摘  要： 提出了一種基于顏色空間理論和形態(tài)學(xué)結(jié)合的方法。首先對(duì)圖像進(jìn)行顏色空間轉(zhuǎn)換，按要求提取出需要的特征顏色區(qū)域，再對(duì)顏色特征區(qū)域進(jìn)行檢測(cè)，對(duì)邊緣進(jìn)行灰度統(tǒng)計(jì)，按一定的比例進(jìn)行篩選，并利用前方車(chē)輛位置變化的特點(diǎn)，對(duì)下一次車(chē)牌可能出現(xiàn)的區(qū)域進(jìn)行粗定位，利于下一次更快速的定位。應(yīng)用該算法對(duì)100幅車(chē)牌圖像進(jìn)行定位，定位準(zhǔn)確率達(dá)90%，速度均在0.1 s內(nèi)。
關(guān)鍵詞： 顏色空間理論；形態(tài)學(xué)；車(chē)牌定位

　高速公路上車(chē)輛踫撞是最常見(jiàn)的交通事故，因此，對(duì)前方道路上行駛的車(chē)輛進(jìn)行定位與跟蹤是智能輔助駕駛系統(tǒng)研究領(lǐng)域的重要內(nèi)容。車(chē)輛定位與跟蹤要求算法具有實(shí)時(shí)性、快速性和準(zhǔn)確性等特點(diǎn)。視頻圖像包含了大量的圖像信息，便于功能擴(kuò)展，同時(shí)，視頻設(shè)備安裝調(diào)試簡(jiǎn)單、成本低廉且實(shí)用性強(qiáng)，而單目攝像頭法處理的信息量相對(duì)較少，處理速度更快。因此，本文采用單目視覺(jué)輔助技術(shù)對(duì)車(chē)輛進(jìn)行檢測(cè)、定位和跟蹤。
目前視覺(jué)車(chē)牌定位的方法有很多。黃驥等[1]在HSV顏色空間上，根據(jù)我國(guó)車(chē)牌顏色的特點(diǎn)作為車(chē)牌區(qū)域顏色跳變特征，準(zhǔn)確率高，但計(jì)算量大，實(shí)時(shí)性不夠。盧雅琴等[2]采用了數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行車(chē)牌定位，該方法簡(jiǎn)單且在背景單一及車(chē)牌區(qū)域特征明顯的情況下有很好的效果，但是復(fù)雜背景下車(chē)牌定位準(zhǔn)確率不高。陸鋮等[3]提出采用灰度跳變特征，具有較快的檢測(cè)速度，但準(zhǔn)確性受噪聲影響很大。LEE E R等[4]提出以HSV顏色空間為基礎(chǔ)的車(chē)牌識(shí)別系統(tǒng)，使用了Hough變換方法，雖然識(shí)別率比較高，但當(dāng)車(chē)身與車(chē)牌顏色相近或車(chē)牌污染嚴(yán)重時(shí)，會(huì)大大降低定位準(zhǔn)確率。鹿曉亮等[5]考慮到國(guó)內(nèi)車(chē)牌的特有特征以及字符間特點(diǎn)，對(duì)車(chē)牌區(qū)域橫向掃描，根據(jù)閾值來(lái)定位車(chē)牌，但該方法不適合快速定位的要求。針對(duì)快速自動(dòng)識(shí)別系統(tǒng)的要求，根據(jù)國(guó)內(nèi)車(chē)牌顏色特征及車(chē)牌的外廓尺寸的固有特征，本文提出先基于車(chē)牌色彩信息選取敏感區(qū)域，然后再根據(jù)形態(tài)學(xué)的方法來(lái)進(jìn)行篩選，從而達(dá)到快速定位。
1 總體流程
　前方車(chē)輛的檢測(cè)與定位算法流程如圖1所示，包括以下幾個(gè)步驟：
?。?）特征區(qū)域。利用顏色空間理論，選取車(chē)牌顏色為特征，確定圖像中的敏感區(qū)域。
?。?）邊緣提取。基于Canny邊緣提取算法，對(duì)特征區(qū)域圖像進(jìn)行邊緣提取。
　（3）灰度統(tǒng)計(jì)?；趫D像邊緣提取結(jié)果，統(tǒng)計(jì)每一部分區(qū)域長(zhǎng)度與寬度的數(shù)值。
　（4）目標(biāo)篩選。根據(jù)每一部分的長(zhǎng)度與寬度的數(shù)值比值篩選出車(chē)牌。
?。?）目標(biāo)定位。當(dāng)篩選部分只剩下一個(gè)時(shí)，即為目標(biāo)對(duì)象。

