隨著我國(guó)城市規(guī)模的急劇擴(kuò)大，對(duì)智能交通系統(tǒng)(ITS)的需求越來越迫切。車牌照自動(dòng)識(shí)別技術(shù)廣泛應(yīng)用于闖紅燈車輛監(jiān)控、停車場(chǎng)管理、電子收費(fèi)系統(tǒng)等領(lǐng)域。完整的車牌識(shí)別系統(tǒng)一般分為3部分：車牌定位、字符分割和字符識(shí)別，其中車牌定位技術(shù)是整個(gè)車牌識(shí)別系統(tǒng)的核心，直接影響整個(gè)識(shí)別系統(tǒng)的速度和準(zhǔn)確率。
目前已有的車牌定位算法眾多，包括邊緣檢測(cè)、數(shù)學(xué)形態(tài)學(xué)、小波分析、投影法、顏色特征提取和神經(jīng)網(wǎng)絡(luò)等�；谶吘墮z測(cè)、數(shù)學(xué)形態(tài)學(xué)及小波分析的方法，定位較準(zhǔn)確，但在背景信息復(fù)雜或車牌上方有引擎散熱孔的圖像中容易產(chǎn)生錯(cuò)誤定位。而投影法速度較快，很難區(qū)分車牌文字與車燈區(qū)域，因而準(zhǔn)確率低�；陬伾卣骱蜕窠�(jīng)網(wǎng)絡(luò)的方法定位準(zhǔn)確，但是運(yùn)算速度慢，并且受天氣、光照及車牌磨損等情況
的影響較大。
由于以上各種單一方法的明顯局限性，提出了一種綜合邊緣檢測(cè)、數(shù)學(xué)形態(tài)學(xué)、彩色特征和投影法的算法，通過質(zhì)心排序去除了引擎散熱孔及其他邊緣豐富區(qū)域的干擾，并通過谷值分析補(bǔ)全車牌區(qū)域。實(shí)驗(yàn)結(jié)果表明該方法克服了以往各種定位方法的缺點(diǎn)，既提高了定位的準(zhǔn)確性，也保證了定位的實(shí)時(shí)性和魯棒性。
1 車牌識(shí)別的粗定位
1．1 邊緣檢測(cè)及數(shù)學(xué)形態(tài)學(xué)處理
由于彩色的車牌中富含的信息量太大，干擾強(qiáng)，故不適合做直接分析。因此，往往將彩色的RGB圖像轉(zhuǎn)成灰度圖再進(jìn)行處理。待定位的車牌區(qū)域含有較多字符，邊緣量豐富。而車身背景中的邊緣量較少，并不密集。因此，可以用邊緣檢測(cè)的方法對(duì)灰度圖做預(yù)處理。
由于邊緣是圖像上灰度變化較為劇烈的地方，在灰度突變處進(jìn)行微分則會(huì)得到突起值，因此，在數(shù)學(xué)上可用灰度的導(dǎo)數(shù)來表示邊緣。而在實(shí)際應(yīng)用中往往采用的是邊緣檢測(cè)算子，通常使用的邊緣檢測(cè)算子有：Sobel算子、Prewitt算子、Roberts算子和Canny算子等。本實(shí)驗(yàn)采用的是Sobel算子，對(duì)水平邊緣分量和垂直邊緣分量同時(shí)進(jìn)行檢測(cè)。
數(shù)學(xué)形態(tài)學(xué)的基本思想是利用“結(jié)構(gòu)元素”來收集圖像信息。結(jié)構(gòu)元素可被當(dāng)成探針，當(dāng)探針在圖像中移動(dòng)時(shí)，便可考察圖像各部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。其算法為：
1)先進(jìn)行數(shù)學(xué)形態(tài)學(xué)閉運(yùn)算：其可簡(jiǎn)單定義為先膨脹再腐蝕。閉運(yùn)算一般會(huì)將狹窄的缺口連接起來形成細(xì)長(zhǎng)的彎口，并填充比結(jié)構(gòu)元素小的洞。這樣便可以連接鄰近物體，在不明顯改變物體面積的情況下起到平滑邊界的作用。
閉運(yùn)算定義為：
實(shí)驗(yàn)結(jié)構(gòu)如圖1、圖2所示。
2)再進(jìn)行數(shù)學(xué)形態(tài)學(xué)開運(yùn)算，可簡(jiǎn)單定義為先腐蝕再膨脹。開運(yùn)算后完全刪除了不能包含結(jié)構(gòu)元素的對(duì)象區(qū)域，平滑了對(duì)象輪廓，斷開了狹窄的連接，去掉了細(xì)小突出部分。
開運(yùn)算定義為：
實(shí)驗(yàn)結(jié)構(gòu)如圖3所示。
1．2 待選區(qū)域的質(zhì)心定位及顏色判斷
對(duì)待選區(qū)域的傳統(tǒng)處理方法有多種，其中包括面積排序，長(zhǎng)寬比排序和顏色識(shí)別。
