一种新的车牌定位方法

摘要:该文提出一种基于颜色与纹理综合特征的车牌定位新方法。首先进行颜色分割,提取并强化目标颜色,然后提出一种专门针对车牌颜色的灰度化方法进行灰度化处理,最后进行区域生成,分割并定位车牌。实验表明算法效果好,速度快,尤其是提出的灰度化算法较标准灰度化算法效果更明显。

关键词:车牌定位;颜色分割;灰度化算法

中图分类号:TP273 文献标识码:A文章编号:1009-3044(2009)13-3521-03

智能交通系统是为了有效解决日益繁重的交通管理任务而提出的,它利用信息处理技术、导航定位技术、通信技术、自动控制技术、图像处理和识别技术及计算机网络技术等加强道路、车辆、驾驶员和管理人员的联系,实现交通管理自动化和车辆行驶的智能化。车牌识别技术作为智能交通系统的重要组成部分,占有重要地位,是交通管理自动化的重要手段和车辆检测的一个重要环节。

车牌定位是车牌识别(License Plate Recognition,LPR)的核心技术之一,是字符分割和正确识别的基础和前提。车牌定位本质上是一个难度较大的图像分割问题,分割必须要基于一定的特征,特征的选取对车牌定位分割极其重要。本文对车牌定位过程进行了研究,并提出一种新的车牌定位方法。

1车辆牌照的特征

我国现主要有四类车辆牌照:1)小功率汽车所用的蓝底白字牌照; 2)大功率汽车所用的黄底黑字牌照; 3)国外驻华机构用的黑底白字牌照; 4)军用或警用的白底黑字、红字牌照。车牌字符有四种类型:汉字字符、数字字符、英文字符和圆点分割符,这些字符构成了车牌区域丰富的纹理图案。另外,我们还可以归纳出车牌的一些主要特征[1]:1)几何特征:标准车牌的宽、高、宽高比一定;2)灰度特征:穿过车牌的水平直线,其灰度呈现连续的波峰、波谷、波峰分布;3)边缘灰度直方图统计特征:车牌区域内的边缘灰度直方图具有两个明显并分离的分布中心;4)水平、垂直投影特征:车牌区域内的水平和垂直投影呈现连续的波峰、波谷、波峰分布;5)形状特征:车牌边框为矩形;6)字符排列特征:车牌中的字符排列符合一定的标准;7)频谱特征:对车牌图像作行或列的DCT变换,其频谱图中包含了车牌的位置信息;8)颜色特征:总共含有5种颜色:黄色、蓝色、红色、白色和黑色;

这些特征为实现车牌定位提供了可靠的依据,也是车牌分类、字符分割和识别的主要凭证。

2 彩色分割与背景过滤

在LPR系统中,图像的采集和显示都是根据RGB模型工作的。RGB模型与人眼感觉红、绿、蓝三原色能够很好地匹配,取得良好的视觉效果,但RGB模型不能很好地适应人眼对颜色的解释。例如它没有涉及用组成其颜色的每一原色的百分比去描述物体的颜色,即不能定量描述物体的颜色。因此,RGB模型不能很好地应用于彩色图像处理和计算机视觉。用HSV模型中的3个基本属性来描述物体的颜色就能够定量分析人眼对颜色的视觉作用,非常适合彩色图像处理和计算机视觉。因此,需要将采集的彩色图像从RGB颜色空间转换到HSV颜色空间,转换公式如下:

设v1=max(R,G,B),v2=min(R,G,B),定义R'、G'、B'为:

■(1)

则: ■(2)

其中: ■ (3)

实验发现如底色为蓝色的车牌,H分量在190°~240°之间,通过这个分量进行过滤,可以将车牌图像中的蓝色部分(包括蓝色车牌部分)过滤出来。这一过程虽然可以将蓝色车牌部分过滤出来,但势必有许多H值在此范围的背景没有滤除,对于背景复杂的车牌图像,很难定位车牌位置。实际上蓝色不仅与H值有关,而且与S值也有很大的关系,经过试验观察,蓝色车牌的S值在50~95之间。根据蓝色车牌的H值和S值的范围,对图像进行过滤就可以将车牌图像中的蓝色部分过滤出来。本文通过以上方法从车牌图像中提取目标颜色信息(车牌颜色信息),为定位车牌对图像进行预处理,并得到HSV图片。

颜色量化通常有等间隔和非等间隔量化,采用等间隔量化的矢量维数多,计算量大。因此针对车牌图像的特征,可采用非等间隔量化,将色度值H分为12个等级,饱和度S分为5个等级,亮度V分为4个等级,从而大大减少计算量。其划分如下[2]:

■ (4)

■(5)

■ (6)