1.1 敏感特征區(qū)域
　選擇合適的顏色空間模型快速準(zhǔn)確地找到敏感特征區(qū)域是非常關(guān)鍵的?？紤]到實(shí)際需要關(guān)注的特性，確定RGB顏色空間到HSI顏色空間的轉(zhuǎn)換近似公式[6]。本文強(qiáng)調(diào)在各種環(huán)境下快速尋找藍(lán)色，對(duì)顏色的細(xì)節(jié)識(shí)別要求比較高，要求轉(zhuǎn)換后顏色的分辨力盡可能大，但又要考慮到運(yùn)算時(shí)間盡可能短。因此本文采用分段定義法來(lái)近似RGB轉(zhuǎn)換到HSI的關(guān)系：


1.2 邊緣提取
　圖像邊緣含有大量重要的圖像特征信息，因此，邊緣檢測(cè)的方法是圖像分析與識(shí)別領(lǐng)域十分重要的課題。本文中的車(chē)牌邊緣是一個(gè)非常重要的信息，利用這個(gè)信息可以從第一步選取出的敏感區(qū)域中快速篩選和確定車(chē)牌。本文引用Canny算子，該算子是一類(lèi)具有優(yōu)良性能的邊緣檢測(cè)算子，其基本思想是：先對(duì)預(yù)處理的圖像選擇一個(gè)高斯濾波器進(jìn)行平滑濾波，然后采用一種稱(chēng)為“非極大抑制”的技術(shù)對(duì)平滑后的圖像進(jìn)行處理，得到最后所需要的邊緣圖像。在實(shí)際應(yīng)用中，Canny算子邊緣提取效果良好，邊緣線(xiàn)性程度較好且完整，線(xiàn)型較細(xì)，具有良好的抗噪性能和邊緣定位精度。本文利用Canny算子進(jìn)行邊緣提取的結(jié)果如圖3所示。

1.3 灰度統(tǒng)計(jì)與目標(biāo)篩選
　為了準(zhǔn)確地篩選出目標(biāo)車(chē)牌，根據(jù)車(chē)牌特有的信息對(duì)邊緣信息進(jìn)行邊緣提取后，分兩步篩選出目標(biāo)車(chē)牌。
?。?）利用車(chē)牌邊緣的邊長(zhǎng)比例關(guān)系篩選。首先分割出每個(gè)獨(dú)立的有連續(xù)邊緣的圖像塊，若大圖像塊內(nèi)有小的圖像塊，則小圖像塊不作單獨(dú)處理，統(tǒng)計(jì)圖像塊在水平方向和垂直方向的灰度像素統(tǒng)計(jì)，統(tǒng)計(jì)完成后，計(jì)算水平方向和垂直方向灰度像素比值t。車(chē)牌是一個(gè)440×140的矩形，車(chē)牌的長(zhǎng)寬比為3.14，考慮到攝像機(jī)記錄車(chē)牌的角度變化等各種因素的影響，確定閾值上限為5，閾值下限為2.5，若計(jì)算出來(lái)的比值t在2.5~5之間，則認(rèn)為是目標(biāo)車(chē)牌。
　（2）利用車(chē)牌的直角關(guān)系篩選。車(chē)牌在長(zhǎng)度和寬度的接連處是一個(gè)垂直關(guān)系，因此，本文利用車(chē)牌的直角關(guān)系可以快速地篩選出絕大部分非目標(biāo)物體。以篩選左邊直角為例，從分割出的圖像塊從上往下、從左往右開(kāi)始掃描，當(dāng)?shù)綊呙璧降谝粋€(gè)點(diǎn)時(shí)，以該點(diǎn)為中心點(diǎn)，計(jì)算中心點(diǎn)向下邊緣線(xiàn)和中心點(diǎn)向右邊緣線(xiàn)的夾角θ?？紤]到攝像機(jī)記錄時(shí)產(chǎn)生的形變及車(chē)牌角度的變化等因素對(duì)圖像坐標(biāo)系中夾角的影響，確定在一定閾值范圍內(nèi)的角度即為直角范圍，本文中采用的閾值上限為105°，下限為85°。若計(jì)算所得夾角θ在85°~105°之間，則認(rèn)為是目標(biāo)車(chē)牌。
1.4 目標(biāo)定位
　經(jīng)過(guò)兩個(gè)特征關(guān)系的篩選后，目標(biāo)車(chē)牌即可被篩選出來(lái)。目標(biāo)車(chē)牌提取出來(lái)后，記錄下車(chē)牌的大小及在圖像中的位置。為了方便能更快速地定位從攝像機(jī)中提取的下一幀圖像，本文采用一種新的搜索方法，即以已經(jīng)確定的目標(biāo)車(chē)牌為中心，四周按一定比例進(jìn)行面積擴(kuò)大。本文從攝像機(jī)中按10 幀/s的速度提取圖像，即兩幀圖像間隔為0.1 s，而車(chē)輛的速度為60 km/h~100 km/h，因此在0.1 s間最大的相對(duì)行駛速度為（100－60） km/h，最大的相對(duì)行駛距離為40 km/h×0.1 s=1.1 m。根據(jù)攝像機(jī)的相關(guān)原理，算出圖像坐標(biāo)系中車(chē)牌的大小的變化率在10%以?xún)?nèi)，因此，本文選擇按擴(kuò)大長(zhǎng)度的10%和寬度的10%作為下一幀圖像的大小范圍。圖4所示為第1次定位所用時(shí)間，圖5所示為第2次定位所用時(shí)間。