1)面積排序 由于無法保證車牌區(qū)域的邊緣分量最豐富。當(dāng)車體上圖案較多，或車燈紋理較為明顯時(shí)，對(duì)定位準(zhǔn)確率的干擾很大。
2)長(zhǎng)寬比排序數(shù)學(xué)形態(tài)學(xué)處理后，常常引入了較多符合車牌長(zhǎng)寬比特性的區(qū)域。而且當(dāng)車牌角度出現(xiàn)偏差時(shí)，長(zhǎng)寬比判定的準(zhǔn)確率明顯下降。
3)顏色識(shí)別 在多數(shù)情況下可以識(shí)別車牌，但是當(dāng)車體上有較為豐富的圖案且顏色與車牌顏色相近時(shí)，顏色識(shí)別的準(zhǔn)確率便大大下滑。
對(duì)于絕大多數(shù)汽車來說，車牌基本位于車輛的最底部，而車牌下部不像車身那樣擁有大量文字或圖案，給識(shí)別帶來干擾，它形式較為單一，這給識(shí)別帶來極大方便。同時(shí)，地面因?yàn)闃邮絾我�，干擾量更是微小。因此，可采用對(duì)候選區(qū)域進(jìn)行自下而上檢測(cè)的方式。
然而，還需注意的是，車燈往往與車牌區(qū)域平行，其邊緣量也很豐富，故其干擾相對(duì)較大�？紤]到車燈多數(shù)為紅色，白色或透明，和車牌顏色相差較大，因此可以用顏色識(shí)別來區(qū)分車牌區(qū)域和車燈區(qū)域。故本實(shí)驗(yàn)采用質(zhì)心檢測(cè)與顏色識(shí)別相結(jié)合的方法。先對(duì)待選區(qū)域質(zhì)心的縱坐標(biāo)進(jìn)行排序，并由圖像最底部向上進(jìn)行檢測(cè)。
首先，將候選區(qū)域內(nèi)各像素點(diǎn)由RGB模型轉(zhuǎn)為HSV模型，即色度(Hue)、飽和度(Saturation)和強(qiáng)度(Value)。由于直接轉(zhuǎn)成HSV模型后，均勻量化的結(jié)果導(dǎo)致量化數(shù)據(jù)量巨大。而在車牌識(shí)別中只需要對(duì)特定的幾種顏色進(jìn)行識(shí)別，不需要將各種顏色詳細(xì)區(qū)分開來，量化過細(xì)反而會(huì)造成顏色判斷的歧義，導(dǎo)致結(jié)果失真。因此，可采用非均勻量化的方法來減少量化級(jí)別，提高計(jì)算效率。同時(shí)，非均勻量化還可將相似的顏色歸為同一顏色，大大減小了算法的復(fù)雜度。將色度分為16個(gè)等級(jí)，飽和度和強(qiáng)度各分3個(gè)等級(jí)。其算法過程為：
1)對(duì)候選區(qū)域各個(gè)像素點(diǎn)的H、S、V值進(jìn)行統(tǒng)計(jì)；
2)找到H、S、V 3個(gè)變量的最大值點(diǎn)H_max、S_max、V_max，這幾個(gè)特征值便能代表整個(gè)區(qū)域的顏色特征信息；
3)顏色判斷的算法為
實(shí)驗(yàn)結(jié)果證明，該算法識(shí)別準(zhǔn)確率比傳統(tǒng)算法高，能對(duì)車身有大量圖案干擾的車輛進(jìn)行準(zhǔn)確識(shí)別。質(zhì)心位置檢測(cè)可以排除顏色與車牌相近的車身圖案、標(biāo)志的干擾。顏色識(shí)別則可以排除位于車牌附近車燈、保險(xiǎn)杠等干擾。
2 車牌識(shí)別的細(xì)定位
2．1 豎直投影處理
在粗定位的候選區(qū)域里，常會(huì)存在錯(cuò)誤和誤差。錯(cuò)誤大多是因?yàn)樵谲嚺葡虏窟�附帶有文字廣告，警示語等。而誤差的產(chǎn)生大多是由于圖像清晰度低或曝光不足等因素導(dǎo)致的車牌識(shí)別中字符間斷裂等情況。
為解決此類問題，采用豎直分量投影的方法。選取能包含待選區(qū)域且與原圖像等寬的最小區(qū)域的灰度圖，利用以下公式將相鄰2個(gè)像素點(diǎn)兩兩進(jìn)行相減再求和，即可求得該列上邊緣信息的變化情況。
將每一列的投影值均計(jì)算出來后，即可作出候選區(qū)域的投影圖，如圖4，5，6，7所示。
由投影圖可以看出，有字符的區(qū)域有明顯峰值，而字符之間均為谷值。通過該峰谷的交替變換，即可判斷字符的位置和數(shù)量。
2．2 基于字符間隔的細(xì)定位
