纹理分析车牌定位方法的研究现状及展望

摘要：作为智能交通系统的核心技术之一，基于机器视觉的车牌识别一直受到广泛的关注。车牌定位是车牌识别的重要步骤，其目的是确定车牌在图像中的坐标位置，从而剔除大部分的噪声区域，仅保留包含车牌的子区域。目前，纹理分析是车牌定位最基本也是最重要的手段。该文首先介绍了纹理分析车牌定位方法的研究成果，然后总结这些方法的不足，展望了下一步的研究方向。

关键词：智能交通 车牌识别 车牌定位

中图分类号：TP3 文献标识码：A 文章编号：1674-098X（2013）01（b）-00-03

基于机器视觉的车牌识别是智能交通系统的核心技术之一，可广泛应用于高速公路自助缴费、城市交通监控、违章或犯罪监控以及智能停车场管理等方面，它主要包括图像获取、车牌定位、倾斜校正、字符分隔、字符识别五个部分。车牌定位即确定车牌在图像中的坐标位置，从而剔除大部分的噪声区域，仅保留包含车牌的子区域。定位效果直接制约着倾斜校正、字符分割以及识别效能的发挥。具有丰富的纹理是车牌区别于诸多背景的最基本特征。通过分析这些纹理特征进行车牌定位的方法称为纹理分析车牌定位法，简称纹理定位法。按照纹理特征的类型可以将纹理定位法分为边缘跳变、边缘密度、边缘相关性、灰度梯度、连通性、角信息六类。该文首先分别介绍了这六类方法的研究成果，然后总结了现有纹理定位法存在的不足，展望了下一步的研究方向。

1 边缘跳变

车牌字符和车牌底之间的颜色分立特征导致从字符到底色或是从底色到字符均存在显著的边缘跳变，统计这种跳变特征即可找到感兴趣的区域。文献[1]首先提取二值边缘，然后采用行扫描记录边缘跳变点数，从而实现候选区定位。刘庆祥[2]等进一步将这种跳变特征模板化，然后利用该模板进行扫描匹配，从而实现车牌定位。投影则是另一种常用的统计方法，它通过二值边缘图像的水平和垂直投影统计边缘跳变点的分布，分别确定车牌在水平和垂直方向的位置。其中，一些学者还针对投影曲线的特征分析进行了大量的改进。为了克服传统投影法关于多峰值的缺点，冯国进等[3]提出一种自适应投影法，自动获取投影最大值变化点，仅保留少数显著的峰值区域，减少分析的难度以及提高定位准确性。为了达到相同的目的，Z.X.Chen等[4]利用字符的高度去除不满足条件的峰值区域。此外，X.F.Chen等[5]首先通过投影曲线形状的平滑分析将车牌图像分为白天和夜晚两种类型；对于前者，使用垂直投影确定车身的范围，缩小搜索区域；然后，通过投影曲线平滑、放大、分割特征分析等实现夜晚类型图像和处理过后的白天类型图像的车牌定位。

2 边缘密度

车牌可以看成是边缘丰富的类矩形区域，因此边缘密度经常被应用于车牌的候选区定位。边缘密度的计算方式可分为固定矩形、外接矩形和分块合并三种。文献[6]根据先验知识设计一个与车牌尺寸相比拟的矩形窗口，并使用该窗口在图像中进行滑动扫描，计算当前窗口的边缘密度，将满足一定条件的窗口区域作为车牌候选区。为了提高扫描的鲁棒性，文献[7]进一步将扫描窗口设定为边缘外接矩形，这样有利于适应车牌区域的尺寸变化。但是，无论固定矩形和外接矩形窗口扫描都是按照一定行列步进进行的，扫描速度较慢。为了提高扫描速度，文献[8]首先将图像划分为若干个子块，分别计算其边缘密度，若满足一定条件就判定当前子块属于车牌候选区域；然后，对挑选出来的子块进行合并、再分割等操作，从而实现候选区定位。

