摘  要: 提出了基于形態(tài)學(xué)微分的車牌字符分割算法。首先運(yùn)用形態(tài)學(xué)微分算法獲取車的邊界，然后通過(guò)巧妙選擇連通區(qū)域進(jìn)行深度搜索即可直接獲得車牌每個(gè)字符的矩形區(qū)域。本方法省去了一般車牌識(shí)別中的車牌定位部分，對(duì)有一定傾角的車牌也有一定的適應(yīng)能力。
關(guān)鍵詞: 形態(tài)學(xué)；字符分割；車牌識(shí)別；深度搜索

    隨著信息技術(shù)的飛速發(fā)展，智能交通系統(tǒng)的應(yīng)用越來(lái)越重要,如小區(qū)進(jìn)出車輛管理、十字路口車輛擁堵情況預(yù)測(cè)和車輛跟蹤等。智能交通系統(tǒng)的一個(gè)重要研究方向是車牌識(shí)別。車牌識(shí)別一般分為車牌定位、字符劃分和字符識(shí)別3部分。其中車牌定位是最關(guān)鍵、最難實(shí)現(xiàn)的部分。目前車牌定位常用方法有：(1)彩色分割，適合于藍(lán)底白字、黃底黑字車牌，但如果車牌與車身顏色相近或者車牌為白底黑字、黑底白字,就顯得有局限性了； (2)灰度微分圖像+形態(tài)學(xué)處理，適合于簡(jiǎn)單邊界,若車牌附近邊界復(fù)雜，則不易識(shí)別出真實(shí)車牌邊界；(3)神經(jīng)網(wǎng)絡(luò),計(jì)算量大，因此真正用于實(shí)時(shí)車牌識(shí)別還是非常難的；(4)基于紋理的方法，主要利用車牌區(qū)域灰度波動(dòng)范圍大的特點(diǎn)，但如何完全量化波動(dòng)特點(diǎn)，盡可能大地適應(yīng)各種邊界條件也是非常不容易的。
    一般來(lái)說(shuō)，車牌區(qū)域識(shí)別是進(jìn)行車牌字符分割的先決條件。而本文提出的算法巧妙越過(guò)了這一環(huán)節(jié)，直接進(jìn)行車牌字符分割，獲得了每一個(gè)字符的矩形坐標(biāo)區(qū)域，運(yùn)行速度快，可以滿足車牌識(shí)別實(shí)時(shí)性的需要。
1 車牌字符分割原理
    本算法是針對(duì)灰度圖像的。為了說(shuō)明清晰，以自繪的理想情況中單個(gè)車牌字符“5”為例加以說(shuō)明，背景為黑色，代表車牌底色。
    從生理學(xué)上來(lái)說(shuō)，人們之所以能認(rèn)清車牌，是因?yàn)檐嚺浦忻總€(gè)字符能強(qiáng)烈刺激視網(wǎng)膜。因此，可以得出，每個(gè)字符與其周圍的車牌底色一定是差別較大的，對(duì)比度越大，字符越清晰。再如在夜晚時(shí)，由于光線較暗，人們可能看不清車牌區(qū)域，但卻有可能看清車牌中的每個(gè)字符。
    從上述兩點(diǎn)來(lái)看，實(shí)現(xiàn)智能車牌識(shí)別應(yīng)從車牌單個(gè)字符識(shí)別開(kāi)始。若從車牌區(qū)域定位開(kāi)始，則一定會(huì)遇到各種難處理的邊界條件。
    車牌字符提取的根本目的是獲得每個(gè)字符的矩形坐標(biāo)，算法思想如下。
    (1)選擇微分算法。對(duì)車牌圖像進(jìn)行微分操作，該微分操作必須能獲得清晰的字符邊界圖像。圖1中，左側(cè)是原始圖像，右側(cè)是微分后的圖像。

