摘  要:  車牌定位是實現(xiàn)智能交通系統(tǒng)的關(guān)鍵因素之一。在RGB色彩空間中，運用自微分技術(shù)實現(xiàn)了圖像的二值化，利用水平膨脹、腐蝕技術(shù)完成了形態(tài)學(xué)處理。最后，通過由下向上掃描確定連通區(qū)域的矩形邊界，結(jié)合車牌的幾何尺寸，給出車牌區(qū)域的具體坐標(biāo)。
關(guān)鍵詞: 車牌定位; 自微分; 水平膨脹和腐蝕

    隨著信息化的飛速發(fā)展，智能交通系統(tǒng)已成為交通管理的重要研究方向，可以解決諸如交通堵塞、違章等問題。一般來說，車牌是各種交通工具的唯一標(biāo)識，因此車牌識別是實現(xiàn)智能交通系統(tǒng)的先決條件。車牌識別按功能順序分為車牌定位、字符劃分和字符識別三部分。車牌定位直接決定后序功能實現(xiàn)的好壞，因此它是車牌識別的關(guān)鍵。車牌區(qū)域識別可基于灰度圖像及彩色圖像。由于人眼對灰度圖像不敏感性，僅能識別幾十個灰度等級，如果圖像背景、光照度等因素復(fù)雜的話，無形中增加了車牌區(qū)域識別算法的復(fù)雜度，花費的時間也高，這對于智能交通系統(tǒng)的實時性要求也是不現(xiàn)實的。由于人眼對彩色識別非常敏感，遠(yuǎn)遠(yuǎn)大于灰度圖像，因此，目前存在許多基于顏色空間的車牌區(qū)域識別算法。一般來說，首先把RGB彩色空間圖像轉(zhuǎn)化成HSV、HSI、CMY等色彩空間，然后在變換后的色彩空間中運用各種算法，最后再轉(zhuǎn)換回RGB色彩空間，得到所需結(jié)果。本文也是基于色彩空間的，但直接作用于最基本的RGB空間。
1 RGB空間自微分車牌區(qū)域識別原理
    車牌區(qū)域識別具體來說是指車牌區(qū)域的底色顏色識別。我國常用的是藍(lán)底白字、黃底黑字車牌，因此，主要完成RGB空間中的藍(lán)色、黃色識別。設(shè)每個像素顏色分量值為R、G、B。
1.1藍(lán)色車牌識別
    (1)確定藍(lán)色像素。當(dāng)滿足B>G且B>R時，則為藍(lán)色像素。
    (2)確定藍(lán)色車牌候選區(qū)域。根據(jù)步驟(1)確定的藍(lán)色像素集一定包含非車牌區(qū)域。一般來說，車牌區(qū)域與整個車其他區(qū)域相比較，它的藍(lán)色對比度是最大的，按式(2)描述對比度即可：
　
    當(dāng)value>16(可初始變量設(shè)定)時，把該像素歸結(jié)為藍(lán)色車牌候選區(qū)域。
1.2 黃色車牌識別
    (1)確定黃色像素。當(dāng)滿足R>B且G>B時，則為黃色像素。
    (2)確定黃色車牌候選區(qū)域。根據(jù)步驟(1)確定的黃色像素集一定包含非車牌區(qū)域。一般來說，車牌區(qū)域與整個車其他區(qū)域相比較,它的黃色對比度是最大的，按式(2)描述對比度即可:
    value=(R+G)/2-B                                                                   (2)
    當(dāng)value>16(可初始變量設(shè)定)時，把該像素歸結(jié)為黃色車牌候選區(qū)域。
    (3)自微分作用。    由式(1)及式(2)可知，它們均是對每個元素R、G、B分量的內(nèi)部差分，所以叫作自微分。原彩色圖像經(jīng)過自微分運算后的值作為灰度值保存在等大小的灰度圖像中，且原彩色圖像中彩色車牌區(qū)域在灰度圖像中是一個較亮的區(qū)域。總之，通過彩色圖像自微分運算，巧妙形成了新的灰度圖像，車牌區(qū)域識別在新的灰度圖像中完成即可。
2 車牌識別設(shè)計思想
2.1總體框圖
    該算法的總體框圖如圖1所示。