在實(shí)際操作過程中，有時(shí)選區(qū)域是由其他字符組成，如廣告或字符圖案，其特征與車牌特征過于相似，導(dǎo)致一般方法很難將其區(qū)分開來。此時(shí)，可采用谷值數(shù)量檢測(cè)的方法判斷字符數(shù)目來區(qū)分車牌與字符圖案。另外由于圖像曝光等原因，導(dǎo)致字符處出現(xiàn)斷裂，使車牌區(qū)域變成兩個(gè)候選區(qū)域。因此，在最終輸出時(shí)往往只能輸出車牌的一部分，而不是全部。為了解決字符斷裂的問題，采用谷值跟蹤技術(shù)。即由質(zhì)心點(diǎn)分別向左右兩側(cè)檢測(cè)谷值處，并統(tǒng)計(jì)谷值的個(gè)數(shù)。對(duì)于普通車牌，即7個(gè)字符，應(yīng)有6個(gè)谷值點(diǎn)。當(dāng)檢測(cè)到確實(shí)為6個(gè)谷值點(diǎn)時(shí)，則找到車牌，當(dāng)檢測(cè)谷值點(diǎn)小于6個(gè)時(shí)，放寬閾值，繼續(xù)檢測(cè)，直到谷值點(diǎn)為6個(gè)為止。具體操作過程為：
1)找到投影圖像的峰值peak，并將整個(gè)投影圖像二值化。即：
IMG height=180 alt="" src="http://www.eeworld.com.cn/uploadfile/qrs/uploadfile/201110/20111026104605735.jpg" width=200 border=0>
這樣便可得到二值化的投影圖如圖8所示。
2)由質(zhì)心處分別向兩邊進(jìn)行檢測(cè)。1值作為起點(diǎn)，當(dāng)檢測(cè)到下個(gè)點(diǎn)也為1時(shí)，再繼續(xù)檢測(cè)下個(gè)點(diǎn)；當(dāng)檢測(cè)到下個(gè)點(diǎn)為0時(shí)，num_zero=num_zero+1，再繼續(xù)檢測(cè)下len個(gè)點(diǎn)，若len個(gè)點(diǎn)中有一個(gè)為1，則把這個(gè)點(diǎn)當(dāng)作起點(diǎn)繼續(xù)檢測(cè)。若len個(gè)點(diǎn)均為0，則最后的1值處即為車牌的端點(diǎn)處。
3)若num_zero=6，則車牌區(qū)域完整，跳出循環(huán)。若num_zero<6，放寬閾值len_new=1．2*len，再進(jìn)行檢測(cè)。直到len_new=2*len時(shí)，若還未跳出循環(huán)，則說明該區(qū)域不是車牌區(qū)域，轉(zhuǎn)入上層循環(huán)，查找下一候選區(qū)域。
結(jié)果表明，在該細(xì)定位的算法下，車牌識(shí)別較為準(zhǔn)確，只有少數(shù)車牌出現(xiàn)字符斷裂的情況。出現(xiàn)斷裂的車牌圖像是因?yàn)檐嚺莆沧址麨閿?shù)字1，在做差分投影時(shí)，其顯示為谷值，故漏檢一位字符。針對(duì)此種情況，將最終定位的車牌邊緣值與初始候選區(qū)域的邊緣值相比較，若投影后的邊緣值小于候選區(qū)域1個(gè)字符長(zhǎng)度以上，則認(rèn)為其尾字符在差分投影中被減掉，可將其補(bǔ)上。最終輸出車牌圖像如圖9所示：
3 實(shí)驗(yàn)結(jié)果
實(shí)驗(yàn)所采用的圖像為640×480像素256級(jí)灰度圖像，其中車牌包括小型民用車牌照(藍(lán)底白字)、大型民用車牌照(黃底黑字)、軍用牌照(白底黑字)。圖像中車牌所占的大小比例各異，背景不同，其中部分車輛車身有明顯的字符圖案和粘貼的警示語。在集中檢測(cè)的80幅圖中正確檢測(cè)了77幅，漏檢1幅。誤檢2幅。漏檢圖像由于車牌掉色過于嚴(yán)重，導(dǎo)致最后幾位字符無法檢測(cè)；而誤檢的兩幅圖是因?yàn)檐嚺频撞坑蓄伾⒆址c車牌相近的廣告語，無法將其與車牌區(qū)分開來。該問題可以在車牌定位之后的字符識(shí)別環(huán)節(jié)中可以得到解決。
4 結(jié)論
本文提出的算法綜合了質(zhì)心檢測(cè)排序，顏色判別和投影法字符跟蹤檢測(cè)的方法。該算法通過質(zhì)心檢測(cè)排序的方法解決了車身上部文字花紋和廣告語、警示語對(duì)車牌識(shí)別的干擾：通過顏色識(shí)別排除了類似車燈區(qū)域等有著高邊緣特性區(qū)域?qū)嚺茀^(qū)域的干擾；而投影法字符跟蹤檢測(cè)算法解決了在精確車牌字符定位中字符斷裂、缺損等情況的發(fā)生。該算法定位檢測(cè)準(zhǔn)確率高，且抗干擾能力強(qiáng)，在實(shí)際應(yīng)用過程中是可行有效的。
