摘   要： 針對加油站管理系統(tǒng)中的車牌定位問題，在對彩色圖像灰度化的基礎上，利用迭代法進行圖像分割，利用行掃描技術并結合車牌字符特征，實現(xiàn)了車牌的準確定位，實驗證明了該方法的有效性。
關鍵詞： 車牌定位; 迭代法; 二值圖像; 行掃描

    加油站信息管理系統(tǒng)利用信息技術對油品銷售、油料配給等進行實時、高效、智能的監(jiān)控和管理，從而極大地降低了運行和管理成本，減少投入，以較低代價獲取最佳的經濟價值,因此具有明顯的經濟和社會效益。國內的大型鋼鐵、交通物流、港口碼頭等企業(yè)都有內部加油站為本公司車輛加油，而且油料在生產成本中占據(jù)了很大比重。利用IC卡技術可在一定程度上實現(xiàn)對車輛的用油統(tǒng)計和管理，但無法完全杜絕用油中的漏洞,存在IC卡用于非對應車輛加油現(xiàn)象。利用加油車輛的車牌信息判別是否為授權加油車輛，可最大程度地保證加油車輛的合法性，提高用油管理的等級，能在較大程度上杜絕用油漏洞。
　加油站管理系統(tǒng)通過攝像頭對進入加油站的車牌進行圖像抓拍，并對抓拍的圖像進行號碼自動識別，獲得數(shù)字化信息來進行有關的管理和控制，對登記過的合法車輛授權加油機進行加油。車牌識別的工作過程分為兩個步驟：一是確定車牌在整個圖像中的位置；二是車牌號碼字符識別，即從車牌圖像中識別出車牌號碼，并輸出車牌號碼字符串。在加油站中，基于防爆考慮，拍照時不能進行補光，采集的圖像較暗，尤其在晚上更為突出，因此研究一種快速有效的車牌定位技術顯得尤為必要。
　國內外學者對車牌定位進行了廣泛的研究，提出了許多算法，如基于數(shù)學形態(tài)學的方法[1]，該方法利用選取合適的結構元素使車牌區(qū)域形成閉合的連通區(qū)域，通過這些連通區(qū)域的篩選可以將車牌找到，運算量較小，但識別準確率不高；基于神經網絡的方法[2-3]則需把圖像特征輸入神經網絡進行學習，計算量很大，同時存在網絡局部收斂、車牌定位時間長等問題；基于Hough變換進行直線檢測的方法[4]，計算量較大，對于邊框小、連續(xù)的車牌，需附加大量的運算；基于彩色圖像的車牌分割方法[5]一般將輸入的RGB彩色圖像轉換成HIS空間的彩色圖像，需進行大量的浮點運算，然后進行色彩分割，再進一步定位車牌，計算量很大；基于模糊邏輯的方法[6]需要在圖像屬性域和模糊域之間變換，實時性比較差。本文在利用迭代法生成二值圖像的基礎上，利用行掃描技術，結合車牌圖像的字符特征，研究了一種適合加油站使用的車牌定位技術，為后續(xù)的字符識別提供技術支持。
1 圖像的灰度化
　視頻采集系統(tǒng)輸出的是24位真彩圖像,彩色圖像包含大量的顏色信息，圖像信息更加豐富,但也存在存儲空間大、計算量大等缺點，為此要把彩色圖像轉換為灰度圖像。將彩色圖像轉換為灰度圖像的方法有以下三種：

    對一幅彩色圖像進行灰度化，其結果如圖1所示。

2 圖像閾值分割
　直方圖閾值法是灰度圖像廣泛使用的一種分割方法，它基于對灰度圖像的這樣一種假設：目標或背景內部的相鄰像素間的灰度值相似，但不同目標或背景上的像素灰度差異較大，反映在直方圖上，不同目標或背景對應不同的峰。選取的閾值應位于兩個不同峰之間的谷上，以便將各個峰分開,典型的方法有Otsu方法、最大熵方法等?；谥狈綀D的方法要求直方圖是雙峰的，即要有明顯的谷底以便選取閾值。由于車牌圖像中，相對于車牌區(qū)域來講，背景比較復雜，圖像不一定有明顯峰值，因此本文采用迭代法來獲取閾值，因為迭代法不要求直方圖有明顯的雙峰。迭代法方法如下:
    (1)求出圖像的最大灰度值和最小灰度值，分別記為Gmax、Gmin，使初始閾值為:

    (2)在t步，根據(jù)t-1步計算的閾值,將圖像分割為背景和目標，并利用式(6)計算目標和背景的平均灰度，
g(i,j)為像素點(i,j)的灰度級:

    直到兩組的平均灰度值不再發(fā)生改變，這時得到的就是所需要的閾值。利用上述方法對圖1進行圖像分割后的結果如圖2所示。

3 行掃描的車牌定位技術
3.1 車牌行掃描
    牌照區(qū)域區(qū)別于其他區(qū)域的最明顯的特征是：牌照區(qū)域有按一定標準排列的字符，不僅字符和車牌底色在灰度上存在跳變，且在車牌區(qū)域有豐富的邊緣存在，呈現(xiàn)出規(guī)則的紋理特征，具體可歸結為該區(qū)域水平方向灰度變化頻度比較高。記圖像中第i行灰度變化函數(shù)為f(i)(0≤i≤M)，M為圖像的高度,使用水平掃描線獲取整幅圖像每行的灰度變化值，即二值化后圖像由黑到白或由白到黑的變化頻率。由于車身和背景的水平灰度變化值要低于車牌區(qū)域，據(jù)此設計的行掃描技術如下:
　(1)統(tǒng)計二值化后圖像第i行的灰度變化值，采用的公式為：
  
g(i,j)表示在像素點(i,j)上的灰度級。即橫向掃描線掃描到的像素點，其值的變化從黑點變到白點，或者從白點變到黑點，這時統(tǒng)計的數(shù)據(jù)加1，整行掃描完獲取的就是第i行的灰度變化值。
    (2)求出圖像行灰度變化值大于零的行的灰度變化平均值，計算公式為：
   
