摘  要： 提出了一種基于紋理的車牌定位方法。首先提取汽車圖像的邊緣，再連接水平方向上距離較近的邊緣點(diǎn)，通過數(shù)學(xué)形態(tài)學(xué)操作形成若干候選區(qū)域，然后根據(jù)水平方向邊緣線段長(zhǎng)度和投影直方圖進(jìn)行精確定位，最后根據(jù)尺寸判斷候選區(qū)是否為車牌。實(shí)驗(yàn)結(jié)果表明，該算法定位準(zhǔn)確率能達(dá)到93.7%，平均定位時(shí)間為435 ms。
關(guān)鍵詞： 車牌定位；紋理；數(shù)學(xué)形態(tài)學(xué)；投影直方圖

　隨著車輛的增加，道路日益擁擠，車輛管理越來越困難。智能交通系統(tǒng)（Intelligent Transportation System）已成為21世紀(jì)交通管理的趨勢(shì)，它是將先進(jìn)的信息技術(shù)、通信技術(shù)、電子傳感技術(shù)及計(jì)算機(jī)處理技術(shù)等有效應(yīng)用于整個(gè)交通管理系統(tǒng)而建立的一種在大范圍內(nèi)全方位發(fā)揮作用的實(shí)時(shí)、準(zhǔn)確、高效的綜合交通運(yùn)輸管理系統(tǒng)。汽車牌照號(hào)碼是車輛的“身份證”，汽車牌照的自動(dòng)識(shí)別是對(duì)汽車“身份”自動(dòng)登記及驗(yàn)證的關(guān)鍵，是對(duì)交通進(jìn)行有效管理的基礎(chǔ)。
　車牌識(shí)別VLPR（Vehicle License Plate Recognition）技術(shù)不但可以將人力從繁瑣的人工觀察、檢測(cè)中解放出來，而且能夠大大提高其精確度。一個(gè)典型的車牌識(shí)別系統(tǒng)一般包括車牌定位、字符分割和字符識(shí)別3部分。車牌定位是車牌識(shí)別中的重要環(huán)節(jié)，是指從車牌圖像中提取牌照區(qū)域或者分割出車牌。
　車牌定位算法分為基于灰度圖像的車牌定位和基于彩色圖像的車牌定位?；诨叶葓D像的車牌定位一般是先對(duì)圖像進(jìn)行邊緣提取[1-3]或者二值化[4]，再根據(jù)水平和垂直方向的投影直方圖、車牌尺寸和紋理等信息[5-6]定位車牌，一般計(jì)算量較基于彩色圖像的車牌定位少?；诓噬珗D像的車牌定位比基于灰度圖像的車牌定位多了顏色信息，顏色信息可以運(yùn)用于邊緣提取[7]、對(duì)灰度圖像檢測(cè)到的邊緣進(jìn)行邊緣篩選[8-9]以及對(duì)候選區(qū)域進(jìn)行篩選[10-11]。
　根據(jù)《中華人民共和國機(jī)動(dòng)車號(hào)牌》（GA-2007）及其修訂版規(guī)定，車牌顏色主要有藍(lán)底白字、黃底黑字、白底黑字和黑底白字4種，字符要么是黑色要么是白色（除了少數(shù)例外，如“使”、“領(lǐng)”、“警”是紅色），與底色的灰度反差較大，能很好地提取出車牌的字符邊緣，而且車牌字符間排列規(guī)則、緊密。根據(jù)這一特點(diǎn)，本文提出了一種基于車牌紋理特征的車牌定位算法，首先運(yùn)用Canny邊沿檢測(cè)算法對(duì)汽車灰度圖像進(jìn)行邊緣提取，連接水平方向上距離較近的邊緣點(diǎn)，運(yùn)用數(shù)學(xué)形態(tài)學(xué)操作可以形成若干封閉的候選區(qū)域，再根據(jù)水平方向邊緣線段長(zhǎng)度進(jìn)行上下精確定位，候選區(qū)灰度圖二值化的投影直方圖進(jìn)行左右精確定位，最后根據(jù)尺寸和投影直方圖中波峰個(gè)數(shù)判斷候選區(qū)是否為車牌，最終達(dá)到車牌定位的目的。
1 候選區(qū)的形成
　因?yàn)槲覈能嚺圃诒砻嫱苛司哂辛己梅垂庑阅艿臒晒夥垂獠牧?，所以能夠很容易地提取出車牌區(qū)域的紋理。而車牌字符的間距又是固定的，因此可以通過連接車牌邊緣的方法來形成車牌的候選區(qū)域。
    鑒于Canny邊緣檢測(cè)算法在邊緣提取上的良好效果，本文運(yùn)用Canny邊緣檢測(cè)算法提取車牌灰度圖像的邊緣。