3 边缘相关性

车牌的字符笔画具有一定的宽度，使得字符尤其是英文字母和数字具有对称性较好的的边缘对。朱风云等[9-10]提出一种基于互相关矢量图的车牌定位算法，有效地提取了这种特征，从而结合先验知识实现车牌定位。该算法首先利用水平差分得到差分为正和负的两幅图像，并进行阈值化；然后，利用粒子图像测速互相关算法对这两幅图像进行分析，得到车牌图像的互相关矢量图；最后在矢量图中确定车牌的位置。

4 灰度梯度

灰度梯度特征是边缘跳变特征的初级阶段，一旦经过二值化，前者就转化为后者。然而，二值化过程对噪声比较敏感，因此一些学者直接利用灰度梯度特征进行车牌定位。这些研究的重点主要集中在车牌区域的灰度梯度增强和灰度梯度特征提取两个方面。张玉姣等[11]提出一种基于模糊边缘检测的定位方法。模糊边缘检测需要根据灰度梯度直方图确定广义渡越点，进而对感兴趣的灰度边缘进行增强。该方法对目标区域的灰度梯度增强效果较好，且具有一定的噪声抑制功能。但是，模糊边缘检测过程中的多次迭代会显著降低定位过程的实时性。因此，作者仅将该方法应用于候选区筛选，而非候选区定位，取得了较好效果。李宇成等[12]通过构造卷积能量图，实现目标区域的灰度梯度增强。首先，通过像素极值处理和差分构造对比度图；然后，根据卷积长度对该图像进行像素延拓，最终得到卷积能量图。灰度跳变剧烈的区域在卷积能图中将得到进一步的增强。此外，等级滤波也能获得卷积能量图类似的增强效果[13]。另一方面，Q.Wu等[14]定义梯度密度和梯度密度差异两个统计量实现灰度梯度特征提取。他们认为车牌区域的梯度密度明显大于非车牌区域，同时梯度密度差异明显小于非车牌区域；利用这两个统计特征即可实现车牌定位。类似地，B.Chen等[15]定义一种不规则尺度来描述车牌区域的灰度梯度特征。他们首先将图像划分为若干个子块，通过大量统计实验研究子块的不规则尺度；实验结果表明：至少存在一个车牌区域附近的子块，其不规则尺度在一个特定的范围内；然后，根据这一阈值范围搜索不规则尺度满足要求的子块，从而实现车牌定位。

5 连通性

车牌具有若干水平排列的规则字符，即使考虑倾斜的情况下也可以看成是具有规则排列结构的若干连通区域，因此连通性也成为车牌定位常用的纹理特征。C.N.E.Anagnostopoulos等[16]将车牌图像归一化为黑色字符和白色背景，将字符看成是背景中水平排列的小孔，然后通过窗口扫描实现定位。考虑到单一的阈值可能造成字符笔画的断裂，甚至遗漏部分车牌区域，文献[17]和[18]均采用多个阈值进行连通区域提取，然后根据相似特征对候选区域进行合并，从而提高车牌阈值分割的完整性；然后再根据字符排列结构进行定位。其中，D.Llorens 等[17]利用字符相近的几何尺寸以及字符中心在一条直线附近等特征对扫描区域中连通区域数量、外接矩形框的重叠以及倾斜来进行打分，根据分值实现车牌区域的判别。D.J.Kang等[18]将上述几何尺寸和排列特征描述为一种几何约束函数，并利用动态编程的方法进行实现，从而利用函数的最小化查找车牌区域。J.I.Yamaguchi等[19]进一步将字符几何尺寸、排列结构按照倾斜角度设计成不同的模板，直接在图像中进行匹配定位。此外，B.F.Wu等[20]还对连通区域标记和字符缺损补偿进行了研究。

6 角信息

角点比较丰富是车牌字符的另一个显著特征。Harris角检测算法为车牌角信息的提取提供了有力的工具。H.B.Huang等[21]首先利用该算法探测整幅图像的角点，然后通过区域角点密度实现车牌的粗定位；最后，根据字符的尺寸对角点进行滤波，从而实现精定位。Z.Qin等[22]认为角点处灰度等级变化比普通区域和倾斜边缘处更为剧烈，对应Harris矩阵的特征值明显增大，为此对角检测算法进行了改进。此外，在车牌候选区定位过程中采用较高的阈值进行角点检测；然后采用较低的阈值对候选区进行角检测，结合先验知识扩大定位区域，防止字符丢失。

