(8)：296-299.
[8] GONZALEZ R C， WOODS R E． Digital image processing(3rd Edition)[M]. London： Prentice Hall Press，2007.
[9] 郭航宇，景曉軍，尚勇.基于小波變換和數(shù)學(xué)形態(tài)法的車牌定位方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010(5)：13-16.
[10] 柴曉榮，劉錦高.基于紋理分析的精確車牌定位算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19(2)：160-163.
[11] KAMAT V， GANESAN S. An efficient implementation of the Hough transform for detecting vehicle license plate using DSP’S[C]. Proceedings of the Real Time Technology and Applications， 1995， 58-59.