2 實(shí)驗(yàn)結(jié)果與分析

　本文選用不同背景、不同光照下拍攝的100幅車(chē)牌圖像對(duì)本算法進(jìn)行仿真實(shí)驗(yàn)，結(jié)果如表1所示?？梢?jiàn)準(zhǔn)確定位率達(dá)到92%。若對(duì)連續(xù)運(yùn)動(dòng)的圖像進(jìn)行跟蹤定位，本算法第1次定位時(shí)間較長(zhǎng)，達(dá)到1.13 s，第2次及以后定位時(shí)間大幅度減少，平均為0.65 s，只有第1次定位時(shí)間的57.5%，速度得到很大的提升。由于算法采用HSI顏色空間理論，因此受光線(xiàn)影響不大。
　本文主要研究了對(duì)前車(chē)輛的快速定位和車(chē)牌預(yù)處理，利用車(chē)牌的顏色對(duì)車(chē)牌的敏感特征區(qū)域進(jìn)行了提取，再利用車(chē)牌的形態(tài)特征進(jìn)行目標(biāo)車(chē)牌篩選，最后通過(guò)對(duì)車(chē)牌進(jìn)行圖像幾何校正，提取出精確的車(chē)牌。通過(guò)該方法，前方車(chē)輛得到了快速檢測(cè)與定位。仿真實(shí)驗(yàn)表明，該方法快速、高效，滿(mǎn)足實(shí)時(shí)性的要求，并且有較高的魯棒性，為下一步車(chē)輛的距離計(jì)算提供了良好的保障。
參考文獻(xiàn)
[1] 黃驥.汽車(chē)牌照識(shí)別系統(tǒng)中車(chē)牌定位與校正及字符分割的研究[D].南京：南京航空航天大學(xué)，2007.
[2] 盧雅琴，鄔凌超.基于數(shù)學(xué)形態(tài)學(xué)的車(chē)牌定位方法[J].計(jì)算機(jī)工程，2005，31（2）：224-227.
[3] 陸鋮，何東健，何曉.基于掃描線(xiàn)和特征篩選的車(chē)牌定位快速算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008（10）：5125-5128.
[4] LEE E R， KING P K. Automatic recognition of a car license plate using color image processing[J]. Journal of Korea Institute of Tele-matics and Electronics，1995，24（2）：128-131.
[5] 鹿曉亮，陳繼榮.復(fù)雜背景下快速車(chē)牌定位方法研究[J].計(jì)算機(jī)仿真，2006，23（7）：256-259.
[6] 劉華波.RGB與HIS顏色模型的轉(zhuǎn)換方法對(duì)比研究[EB/OL].中國(guó)科技論文在線(xiàn)，2008.