    (2)搜索連通區(qū)域。有很多人選擇圖1右側(cè)圖“5”的外邊界，即“亮”的區(qū)域進(jìn)行搜索，但這卻是不好的。由于實(shí)際車牌的復(fù)雜性，“5”的外側(cè)“亮”區(qū)域有可能與其他“亮”的區(qū)域是相通的。因此應(yīng)該選擇“暗”的區(qū)域進(jìn)行搜索。圖1中“暗”區(qū)有兩個(gè)。通過(guò)設(shè)置車牌字符最小寬度、高度和長(zhǎng)寬比，很明顯判定出車牌底色連通暗色區(qū)域非字符區(qū)域(即“5”字符內(nèi)部暗區(qū)域)，箭頭指向區(qū)域是車牌字符區(qū)域。
    可能有研究者懷疑，“5”字內(nèi)部暗區(qū)域一定會(huì)與車牌暗區(qū)域分開(kāi)嗎？從理論上講是肯定的。因?yàn)榍拔闹幸咽?，車牌字符區(qū)域與車牌底色對(duì)比度是比較大的，因此微分后字符內(nèi)區(qū)域與車牌底色區(qū)域一定由微分“亮”邊界隔開(kāi)了。
    (3)進(jìn)行線性擬合運(yùn)算。通常車牌有7個(gè)字符，首字符是漢字，不一定是單連通字符；后6個(gè)字符在0~9、A~Z之間，是單連通字符。因此按步驟(1)、(2)，理論上可獲得6個(gè)字符的矩形區(qū)域，但由于車牌復(fù)雜性，實(shí)際上可能獲得少于6個(gè)字符的矩形區(qū)域。此時(shí)只須根據(jù)已有字符的矩形坐標(biāo)進(jìn)行左外推、右外推、中間插值，即可獲得未知的字符矩形坐標(biāo)。
2 關(guān)鍵技術(shù)
2.1形態(tài)學(xué)微分算法
    車牌是圖像中很小一部分，微分算子必須考慮到細(xì)節(jié)部分。Sobel、Prewitt和Laplace算子均是方位算子，對(duì)檢測(cè)某方位直線等非常有效。但由于車牌字符的方位是不確定的，比如“1”是豎直的，“5”既有水平的、豎直的，也有其他方向的，因此無(wú)法確定具體的微分算子矩陣。Canny算子雖然效果較好，但計(jì)算量大，還要確定劃分閾值的上限和下限。比較簡(jiǎn)便易行的是形態(tài)學(xué)微分算法。
    
    圖2(a)是實(shí)際圖像，圖2(b)是形態(tài)學(xué)微分圖像?？梢钥闯觯⒎謭D像比較好地反映了每個(gè)字符的邊緣。
    圖2(b)是圖2（a）膨脹一次減去圖2(a)的結(jié)果。其實(shí)可以根據(jù)現(xiàn)場(chǎng)情況設(shè)定膨脹次數(shù)（>1）,這樣把一些無(wú)關(guān)的暗區(qū)域或亮區(qū)域都連通了,減少了后續(xù)的搜索工作量。

    隨著攝像技術(shù)的發(fā)展，已實(shí)現(xiàn)了高清采集，原始采集圖無(wú)須進(jìn)行濾波。實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)原始圖像分別進(jìn)行平滑、中值及高斯濾波后，再進(jìn)行形態(tài)學(xué)微分，結(jié)果圖都不如直接在原圖上進(jìn)行形態(tài)學(xué)微分的結(jié)果圖清晰。這仍是因?yàn)檐嚺圃谡麄€(gè)圖像中所占比例太小了，無(wú)論何種濾波都削弱了車牌字符的邊界部分,只有原圖是對(duì)比度最大的。
2.2 微分圖像二值化
    為了方便跟蹤微分圖像，要對(duì)其進(jìn)行二值化處理。與Sobel、Prewitt和Laplace微分圖像相比，形態(tài)學(xué)微分圖像顯得更潔凈，黑白分明，在直方圖上呈現(xiàn)出典型的距離較遠(yuǎn)的雙峰特征，因此用灰度平均值作為閾值即可(設(shè)圖像為M行N列)：
  