实验发现蓝色车牌有的颜色较深、较暗,饱和度较高;有的颜色较浅、较亮,饱和度较低;同样的其他颜色的车牌也存在类似的情况。对于黑白颜色来说,H值十分重要,S值可以做辅助判别条件,而对于黑色和白色,H值变化范围大,而S值和V值稳定在一定范围内。同时还观察到与蓝、红色相似的颜色的H、S值位于同一区间,与黑色相似的S、V值位于同一区间,与白色相似的S值位于同一区间。颜色过滤的算法描述如下:

if(H == 8 && S >= 3)为蓝色

else if(H == 12 && S == 4)为红色

else if(H == 2 && V >= 3)为黄色

else if(S

else if(S == 1 && V>= 2)为白色

else为背景色。

3 图像灰度化

为了便于后续更快速的处理图像,需要对图像进一步进行灰度转换,将图像转换成256色灰度图像。灰度化可采用现行标准的平均值法,但考虑到本课题的特殊运用,经过背景过滤后,车牌图像主要包含红色、黄色、蓝色、白色和黑色颜色信息,灰度化时可以主要考虑这几种信息。这几种颜色信息有如下特点:1)红色主要包含R信息,R值远大于G、B的值,G和B相差不大;2)黄色主要包含R和G信息,R和G的值远大于B的值,R和G的值相差不大;3)蓝色主要包含B信息,B值远大于R和G的值,R和G的值相差不大;4)白色所包含的R、G、B信息相差不大(前面的处理过程中,三个值被处理为相等),且R、G、B的值都比较大,接近255;5)黑色所包含的R、G、B信息相差不大(前面的处理过程中,三个值被处理为相等),且接近0。

所以灰度化可使用以下算法进行,该算法相较于现行标准的平均值法,所需的时间大大缩短,且效果良好。用g表示灰度化后的值: g=Max(R,G,B)- Min(R,G,B)(7)

其中:

If g等于0

IfMin(R,G,B)>T(T为经验值,在此等于110)

该像素点为白色

Else

该像素点为黑色

End

End

■

图1 原图 图2背景过滤图图3 本文提出的灰度化算法图4 标准灰度化算法

4 二值化

由车牌自身特征可知,车牌区域拥有丰富的边缘信息,所以在进行二值化处理之前,先利用Sobel算子对图像进行边缘检测,提取图像边缘,然后进行二值化处理。如何选择阈值对灰度图像进行二值化对于准确定位车牌是很重要的,二值化的算法如下:

■(8)

式中T是阈值。

5 车牌定位

对图像进行二值化处理后,图像可能会出现断裂情况,尤其是车牌区域,可对图像进行数学形态学的膨胀运算,消除断裂情况。然后在图像中生成连通矩形区域,再根据车牌的结构和纹理特征,如大小、长宽比例等删除非车牌区域[3],最后定位车牌。具体步骤如下:1)对车牌进行膨胀运算,消除断裂情况;2)在图像中生成连通矩形区域,车牌图像就包含在这些矩形区域之中;3)根据车牌结构和纹理特征,如矩形区域的宽度小于80个像素点,高度小于15个像素点;矩形区域的高宽比不在0.15~0.5之间;矩形区域的密度(矩形区域内非零像素点的个数与矩形区域总的像素点之比)小于0.7等,删除非车牌区域,定位车牌。

任何矩形区域只要满足以上的其中一条,就可以删除该区域。这样就可以把大量面积小和高宽比明显不符合条件的区域删除,一般只会剩下一两个区域,而车牌区域就包含在这一两个区域内。由于拍摄角度的原因,车牌所在区域通常是在整个图像的中间偏下的位置,根据这一特点可确定车牌区域。若没有剩下矩形区域,则定位失败。

6 实验结果及分析

实验采用了90幅640×480的汽车牌照图像,这些图像用数码相机在不同场合、不同光照条件下拍摄,应用本文算法,有86幅车牌正确定位,有效定位率达到95.6%。

整个程序运算简洁、快速,定位正确。算法的特点是:1)所处理的图像车牌本身在图像中所占的比例很小(车牌宽度小于1/5),背景复杂,采用传统的灰度图像处理方法难以正确定位,故针对彩色图像进行处理并充分运用颜色信息,综合采用了多种方法;2)彩色图像信息量大,处理时间长,而算法在一开始的颜色分割中就滤除了大量无关信息,便于后续处理并提高了处理速度;3)本算法可以对同一图像中存在多幅车牌的情况进行正确定位。

参考文献:

[1] 陶军.车牌识别技术研究与实现[D].南京:南京理工大学,2004.

[2] 徐国强.基于颜色和纹理综合特征的车牌定位方法[J].湘潭师范学院学报:自然科学版,2007,29(2):31-35.

[3] 樊孝宏,戚飞虎.一种基于纹理和颜色综合特征的车牌定位新方法[J].计算机工程,2004,30(13):125-127.