7 结语

综上所述，学者们对纹理定位法进行了比较全面的研究，取得了大量的研究成果，由于这些方法受光照影响较小，全天候定位率较稳定，实时性好，其中一些优秀的方法已被应用于实践。然而，从实践的角度我们却发现，这些方法仍然存在以下缺陷，严重限制了定位率、实时性和鲁棒性的提高：

(1)全增强机制严重降低了算法的实时性，也影响了算法的定位率。在预处理阶段对输入图像进行图像增强处理是提高定位率的有效途径。现有算法几乎无智能区分高、低对比度图像的功能，为此它们对所有输入图像进行增强操作，即全增强机制。然而，被动成像条件下采集的车牌图像中，绝大部分质量较好，对比度较高，不进行增强处理同样可以得到较好的定位效果。因此，全增强方式必然浪费大量的系统资源，而且增强算法越复杂、工作量越大，这种浪费越严重，从而严重降低了系统的实时性。另一方面，对高对比度图像进行增强处理，车牌区域的增强效果并不一定明显，反而有可能急剧提高噪声的复杂度，从而影响算法的执行效率和定位率。

(2)单一的纹理提取机制难以在较大的动态范围内兼顾定位率和实时性。现有算法几乎都是采用一种纹理提取方式处理所有输入图像，即单一的纹理提取机制。不同的纹理提取方式适用于不同的对比度范围。例如，差分算子处理高对比度图像时，图像边缘清晰、准确，然而处理低对比度图像时输出结果则不尽如人意，甚至出现大范围的边缘缺损。同时，车牌识别系统复杂的工作环境要求定位算法必须应对较大的动态范围，因此单一的纹理提取方式难以在较大的动态范围内兼顾定位率和实时性。

(3)定位准确性差。由于光照变化、污染以及纹理提取手段本身的缺点等导致不能完整地获取车牌区域的纹理特征，从而出现字符丢失或残缺。为了尽量避免这一情况，纹理定位法一般按经验扩大候选区的范围，缺乏有效的补偿机制。另一方面，车牌附近的噪声纹理也时常被纳入候选区域，加之候选区的经验扩大，导致包含车牌的候选区的面积过大，给字符分割和识别阶段带来较大的压力，即使采用先验知识进行约束也很难在字符完整性和恰当的候选区面积之间实现有效的平衡。

(4)候选区普遍较多，但缺乏有效的筛选手段。较好的鲁棒性是车牌定位的目标之一，它要求纹理定位法对图像纹理具有很强的敏感性，使之在光照变化和污染等情况下也能实现目标区域纹理的有效分析。然而，部分噪声纹理也被凸显出来，最终导致候选区数目增多。目前，纹理定位法普遍采用长宽比、几何尺寸、字符排列结构等先验知识对候选区进行筛选，以确定其是否为真实车牌。考虑到车牌倾斜、拍摄角度和距离的变化以及候选区的经验扩大等情况，这些先验知识的参数范围需要进一步扩大，从而引起虚警率偏高。

(5)对双层车牌的兼容性差。现有纹理定位法几乎都是针对单层车牌设计的，相关研究很少涉及双层车牌。由于双层车牌在字符排列、几何尺寸等方面与单层车牌相比具有显著的区别，不采用一定的补偿机制而直接应用这些方法显然是不合理的。同时，双层车牌的上层一般只有两个小于标准尺寸的字符，如何判定它们是属于车牌的一部分还是车身的噪声是比较困难的，这就对补偿机制提出了更高的要求。然而，目前这方面的研究是十分缺乏的。

通过以上分析，下一步的研究方向主要集中在解决全增强机制和单一的纹理提取机制对纹理定位的影响，同时提高定位准确性，研究更为有效的候选区筛选手段以及兼顾双层车牌的定位等方面。

参考文献

[1] J.M.Guo,Y.F.Liu.License Plate Localization and Character Segmentation With Feedback Self-Learning and Hybrid Binarization Techniques[J].IEEE Transactions on Vehicular Technology，2008，57(3)：1417-1424.