   (3)對f(i)進行拷貝，得到fc(i)后，去除所有f(i)小于Ave的行，即將這些行的f(i)置為0。對圖2進行行掃描后的結果如圖3所示。

3.2 車牌區(qū)塊狀化
　利用上文所述方法進行車牌掃描后，其結果可能把車牌區(qū)域的某幾行去除，當然車牌區(qū)域大多數(shù)行仍然保留著，所以要進行區(qū)域塊化，以保留完整的車牌區(qū)域。根據(jù)實際情況和實驗表明，在車牌區(qū)域中行灰度變化值f(i)>0和f(i)=0的變化間距不會超過某個數(shù)值T1，因為車牌區(qū)域的字符是連貫的，而且車牌周圍的背景比較穩(wěn)定，所以以行距T1作為歸并車牌區(qū)域的閾值。T1在實際中可以取一個合適數(shù)值，如5或6。
　具體算法如下：
　(1)遍歷所有i(0≤i≤M)，只要滿足f(i-1)>0&&f(i)=0,進行步驟(2)，否則繼續(xù)步驟(1);
　(2)令j=i，滿足j>i+T1&&j≤M；若存在f(j)>0，則可以使i到j這幾行的f(j)=fc(j)，即讓其恢復原值，完成區(qū)域塊化；
　(3)去除零散區(qū)域。由于車牌在整幅圖像中的寬度不可能小于T2個像素,同時實驗結果表明以T2取10~15作為去除零散區(qū)域的閾值比較合適。首先查找滿足f(i-1)>0&&f(i)=0的行，則第i-1行為此區(qū)域的邊界，從此邊界開始向下搜索T2個像素，如果存在f(i)=0，說明此區(qū)域的行寬不足T2，則去掉此零散區(qū)域，即令f(i)=0；
   (4)判斷是否i≥M，如果是則退出,否則繼續(xù)步驟(1)。
　利用此算法對圖3進行處理的結果如圖4所示。

3.3 利用車牌特征選取條狀區(qū)域
   在剩余的矩形區(qū)域中，統(tǒng)計每個矩形區(qū)域中灰度跳變點總數(shù)，將總數(shù)最大的那個區(qū)域確定為車牌區(qū)域，如圖5所示。若此區(qū)域不存在，則認為圖像中無車牌圖像。接著，要在可能的條狀區(qū)域中選擇車牌可能在的塊狀區(qū)域。原始車牌中每個字寬45 mm，字高90 mm， 間隔符寬10 mm，每個單元間隔12 mm，根據(jù)這些尺寸，可以得出車牌區(qū)域中字高和字的總長比值約為1:5。

　經過前面的篩選，留下的條狀區(qū)域必然緊貼字符，假設可能的每個條狀區(qū)域的行高為H，按照1:5的比例，獲取此條狀區(qū)域中所有H×5H的塊狀區(qū)域,計算這些塊狀區(qū)域的灰度變化值B(i)，其中最大的B(i)值對應的塊狀區(qū)域即為可能的車牌塊狀區(qū)域。
3.4 密度法獲取精確位置
   由于車牌區(qū)域字符紋理的復雜性，其單位面積的灰度變化值應該是最大的，若可能的第i塊車牌區(qū)域的灰度變化值為B(i),面積為A(i)，就可得到灰度變化值的密度為D(i)。比較所有的密度值，則最大的密度值對應的區(qū)域即為車牌區(qū)域。其中，
   
   利用此法獲取的車牌區(qū)域如圖6所示。

4 實驗
　在VC++6．0環(huán)境下開發(fā)車牌定位系統(tǒng), 在Pentium(2.2G)CPU、2 GB內存的計算機上對300幅車輛圖像進行車牌牌照圖像獲取測試。試驗結果如表1所示，車牌定位總有效率在96%以上。算法中，由于在車牌區(qū)塊化的過程中對車牌行掃描中去除的車牌區(qū)域進行了復原，因此車牌沒有出現(xiàn)漏檢區(qū)域，但是出現(xiàn)了將非車牌的背景區(qū)域也包含進來的情況，算法有待進一步改進。

    本文針對加油站管理系統(tǒng)中的車牌定位問題展開研究，在灰度化的圖像上進行迭代法分割圖像，并采用行掃描技術結合車牌字符特征，對車牌區(qū)域進行了準確定位。本文提出的定位算法計算量小、處理速度快。實驗結果表明，其總有效率達到了95％以上，具有較高的檢測速度和準確率。
參考文獻
[1] 盧雅琴，鄔凌趟．基于數(shù)學形態(tài)學的車牌定位方法[J]．計算機工程，2005，3l(2)：224-227.
[2]  張興會，杜升，陳增強，等．基于神經網絡的車牌照自動識別系統(tǒng)[J]．儀器儀表學報，2001，22（3）增刊.
[3]  JUNG K. Neural network-based text location in colorimage[J]. pattern recognition Letters,2001(22):1503-1515.
[4] SURAL S, DAS P K. Fuzzy hough transform and an MLP     with fuzzy input/output for character recognition[J]. Fuzzy Sets and Systems,1999:489-497.
[5] 任德華. 自然復雜環(huán)境中基于顏色的多車牌定位研究[J]. 中國圖象圖形學報, 2009,14(12):2517-2525.
[6]  WANG Feng, MAN Li Chun, WANG Bang Ping, et al. Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognition Letters,2008(29):1007-1020.