     核與圖像中目標(biāo)形狀相同有利于提取目標(biāo)，理想的車牌是矩形，因此本文在形態(tài)學(xué)處理時(shí)使用大小為3×3的矩形，核為中心點(diǎn)。對(duì)圖1先進(jìn)行腐蝕操作，再進(jìn)行膨脹處理，可以消除線條和小目標(biāo)，并盡可能保持車牌仍在候選區(qū)內(nèi)，形成若干車牌候選區(qū)。
2 候選區(qū)篩選和車牌精確定位
    本文對(duì)車牌候選區(qū)的篩選分粗篩選和精確篩選兩步。粗篩選是根據(jù)車牌尺寸限制直接對(duì)候選區(qū)進(jìn)行篩選；精確篩選是先對(duì)粗篩選的結(jié)果進(jìn)行精確定位，再根據(jù)車牌尺寸和候選區(qū)二值化圖的垂直投影直方圖特征完成篩選。
    從實(shí)驗(yàn)結(jié)果易知，含有車牌的候選區(qū)在車牌的左右兩邊、上下兩邊往往有部分干擾，車牌所在候選區(qū)的尺寸可能大于前面設(shè)定的車牌尺寸。因此，粗篩選時(shí)最大高度設(shè)為2×hmax，最大寬度設(shè)為2×wmax，最小高度和最小寬度不變。對(duì)各候選區(qū)按照設(shè)定的范圍進(jìn)行粗篩選，可以減少候選區(qū)域的數(shù)量。
2.1 車牌候選區(qū)上下精確定位
    對(duì)各候選區(qū)對(duì)應(yīng)的邊緣進(jìn)行分析可知，含有車牌的候選區(qū)的非車牌區(qū)域含有較多水平方向長(zhǎng)度較長(zhǎng)的線段，這些線段可以通過以下步驟找到。
?。?）初始化n=0，從候選區(qū)對(duì)應(yīng)的邊緣圖中任取一點(diǎn)進(jìn)行步驟（2）。
?。?）若該點(diǎn)像素值為255，則n=n+1，把該點(diǎn)加入點(diǎn)集n，并對(duì)該點(diǎn)作標(biāo)記（比如像素值置為1），進(jìn)行步驟（3）。
?。?）在以該白點(diǎn)為中心的3×3掩碼范圍內(nèi)按式（1）進(jìn)行判斷，若式（1）中為1的位置對(duì)應(yīng)點(diǎn)的像素值為255，則把該點(diǎn)加入點(diǎn)集n，并對(duì)該點(diǎn)按步驟（2）作標(biāo)記，并以該點(diǎn)為新的核進(jìn)行步驟（3）；若掩碼內(nèi)沒有像素值為255的點(diǎn)，則進(jìn)行步驟（4）。
?。?）取候選區(qū)對(duì)應(yīng)的邊緣圖的下一個(gè)點(diǎn)并進(jìn)行步驟（2），若圖中的點(diǎn)全部取完，則搜尋結(jié)束。

　對(duì)去除干擾區(qū)之后的候選區(qū)的邊緣圖逐行分析，統(tǒng)計(jì)每一行中白點(diǎn)間距離小于1.5×dstmax的白點(diǎn)數(shù)量，若大于9，則該行是車牌字符行。取連續(xù)字符行最長(zhǎng)的區(qū)段，就是車牌上下精確定位的結(jié)果。
2.2 車牌候選區(qū)左右精確定位
    將所得區(qū)域?qū)?yīng)的灰度圖用Otsu閾值化方法進(jìn)行二值化，可以得到圖3（a）所示的結(jié)果。統(tǒng)計(jì)圖3（a）中每一列的白點(diǎn)數(shù)目，得到圖3（b）所示的垂直投影直方圖（橫坐標(biāo)為候選區(qū)像素的列數(shù)，縱坐標(biāo)為每一列的白點(diǎn)數(shù)目）。