[2] 刘庆祥，蒋天发.车牌图像定位方法的研究与应用[J].计算机工程与应用，2007，43(24)：233-234.

[3] 冯国进，顾国华，郑瑞红.基于自适应投影方法的快速车牌定位[J].红外与激光工程，2003，32(3)：285-287.

[4] Z.X.Chen，C.Y.Liu，G.Y.Wang，et al.Automatic license plate location and recognition[J].Indian Journal of Engineering and Materials Sciences，2007，14(5)：337-345.

[5] X.F.Chen，B.C.Pan，S.L.Zhang.A License Plate Localization Method Based on Region Narrowing[C]//Proceedings of the Seventh International Conference on Machine Learning and Cybernetics.2008：2700-2705.

[6] 苑玮琦，张亮.基于分块思想的汽车牌照定位算法研究[J].自动化学报，2007，33(7)：768-770.

[7] H.Y.Tseng，C.H.Lai,S.S.Yu.An effective license-plate detection method for overexposure and complex vehicle images [C]//Proceedings of the ICHIT，2008：176-181.

[8] C.Muhammed，U.Aybars, T.Turhan.Automatic number plate information extraction and recognition for intelligent transportation system[J].The Imaging Science Journal，2007，55(2)：102-113.

[9] 朱风云，曹晓光，Ahmed Hassanien，等.机动车车牌自动识别系统与VMLA定位算法[J].中国图象图形学报，2003，8(6)：679-682.

[10]? 曹晓光，朱风云，Ahmed Hassanien.基于互相关矢量图的车牌定位新算法[J].北京航空航天大学学报，2004，30(3)：240-243.

[11] 张玉姣，史忠科.车牌提取方法研究[J].西北工业大学学报，2003，21(1)：34-37.

[12]? 李宇成，覃妮，王目树.一种新的车牌定位方法及应用[J].计算机工程与应用，2009，45(17)：148-150.

[13]? Vladimir Shapiro，Georgi Gluhchev，Dimo Dimov.Towards a multinational car license plate recognition system [J].Machine Vision and Applications，2006，17(3)：173-183.

[14]? Q.Wu，H.F.Zhang，W.J.Jia，et al.Car Plate Detection Using Cascaded Tree-Style Learner Based on Hybrid Object Features [C]//Proceedings of IEEE AVSS.2006：15-15.

[15]? B.Chen，W.L.Cao，H.C.Zhang.An Efficient Algorithm on Vehicle License Plate Location [C]//Proceedings of the IEEE International Conference on Automation and Logistics.2008：1386-1389.

[16]? C.N.E.Anagnostopoulos，I.E.Anagnostopoulos，I.D.Psporoulas，et al.A License Plate-Recognition Algorithm for Intelligent Transportation System Applications[J].IEEE Transactions on Intelligent Transportation Systems，2006，7(3)：377-392.

[17]? D.Llorens，A.Marzal，V.Palazon，et al.Car License Plates Extraction and Recognition Based on Connected Components Analysis and HMM Decoding [J].Pattern Recognition and Image Analysis，2005，35(22)：571-578.

[18]? D.J.Kang.Dynamic Programming-based Method for Extraction of License Plate Numbers of Speeding Vehicles on The Highway[J].International Journal of Automotive Technology，2009，10(2)：205-210.

[19]? J.I.Yamaguchi，T.Kita，Y.Ishihara.Detection of License Plate Using Matched Filter[J].Electronics and Communications in Japan，2008，91(9)：20-27.

[20]? B.F.Wu，S.P.Lin,C.C.Chiu.Extracting characters from real vehicle license plates out-of-doors[J].IET Computer Vision，2007，1(1)：2-10.

[21]? H.B.Huang，G.F.Ma,Y.F.Zhuang.Vehicle License Plate Location Based on Harris Corner Detection[C]//Proceedings of IJCNN，2008：352-355.

[22]? Z.Qin，S.L.Shi，J.M.Xu，et al.Method of License Plate Location Based on Corner Feature[C]//Proceedings of the 6th World Congress on Intelligent Control and Automation，2006：8645-8659.