   
    當(dāng)然，也可以用OSTU類間最大方差法、類間最大交叉熵法或類內(nèi)最小模糊散度法等求閾值，這些方法算出的閾值二值化效果并沒(méi)有與本文中論述效果有太明顯的差別，這是因?yàn)樾螒B(tài)學(xué)微分后結(jié)果圖非常潔凈的緣故，因此用累積均值作為閾值也就足夠了，還節(jié)省了時(shí)間。
2.3 連通域搜索獲得字符矩形坐標(biāo)
    我國(guó)常用車牌有藍(lán)底白字、黃底黑字、白底黑字和黑底白字4種。藍(lán)底白字和黑底白字車牌經(jīng)過(guò)微分、二值化后字符內(nèi)邊界是黑色（0）;黃底黑字和白底黑字車牌經(jīng)過(guò)微分、二值化后字符內(nèi)邊界是亮色(255)。因此，搜索要考慮這兩種情況。若對(duì)暗區(qū)進(jìn)行搜索沒(méi)有找到車牌字符的連通域，說(shuō)明不是藍(lán)底白字和黑底白字車牌，只需要對(duì)該二值圖像按亮區(qū)進(jìn)行搜索即可。搜索算法如下：
    while(自下向上，從左至右掃描，若有連通域(暗或亮)，
    置成當(dāng)前連接域)
        {
                 BFS層次遍歷連通域，得矩形邊界
                     及連通域內(nèi)累積像素點(diǎn)數(shù)
            若參數(shù)滿足字符內(nèi)約束條件，則把矩形坐標(biāo)
                加入向量V中
        }
    遍歷矩形向量V，找出滿足字符間約束條件的矩形元
    素坐標(biāo)集合A。若A元素不足7個(gè),則應(yīng)用線性擬合找
    出未知車牌字符坐標(biāo)。
    算法中“字符內(nèi)約束條件”是指矩形窗口長(zhǎng)寬的極小值、極大值、長(zhǎng)寬比范圍及連通域內(nèi)像素?cái)?shù)范圍等；“字符間約束條件”是指車牌字符的高度應(yīng)該相近，矩形坐標(biāo)應(yīng)該集中在一個(gè)區(qū)域中。
    對(duì)圖3(a)二值圖像進(jìn)行了搜索，得到的車牌字符分割圖像如圖3(b)所示(用白色標(biāo)志)，可以很清楚地看出找到每個(gè)車牌的矩形坐標(biāo)。當(dāng)然圖像上還有用白色標(biāo)識(shí)出的其他矩形區(qū)域，通過(guò)簡(jiǎn)單約束條件就可以消除掉。
2.4 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，很容易受到其他因素干擾，影響車牌識(shí)別的精確度。通過(guò)對(duì)大量車牌圖片的分析可以得出，要想識(shí)別出車牌，車牌圖像應(yīng)有一定大小并要在整個(gè)圖像的下半部分。因此，之前的所有算法及其功能僅針對(duì)圖像下半部分操作，無(wú)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(duì)車牌識(shí)別的影響。
    總之，可以根據(jù)實(shí)際需要設(shè)置一定范圍的有效區(qū)域，提高車牌識(shí)別效率。
3 有一定傾角示例
    本文算法對(duì)有一定傾角的車牌也是適用的。圖4(a)是原始彩色圖像，圖4(b)是將圖4(a)轉(zhuǎn)化為灰度圖像，圖4(c)是形態(tài)學(xué)微分、二值化后圖像，圖4(d)是根據(jù)圖4(c)進(jìn)行連通域跟蹤、字符矩形定位，并用白色顯示在原始彩色圖像上，可以用簡(jiǎn)單的分類方法把偽字符的白色矩形去掉。

    本文運(yùn)用形態(tài)學(xué)微分算法，通過(guò)巧妙選擇連通區(qū)域直接獲得了車牌每個(gè)字符的矩形區(qū)域，省去了常規(guī)方法中車牌定位功能，提高了時(shí)間效率。而且，本算法本質(zhì)上是對(duì)車牌字符內(nèi)部的連通域進(jìn)行搜索，因此若把這些點(diǎn)的坐標(biāo)都記錄下來(lái)，也能很快識(shí)別出具體的字符內(nèi)容來(lái)。
    當(dāng)然，還有一些問(wèn)題有待進(jìn)一步研究：(1)車牌字符至少要多大，才能適應(yīng)本算法？(2)車牌字符與車牌底色至少反差多大，才能適應(yīng)本算法？(3)若搜索到的字符矩形區(qū)域少于7個(gè)，如何更好地外推出其他字符的位置？(4)如何更好地定義“字符間”約束條件？
參考文獻(xiàn)
[1] 賈曌峰,陳繼榮.基于字符檢測(cè)的車牌定位方法[J].計(jì)算機(jī)工程,2010,36(3):192-194.
[2] 王成,黎紹發(fā),何凱.基于簡(jiǎn)化PCNN的車牌定位算法[J].計(jì)算機(jī)工程,2010,36(24):178-179,182.
[3] 張?jiān)苿? 張長(zhǎng)水. 利用Hough 變換和先驗(yàn)知識(shí)的車牌字符提取法[J]. 計(jì)算機(jī)學(xué)報(bào), 2004,27(1):130-135.
[4] 張美多,郭寶龍. 車牌識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究[J].計(jì)算機(jī)工程, 2007,33(16):186-188.
[5] 李文舉,梁德群,張旗,等. 基于邊緣顏色對(duì)的車牌定位新方法[J]. 計(jì)算機(jī)學(xué)報(bào),2004,27(2):204-208.