　設(shè)候選區(qū)高度的一半為seg?？紤]到閾值化的結(jié)果可能是黑底白字和白底黑字兩種情況，為使閾值化結(jié)果統(tǒng)一為白底黑字，根據(jù)車牌中除字符之外的底牌面積遠(yuǎn)大于字符面積的特性，統(tǒng)計(jì)二值化圖中從左到右第一列小于seg到最后一列小于seg區(qū)間的黑點(diǎn)和白點(diǎn)數(shù)目，若白點(diǎn)數(shù)目少于黑點(diǎn)數(shù)目，則對(duì)閾值化結(jié)果進(jìn)行取反，即黑點(diǎn)變白點(diǎn)，白點(diǎn)變黑點(diǎn)，可使閾值化結(jié)果統(tǒng)一為白底黑字。若連續(xù)n列的白點(diǎn)數(shù)目大于seg，且n<1.5×dstmax，則認(rèn)為是一個(gè)字符區(qū)域。若字符區(qū)域個(gè)數(shù)大于4，且字符區(qū)域的寬度大于wmin小于wmax，則認(rèn)為是最終定位的車牌，最終定位結(jié)果如圖3（c）所示。
3 實(shí)驗(yàn)及結(jié)果

　運(yùn)用本文算法對(duì)某卡口全天拍攝到的462幅大小為1 600×1 200的單車牌圖像進(jìn)行實(shí)驗(yàn)，其中包含345張白天拍攝的圖片和117張晚上拍攝的圖片，車型有小轎車、面包車、貨車，車牌有水平和傾斜的情況。計(jì)算機(jī)為主頻2.7 GHz、Windows 7系統(tǒng)。共定位出476個(gè)認(rèn)為是車牌的區(qū)域，其中定位出433張正確的車牌，錯(cuò)誤定位43張車牌，其中4張定位不精確，39張屬于誤檢。定位成功率為93.7%，平均每幅圖像定位時(shí)間為435 ms。
　車牌定位是車牌識(shí)別中重要的環(huán)節(jié)，對(duì)后續(xù)的字符識(shí)別有很大影響。本文提出的基于紋理特征的車牌定位算法在車牌定位上做了一些新的嘗試。其通過連接水平方向上距離較近的邊緣點(diǎn)，運(yùn)用腐蝕膨脹操作來形成候選區(qū)域；在精確定位時(shí)，根據(jù)水平方向邊緣線段長(zhǎng)度進(jìn)行上下精確定位。實(shí)驗(yàn)結(jié)果表明，該方法取得了較好的結(jié)果，具有一定的借鑒價(jià)值。
參考文獻(xiàn)
[1] 吳舟舟，李樹廣.基于分級(jí)邊緣間距的實(shí)時(shí)車牌檢測(cè)[J].中國圖象圖形學(xué)報(bào)，2007，12（2）：315-321.
[2] Zhao Jianyu， Ma Shujian， Han Weimin， et al. Research and Implementation of License Plate Recognition Technology[C]. 24th Chinese Control and Decision Conference， 2012：3768-3773.
[3] KIM M K. License plate location method unaffected by variation in size and aspect ratio[J]. International Journal of Automotive Technology， 2010， 11（5）： 751-758.
[4] 張引.基于空間分布的最大類間方差牌照?qǐng)D像二值化算法[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2001，35（3）：272-275.
[5] 朱成軍，蒲菊華，高磊，等.基于Tophat變換和文字紋理的車牌定位算法[J].北京航空航天大學(xué)學(xué)報(bào)，2008，34（5）：541-545.
[6] 呂文敏.車牌識(shí)別系統(tǒng)中圖像的采集和定位問題研究[J].計(jì)算機(jī)與現(xiàn)代化，2009（3）：19-23.
[7] 張引，潘云鵬.彩色汽車圖象牌照定位新方法[J].中國圖象圖形學(xué)報(bào)，2001，6（4）：374-377.
[8] 王義興，黃鳳崗，韓金玉，等.基于顏色搭配與紋理特征的車牌定位方法[J].中國圖象圖形學(xué)報(bào)，2009，14（2）：303-308.
[9] 王建，劉立，王天慧.基于四元數(shù)特定顏色對(duì)邊緣檢測(cè)的車牌定位[J].計(jì)算機(jī)應(yīng)用，2011，31（3）：729-734.
[10] 聶洪印，周衛(wèi)東，劉輝.多顏色模型和綜合特征下的車牌定位新方法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（12）：221-223.
[11] 高一文，龔劬.基于顏色與結(jié)構(gòu)特征的車牌定位算法[J].重慶文理學(xué)院學(xué)報(bào)（自然科學(xué)版），2012，31（3）：71-75.