2.2 關(guān)鍵點說明
    以藍(lán)色車牌為例進(jìn)行說明。
    設(shè)原彩色圖像A三基色表示為：f(x,y,R)、f(x,y,G)、 f(x,y,B),灰度圖像B為g(x,y)。
    (1) 灰度圖像B生成算法
    遍歷圖像，對每個像素而言，如下：
if 滿足藍(lán)色條件
    g(x,y)=f(x,y,B)-[f(x,y,R)+f(x,y,G)]/2
         if g(x,y)<16                                      //可初始變量設(shè)定
        g(x,y)=0
else
      g(x,y)=0
    可以看出，通過該運算后，灰度圖像B中僅包含原彩色圖像中藍(lán)色像素部分，其他原彩色圖像中非藍(lán)色部分都可以不考慮了。
    (2) 灰度圖像B閾值的確定
    需要考慮兩種情況：一種是原彩色圖像A中藍(lán)色像素少(如車身是白色等),在這種情況下，當(dāng)生成灰度圖像B時，非零灰度值絕大多數(shù)集中在車牌區(qū)域；另一種是原彩色圖像A中藍(lán)色像素多(如車身是藍(lán)色)，在這種情況下，當(dāng)生成灰度圖像B時，非零灰度值集中在車牌區(qū)域及其他區(qū)域。因此，按如下算法決定B的閾值大?。?br />     閾值thresh=0;
    統(tǒng)計B中非零元素數(shù)n及灰度累加值t;
    灰度平均值aver=t/n;
    if n<某值                                    //經(jīng)驗確定,對藍(lán)色少情況
                  thresh=aver-10
    else                                               //藍(lán)色多情況
　　           thresh=aver
    (3) 二值圖像C形態(tài)學(xué)處理
    二值圖像C生成后,車牌區(qū)域可能是不連通的，必須把它處理成連通區(qū)域，這樣才能得到正確的車牌區(qū)域坐標(biāo)。用到的形態(tài)學(xué)處理方法是膨脹、收縮。對大量原彩色圖像分析可以得出，圖像在豎直方向變化大，水平方向變化小。所以要對常規(guī)的膨脹、收縮方法加以改進(jìn)，僅進(jìn)行水平膨脹及水平收縮。
    水平膨脹算法如下所示：
         do{
            遍歷當(dāng)前行，獲取分段亮區(qū)線段集v
            對v中每線段，左端點減1，置亮色；
                  右端點加1, 置亮色
      }while(還有下一行，置成當(dāng)前行)
         水平收縮算法如下所示：
         do{
             遍歷當(dāng)前行，獲取分段亮區(qū)線段集v
             對v中每線段，左端點置暗色；
                  右端點置暗色
         }while(還有下一行，置成當(dāng)前行)
         水平膨脹與水平收縮是成對出現(xiàn)的,膨脹n次,則收縮比n次。對本文論述內(nèi)容而言,應(yīng)先進(jìn)行水平膨脹,再進(jìn)行水平收縮運算。
    (4) 車牌區(qū)域確定
    我國車牌的長、寬比約為3.14。由于拍攝等多方面原因，圖像上發(fā)生了一些變化，本文取[2，4.5]。具體算法如下：
    while(自下向上，從左至右掃描，若有連通域，置成
        當(dāng)前連接域)
    {
         BFS層次遍歷連通域，得矩形邊界
    求矩形長、寬比r
    if 2<r<4.5
            找到矩形邊界，跳出循環(huán)
    }    
　    核心思想是：自下向上掃描，找到第1個連通域，滿足其矩形邊界長、寬比在[2,4.5]范圍內(nèi)，則該矩形邊界即可作為車牌區(qū)域坐標(biāo)，直接終止循環(huán)即可。
    (5) 有效區(qū)域設(shè)定
    車牌區(qū)域在圖像中占有很小的一部分，很容易受其他因素干擾，影響車牌識別的精確度。通過對大量車牌圖片分析可以得出，要想識別出車牌，車牌圖像應(yīng)有一定大小，要在整個圖像的下半部分。因此，之前的所有算法及其功能僅針對圖像下半部分操作，無須涉及上半部分圖像元素，最大限度地屏蔽了上半部分圖像元素對車牌識別的影響。
3 實驗結(jié)果
    如圖2所示,圖2(a)是原圖，其中不包含矩形框，矩形框是最終獲得的車牌區(qū)域坐標(biāo)，為了簡潔，放在了一起。

    圖2(b)是自微分形成的灰度圖，設(shè)坐標(biāo)原點為左上角，圖像高h(yuǎn), 僅處理了[h/2, h)間圖像下半部分像素。從圖2(b)中看出，執(zhí)行水平膨脹、收縮，不會影響車牌的連通區(qū)域；而執(zhí)行普通的膨脹、收縮，上下區(qū)域就可能連起來，影響車牌真實的連通域大小。
    圖2(c)是二值圖像。其中有亮、有暗，這是因為二值化后所有前景灰度都置成了255，遍歷某連通區(qū)域后，該區(qū)域都置成了64。圖2(c)中高亮區(qū)域表示沒有遍歷的連通區(qū)域。另一方面也說明了如果找到某連通區(qū)域，其矩形邊界長寬比在[2,4.5]范圍內(nèi)，則表示找到了車牌圖像區(qū)域，不必繼續(xù)遍歷其他的連通區(qū)域了。
    本文通過彩色圖像自微分巧妙地生成了所需的灰度圖像，有效區(qū)域的設(shè)定提高了車牌區(qū)域識別的精度及速度。但如何更有效確定自微分圖像后的二值化閾值，車牌有一定傾角如何處理等，都是今后值得深入研究的問題。
參考文獻(xiàn)
[1] Gao Dashan, Zhou Jie. Car license plate detection from  complex scene[C]. ICSP,2000:1409-1414.
[2] Bai Hongliang，Liu Changping. A hybrid license plate extraction method based on edge statistics and morphology[C].  Proceedings of the International Conference on ICPR，2004，2：831-834.
[3] 陳進(jìn)，徐佩霞. 一種改進(jìn)的分級車牌定位算法[J]. 計算機工程與應(yīng)用, 2010,46(23):244-248.
[4] 吳舟舟，李樹廣.基于分級邊緣間距的實時車牌檢測[J]. 中國圖象圖形學(xué)報，2007，12(2)：315-321.
[5] 左奇，史忠科.一種基于數(shù)學(xué)形態(tài)學(xué)的實時車牌圖像分割方法[J]. 中國圖象圖形學(xué)報，2003，8A(5)：281-285.
[6] 郭大波，陳禮民，盧朝陽，等.基于車牌底色識別的車牌定位方法[J]. 計算機工程與設(shè)計，2003(5)：81-87.
[7] 任俊，黃丹丹，李志能.結(jié)合紋理分析和支撐矢量機的汽車牌照定位研究[J].浙江大學(xué)學(xué)報，2006，40(8)：1352-1357.